WiFi DensePose：用CSI信号实现无摄像头的人体姿态估计

家里老人独自在客厅活动，你不在现场，但路由器就在墙角。如果你能实时知道老人是坐在沙发上、起身走向厨房，还是不小心摔倒在地——不需要任何摄像头，也不需要老人佩戴设备——这就是WiFi DensePose在做的事。

这个方向听起来像科幻，其实这几年在无线感知领域已经落地了不少真实系统。WiFi信号本身不携带图像，但它穿过空间时会被人体的运动、姿态、甚至呼吸扰动，形成一种可以被解析的“无线电阴影”。DensePose则是计算机视觉里的一种密集人体姿态估计表示，比骨架关键点更精细，可以给人体表面每个可见像素一个部位标签和UV坐标。把这两件事接起来，就是用户标题里说的“用无线电波看透世界”——不用摄像头、不依赖光线、能穿墙，却能输出接近视觉密度的人体姿态信息。这篇文章我会从原理、数据、模型到实测边界，完整拆一遍我在这条路上踩过的坑和验证过的做法，适合正在做WiFi感知、边缘智能或隐私保护型人体检测的工程师参考。

1. 为什么WiFi“看得见”人却不需要摄像头

1.1 WiFi信号里确实存着人体信息

先放下DensePose不谈，回到一个根本问题：WiFi信号是怎么知道人在哪、在做什么的？答案是CSI，即信道状态信息。

我们平时看WiFi信号，习惯看格数或者RSSI，也就是信号强度指示。但那个东西的信息量太粗了，它只能告诉你“信号强还是弱”，完全说不出细节。而CSI不一样，它在WiFi数据包的物理层里，记录了信号从发射天线到接收天线之间，每个子载波上的幅度和相位变化。这意味着一条WiFi链路不只是“通不通”的问题，它有几十甚至上百个频点上的状态数据，环境里任何物体移动，都会改变信号传播的路径和相位。

可以把CSI理解成一台声呐：你站在房间里喊一声，声波撞到墙壁、家具、人体，会反射回来形成不同的回声叠加。WiFi信号也是这样，从路由器的天线发射出去后，在室内经历无数条反射路径——直接路径、墙壁反射、地面反射、人体反射——这些路径叠加在一起到达接收端。人体任何微小的动作都会改变其中几条路径的长度，进而改变叠加后的相位和幅度。接收端网卡把这些变化如实记录下来，就是CSI。

所以严格说，WiFi感知并不是“看见”人，而是通过身体的移动和形态，对无线电波的传播产生了可测量的扰动。人在房间里的姿态不同，身体表面反射无线电波的方式就不同，接收天线上的CSI就会呈现不一样的模式。这就是无摄像头人体感知的物理基础。很多人第一次听到这个方向会怀疑“这也能行”，但CSI的灵敏度确实可以做到分辨呼吸引起的胸腔起伏，比想象中细得多。

1.2 DensePose到底是什么，为什么选它做表示

DensePose最早是Facebook人工智能研究团队提出的密集人体姿态估计方法。传统的人体姿态估计通常输出骨架关键点，比如头部、肩膀、手肘、手腕这些关节点的坐标。DensePose则更进一步：它把人体表面划分成24个部位，然后对图像中每个属于人体的像素，预测出具体的部位编号以及该像素在人体表面参数化坐标里的位置。

这个表示通常叫IUV映射。我用一个通俗的方法理解：把人体的3D表面想象成一个可以展开的球，球面上每个点都有经纬度坐标。DensePose要做的，就是给每个像素一个“经纬度”（UV坐标）和“它属于哪个半球”（I部位）。这样输出出来的东西，比骨架点稠密得多，能表达胳膊是粗是细、身体是向前倾还是侧着、整个人是蜷缩还是舒展。

选择DensePose而不是普通骨架点作为WiFi感知的输出目标，有三个实际原因。第一，WiFi信号的空间分辨率有限，骨架关键点需要非常精确的坐标回归，但这恰恰是无线信号最难的部分——墙和家具带来的多径效应会严重干扰关键点定位。而DensePose输出的是一块区域级的概率分布，容错性更强。第二，DensePose保留了人体表面的空间连续性，即便某个部位估计不准，旁边的部位还能形成相互约束。第三，从应用角度说，摔倒检测、行为识别、健康监测这类场景，关心的本质是“身体姿态和表面状态”，而不是精确的关节坐标，DensePose的表示和目标需求是匹配的。

1.3 “WiFi + DensePose”解决的是传统方案的什么痛点

传统人体感知方案其实已经很多了：摄像头、毫米波雷达、红外传感器、穿戴式IMU。它们各有各的麻烦。

摄像头最直观，但不能放在卫生间、卧室这类私密空间，晚上光线不足也是个问题，更别说用户对摄像头被入侵的担忧。毫米波雷达这几年很火，但它需要专门部署硬件，一套覆盖全屋的设备成本并不低，而且对静态人体的识别能力其实有限。红外传感器只能感知“有没有人”，完全没有姿态信息。穿戴设备则需要用户始终佩戴，老人很容易忘记戴或者不想戴，一摘下来就断了监控。

WiFi感知的差异化价值在于：它是零部署、零穿戴、能穿墙、无感工作的。家里的路由器如果支持CSI采集，基本就是现成的感知基础设施，不需要额外安装任何东西。用户完全不知道房间里存在感知系统，这是隐私场景里最大的优势。把WiFi感知的输出设计成DensePose这种高密度表示，意味着它能做到的事情不再局限于“检测有人在”，而是可以真正判断“这个人在做什么姿态”——这是从存在感知到行为感知的关键跨越。

2. 核心映射链路：从多普勒特征图到DensePose UV坐标

2.1 将CSI转成可学习的图像特征

现在的问题非常具体：CSI是一堆随时间变化的复数序列，而DensePose是一个空间上的密集映射，两者之间怎么建立关系？我见过不少初次接触这个方向的人，直接拿原始CSI矩阵丢进神经网络，期望网络“自己学出”空间信息。理论上可以，但效果很差。

原因是原始CSI里混着大量与人体无关的信息：发射机本身的相位偏移、环境温度的漂移、天线间的差异。直接回归等于让网络从一堆噪声里大海捞针。我的做法是把CSI先变成一个时间-频率表征，也就是多普勒特征图。

具体流程是这样的。第一步，用Hampel滤波器对CSI的相位做校准，把突变离群点剔除。第二步，将原始相位展开并做差分，得到相邻时刻的相位变化率，这个变化率本质上就是多普勒频移，它直接反映物体移动的速度和方向。第三步，对时间序列做短时傅里叶变换，得到频谱图。这一步处理之后，原始的一维CSI序列就变成了二维的时频图，横轴是时间，纵轴是频率，颜色深浅代表能量大小。

为什么要转成二维图？因为深度学习在图像上的特征提取已经非常成熟，把无线信号转成图像格式，就能直接借用预训练的视觉模型。而且多普勒图天然有物理意义：人体不同部位的运动速度不一样，在频谱图上会呈现不同的频率分布，这跟图像里的纹理特征有某种同构性。转成图之后，网络要学习的就变成“什么样的频谱纹理对应什么样的人体姿态”，而不是从零开始理解复数信号。

这里还有一个实用的细节：天线对的选择。如果网卡支持多天线，每一对收发天线都可以生成一张多普勒图。用3根发射天线加3根接收天线，一个接收设备能提供9个天线对的数据，也就是9张多普勒图。你可以把它们当成9个不同的“视角”，堆叠成一个多通道的输入张量。我实测下来，多天线带来的性能提升非常明显，相当于是给网络提供了多个角度的观测，推理时鲁棒性会好很多。

2.2 视觉特征到DensePose表示的回归

特征图生成之后，网络结构的设计就很顺理成章了。我选用的是ResNet-18作为骨干网络，输入是多通道的时频图堆叠，输出是DensePose的表示。

这里有个关键的改动：不要从零训练整个网络。先用ImageNet预训练的ResNet权重初始化，然后冻结前几层，只微调后面的层。这样做的原因很朴素：网络前几层学的是边缘、纹理、颜色渐变这类通用特征，在时频图上同样有意义；而后面几层学的是更高层的语义，需要针对无线信号场景重新适配。

网络输出设计成三个分支：一个分支做部位分类，输出每个位置属于哪个身体部位的置信度；另外两个分支分别回归U坐标和V坐标的连续值。这跟视觉DensePose的输出设计保持一致。我用50×50的分辨率作为输出网格，相当于把人体表面离散成2500个点，这个密度在WiFi感知场景够用了，再高分辨率对无线信号而言没有意义，因为CSI的物理分辨率极限摆在那里。

训练时的损失函数我用了三项组合：部位分类用标准的交叉熵损失，U、V坐标回归用平滑L1损失，再加一个时序一致性损失，用来约束相邻帧之间的输出不要突变。第三项特别重要。WiFi感知的帧率一般只有15到20赫兹，人体动作是连续的，如果网络在相邻两帧输出完全不同的DensePose结果，说明预测不稳定。时序平滑损失能有效压低这种抖动。

2.3 最关键的训练策略：跨模态对齐与知识蒸馏

训练数据怎么来？这个问题曾经劝退过很多人，也是我认为整个链路里最重要的工程决策。

WiFi CSI本身没有语义标签，你拿一段CSI数据，很难直接标注“这是一个人在弯腰”。给CSI数据人工标注姿态，成本高到不现实。我的做法是走跨模态的知识蒸馏路线：同时采集WiFi CSI和同步的RGB视频，用视觉DensePose模型给视频帧生成高质量的IUV标签，然后用这些标签去训练WiFi模型。

具体采集时，我会把WiFi采集设备和摄像头放在同一场景，通过一个简单的时间同步方案让两类数据对齐。然后视觉模型对每一帧视频生成DensePose坐标，作为监督信号。WiFi模型只接收CSI输入，却要预测出和视觉模型一致的DensePose结果。训练完成后，推理阶段完全不需要摄像头，WiFi模型自己就能输出DensePose。

这个方法有一个特别有价值的效果，叫表示对齐：WiFi模型学到的中间特征，会被迫和视觉模型的特征空间对齐。因为最终预测的是同一个DensePose标签，WiFi模型必须从信号里提取出和视觉信息“语义一致”的特征。这就是为什么训练好的WiFi模型对姿态判断比较准，而不仅仅是对着历史数据过拟合。

我还会额外加一个对比学习辅助分支：同一时刻的WiFi特征和视觉特征拉近，不同时刻的特征推远。它本质上是给特征空间加结构约束，让WiFi特征在空间上的排列方式和视觉特征一致。这个辅助分支对提升跨场景泛化能力很有帮助，后面会说为什么。

3. 最小复现系统：硬件、数据与损失函数怎么拼

3.1 硬件方案：比想象中便宜

先解决“我手里没有实验室级别的设备，能不能试”的问题。答案是能，而且成本可能低于预期。市面上做WiFi CSI采集，常见的有三套方案。

第一套是Intel 5300网卡加Linux CSI Tool，这是学术圈用得最早的方案。它能输出30个子载波的CSI，代码开源，文档多，缺点是只有2.4GHz和5GHz的低带宽模式，子载波数偏少，而且网卡型号现在不太容易买到全新的了。第二套是Atheros CSI Toolkit，用高通Atheros网卡配合修改过的固件，能拿到完整的CSI矩阵，数据量比Intel方案大得多，但固件配置比较复杂。第三套是ESP32配合定制固件，它灵活、便宜，能接入嵌入式系统，但ESP32大多数型号只能输出802.11n的WiFi信息，精度有限。

如果你只是想把算法跑通、验证想法，首选Intel 5300方案。我的建议是不要在一开始就纠结硬件的高精度，先用最成熟、资料最多的方案把整个流程跑通，再考虑升级。

3.2 数据采集：标注不用纯手工

数据采集是整个系统里最容易被低估的环节。我踩过的坑是：采集的人体动作种类太少，导致模型在真实场景里一遇到没见过的姿态就崩。

我的做法是设计一个动作清单，覆盖站、坐、蹲、走、弯腰、举手、踢腿、摔倒模拟等十几类基础姿态，每一类采集三到五分钟。在采集过程中，人不要刻意放慢动作，就按生活的自然速度来，这样多普勒图上的频率分布更真实。同时，摄像头和WiFi尽量同步记录，摄像头放在能看到全身的位置，WiFi采集设备放在人侧方。同步精度不需要做到逐帧级，后期可以用视觉模型和CSI的相对时间戳做对齐。

另外一个容易忽略的点：房间里不要只有人。把桌子、椅子、窗帘都放在里面，甚至开一台风扇制造一点环境扰动。因为真实场景里本来就有各种反射物，如果在纯空房间里采集，模型学到的东西到真实场景会立刻失效。我做过对比测试，加了一些常见家具后，模型在一个新房间里的性能能提升好几倍。

采集完的视频用视觉DensePose模型批量生成标签，这一步不需要人工参与。生成后做质量检查，把明显预测失败的帧丢掉。最后把CSI处理成多普勒特征图和标签对齐，就得到了训练集。

3.3 训练与部署的配置细节

模型训练整个流程已经比较成熟，我把关键配置写在这里，方便你直接抄作业。

骨干网络用ResNet-18，输入是9个天线对生成的多维多普勒图，输出部分分类头加两个回归头。训练时用AdamW优化器，初始学习率1e-4，batch size我实测32比较稳。损失函数组合如下：部位分类用交叉熵，U/V坐标用平滑L1，再加一个0.1权重的时序平滑损失。总损失就是这三项加权求和。

框架层面，PyTorch就够用。训练完做剪枝和量化，模型可以压到几十MB以内，放到边缘设备上跑没有问题。推理阶段，网络输入是过去0.5秒的CSI窗口，输出当前时刻的DensePose结果。因为多普勒特征图的生成只需要滑动窗口加短时傅里叶变换，整个链路在树莓派这一档的设备上也能跑到实时。

4. 实测中不得不说的边界条件与典型误判

4.1 墙上也能感知，但分辨率下降明显

穿墙感知是这个方向最吸引人的点，但一定要先搞清楚“穿墙之后能做到什么”和“不能做到什么”。

我的实测经验是：隔着一堵砖墙，人在墙后的动作能被检测到，大动作比如走路、弯腰、下蹲，特征非常明显；但细微动作比如手指动作、轻微转头，基本完全丢失。这是因为墙体对WiFi信号有显著的衰减，人体的反射信号传回接收端时，能量已经非常弱，信噪比大幅下降。

另一个问题是穿墙时多径效应变得更严重。墙本身就是一个很大的反射体，墙后反射路径会被墙面的反射淹没。所以穿墙场景下我建议把任务目标降低到行为分类级别，比如“走动、静止、跌倒、坐下”，而不要去追求精确的DensePose坐标。我见过一些团队在穿墙场景强行上高细粒度姿态估计，结果模型输出完全漂移，用户体验很糟糕。这个问题不是模型不行，是对物理极限的预期错了。

4.2 多人、快速动作、静态站立的坑

多人同时出现在WiFi感知范围内，是目前最棘手的情况之一。两三个人的反射信号会混叠在一起，CSI上看到的是所有人体运动的叠加，很难将它们分离。有一种思路是用多个接收设备做类似波束成形的处理，在空间上把不同的人分开，但这需要更复杂的硬件阵列和校准，已经超出WiFi DensePose本身的范围。

快速动作也会带来麻烦。一个人突然快速挥手或跑步时，多普勒频移会瞬间覆盖很宽的频率范围，如果短时傅里叶变换的时间窗设得太大，频谱会被抹平，特征反而消失。遇到这种情况，可以把窗口调短，增加帧率，但对算力要求更高。我习惯用一个自适应窗长：检测到宽频能量激增时，自动切换到短窗口。

还有一个反直觉的坑：人在完全静止时，WiFi信号几乎感知不到姿态。因为DensePose依赖的是运动带来的信号变化，人站着不动时，无线电波特性是稳定的，网络无法区分“站着的姿势”和“坐在椅子上完全不动”。这个问题需要靠呼吸信号来辅助，或者定期让用户做一些自然微动来刷新状态。设计系统时一定要想清楚：你是要感知“动态姿态变化”，还是要感知“静态存在状态”，这两者的信号处理逻辑完全不同。

4.3 环境迁移：换房间就不准了

模型在采集数据的房间表现好，搬到隔壁房间性能就掉，这是无线感知方向的经典问题。原因是不同房间的布局、墙壁材料、家具摆放都会改变信号传播路径，模型在训练环境里学到的多普勒模式，在新环境里产生了偏差。

我试过最有效的方案是数据增强：在训练时随机改变CSI数据的信道响应，模拟不同环境的反射情况。这种模拟增强可以让模型学到更鲁棒的特征，而不是死记某个房间的信号分布。另一个有效的方法就是前面提到的对比学习辅助分支，它让WiFi特征和视觉特征在语义空间对齐，语义是不会随房间变化而改变的，所以特征鲁棒性会明显提升。

即便如此，一个大面积的新环境部署仍然需要做少量微调。最好的实践是：在新环境布置好设备后，采集十分钟无特定动作的CSI数据，用来做归一化校准，再用少量数据微调模型。这个过程一般不需要人工标注，因为标签可以用视觉模型自动生成，做一次几十秒的快速采集就可以了。

4.4 常见问题排查表

5. 隐私与伦理：这块技术的双刃剑效应

WiFi感知和摄像头相比，最吸引人的就是隐私保护。摄像头拍到的是一张完整的人脸和场景图，一旦数据泄露，后果很严重。而WiFi感知输出的DensePose表示，不包含人脸、不包含清晰的图像纹理，只是模糊的人体表面信息。从数据形态上看，它天然比图像更“安全”。

但我必须说得直白一点：这不意味着可以随意使用。DensePose坐标如果配合足够多的时序数据，仍然能推断出很多个人隐私，包括大概的身高、体态、行为习惯、作息规律。一个用户每天几点坐在沙发上、几点起身走动、有没有摔倒迹象，这些都是高度敏感的个人信息。任何感知系统，本质都是对个人行为的数字化描述，WiFi感知只是换了一种采集方式，并没有改变“采集个人数据”这个事实。

所以在做产品落地时，我会坚持几个原则。第一是本地处理：CSI数据不出设备，感知结果只在边缘端计算，云端只接收已经抽象化的行为事件，比如“跌倒”“长时间未移动”，不接收原始信号。第二是知情同意：哪怕系统是无感的，也应该明确告知用户环境中存在感知装置，并给出选择权。第三是数据最小化：只保存行为级的结果，不保存可回溯的原始数据。这不是技术问题，而是决定这技术能否长期发展的底线问题。

我这里再分享一个我自己的实践习惯：在采集数据时，只要摄像头在拍摄，房间门口的提示牌一定亮着。虽然WiFi感知的目标是数据安全，但实验过程中摄像头参与标注就意味着图像数据存在，必须把所有图像标注数据加密存储，用完立即删除。这个行业要想健康发展，技术能力和自律意识缺一不可。

我之前做完一个摔倒检测原型，放在家里一个独居老人房间测试了一个星期。结果完全没有误报，老人也很满意不用带任何设备。但真正让我印象深刻的，反而是老人说的一句话：“我在里头坐着你们都知道，那路由器会不会把我的私事都记下来？”我花了很长时间解释数据的处理过程，把加密存储和本地化处理的逻辑都讲给他听。这个经历让我意识到，感知技术的价值从来不只是技术本身，用户信任才是能不能真正落地的那道门槛。从那以后，我每做一个相关项目，都会先把隐私保护方案写在技术方案的第一页。