WiFi DensePose：用WiFi信号实现无摄像头人体姿态估计

想象一下：你家里的普通 WiFi 路由器，在给手机提供网络的同时，还能"看到"你在哪里、你在做什么动作，甚至监测你的呼吸频率和心跳——而整个过程完全不需要任何摄像头。这不是科幻，这正是 **WiFi DensePose** 项目的核心愿景。

WiFi DensePose 是一个开源项目，利用普通 WiFi 设备发出的无线信号，通过分析**信道状态信息（CSI，Channel State Information）**中的子载波振幅和相位变化，实现包括人体姿态估计在内的多种非接触式感知功能。

技术原理：无线电波如何"看见"人

信道状态信息（CSI）

WiFi 信号在空间中传播时，会遇到人体、墙壁、家具等障碍物发生反射、折射和散射。接收端可以测量每个子载波（OFDM 系统中有数十到数百个子载波）的振幅和相位变化，这就是 CSI。

当人在信号传播路径附近移动时，CSI 的变化模式会随之改变。不同的姿态、动作对应不同的信号散射特征。WiFi DensePose 的核心思路是：**训练神经网络，从 CSI 变化模式反推人体姿态**，输出符合 DensePose UV 坐标系的人体表面映射。

DensePose UV 映射

DensePose 是 Meta AI 提出的人体稠密姿态表示框架，将人体表面划分为 24 个区域，每个像素对应人体表面的精确 UV 坐标。WiFi DensePose 将这一高精度表示引入 WiFi 感知领域，使输出不仅仅是关键点骨架，而是包含完整体表信息的稠密映射。

核心感知能力

人体姿态估计

| 指标 | 数值 |

|------|------|

| 输出帧率 | 54,000 fps（推理速度极快）|

| 表示格式 | DensePose UV 坐标映射 |

| 覆盖区域 | 单人或多人（取决于硬件配置）|

系统将 CSI 子载波数据输入经过专门训练的编码器-解码器网络，直接输出人体各部位的 UV 坐标预测。高达 54K fps 的推理速度意味着系统可以捕捉极其细微的动作变化，远超人类视觉系统的刷新率。

呼吸与心率监测

| 功能 | 原理 | 检测范围 |

|------|------|---------|

| 呼吸检测 | 0.1–0.5 Hz 带通滤波 + FFT | 6–30 次/分 |

| 心率监测 | 0.8–2.0 Hz 带通滤波 + FFT | 40–120 次/分 |

胸腔呼吸运动和心跳引起的体表微小振动，会在 CSI 信号中留下周期性的相位波动。通过对特定频段进行带通滤波并做快速傅里叶变换（FFT），可以精确提取呼吸和心率频率。这一功能在睡眠监测、老人看护等场景中具有重要的应用价值。

穿墙感知

基于菲涅尔区（Fresnel Zone）几何原理和多径信号建模，WiFi DensePose 可以在一定程度上穿透薄墙实现感知，有效距离最远可达 **5 米**。这对于居家安全监护、地震救援人员定位等场景尤为关键。

硬件方案与成本

推荐方案：ESP32-S3 阵列

| 组件 | 规格 | 成本 |

|------|------|------|

| ESP32-S3 模块 | 3–6 个，支持 CSI 提取 | ~$30 |

| WiFi 路由器 | 普通家用路由器 | ~$24 |

| **合计** | | **~$54** |

ESP32-S3 是一款低功耗微控制器，内置 WiFi 模块，且官方 SDK 支持 CSI 数据提取，是目前开源 WiFi 感知项目中最具性价比的硬件平台。多个节点协同工作可以构建更精准的空间感知模型。

研究级方案

对于学术研究场景，项目同样支持 **Intel 5300** 等专业网卡，可提供更高精度的 CSI 数据。但普通 WiFi 笔记本（仅支持 RSSI 信号强度）只能实现粗粒度的存在检测，无法完成姿态估计等高级功能。

隐私优先：无摄像头感知的社会意义

AI 监控引发的隐私争议

近年来，家用摄像头、智能门铃、公共场所的人脸识别系统引发了广泛的隐私担忧。从欧盟 GDPR 到各国数据保护法规的收紧，都反映出社会对"被看见"的深层不安。

WiFi DensePose 提供了一种根本性的替代路径：**感知发生，但图像不存在**。系统处理的是抽象的无线电波数据，而非包含可识别特征的视觉图像。即便数据被截获，也无法还原为任何有意义的视觉内容。这使得 WiFi 感知在隐私保护层面天然具有优势。

适用的高隐私场景

• **老人看护**：卧室内安装摄像头令老人感到不适，WiFi 感知可以在不侵犯尊严的前提下监测跌倒和异常行为。
• **心理健康场所**：诊疗室、冥想空间等高度私密场合，可以安全部署 WiFi 感知用于行为分析。
• **婴幼儿睡眠监测**：父母希望监测宝宝呼吸，但不愿在婴儿床旁放置摄像头。

与主流 AI 趋势的关联

Edge AI 的典型范例

WiFi DensePose 的推理完全在本地完成，不需要将任何数据上传至云端，是 Edge AI 理念的完美体现。低成本的 ESP32-S3 硬件加上轻量级神经网络推理，使这一系统可以部署在资源极为有限的嵌入式环境中，符合当前 AI 从云端向边缘迁移的大趋势。

开源 AI 生态的增长点

作为完全开源的项目，WiFi DensePose 将先进的多模态感知技术带入了 Maker 社区和研究群体，降低了无摄像头感知技术的入门门槛。这与 Open Source AI 在过去两年爆发式增长的趋势高度契合——高质量开源项目正在系统性地压低 AI 能力的获取成本。

多模态感知的基础层

WiFi 感知可以与其他无摄像头传感器（毫米波雷达、红外传感器、麦克风阵列）协同，构建多模态无视觉感知系统。在未来的智慧家居、工业物联网场景中，WiFi DensePose 所代表的技术路线可能成为"无处不在的空间智能"的基础层之一。

总结

WiFi DensePose 以约 54 美元的硬件成本，实现了传统上需要专业深度摄像头或激光雷达才能完成的人体姿态估计任务，并额外提供呼吸、心率监测和穿墙感知能力。更重要的是，它将隐私保护的理念内嵌于技术架构本身——不是靠法律约束或数据加密，而是从根本上消除了视觉图像的产生。

在 AI 系统的感知能力不断扩展的今天，WiFi DensePose 所代表的"隐私原生"技术路线，或许正是平衡智能与安全的一条重要方向。