# 基于 LiDAR 的人体姿态估计与 MotionBERT Zichen Zhao $^{1}$ $^{1}$人工智能学院， 河北工业大学 天津，中国 Chao Zhuang $^{1}$ $^{1}$人工智能学院， 河北工业大学 天津，中国 Jian Li $^{2}$ $^{2}$国家康复辅助器具研究中心 北京，中国 作者 Hao Sun $^{*1}$ $^{1}$人工智能学院， 河北工业大学 天津，中国 $^{*}$通讯作者 ## 摘要 - 人体姿态估计在人工智能领域具有广泛的应用，并且逐渐应用于日常生活中。然而，对于某些特定的场景和人群，需要确保隐私和安全，相机等设备可能不再是最佳选择。因此，本文提出使用 LiDAR 技术获取人体点云图像，并通过预处理和分割提取纯粹的人体点云模型。首先，通过对 LiDAR 扫描获取的点云图像进行预处理，提取出人体周围的有效部分。然后，利用分割技术将人体与周围物体分离，仅保留人体部分。接下来，通过滤波过程去除多余的噪声，得到纯粹的人体点云模型。最后，使用 MotionBert3d 模型对预处理的点云图像进行姿态估计，从而获得姿态估计点和人体姿态估计模型，为后续的人体动作识别奠定基础。 关键词 - LiDAR；点云地图；图像预处理；人体姿态估计；Motion Bert3d 建模 ### I. 引言 用于人体姿态获取的设备种类繁多，例如相机[^2]、物理传感器、RFID（无线射频识别）、WiFi[^3](Wireless Fidelity)、雷达[^4]、LiDAR（激光雷达）等[^1]。 这些应用于行为识别的传感器主要分为两类：接触式设备和非接触式设备。接触式设备通常包含各种可穿戴物理传感器和可穿戴 RFID $^{[5]}$ 标签等；与无线传感器相比，可穿戴物理传感器在收集特定人员的生理和物理信息方面具有天然优势，不仅可以获得更准确的数据，还可以直接确定特定人员的身份；随着移动网络的不断发展，物理传感器不再受限于距离。非接触式设备不需要用户佩戴任何设备，因此避免了佩戴传感器的问题。应用于人体姿态获取的常见非接触式设备包括摄像头、WiFi、RFID、雷达等；使用非接触式设备进行人体行为识别不会对用户提出任何额外要求，因此受到学者的更多关注。不同的非接触式设备具有不同的优点和局限性。图像和视频是记录人体行为最常见的载体，但普通摄像头存在暗光分辨率不足、距离有限、视野狭窄等缺点，导致基于视频或图像的人体姿态估计系统的鲁棒性较差；此外，一个非常重要的问题是，摄像头容易侵犯个人隐私，带来安全问题。RFID 标签受到范围限制，不适用于广泛的手势跟踪，只能在标签的范围内部署以监控行为；并且 RFID 在非金属物体上的渗透性有限，可能会受到人体、墙壁和其他障碍物的干扰。WiFi 信号容易受到环境中其他无线信号的干扰，并且可能被用于未经授权的跟踪和监视，从而引发安全和隐私问题。雷达在有限范围内识别人体行为时，无需部署标签，并且不同的人体行为对无线信号的影响不同；但是，它对环境干扰的抵抗能力较弱，容易受到多径效应的影响。 LiDAR是一种雷达系统，它通过发射激光束来感知目标的姿态、速度和其他特征量，目前已在人类行为识别领域用于定位或跟踪$^{[6]}$，但很少有研究将其应用于人类肢体姿态估计。由于其覆盖范围广、数据传输速度快以及不受照明条件的限制，LiDAR在人类姿态估计领域具有天然的优势$^{[7]}$；它可以监测近距离环境，也可以实现对各种人类姿势和动作的中远距离识别。Georgi $^{[8]}$提出了一种名为BoxGraph的新方法，利用3D LiDAR数据进行语义场景识别和姿态估计，可以更好地应对复杂场景中的遮挡和噪声问题，并在实际应用中更高效。Cong $^{[9]}$提出了一种易于部署、不受光照影响的3D多人姿态估计方法，该方法利用多模态输入数据（图像和点云）和时间信息，引导网络学习自然、连贯的人类运动，无需依赖3D姿态标注，并通过几何约束在点云上进行自监督学习，并使用图像上的2D关键点进行弱监督。Li $^{[4]}$等人提供了基于深度学习的雷达人类行为识别概述。 --- 识别技术、雷达系统和深度学习。他们基于一维、二维和三维雷达回波，开发了一种基于深度学习的雷达活动识别方法。实验结果表明，将深度学习应用于基于雷达的人体识别是可行的。Luo $^{[10]}$ 等人使用 2D LiDAR 同时识别多个人的活动，使用 LiDAR 聚类来识别场景中的人物，然后使用卡尔曼滤波跟踪他们的轨迹，并最终对图像进行分类，使用短时记忆网络 (LSTM) 和时空卷积网络 (TCN)。Hasan $^{[11]}$ 使用 2D LiDAR 代替摄像头来跟踪人类活动的路径，通过监测人类的脚踝，大大保护了用户的隐私和安全。 本文使用 3D LiDAR 进行人体姿态估计，LiDAR 传感器可以在点云定位中实现厘米级的定位精度，这比其他无线设备更精确。为了提高基于 LiDAR 的人体姿态获取能力，以应对环境干扰，本文对收集到的点云数据进行直通滤波、点云分割和异常值滤波，然后使用 motionbert3d 模型进行人体姿态估计。 ### II. 实验提示 在实验准备阶段，我们在学校实验室搭建了一个实验平台，并部署了 Livox Mid-70 LiDAR 传感器。在 Ubuntu 操作系统上，我们构建了一个点云图像采集系统。通过该系统，我们成功地从几位参与者那里采集了 3D 人体姿态点云图像数据，包括同学和导师，涵盖了站立、坐下、行走、蹲下和平躺等多种运动姿势，如图 1-3 所示。 ![Image](images/941db3d74aa8fafa742d0b6aaee47be4762bcfac87e2be2f9d9c6f64007fc8fc.jpg)
Fig.1 Livox Mid-70 LiDAR
![Image](images/aea1fab439065fdc48266b797258466d09018843c1fc747556e374c56a8aa260.jpg)
Fig.2 Laboratory Scene
![Image](images/14c17f4bf31f2e9849f5ba44639edcf8be058914c991838bf073f6b4880bff07.jpg)
Fig.3 Lidar scanning point cloud data acquisition
接下来，我将对收集到的点云图像数据进行预处理。预处理是关键的一步，旨在为后续的姿态估计任务准备数据。 ### III. 实验 在正常的室内环境中，人体通常与周围物体（如桌子、椅子、墙壁、地板和其他机械设备）共存于同一空间。当使用点云图像技术采集此类场景时，我们将获得一系列三维空间中的数据点，这些数据点不仅包含人体信息，还包含周围物体的信息。为了能够准确地从这些混合数据中分离和提取人体信息，以便进行后续的处理和分析，我们需要对收集到的点云图像进行一系列的预处理步骤。以坐姿人体为例，展示了预处理过程。 ### A. 点云图像预处理 ## 1 ) 锁定身体区域处理 锁定人体区域处理，首先提取整个大环境周围的人体部分，通过设置过滤条件进行直通滤波，遍历点云，保留或删除满足条件的点，最终输出过滤后的点云。通过直通滤波过滤掉不需要的部分，如图 4 所示。 ![Image](images/49eaaae3193c28c7e6c0b0b697d8125e8b316d9049533d72b6282c06e735b923.jpg)
Fig.4 Point cloud plot after straight-through filtering segmentation
## 2 ) 分割 点云数据在座椅区域的存在也给人体建模带来了很大的挑战。它会影响人体姿态估计和后续的动作识别。在本文中，经过直线滤波后，选择感兴趣区域（ROI）进行人体点云数据处理，如图5所示。然后，需要对人体模型区域进行特征提取，以将座椅与人体分离。 RANSAC算法$^{[12]}$是基于模型假设和选择的，本文中，首先，随机选择人体点云中的若干子集，多次拟合3D点云以估计该模型的参数，并通过连续迭代，使用设定的阈值将点云数据划分为局域3D点云和非局域3D点云（异常值）。接下来，对局域3D点云进行迭代计算，最终获得最佳的几何3D模型。将RANSAC与最小二乘法相结合，可以结合两者的优点，获得更理想的结果。 --- 最小二乘法是最常用的曲线拟合方法。基本思想是： $$ f(x)=a_{1}\varphi_{1}(x)+a_{2}\varphi_{2}(x)+\ldots+a_{m}\varphi_{m}(x) $$ 其中，$\varphi_k$是一组预先选择的线性无关函数，$a_k$是待确定的系数，拟合准则是最小化$\delta_i$和$y_i(i=1,2,...,n)$之间的距离$f(x_i)$的平方和，即最小二乘准则。 使用RANSAC算法结合最小二乘法的步骤： 1. 首先，在点云中随机选择三个点，并计算这三个向量的叉积，以计算出三个点所在的平面的法向量： $$ n=(p_{2}-p_{1})\times(p_{3}-p_{1}) $$ 2. 通过最小方差预测座椅靠背和座椅平面的参数； 3. 获得平面模型参数后，计算点云中任意一点到这两个平面的距离： $$ d_{i}=\frac{\stackrel{\rightarrow}{n}^{T}(p_{i}-p_{l})}{||\overrightarrow{n}||_{2}}\qquad i=4,5.....,N $$ $p_{i}$是点云中的任意一点。 4. 预设一个阈值$\tau$，使其满足$d_i < \tau$，并对点云进行滤波以满足要求； 5. 重复步骤1~4，然后选择具有最多点的点云，并使用最小二乘法对座椅点云进行最佳拟合，并计算迭代次数T： $$ T=\frac{\log(1-p)}{\log(1-(1-e)^{s})} $$ 本文中，我们计算所有点云数据到座椅平面的距离，并将这些距离的标准差作为分割的阈值。然后，将RANSAC算法应用于将人体点云与座椅平面分离。人体信息特征提取的结果如图5所示。该算法的优点在于，它可以有效地分离不同姿态下的人体与座椅平面，并且提取的人体点云质量高，不仅保留了特征信息，而且保证了点云边界的清晰，有利于后续的人体姿态估计。 ![Image](images/e776844d5e7ddf75c0147c75f53d8ae7ad5626d6f9d583b8abd3a83279a0f16c.jpg)
Fig.5 Point cloud after dividing the seat
## 3 ) 异常值过滤处理 这种混合滤波算法由统计异常值去除滤波算法$^{[13]}$和半径异常值去除滤波算法组成。 异常值是指与物体表面属性值附近的点明显不同的数据点，这种差异可能是由于物体表面的不规则形状或其他环境因素造成的。 另一方面，噪声点是由传感器或外部因素引起的随机误差产生的，这些点通常分散且数量很少，位于点云结构的主要部分之外。 异常值和噪声点的存在会干扰目标特征的准确提取以及点云的进一步分割。 统计异常值消除过滤算法通过分析 3D 空间中点云的分布密度，计算每个点与其邻近点的平均距离与该点自身邻近距离之间的差异。 根据设定的标准，评估此差异，并将超过阈值的点视为噪声或异常值，从数据集中删除这些点，仅保留符合标准的点以更新原始数据集。 统计异常值消除过滤算法的步骤如下： 1. 对于空间中的点云数据，每个点到其最近K个邻点的平均距离$d_{p_t}$通过以下公式计算得到： $$ d_{p_{t}}=\frac{1}{K}\sum_{i=1}^{K}d_{i} $$ 其中，$d_{i}$ 是空间中一个点到其 K 个邻域内每个点的距离，K 是邻域内的点数。 假设其均值和标准偏差服从高斯分布，求解均值距离 $d_{h}$ 和标准差 S，分别如下： $$ d_{h}=\frac{1}{n}\sum_{t=1}^{n}d_{p_{t}} $$ $$ s=\sqrt{\frac{\displaystyle\sum_{t=1}^{n}(d_{p_{t}}-d_{h})^{2}}{n}} $$ --- 其中，n 是点云的总数，$d_{p_{t}}$ 是每个点 K 邻域平均距离。 结合均值距离 $d_{h}$ 和标准差 S，可以得到距离阈值 $d_{l}$： $$ d_{l}=d_{h}+\lambda\cdot s $$ 在公式中，$\lambda$ 表示松弛参数，其大小是阈值的关键，在选择参数时，需要考虑到点云的特性以及噪声的程度等因素，以确保过滤效果最佳。 考虑所有相对于阈值 $d_{h}$ 的平均距离值 $d_{l}$，并进行比较，其中大于阈值 $d_{l}$ 的数据被认为是异常噪声点，需要将其删除。 半径异常值消除过滤算法通过设置一个半径（邻域半径），计算点云中每个点在其半径内的邻居点的数量。 如果一个点的邻居点的数量少于设定的阈值，则该点被认为是异常值，并从点云中删除。 半径异常值消除 (ROR) 过滤算法的步骤如下： 1. 设置所需的半径 r 和数量阈值 H； 2. 对于空间中的每个点 $P_i P_j$，计算其到所有其他点的距离 $d_{(P_i, P_j)}$，其中 $P_i P_j$ 是点云中的其他点。 3. 使用 Kd-Tree 搜索算法，为点云中的每个点搜索半径 r 范围内的邻近点。 4. 对于每个点 $P_{i}$，计算其找到的邻近点数量，记为 $N_{i}$。 5. $N_{i} \leq H$ 被过滤掉。 通过移除这些异常值，可以提高点云数据的质量，使其更适合后续处理和分析。$\underline{\text{The results are shown in Fig 6.}}$ ![Image](images/4051139c0e32ef17bddf29bb5b85554b7b3dc843aafa1a8e973ed2655014b495.jpg) 图6 复合异常值过滤后的点云图 4) 数据集制作 本实验中用于数据采集的激光雷达是 Livox mid-70，其视场角为 $70.4^{\circ}$（圆形）；距离精度为 2cm； 其视场角为 $70.4^\circ$（圆形），距离精度为 2cm，角度精度小于 $0.1^\circ$，数据速率为 100000 点/秒，虚警率小于 0.01%。它采用非重复扫描集成方法，帧长可设置为 50ms、100ms、200ms、500ms、1000ms 和 3000ms，随着积分时间的增加，视场覆盖率接近 100%。 在激光雷达人体姿态识别领域，目前没有公开的可用数据集，并且 Livox 激光雷达之前没有应用于人体姿态识别领域。 Livox 激光雷达之前没有应用于人体姿态识别领域。本文使用的数据集是在科技园实验室采集的，该环境较为复杂，包含会议桌、椅子、储物柜、投影仪和其他实验设备，可以有效模拟真实环境。 点云数据是在白天光照充足的情况下采集的，然后将点云转换为图像，以生成基于激光雷达的人体姿态识别数据集。五个志愿者依次在激光雷达视场范围内执行五种常见的人体姿势，分别是站立、坐姿、蹲姿、行走和卧姿，每种姿势大约重复 100 次，涵盖房间内的几乎所有位置；并且在采集过程中，改变室内会议桌、座椅和储物柜的位置，以模拟环境改变的状态。 ### B. 使用 MotionBERT3D 建模进行人体姿态估计 MotionBERT[^14] 是一种用于视频理解和生成的预训练模型。它基于 Transformer 架构，在预训练阶段，训练一个运动编码器，以从嘈杂的部分 2D 观测中恢复潜在的 3D 运动。以这种方式获得运动表示包含有关人体运动的几何、运动和物理信息。运动编码器使用双流时空 Transformer (DSTformer) 神经网络实现。它能够全面和自适应地捕捉骨骼关节之间的长期时空关系，从而获得具有最低误差的 3D 姿态估计，工作流程如图 7 所示。 ![Image](images/688dd08b284816f94e424fb431368c28943eec99137c33f7a6cf6aacdf532472.jpg)
Fig.7 MotionBERT Framework overview
与传统的视频理解模型相比，MotionBERT 具有更高的效率和准确性。它可以同时处理视频中的运动和外观信息，从而更好地理解视频内容。此外，MotionBERT 可以生成高质量的视频，使其在视频编辑和生成等广泛应用领域具有前景。MotionBERT 在 3D 姿态估计、基于骨骼的运动识别和网格恢复方面优于最先进的方法。 --- 因此，我们使用 MotionBERT 模型进行人体姿态估计。 以下是用于每个姿势生成的 3D 模型的人体姿态估计比较： 1) 站立 ![Image](images/6069483d63a1325b5267ad5fbe192ca1d30868e31db4e6c48e326fe0db1da9f7.jpg) (a) 摄像头采集 ![Image](images/5fbade040d93a57631d3cfb80d3f706a1d0e0fd81ab00e2fd13febef0467224a.jpg) (b) LiDAR 采集 图 8：摄像头和 LiDAR 采集的人体站姿信息比较 2) 坐姿 ![Image](images/b3abba04a07d22279557e62be3697fc978a03c0e30cf56bc3f8b21169678e9a3.jpg) (a) 摄像头采集 ![Image](images/4bfc2af065e3880b8440973375a207504b834e827a63238b105f57f9fa232400.jpg) 图 9：摄像头和 LiDAR 采集的人体坐姿信息比较 3) 行走 ![Image](images/8b5ba5b143c8862bfd5e9971ef855f42245c41cd8c78b059f1c2f8e81f5ad646.jpg) (a) 摄像头采集 ![Image](images/aead65abcede68f54b0a5e6b42d2709c76bc1f40e82a60680216c13e611d33a3.jpg) (b) LiDAR 采集 图 10：摄像头和 ![Image](images/159599fd8fceb3390263fe2a78d139cb7591fd63e752160680432fa7a60aca52.jpg) (a) 摄像头采集 ![Image](images/a74274d3d716fdfeddfde8482387727c97aa004b370001989f84598ec6f3e6ef.jpg)
(b) LIDAR Acquisition
图 11：摄像头和 LiDAR 采集的人体蹲姿信息比较 5) 平躺 ![Image](images/49f03abd88bdf7eb5930f41cb5d650bef8bae3e3fa24dd2088e917b6cc8c558c.jpg) (a) 摄像头采集 ![Image](images/5476c631203eddc59c4c952bf14287612ffa3ee2d0ce803f8a9203d50baa55f7.jpg)
(b) LIDAR Acquisition
图 12：摄像头和 LiDAR 采集的人体平躺姿势信息比较
6) lie $\underline{\text{down}}$
![Image](images/fc26f5656f6277e0d9c39f2d5a0290dc2974111a4ada6ee79b9377a3633d1023.jpg)
(a) Camera Acquisition
![Image](images/15d2ccbe95056ba1228ff3b4f251873c22df1e1ab92ecb49e4265eb2ad57ab9a.jpg)
(b) LIDAR Acquisition
Fig.13 Comparison of human pose estimation by camera and LiDAR for obtaining human side-lying pose information
### IV. 实验结果与评估 根据上一节的实验分析，我们可以看到：在使用 MotionBERT 模型进行人体姿势估计时，对于站立、坐姿、行走、蹲姿和躺卧等基本姿势，该模型能够准确地预测关键关节点，包括头部、双肩、肘部、双手、上身、膝盖和双脚的位置。 --- 通过与基于摄像头捕获图像的姿势估计方法进行比较，我们发现基于 LiDAR 扫描的 MotionBERT 模型在上述姿势下同样能够提供准确的姿势估计结果。此外，由于 LiDAR 扫描不涉及直接捕获个人的图像，因此在保护个人隐私方面具有显著优势。 目前的主要问题包括：1) 当身体姿势是侧卧时，该模型仅识别上半身的姿势，无法为双臂生成完整的姿势估计点。这表明该模型可能在处理特定姿势时存在局限性，尤其是在处理部分遮挡的身体或复杂的姿势时。2) 侧卧身体的过滤点云数据没有达到预期的理想效果，仍然存在一些噪声。这可能是由于过滤算法的参数设置或算法本身在处理特定类型的噪声方面的处理能力不足，导致无法完全去除噪声，从而影响姿势估计的准确性。 ### V. 结论 在本论文中，我们利用 LiDAR 技术扫描人体，并获取点云数据，然后进行一系列预处理步骤，包括使用直通滤波提取人体周围的有用部分，以及使用 RANSAC 算法高效地将人体从周围物体中分割出来，此外，为了进一步提高数据质量，我们还对提取的人体点云进行了异常值过滤，从而获得纯粹的人体点云模型，数据集就是这样产生的。在完成这些预处理步骤后，我们将 MotionBERT 3D 模型应用于处理的点云图像，成功地获得了人体基本姿势（如站立、坐姿、行走、蹲姿和平躺）的关键姿势估计点和 3D 姿势估计模型。 在本文中，我们利用激光雷达技术扫描人体，获取点云数据，然后进行一系列预处理步骤，包括使用直通滤波提取人体周围的有用部分，以及使用RANSAC算法有效地将人体从周围物体中分割出来。此外，为了进一步提高数据的质量，我们还对提取的人体点云进行了异常值过滤，以获得纯粹的人体点云模型，数据集就是这样生成的。在完成这些预处理步骤后，我们将处理后的点云图像应用于MotionBERT 3D模型，成功获得了人体基本姿势（如站立、坐姿、行走、蹲姿和卧姿）的准确姿势估计点和3D姿势估计模型。 该实验的创新之处在于，与用于获取人体姿态的其他设备相比，激光雷达技术在保护个人隐私方面具有显著优势。由于激光雷达扫描不涉及直接捕获个人图像，因此在扫描过程中不会泄露个人隐私信息。该特性使得基于激光雷达点云图像的 MotionBERT 3D 人体姿态估计方法，能够在保证估计准确性的同时，有效地保护个人隐私。 生成的用于模型训练的数据集，增加了更多侧卧或类似极端姿势的样本，以使模型能够学习更多样的人体姿态变化。 ## 致谢 未来工作：1）增强预处理，以去除更多噪声并获得更纯粹的人体点云模型；2）对 montionbert3d 模型进行修改，以便在通道注意力中包含空间位置信息，例如坐标注意力（CA）机制，这可以更好地捕获图像中的空间相关性；3）利用本工作得到了国家重点研发计划（项目号：2020YFC2007700）的支持。 ## 参考文献 [^1]: Y. Zhu, J. Zhao, Y. Wang, and B. Zheng, "A review of human behavior recognition algorithms based on deep learning", Acta Automatica Sinica, vol. 42, no. 6, pp. 848-857, June 2016. [^2]: L. Qin, Q. Hu, Q. Huang and Q. Tian, "Motion recognition based on feature point locus", Chinese Journal of Computers, vol. 37, no. 6, pp. 1281-1288, 2014. [^3]: J. Huang, B. Liu, P. Liu, C. Chen, N. Xiao, C. Zhang, et al, “Towards Anti-interference WiFi-based Activity Recognition System Using Interference-Independent Phase Component”, in IEEE International Conference on Computer Communications, Jul. 2020, pp. 576-585. [^4]: X. Li, Y. He and X. Jing, “A Survey of Deep Learning-Based Human Activity Recognition in Radar”, Remote Sensing, vol. 11, no. 9, pp. 111-119, April 2019. [^5]: J. Wang, O. Abari and S. Keshav, "Challenge: RFID Hacking for Fun and Profit", in Annual International Conference on Mobile Computing and Networking, Oct. 2018, pp. 461-470. [^6]: K. Koide, J. Miura and E. Menegatti, “A portable three-dimensional LIDAR-based system for long-term and wide-area people behavior measurement”, International Journal of Advanced Robotic Systems, vol. 16, no. 2, pp. 1-16, 2019. [^7]: B. Galai and C. Benedek, “Feature selection for Lidar-based gait recognition”, in International workshop on computational intelligence for multimedia understanding (IWCIM), Oct. 2015, pp. 1-5. [^8]: G. Pramatarov, D. De Martini, M. Gadd and P. Newman, “BoxGraph: Semantic place recognition and pose estimation from 3D LiDAR”, in 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Oct. 2022, pp. 7004-7011. [^9]: P. Cong, Y. Xu, Y. Ren, J. Zhang, L. Xu, J. Wang, et al, “Weakly supervised 3d multi-person pose estimation for large-scale scenes based on monocular camera and single lidar”, in Proceedings of the AAAI Conference on Artificial Intelligence, Jun. 2023, pp. 461-469. [^10]: F. Luo, S. Poslad and E. Bodanese, “Temporal Convolutional Networks for Multiperson Activity Recognition Using a 2-D LIDAR”, in IEEE INTERNET THINGS, Mar. 2020, pp. 7432-7442. [^11]: M. Hasan, J. Hanawa, R. Goto, H. Fukuda, Y. Kuno and Y. Kobaysahi, "Tracking people using ankle-level 2D LiDAR for gait analysis", in Advances in Artificial Intelligence, Software and Systems Engineering: Proceedings of the AHFE 2020 Virtual Conferences on Software and Systems Engineering, and Artificial Intelligence and Social Computing, Springer International Publishing, Jul. 2020, pp. 40-46. [^12]: R. Raguram, O. Chum, M. Pollefeys, J. Matas and J. Frahm, “USAC: A universal framework for random sample consensus”, IEEE transactions on pattern analysis and machine intelligence, vol. 35, no.8, pp. 2022-2038, 2022. [^13]: X. Liu and Y. Song, “Multi-scale point cloud noise elimination by filtering method”, Beijing Surveying and Mapping, vol.36, no.11, pp.1486-1489, 2022. [^14]: W. Zhu, X. Ma, Z. Liu, L. Liu, W. Wu and Y. Wang, “Motionbert: A unified perspective on learning human motion representations”, in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2023, pp. 15085-15099.