# 基于激光雷达与视觉的行人检测与跟踪 L. Tamas, M. Popa, Gh. Lazea, I. Szoke, A. Majdik 罗马尼亚克卢日-纳波卡技术大学机器人研究组摘要：本文提出了一种多传感器架构，可基于激光雷达和视觉系统获取的信息检测移动行人。目标检测是基于估计得到的机器人位姿完成的。激光雷达端采用高斯混合模型（GMM）分类器，视觉端采用AdaBoost分类器，二者输出通过贝叶斯准则融合。估计得到的行人位置通过扩展卡尔曼滤波跟踪。本文的主要目标是通过使用顺序组合的分类器，降低检测过程中的误报。关键词：检测与跟踪系统、视觉模式识别、激光测距仪。 ## 1. 引言融合多种传感器信息能够提升移动机器人的感知能力，结合不同传感器的输出可获得更具相关性的环境信息。本文提出了一种多传感器架构，用于处理移动机器人采集的周围环境信息，实现室内环境下移动行人检测，辅助机器人完成避障。这类运动目标可以是行人，也可以是其他移动机器人（Mendes等，2004）。本文提出的架构组合了两个基于不同传感器的目标分类器，以获得更高层级的推理结果和更有效的信息，提升分类过程的鲁棒性。本文采用协同策略建立激光雷达与单目视觉相机之间的坐标对应关系，缩小了目标检测的搜索范围。机器人位姿估计基于航位推算传感器和卡尔曼滤波算法实现（Borenstein等，1997）。该系统架构由四个子系统构成：机器人位姿估计器、基于激光雷达的分类器、基于视觉的分类器，以及用于全局分类子系统的坐标变换系统。基于机器人的相对位姿信息，激光雷达系统先检测出相对于机器人的行人位置。随后坐标经过变换，映射到相机的视场范围内，对行人检测结果进行优化（Neira等，1999）。此外，激光雷达可以高精度测量目标相对于机器人的距离（Lipton等，1998）。基于激光雷达的行人检测采用了Premebida和Nunes（2006）提出的腿部形态高斯混合模型表示方法，检测得到的行人位置用于约束相机的视场（FOV），并提取被测行人的深度信息。AdaBoost分类器（Monteiro等，2006）基于Haar-Like特征实现。两个分类器按顺序级联使用，以降低检测中的误报。系统的整体概况如图1所示。 ![Image](images/c53dc2970cee997808ed02de5026e90ce9cf7e6974cfaba4a98576331a6ff035.jpg)

Fig. 1. Classification system overview

### 2. 相关研究人体检测与跟踪是人机交互问题的核心组成部分。该课题一直是自主车辆研究领域的研究热点，相关研究可参见（Arras和Mozos，2009）。总体而言，在移动平台上利用激光雷达、视觉或同时结合两种传感器，为避障、建图或SLAM检测不同目标，这一课题已有大量研究报道（Guivant等，2000；Vandorpe等，1996）。已有诸多研究将激光扫描仪用于目标分类与运动目标跟踪，应用场景涵盖但不限于Bellotto和Hu（2005）提出的定位导航应用，或是Neira等人（1999）展示的安防系统。在目标分类方面，已有研究采用投票方案、Streller和Dietmayer（2004）提出的多假设跟踪，甚至是提升方法（Mozos等，2007）。尽管前两类方法缺乏完善的数学描述框架，但仍能达到不错的性能。基于视觉的系统通常配合或不配合激光雷达，用于目标检测与分类（Bertozzi和Broggi，2004）。在特定光照/环境条件下，性 --- 能会下降，且即便能够获取距离信息，该信息也无法满足要求。在这类场景下，添加激光测距仪这类额外传感器具有充分的必要性。 Papageorgiu（Oren等，1997）提出了一种基于小波模板的可训练目标检测架构，该架构通过选取图像小波系数的子集来定义目标形状。Viola和Jones（2001）基于这类架构提出了一种行人检测算法，该算法可通过人体各部位的可能组合来识别出行人。这些人体部位由类Haar特征描述（Freund和Schapire，1995），因此可以高速处理图像。此外，使用Adaboost算法可得到性能优异的目标分类器（Monteiro等，2006）。Zivkovic和Krose（2007）以及Schulz等人（2007）对该算法进行了扩展。Zivkovic使用该算法不仅学习行人形状，还学习人体上半身和下半身的外观。Schulz在Viola的算法中新增了一个最终阶段，该阶段由一个经过训练的神经网络构成，用于识别误检。本文提出的单目视觉目标t检测方法就是基于Viola提出的该方案。 ### 3. 基于激光雷达的分类器本节将介绍包含分割、特征提取和分类模块的激光雷达分类器。大体而言，激光雷达以较高精度测量周围目标的方位-距离信息（在本文开展的实验中，10米测距范围内精度可达1厘米）。 ### 3.1 扫描分割扫描分割与数据采集、预滤波模块同属激光雷达架构的基础模块。分割是将一次扫描拆分为多个连贯聚类（即点云）的过程。分割方法的选择并没有固定标准，它取决于其他设计选择，比如配准和协方差估计策略（Borges和Aldon，2004）。本文采用的当前策略源自Mozos等人（2007）的研究，基于分块间欧氏距离这一简单假设。激光测距扫描信息是一组形式为$Z = \{b_1, ..., b_L\}$的光束。该集合中的每个元素$b_j$是一对$(\theta_j, \rho_j)$，其中$\theta_j$是激光光束相对于机器人的角度，$\rho_j$是光束到反射面的距离。扫描Z可根据为分段计算得到的距离阈值拆分为多个子集。若两个分段之间的拓扑距离大于预设阈值，则将其判定为一个新的分段。尽管已有更成熟的分割算法，例如(Premebida and Nunes, 2006)中提出的方法，但在当前问题设置下，我们认为该方法适用。分割流程的输出是按角度排序的分段序列$\mathcal{P} = \{S_1, ..., S_M\}$，满足$\bigcup S_i = Z$。每个分段S的元素包含笛卡尔坐标对$\mathbf{f} = (x, y)$，可通过$x = \rho \cos(\theta)$和$y = \rho \sin(\theta)$转换为极坐标。本文采用门限技术过滤伪数据，该方法可总结如下：若新息$v_{k}$小于门限阈值$\gamma_{k}$，则判定存在一个断点。 ### 3.2 特征提取该模块从分割后的数据中提取相关信息，保障算法的鲁棒性。提取得到的信息后续会用于分类器模块，也可用于可视化。特征向量的分量可根据所需信息进行选择（Mozos et al., 2007）。本实验使用的基础特征集包含以下$e_{1}$、$e_{2}$和$e_{3}$项： (1) $e_{1}$：目标质心； (2) $e_{2}$：归一化欧氏距离，定义如下： $$ f2=\sqrt{\Delta X^{2}+\Delta Y^{2}} $$ (3) $e_{3}$：针对n个点计算得到的点到r质心的标准差： $$ f3=\sqrt{\frac{1}{n-1}\sum||r_{n}-\bar{x}||} $$ 这些分量对分类器而言是必不可少的。 ### 3.3 GMM 目标描述高斯混合模型（GMM）是高斯概率密度函数（pdf）的加权组合。这些密度函数用于刻画目标的特性。在GMM模型中，随机变量x的概率分布被定义为M个加权高斯概率密度函数的和： $$ p(x|\Theta)=\sum_{m=1}^{M}\alpha_{m}p(x|\theta_{m}) $$ 其中$\theta_1, ..., \theta_M$是高斯分布的参数，$\alpha_1, ..., \alpha_M$是加权向量，满足$\sum_{m=1}^M \alpha_m = 1$。混合模型的参数集合由$\Theta = (\alpha; \theta_1, ..., \theta_M)$给出，其中每个参数$\theta_m = (\mu_m, \Sigma_m)$表示该高斯pdf模型的均值和协方差。特征向量$\Omega$的似然由高斯混合概率密度的线性组合给出： $$ p(\Omega|q_{i},\Theta^{i})=\sum_{m=1}^{M}\alpha_{m}^{i}p(\Omega|\theta_{m}^{i}) $$ 在这种情况下，每个二维高斯密度函数可表示为： $$ p(\Omega|q_{i},\Theta^{i})=\frac{1}{\sqrt{(2\pi)^{2}|\Sigma_{m}^{i}|}}\exp[-\frac{1}{2}(\Omega-\mu_{m}^{i})^{T}(\Sigma_{m}^{i})^{-1}(\Omega-\mu_{m}^{i})] $$ 每个感兴趣目标的高斯混合参数采用期望最大化（EM）算法确定。对于每组特征向量$(\boldsymbol{\Omega}^{N}=\boldsymbol{\Omega}_{1},...,\boldsymbol{\Omega}_{N})$，EM算法会计算得到M个高斯参数向量，使高斯密度的联合似然最大化： $$ p(\Omega^{N}|q_{i},\Theta^{i})=\prod_{j=1}^{M}p(\Omega_{j}|q_{i},\Theta_{m}^{i}) $$ ### 3.4 贝叶斯分类器得到待分类目标的高斯混合pdf后，我们输入$\Omega_k$特征向量，以判断哪个类别$(q_i)$匹配当前观测。基于贝叶斯决策框架，我们计算匹配度的对数似然。 --- ![Image](images/ab2bb4b446e26f47cdcb033fd55bd223add115e088c99809d539f6789aa4f5c0.jpg)

Fig. 2. Possible leg forms in the laser scan

计算对数似然的优势在于可以降低计算量：它既避免了计算概率密度函数(pdf) (5)中的指数项，还将式(6)中的乘积运算转化为了求和运算。此外，由于对数似然是单调递增函数，因此可以直接用它来对目标进行分类。在假设各特征等概率的情况下，所有类别的后验概率对数 $\log(P(\Theta^i|\Omega))$ 与对数似然加上先验概率的对数之和成正比： $$ l o g(P(\Theta^{i}|\Omega))\approx l o g(p(\Omega|\Theta^{i}))+l o g(P(\Theta^{i})) $$ 使用贝叶斯定理估计后验概率会更方便，因为它只需要用到似然和先验概率。上一次扫描计算得到的概率密度函数，会作为下一次扫描的最新后验估计值。因此，先验概率会按照如下方式动态更新： $$ P(\Theta_{k}^{i})=P(\Theta^{i}|\Omega_{k-1}) $$ 为了确定分割区域 $q_{i}$ 最可能对应的目标类别 $S_{j}$，本文采用了如下形式的决策规则： $$ S_{j}\in q_{i}\quad{i f}\quad{l o g}(P(\Theta^{i}|\Omega_{k}))=\operatorname*{m a x}({l o g}(P(\Theta^{u}|\Omega_{k}))) $$ 其中u的取值范围为从1到类别总数。 ### 3.5 用于跟踪的扩展卡尔曼滤波大量移动机器人使用基于卡尔曼滤波的位置估计方法。该理论最初由鲁道夫·卡尔曼于1960年提出，后续研究者开发出了多种扩展方法（Borenstein et al., 1997）。卡尔曼滤波是针对受噪声干扰的线性系统的最优递归数据处理算法。扩展卡尔曼滤波（EKF）（Maybeck, 1979）使用模型描述离散时间状态转移过程。该滤波算法可以分为两个步骤：预测和更新。预测步在时刻 $k-1$ 执行，也就是在获得测量信息之前，它基于上一个状态估计 $\mathbf{x}_{k-1}^{+}$ 进行计算。更新步在获得时间步k的测量信息之后执行，将该测量信息作为对预测状态的校正。 ### 3.6 人体运动模型本文采用两种运动模型进行人体跟踪。两种模型中，测量得到的状态变量都是笛卡尔坐标系下的位置 $(x_k, y_k)$。位置-速度-航向（PVH）模型——该模型用于通过匀速模型估计人体运动。在本文实验中，我们参照(Bellotto and Hu, 2005)的工作，将该模型扩展，加入了方向 $\phi_k$ 和速度 $v_k$，扩展后的模型如下： $$ \left\{\begin{array}{l}x_{k}=x_{k-1}+\delta_{k}v_{k-1}c o s\phi_{k-1}\\ y_{k}=y_{k-1}+\delta_{k}v_{k-1}s i n\phi_{k-1}\\ \phi_{k}=\phi_{k-1}+n_{k-1}^{\phi}\\ v_{k}=v_{k-1}+n_{k-1}^{\nu}\end{array}\right. $$ 其中 $\delta_k$ 为采样时间，$n_{k-1}^{\phi}$ 和 $n_{k-1}^{\nu}$ 为零均值高斯噪声，参数分别为 $\sigma_\phi = \frac{\pi}{16}$ 和 $\sigma_\nu = 0.05ms^{-1}$。位置-速度-加速度（PVA）模型——也被称为 $\alpha - \beta - \gamma$ 滤波（Bar-Shalom and Li, 1993），是二维坐标系下表示牛顿系统的模型。单轴方向的运动方程如下： $$ x_{k}=\begin{bmatrix}1&\delta_{k}&\delta_{k}^{2}/2\\ 0&1&\delta_{k}\\ 0&0&1\end{bmatrix}x_{k-1}+\begin{bmatrix}\delta_{k}^{2}/2\\ \delta_{k}\\ 1\end{bmatrix}n_{k-1} $$ 相同的方程也适用于 $y_{k}$ 坐标。使用该模型时，计算模型噪声需要特别注意，模型噪声是采样率 $\delta_{k}$ 的函数。关于滤波器调参的更多信息可以参考(Durrant-Whyte, 2006)。在两种模型中，腿部位置都以相对于机器人位置 $(x_{k}^{R}, y_{k}^{R}, \phi_{k}^{R})$ 的方位-距离信息形式测量，形式如下： $$ \left\{\begin{array}{l}b_{k}=tan^{-1}\left(\frac{y_{k}-y_{l}}{x_{k}-x_{l}}\right)-\phi_{k}^{R}+n_{k}^{b}\\ r_{k}=\sqrt{\left(x_{k}-x_{l}\right)^{2}+\left(y_{k}-y_{l}\right)^{2}}+n_{k}^{r}\\ \end{array}\right. $$ 其中$(x_l, y_l)$是激光装置相对于机器人的偏移量。噪声$n_k^b$和$n_k^r$是装置特有的测量高斯噪声，在实验部分中考虑为$\sigma_b = \frac{\pi}{32}$和$\sigma_r = 0.05$m。 ### 3.7 跟踪运动模型对比为了对比两种模型，本文使用EKF估计检测到的人员相对于机器人的位置。在同一数据集上开展测试，实验过程中检验了计算量以及x轴和y轴方向上新息的标准差。结果汇总于表1。

Table 1. Comparison of the PVH and PVA models

Criteria	PVH Model	PVA Model
Runtime (s)	6.2	7.9
$X_{{Std}}$ (cm)	171	112
$Y_{{Std}}$ (cm)	78	23

从表1中可以看出，PVH模型运行速度更快，但与PVA相比，它在轴向上的标准差更大。这一结果符合预期，因为PVA共有6个状态，而PVH仅包含4个状态变量。 --- ### 4. 基于视觉的分类器本文使用基于视觉的系统估计人员位置。在保证良好检测率的前提下，本文着重压缩计算时间，因此该检测算法能够在动态环境中实时运行。检测流程采用基于梯度的分割算法缩小图像中的感兴趣区域，同时采用AdaBoost分类算法（Freund和Schapire，1995）。 ### 4.1 基于梯度的分割本文采用的梯度分割方法基于水平梯度聚类（Jaap，2006）。图像中人员外观的结构特征表明，这类梯度有助于缩小人员检测的搜索区域。对图像应用水平梯度处理后，垂直边缘会被突出显示，水平边缘则会被屏蔽，因此可以对垂直结构进行聚类。图像中满足区域高宽比条件、包含垂直结构的区域被划定为感兴趣区域。 ### 4.2 目标分类器 Viola和Jones在(Viola and Jones, 2004)中提出了一种使用Haar特征和Adaboost算法的多级分类流程。与其他基于像素值的特征相比，类Haar特征更受青睐，因为它可以在常数时间内完成计算，从而加快检测过程。此外，类Haar特征可编码难以通过其他方法从有限输入中提取的领域数据集，因此分类过程会更加简单。Adaboost算法用于训练分类器$f(P)$，以将数据集D划分为齐性子集。该分类器由若干区分度较低的分类器（称为弱分类器$h'(P)$）按照分类误差加权，再通过线性组合计算得到。该算法共进行T次迭代，每次迭代确定一个新的弱分类器，该弱分类器由特征类型、尺寸、奇偶性以及阈值描述，其中阈值可将数据集划分为尽可能齐次的子集（Wiegersma，2006）。 $$ h_{a,p,\mu}^{t}\left(x\right)=\left\{\begin{matrix}+1,if p\cdot a(x)Fig. 3. Weight assignment function 该机制降低了分类对负样本图像训练数据集的依赖，同时凸显了提供完整正样本训练数据集的重要性，还减少了分类器性能对环境的依赖。通过用户外图像数据集训练分类器、在室内环境进行测试，可以观察到误报率始终维持在较低水平。为了补偿室内更常出现的光照变化，我们根据图像直方图计算得到参数$c_{i}$。它的作用是在光照水平较低或对比度较低的情况下放宽分类判定条件。因此，本文采用以下公式做出分类决策： $$ f(P)=\left\{\begin{aligned}&1,if\sum_{a\in A}\alpha_{a}h_{a}(x)\geq\frac{1}{2}\sum_{a\in A}\alpha_{a}c_{i}\\ &0,otherwise\end{aligned}\right. $$ 其中分类权重$\alpha_{i}$由上述机制计算得到，$c_{i}$为图像直方图参数，$h_{a}$表示弱分类器函数。 ### 5. 组合分类器组合目标分类器的基本思路如图1所示。为了提高移动行人检测的鲁棒性，激光雷达和相机采集的信息被作为输入送入两种不同类型的分类器。信息首先会被分割结构化，之后再输入分类器（Wang等人，2003）。 ### 5.1 校准为完成点坐标从相机$\{C\}$坐标系到激光参考$\{L\}$的转换，必须进行激光雷达和相机的校准工作。为了避免计算量过大，相机和激光被调整为“理想”对齐状态 --- 位于与机器人位移平面平行的同一平面内。2 为了得到两个坐标系之间的变换矩阵，研究中考虑了一组特殊测量值，并通过最小二乘误差最小化技术得到了几何变换矩阵。基于在线相机标定工具箱（加州理工学院，2005年）得到了相机内参和外参的近似值，通过这种方法可以轻松实现图像坐标系与相机$\{C\}$坐标系之间的变换。 ### 5.2 分类器组合激光测距仪基于应用于训练得到的GMM模型的贝叶斯分类器检测到感兴趣区域（ROI）后，会将该信息传输给相机模块。该模块将激光设备的坐标转换到相机坐标系下（若二者至少部分重叠），且仅在共同的感兴趣区域内搜索可能的目标。尽管利用激光雷达只能获取目标物体的单一水平层面信息，但该信息的精度远高于相机提供的位置信息。结合两种传感器的数据，且假设车辆在平坦路面上行驶，我们可以轻松确定检测到的物体的底部边界，而物体高度则可以通过其在图像中的尺寸估算得到。实验过程中观察到，相机在距离大于3米时可以拍摄到完整的人体。另一方面，激光对距离小于5米的腿对检测率更高，因为此时表征腿对的点数量更多。基于这一观察结果，距离小于3米时仅使用激光腿部分类器；距离大于3米时，采用激光与相机组合分类器，由激光向相机传输感兴趣区域信息。此外在该阶段，若激光暂时丢失目标，激光的跟踪信息会为相机提供感兴趣区域提示。距离超过6米时仅使用相机分类器。 ### 5.3 实验结果实验装置包含一台P3型滑转转向移动机器人，该机器人配备LMS200激光测距仪，还有一台连接至PIV笔记本电脑的相机。在开展室内主体实验之前，我们先完成了初步测试。结果发现，由于过程模型中没有显式引入加速度，机器人的位置估计在低转弯速度下更可靠。我们还在不同光照/背景条件下测试了相机，发现当图像包含高对比度区域（尤其是人物身上的高对比度区域，比如彩色条纹衣物）时，检测命中率最高。当背景与人物衣物相近时，唯一可利用的信息来自激光测距仪分类器。只有实验室中形状与人腿极为相似的周围物体，会对激光雷达的测量产生负面影响。我们使用不同位置、不同光照条件下的数据序列开展人体检测。检测流程为：先应用梯度分割缩小图像中的感兴趣区域，再利用经AdaBoost算法得到的强分类器对该区域中包含人体的区域进行标记。强分类器在包含6000张图像的数据集上完成训练，其中3000张为含行人的正样本，特征分辨率选定为30×30像素。相机的一次典型测量输出如图4所示。本测试案例中，高对比度背景使得全身检测能够顺利实现。 ![Image](images/9d5f06bb04b848c1c60080c6432eb8d7ce4798fc9171ae09e409c4c9b019b45b.jpg)

Fig. 4. The selected region classified as people

The same observation from the laser scanner is shown in Figure 5. Although there are similar regions to human legs on the laser scan which may give false alarms, the narrowed ROI by the camera enables to classify the correct segment as a human leg.

![Image](images/4661f7a2fa684ffe3115c8fc1fad6f410fe2e73bbf1e10006cfd66978df5dd91.jpg)

Fig. 5. The selected segment classified as people

在大多数场景下，基于视觉的分类器的命中率表现优于GMM分类器，但在相机能见度降低的情况（极端光照条件）下，这种情况发生了急剧变化。此外，当拍摄行人侧面时，视觉系统表现更好，因为对于激光雷达而言，单条腿与室内环境中许多常见物体（如垃圾桶）外观十分相似。为测试不同分类器的行人检测率（DR），我们在无杂物遮挡的环境中基于三个不同数据集开展了基准测试，测试结果如表2所示。不出所料，组合分类器可以取得最佳检测率。关于检测率的另一项说明是：尽管本文得到的检测率不如文献报道的检测率高，但误报率非常低，也就是说，我们对两种分类器的调参方向就是尽可能 ---

Table 2. Comparison of the different classifiers

Classifier	Avg Detection Rate (%)	Avg False Positive (%)
Laser	52	2
Camera	55	0.8
Laser&Camera	68	0.5

降低误报率。组合分类器的运行速度也优于纯视觉相机方案，因为激光分类器提供的信息减少了感兴趣区域（ROI）的搜索量。 ### 6 结论与未来工作 ### 6.1 结论本文提出了一种包含检测目标跟踪功能的多传感器目标分类器，采用协同技术融合激光雷达与视觉系统的信息，给出了两种方案分类算法的详细内容，并利用计算得到的运动行人目标坐标，在室内环境中对其进行跟踪。 ### 6.2 未来工作我们计划将本文提出的算法与其他分类算法进行测试验证，并将现有的目标检测跟踪扩展到多行人跟踪和遮挡处理。此外，我们还计划加入基于路标点检测与分类的建图问题，并引入立体视觉相机系统作为替代信息源。 ### 7 致谢本项目得到了克卢日-纳波卡技术大学POSTDRU（高级技术发展博士研究项目）的部分资助，同时得到了CNCSIS TD-213项目的部分资助。 ## 参考文献 Arras, O. 和 Mozos, . (2009). 行人检测与跟踪研讨会。IEEE国际机器人与自动化会议。 Bar-Shalom, Y. 和 Li, X. (1993). 《估计与跟踪——原理、技术与软件》。Artech House，马萨诸塞州诺伍德。 Bellotto, N. 和 Hu, H. (2005). 面向人机交互的多传感器融合。IEEE智能控制论系统期刊，卷1。 Bertozzi, M. 和 Broggi, A. (2004). 结合卡尔曼滤波的行人定位与跟踪系统。2004年IEEE智能车辆研讨会。 Borenstein, J.、Everett, H.R.、Feng, L. 和 Wehe, D. (1997). 移动机器人定位：传感器与技术。《机器人系统期刊》，14卷，231–249页。博尔赫斯（Borges, G.A.）与奥尔顿（Aldon, M.J.）（2004）。面向移动机器人的二维距离图像中的线条提取。《智能与机器人系统杂志》，40，267297。加州理工学院（Caltech）（2005）。Matlab相机校准工具箱。网址。杜兰特-怀特（Durrant-Whyte, H.）（2006）。《多传感器数据融合》。澳大利亚野外机器人中心。弗罗因德（Freund, Y.）与沙皮尔（Schapire, R.E.）（1995）。在线学习的决策论推广及在提升算法中的应用。《计算机与系统科学杂志》，23–37。吉万特（Guivant, J.）、内博特（Nebot, E.）与杜兰特-怀特（Durrant-Whyte, H.F.）（2000）。户外环境下基于自然特征的同时定位与建图。《智能自主系统VI》，581–588。亚普（Jaap, W.A.）（2006）。FIR与灰度图像中的实时行人检测，39–45。波鸿鲁尔大学。利普顿（Lipton, A.J.）、藤吉（Fugiyoshi, H.）与帕蒂尔（Patil, R.S.）（1998）。实时视频中的运动目标分类与跟踪。129–136。IEEE图像理解。梅贝克（Maybeck, P.）（1979）。《随机模型、估计与控制》，第1卷。学术出版社。门德斯（Mendes, A.）、本托（Bento, L.C.）与努内斯（Nunes, U.）（2004）。激光测距仪的多目标检测与跟踪。帕尔马IEEE智能车辆研讨会。蒙泰罗（Monteiro, G.）、佩克索托（Peixoto, P.）与努内斯（Nunes, U.）（2006）。基于哈尔类特征的视觉行人检测。第6届全国机器人节科学会议（ROBOTICA）论文集，吉马良斯。莫索斯（Mozos, O.）、阿拉斯（Arras, K.）与布格德（Burgard, W.）（2007）。使用提升特征检测二维距离扫描中的行人。收录于IEEE国际机器人与自动化会议论文集。内拉（Neira, J.）、塔德（Tard, J.D.）、霍恩（Horn, J.）与施密特（Schmidt, G.）（1999）。融合距离与强度图像实现移动机器人定位。76–84。IEEE《机器人与自动化汇刊》。奥伦（Oren, M.）、帕帕乔治欧（Papageorgiou, C.）与辛哈（Sinha, P.）（1997）。基于小波模板的行人检测。IEEE CVPR 1997会议论文集。波帕（Popa, M.）、拉泽亚（Lazea, G.）、马伊迪克（Majdik, A.）、塔马斯（Tamas, L.）与索克（Szoke, I.）（2009）。灰度图像序列中行人检测的一种有效方法。收录于IEEE智能计算机通信与处理国际会议，181 – 185。普雷梅比达（Premebida, C.）与努内斯（Nunes, U.）（2006）。面向智能车辆的多目标跟踪与GMM分类器。多伦多第9届IEEE国际智能交通系统会议。舒尔茨（Schulz, W.）、恩茨魏勒（Enzweiler, M.）与埃尔根（Ehlgen, T.）（2007）。移动折反射相机的行人识别。《计算机科学讲义》，456–465。斯特雷勒（Streller, D.）与迪特迈耶（Dietmayer, K.）（2004）。基于多假设方法的目标跟踪与分类。帕尔马IEEE智能车辆研讨会。范多普（Vandorpe, J.）、布鲁塞尔（Brussel, H.V.）与徐（Xu, H.）（1996）。基于二维测距仪生成几何图元的移动机器人精确动态建图。901908。明尼阿波利斯IEEE国际机器人与自动化会议。维奥拉（Viola, P.）与琼斯（Jones, M.）（2001）。基于简单特征提升级联的快速目标检测。收录于IEEE计算机视觉与模式识别会议，511–518。维奥拉（Viola, P.）与琼斯（Jones, M.）（2004）。鲁棒实时人脸检测。137–154。《国际计算机视觉杂志》。 Wang, C.、Thorpe, C.、Suppe, A.（2003）。基于激光雷达的高速地面车辆移动目标检测与跟踪。载于《IEEE智能车辆研讨会论文集》。 Wiegersma, A.J.（2006）。FIR图像与灰度图像中的实时行人检测。硕士学位论文，波鸿大学。 Zivkovic, Z.、Krose, B.（2007）。基于部件的结合2d距离数据与图像的人员检测。载于IEEE/RSJ智能机器人与系统国际会议，第214–219页。