# 推进自主性：面向安全高效系统的激光雷达驱动人体检测与跟踪 Pavan Kumar B N IIIT 斯里城 印度 安得拉邦 Chethana B Aptiv，印度 班加罗尔 Bharatesh Chakravarthi 亚利桑那州立大学 美国 坦佩 Raju Imandi IIT 斯里城 印度 安得拉邦 Gyanendra Prasad Joshi 韩国 江原国立大学 摘要—本研究阐述了自主系统中用于人体检测与跟踪的先进激光雷达框架的开发与实现，可显著提升动态环境下的态势感知能力。该研究利用高分辨率三维点云数据，提出了一种全新算法方案，融合了地平面移除、欧氏聚类、DBSCAN聚类以及主成分分析（PCA），能够在多变条件与遮挡场景下稳定识别和跟踪人体目标。该框架已通过一系列搭载Velodyne HDL-32激光雷达系统的现场测试验证，在实时人体跟踪任务中展现出更高的精度与计算效率。研究结果凸显了激光雷达在提升自动驾驶汽车、机器人与监控系统安全可靠性方面的核心作用，能够有效应对真实运行环境中的各类复杂情况。本次初步研究为自主导航技术的未来发展提供了可扩展的参考模型。 关键词—激光雷达、目标检测、自动驾驶、人体检测 ## 一、引言 激光雷达（LiDAR，全称Light Detection and Ranging，即光探测与测距）技术彻底变革了自动驾驶汽车与机器人的感知系统，能够提供导航和目标检测必需的高分辨率三维环境数据。该技术的工作原理是发射激光束，测量激光束撞击不同表面后反射返回的时间，以此生成周边环境的详细三维地图，这对车辆、无人机、机器人等自主系统的安全高效运行至关重要。这些能力让自主系统能够准确检测并跟踪目标，尤其是人体，这对保障安全和运行效率极为关键 [^1] [^2] [^3]. 近年来技术不断进步，激光雷达的可靠性和精度都得到了显著提升，应用范围也从自主导航等传统领域拓展至森林管理、城市规划和远程环境监测等多个领域。尽管取得了这些发展，人体运动的动态性以及自主系统运行环境的复杂性仍然带来了持续的挑战，包括处理遮挡（目标被部分遮挡的情况）、适配系统对快速变化环境条件的响应。这些都是影响该技术检测跟踪人体目标可靠性的核心问题。 针对这些挑战，本文提出了一个成熟先进的前沿框架，该框架利用增强的LiDAR数据处理算法，可在多种运行场景下显著提升人体检测与追踪效果。我们的方法与现有模型的不同之处在于整合了先进计算技术，能够有效处理遮挡问题并适应环境变化。这一研究重点不仅填补了当前LiDAR应用领域的重大空白，还提升了系统在复杂真实场景中的性能。图1展示了 ![Image](images/d3718c82a6c77740bed839f50601d60e5d0e512151d105e1b5f4455e77b28c46.jpg)
Fig. 1. Overview of the proposed pilot human detection and tracking platform
本文基于LiDAR的人体检测与追踪系统所采用的完整分步研究方法。该图详细描绘了流程的每个阶段，从初始数据采集开始，即由LiDAR传感器捕获三维点云数据。在此之后，数据会经过多个处理步骤：首先，移除地平面以将人体与地面分离；其次，结合欧几里得聚类和DBSCAN聚类方法将数据分割为簇，识别潜在的人体目标；最后，应用PCA进行精准追踪和运动分析。这种结构化方法确保对周边环境的每个要素都进行系统性分析。 --- 从而能够在复杂动态环境中实现对人体运动的准确可靠追踪。 本研究的主要贡献在于开发了一套算法框架，旨在优化基于LiDAR的人体检测与追踪的准确率和效率。我们在多种不同场景下开展了严谨的实地测试以验证我们的方法，研究结果表明，自主系统的态势感知能力得到了大幅提升。这些改进显著增强了自动驾驶汽车、机器人和监控系统的安全性与运行可靠性，是基于LiDAR技术落地和可扩展应用过程中的重要一步。 ### 二、相关研究 机器自动识别人体和估计属性并非新近才出现的技术。本文对这类技术发展进行了概括性梳理，其起源可追溯至摄像技术的早期发展阶段。人工智能与智能系统的融合进一步推动了这一领域的演进，赋予了智能系统出色的能力。 ### A. 基于摄像机的检测与追踪 如今视频监控系统极为重要，被军方、国防部门、公共安全机构和私人组织用于安全保障工作。当前针对这类系统的现代研究主要聚焦于人体等目标的检测与追踪[^4]。在视频中进行人体追踪颇具挑战性，因为人体会从不同角度被观测，且光照条件也会发生变化[^5] [^6] [^7] [^8]。此外，人体可能被其他物体遮挡，且姿态和尺寸各不相同，这些都进一步增加了难度。使用视频的另一问题在于单路视频仅能覆盖有限区域，因此通常需要多台摄像机。 人体实时追踪是另一个棘手问题。基于视频的人体追踪以及属性估计等工作难度较大。当采用摄像机网络时，会源源不断产生大量数据，处理起来非常困难。此外，还存在遮挡、人体姿态不断变化无法保持固定姿势等问题，这些都会导致实时系统的性能下降。 ### B. 基于红外传感器的检测与跟踪 红外辐射的发现可追溯到18世纪初，因发现天王星而闻名的FW·赫歇尔爵士首次揭示了它的存在。这种独特的辐射形式可用于通信、测距等多种用途。如今，传感器技术的发展让人们能够识别近距离目标的属性。利用红外传感器进行人员追踪是一个新兴概念，相关应用正不断涌现。2005年的一项研究就展示了这一创新的实例，该研究提出了一种基于贝叶斯网络、利用红外传感器实现人员监测的方法 [^9]。 该方案在环境变化下表现出良好的鲁棒性，能够在高度安全监控场景中实现远程追踪。已有学者研究将低分辨率热红外（I.R.）传感器 [^10] 集成到多模态传感器阵列中，用于人员追踪。通过集成低成本红外传感器，该方案实现了计算高效、运行成本低廉，同时获得了更高的精度。与单独基于RGB摄像头的追踪机制相比，这种融合方案的准确性得到了提升。 采用红外传感器装置不仅便于人员追踪，还能通过积累大量时序数据提取人类行为信息 [^11]。研究人员提出的框架给出了一套基于红外传感器数据分析个人习惯行为的方法。该方法强调，要有效观察真实的人类行为，必须进行长期数据收集。但需要指出的是，当存在多个感兴趣目标时，在低成本网络中准确追踪多个目标仍然颇具挑战。 ### C. 基于热成像相机的检测与跟踪 热成像是通过捕捉空间内物体反射、透射和发射的辐射得到的。热成像相机尤其因被动工作的特性而备受重视，它们仅与物体的红外辐射产生作用。然而，受辐射来源多样的影响，从环境中生成热图像存在诸多挑战。热成像在点成像领域尤其适用，能够检测一个区域内的温度差异。因此，它可应用于高温区域，而其在包括夜视在内的军事场景中的应用，也充分体现了它的监控优势。随着成本不断降低，热成像相机已在各类应用中得到广泛普及。已有综述文章探讨了它的应用，梳理了战略部署方案，并展望了其广阔的发展前景 [^12]。 热成像相机也已被证明在人员追踪和精准检测方面表现出色 [^13], [^14], [^15]，奠定了其作为成熟工具的地位。然而，该系统在变化检测、背景减除法等方面仍面临挑战 [^16]。目前一个持续存在的问题是该技术需要训练周期，这一点并非适用于所有应用场景。 ### D. 基于LiDAR的检测与跟踪 激光成像探测与测距（LiDAR）传感器已发展为可靠且当前价格可负担的测距传感器，能够以出色的帧率（约20-30 Hz）获取动态环境信息，满足实时处理的要求。每次扫描得到一个由数百个整数组成的简短数组。LiDAR传感器分为两类，其中3D LiDAR在捕获视觉数据方面能力尤为突出。然而，目前针对2D LiDAR传感器的研究十分有限。 --- 2D LiDAR传感器的实用性主要源于其高性价比和易处理性。这类传感器价格低廉、管理简便。此外，隐私因素也是一大优势：3D LiDAR捕获的视觉信息可能侵犯隐私，而2D LiDAR传感器仅记录二维平面内的距离值。这保证了个人信息不会泄露，隐私侵犯风险极低。值得注意的是，此前讨论的相关研究大多围绕摄像头或3D LiDAR传感器展开。 ### III. 所提出试点平台的实现与评估 本文的人体检测与跟踪平台详见图1，该图将我们的方法拆解为结构化的逻辑模块。图2通过流程图进一步展示了整个处理流程，说明了每个模块如何处理3D点云数据，以完成人体检测与跟踪任务。整个系统输入由地面架设的3D LiDAR采集得到的3D点云数据序列，输出与人体跟踪相关的信息。 ![Image](images/f5add7a541904afd10d10267902e942cd0999491c9c3402911fcff188788426d.jpg)
Fig. 2. Flow diagram of the proposed platform showing the connections between each module.
LiDAR数据读取 我们在本研究中采用Velodyne HDL 32 LiDAR系统实现精准的人体检测与跟踪，采集到的数据存储为PCAP格式。每次扫描都会生成一个详细的3D点云，这对我们传感器处理流水线中的高效处理和快速索引至关重要。 为了高效管理这些数据，我们使用了MATLAB的pointCloud对象，该对象通过K-d树结构组织数据。velodyneFileReader可用于为每次LiDAR扫描生成结构化的pointCloud表示。pointCloud对象的Location属性以米为单位记录X、Y、Z坐标，而Intensity属性则记录点的强度信息。 我们使用MATLAB的pcplayer对象实现流式点云数据的动态可视化，该对象允许我们指定并显示车辆周边区域，提升了LiDAR系统采集数据的可视化效果。 地平面检测与移除 我们数据处理流水线的第一步是检测并移除地平面，这是分离和识别潜在障碍物的关键任务。我们使用MATLAB的segmentGroundFromLidarData函数完成该操作，该函数利用连通分量算法标记地面点，并将其与数据中的其他元素分离。这种分割使得后续分析可以仅聚焦于代表潜在障碍物的点。 点云数据分割/聚类 去除地面点后，剩余点云会被分割为不同的独立聚类簇。为了高效整理这些聚类簇，我们采用两种先进聚类技术：欧几里得聚类 [^16] 和 DBSCAN 聚类 [^17]。欧几里得聚类根据点的邻近程度对点分组，利用指定的距离阈值形成聚类簇。与之相反，DBSCAN 擅长基于密度识别不同形状和大小的聚类簇，能有效将密集点与稀疏点分离开。这种双方法策略让我们能够自适应地将点云数据整理为定义清晰、连贯的聚类簇，以便开展进一步分析。 每个聚类簇都会通过主成分分析（PCA）进行严格分析。PCA 可用于检查聚类簇在连续帧之间的空间一致性。位置或组成未发生显著变化的聚类簇被归类为静态，代表环境中的不可移动物体。反之，在后续帧中出现或位置发生变化的聚类簇会被标记为动态，代表存在潜在运动。这种细致的分类有助于对静止物体和运动物体进行精准跟踪与分类，提升了系统准确监测动态环境的能力。 人体检测与跟踪 我们的系统细致处理来自LiDAR传感器的连续数据流，分析每一帧的变化。当在某一帧的特定位置检测到物体，该位置记为 $(x_{n-1}, y_{n-1}, z_{n-1})$，我们预计该物体会出现在下一帧n的新位置 $(x_n, y_n, z_n)$ 处。这些位置数据至关重要，是估算物体运动轨迹的基础。通过逐帧系统标记这些位置，我们的系统为每个检测到的物体构建出详细的运动轨迹。这种轨迹映射对于理解监测区域内人体和其他动态物体的运动模式至关重要，可为了解它们的行为以及与周边环境的交互提供宝贵见解。 ### 四、实验结果 在本次初步研究中，我们在真实环境下实现并测试了所提出的基于LiDAR的人体检测与跟踪框架。利用LiDAR传感器提供的完整三维点云数据，我们的方法能够在多种不同运行场景下准确识别和跟踪人体目标。本研究的一个核心目标是通过保证稳定鲁棒的检测与跟踪能力，提升自动驾驶汽车、机器人和监控系统的安全性与可靠性。 为了严格评估该框架的有效性，我们开展了实地研究，将LiDAR系统安装在地面采集环境数据。该设置让我们能够模拟自动驾驶 --- 与监控系统可能遇到的真实场景，为我们的方法提供了实用的测试平台。 图3至图6展示了这些实验的结果，凸显了我们的方法在复杂环境中检测和跟踪物体的能力。研究结果证实，我们的框架能够有效将人体与背景元素区分开，保持准确的实时跟踪，并且能够适应遮挡、环境杂乱等多种不同条件。这些结果证明了我们的系统在实际部署中的实用可行性，为未来的改进和更广泛的应用铺平了道路。 需要指出的是，由于本项目是初步试点项目，实验是在相对理想的条件下开展的。我们计划拓展本研究范围，将更具挑战性、更不稳定的环境纳入研究，这将有助于进一步优化该技术，确保其在更广泛条件下的有效性。 ![Image](images/14b27b2cb97a28497ccf9f193488162f443b0465aefd2613f15cf1bbc1ab22ea.jpg)
Fig. 3. Visualization the LiDAR captured raw point cloud data.
![Image](images/9809657bd1c9b0ab4cb580b72e8dfd4536b97afc0e100738a9953bb72ef18ee8.jpg)
Fig. 4. Visualization of the point cloud data after removing the ground data.
![Image](images/a9212651ac4245ca18325dd9e69b7c095a8bc322757ea92caa205f65be384ea4.jpg)
Fig. 5. Visualization of the point cloud data after forming the clusters.
![Image](images/718e7050d36f241357ccf0a4ab7a20440edc89fbe3bfe6435d3922248d0c6ac2.jpg)
Fig. 6. Visualization of the detected moving objects.
### V. 结论 本试点研究检验了LiDAR技术在自主系统内检测和跟踪运动目标（尤其是人类）的有效性。研究结果表明，我们基于LiDAR的方案能够在多样环境中成功识别并跟踪目标。尽管本次工作主要聚焦于检测与跟踪环节，未来的升级改进将集成机器学习技术，进一步将目标类别（尤其是人类）与其他运动实体区分开。这些改进有望显著提升自动驾驶汽车、机器人技术和监控应用的可靠性与安全性。因此，本研究为更先进的、可在广泛真实世界条件下稳定运行的基于LiDAR的自主系统奠定了基础。 --- ## 参考文献 [^1]: Pierzchała, M.; Giguère, P.; Astrup, R. Mapping forests using an unmanned ground vehicle with 3D LiDAR and graph-SLAM. Comput. Electron. Agric. 2018, 145, 217–225. [^2]: Zhu, Q.; Chen, L.; Li, Q.; Li, M.; Nüchter, A.; Wang, J. 3D LIDAR point cloud based intersection recognition for autonomous driving. In Proceedings of the 2012 IEEE Intelligent Vehicles Symposium, Madrid, Spain, 3–7 June 2012; pp. 456–461. [^3]: VanVoorst, B.R.; Hackett, M.; Strayhorn, C.; Norfleet, J.; Honold, E.; Walczak, N.; Schewe, J. Fusion of LIDAR and video cameras to augment medical training and assessment. In Proceedings of the 2015 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), San Diego, CA, USA, 14–16 September 2015; pp. 345–350. [^4]: Hou, Li, Wanggen Wan, Jenq-Neng Hwang, Rizwan Muhammad, Mingyang Yang, and Kang Han. "Human tracking over camera networks: a review." EURASIP Journal on Advances in Signal Processing 2017, no. 1 (2017): 1-20. [^5]: Bergmann, Philipp, Tim Meinhardt, and Laura Leal-Taixe. "Tracking without bells and whistles." In Proceedings of the IEEE/CVF International Conference on Computer Vision, pp. 941-951. 2019. [^6]: Bochinski, Erik, Volker Eiselein, and Thomas Sikora. "High-speed tracking-by-detection without using image information." In 2017 14th IEEE international conference on advanced video and signal based surveillance (AVSS), pp. 1-6. IEEE, 2017. [^7]: Henschel, Roberto, Yunzhe Zou, and Bodo Rosenhahn. "Multiple people tracking using body and joint detections." In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, pp. 0-0. 2019. [^8]: Zhang, Yifu, Peize Sun, Yi Jiang, Dongdong Yu, Fucheng Weng, Zehuan Yuan, Ping Luo, Wenyu Liu, and Xinggang Wang. "Byetrack: Multi-object tracking by associating every detection box." In European Conference on Computer Vision, pp. 1-21. Cham: Springer Nature Switzerland, 2022. [^9]: T. Hosokawa, M. Kudo, 2005. Person Tracking with Infrared Sensors. In: Khosla R., Howlett R.J., Jain L.C. (eds) Knowledge-Based Intelligent Information and Engineering Systems. KES 2005. Lecture Notes in Computer Science, vol 3684. Springer, Berlin, Heidelberg. 10.1007/11554028_95. [^10]: Kumar, Suren, Tim K. Marks, and Michael Jones. "Improving person tracking using an inexpensive thermal infrared sensor." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 217-224. 2014. [^11]: Honda, Seiichi, Ken-ichi Fukui, Koichi Moriyama, Satoshi Kurihara, and Masayuki Numao. "Extracting human behaviors with infrared sensor network." In 2007 Fourth International Conference on Networked Sensing Systems, pp. 122-125. IEEE, 2007. [^12]: Gade, R. and Moeslund, T.B., 2014. Thermal cameras and applications: a survey. Machine vision and applications, 25, pp.245-262. [^13]: Berg, A., Ahlberg, J., Felsberg, M. (2015). A thermal infrared dataset for evaluation of short-term tracking methods [^14]: Berg, Amanda, Kristoffer Ofjäll, Jörgen Ahlberg, and Michael Felsberg. "Detecting rails and obstacles using a train-mounted thermal camera." In Image Analysis: 19th Scandinavian Conference, SCIA 2015, Copenhagen, Denmark, June 15-17, 2015. Proceedings 19, pp. 492-503. Springer International Publishing, 2015. [^15]: Berg, Amanda, Jorgen Ahlberg, and Michael Felsberg. "Channel coded distribution field tracking for thermal infrared imagery." In Proceedings of the IEEE Conference on computer vision and pattern recognition workshops, pp. 9-17. 2016. [^16]: T oyama, Kentaro, John Krumm, Barry Brumitt, and Brian Meyers. "Wallflower: Principles and practice of background maintenance." In Proceedings of the seventh IEEE international conference on computer vision, vol. 1, pp. 255-261. IEEE, 1999. [^17]: Wen, Long, Lei He, and Zhenhai Gao. "Research on 3D point cloud distortion algorithm and its application on Euclidean clustering." IEEE Access 7 (2019): 86041-86053. [^18]: Tran, Thanh N., Klaudia Drab, and Michal Daszykowski. "Revised DBSCAN algorithm to cluster data with dense adjacent clusters." Chemometrics and Intelligent Laboratory Systems 120 (2013): 92-96.