# 低计算成本的3D-LiDAR人体检测方法
望月春树 $^{1}$ 清原良三 $^{2}$
$^{1}$日本神奈川县厚木市神奈川工科大学研究生院
$^{2}$日本神奈川县厚木市神奈川工科大学
## 摘要
机器人技术不断发展，如今机器人不仅能完成简单任务，还可以执行需要与人类交互的工作。尤其巡逻安保领域需要投入大量人力，多数工作内容都是确认现场无异常，因此该领域对引入机器人的需求十分迫切。例如在日本，餐厅的传菜机器人已经可在人流中移动作业。在安保领域，如果机器人无法确认现场无异常，就需要安保人员亲自前往核查。为了减少这类情况的发生，提升核查准确率是硬性要求，此外还需要尽可能降低机器人的部署与运营成本。目前，利用机器人搭载的相机和3D-LiDAR（Light Detection And Raging）进行人体识别的技术已经成熟并投入使用，但针对低光照环境的应用技术，或是低成本2D-LiDAR人体识别技术尚未成型。本文提出一种可降低计算成本的新型人体检测方法，并对该方法进行评估。
关键词：人体检测、3D-LiDAR、安保机器人
## 引言
许多发达国家预测，人口老龄化叠加移民迁入缓慢将导致劳动力短缺，而日本目前已经面临劳动力短缺问题。在安保行业，简单的巡逻任务已经开始引入机器人完成，巡逻任务的核心作用是犯罪威慑，若发现可疑人员必须上报相关信息。可在夜间户外自由移动的机器人巡逻车大多都搭载了3D-LiDAR（Light Detection And Raging），并且依靠SLAM（Simultaneous Localization and Mapping，同步定位与地图构建）技术在移动过程中估算自身位置。
基于3D-LiDAR的SLAM需要大量计算开销，因此人体检测处理需要尽可能压缩计算成本。为此，本文提出一种人体识别方法：仅使用车载3D-LiDAR获取的部分点云数据，将其视作多个2D-LiDAR采集的数据进行处理。如果3D-LiDAR可从16个不同高度采集点云数据，仅使用其中一个高度的数据就能将点云数据量降低至原来的1/16，同时还能减少机器学习评估的计算成本。因此，我们通过
---
利用多个2D-LiDAR评估人体识别率。此外，我们还通过评估针对人体朝向、人体与LiDAR距离的模型学习效果，验证该方法能否识别任意朝向和任意距离的人体。
## 激光雷达
LiDAR发射激光，根据反射光的相位差测量距离，通过持续旋转扫描即可采集得到点云数据。如图1所示，LiDAR搭载在机器人巡逻车上，机器人巡逻车依靠点云数据通过SLAM估算自身位置，以此实现移动。
Figure 1: Robot cart with 3D-LiDAR as a security guard.
## 相关研究
针对人体识别已经开展了大量研究。利用图像处理实现人体识别是目前最常用的方法之一。但作为安保人员的机器人会在午夜活动，因此环境光照不足。目前已有不少基于3D-LiDAR的人体识别研究。面向自动驾驶汽车、基于3D-LiDAR的行人识别研究（Nagai, 2022）采用支持向量机（SVM）实现人体识别。其他研究方案将3D LiDAR拆分为多个2D-LiDAR使用（Chung, 2012），该研究从多个不同高度采集点云数据，最终分类准确率最高可达96%。一种采用精简点云数据的典型方案是将目标的3D点云数据分割为躯干和腿部两个部分，从而实现鲁棒的原位行人识别（Asad, 2020）。
上述所有研究均使用3D点云数据，这类数据需要消耗大量CPU资源。3D-LiDAR可以获取整个人体的完整点云，因此无论衣物形状或其他因素如何变化，都能完成人体识别。但实际上，我们并不需要从相近高度位置获取多组完整的人体形态数据。因此，本研究提出一种采用多个2D-LiDAR的人体识别方法，以降低计算成本。
在我们此前的研究（Nagai, 2022）中，我们提出了一种基于低分辨率2D-LiDAR、以PointNet为基础的
---
自编码器（Qi, 2017）。我们使用2D-LiDAR在90cm高度（该高度被认为是人类典型的腰高）分别从正面和侧面采集数据。所提出的方法成功检测到了距离激光雷达5米范围内的人体。
在一项此前的研究（Watanabe, 2023）中，我们提出了基于多个2D-LiDAR的人体识别方法。但上述两种方法都要求从正前方完成识别。此外，我们在另一项此前的研究（Mochizuki, 2024）中验证了我们方法的可行性。本文提出一种不受感知角度和距离影响的人体识别方法。
## 提出的方法
结合神奈川工科大学的实际应用场景，安保巡逻机器人需要检测的对象是无恶意进入校园的老年人。日本老年人按年龄统计的平均身高处于135cm至175cm区间，我们针对该身高范围的人群开展研究，能够覆盖大多数无恶意入侵的老年人。人体特征大致可分为头部、躯干、手臂和腿部：头部在全身所占比例小于躯干、手臂和腿部，此外头部点云数据的采集高度也会随人体总身高的变化而变动。因此，我们选择采集人体躯干、手臂和腿部的点云数据。针对总身高在135cm至175cm区间的人体，我们设置了各部位点云的采集高度范围：躯干和手臂的采集高度为80cm至110cm，腿部的采集高度为20cm至55cm。
本文通过限制3D-LiDAR发射的激光数量，减少需要获取的点云数据量，以此降低计算成本。激光的选择依据与障碍物的距离和安装高度确定：为了获取分别对应手臂、躯干和腿部的至少三道激光，探测距离需要控制在约25米以内；此外，当距离超过约37米时，将无法获取腿部的点云数据。因此，我们假设机器人仅对25米范围内的人体进行识别（参见表1）。
Table 1. Distance and height relations for 3D LiDAR( height : cm).
| Laser No. | 2 m | 5 m | 15 m | 25 m | 37 m |
| 7 | 89.5 | 126.3 | 249.1 | 378.1 | 525.4 |
| 5 | 82.5 | 108.7 | 196.2 | 288.1 | 393.0 |
| 3 | 75.4 | 91.2 | 143.6 | 198.6 | 261.5 |
| 1 | 68.4 | 73.7 | 91.1 | 109.5 | 130.4 |
| -1 | 61.5 | 56.27 | 38.8 | 20.4 | 0.00 |
| -3 | 54.5 | 38.8 | 0.0 | 0.0 | 0.0 |
| -5 | 47.5 | 21.2 | 0.0 | 0.0 | 0.0 |
检测到人员时，安保机器人会向安保人员发出通知。图2展示了巡逻安保场景下，检测到人员时通知安保人员的识别流程。
---
首先，配备LiDAR和计算机的机器人在巡逻过程中采集周边区域的点云数据，计算机会对采集得到的点云数据进行背景差分处理。
随后，提取得到的人员、物体等障碍物点云数据会通过无线网络发送至服务器，服务器端使用PointNet识别目标为人员还是障碍物。如果目标被识别为人员，系统会通知安保人员，安保人员前往机器人所在位置，机器人则对该人员进行跟踪。
Figure 2: Notification flow for security guard when human is detected.
在服务器端，为了利用采集到的点云数据进行人员识别，我们使用机器学习技术对数据进行分类。为了构建分类系统，我们使用了MATLAB库中发布的“Classify pointcloud using PointNet”工具。该方法借助PointNet对点云数据进行压缩与重构，仅提取用于分类的特征。
使用PointNet进行分类属于监督学习，因此需要提前对待分类的点云数据进行训练。为此，我们对人员和树木的点云数据进行训练，将采集得到的点云数据划分为人员和树木两类。由于点云数据的数量和形态会随目标物体的尺寸变化，我们采集了不同类型人员和树木的点云信息来完成训练。此外，可采集到的点云数据的数量和形态也会随人员的朝向变化，如果仅学习了单一方向的人员数据，就很难识别未学习过的方向。
当人员正面朝向传感器时，可以得到人类两条腿的点云数据。即使是横向朝向以外的其他朝向，也能同样得到两条腿的点云数据。因此，通过学习正面朝向的数据，就可以在除侧向之外的场景中以一定精度识别出人员。此外，由于横向朝向场景下可以确定已学习的朝向，因此通过学习横向朝向的数据也可以完成识别。
因此我们认为，通过学习正面和侧向两个方向的数据，可以扩大可识别人员朝向的范围，使得模型即使在多种朝向下也能识别出人员。
---
## 评估
表2展示了本次评估所用LiDAR的规格参数。
Table 2. Specification of the LiDAR for our evaluation.
| Name | VLP-16 (by Velodyne) |
| Range | 100m |
| View Angle (Vertical) | 30°( $\pm$15°) |
| View Angle (Horizontal) | 360° |
| Rotational Speed | 5Hz-20Hz |
首先，我们对比了不同距离下站立人员分别使用16线激光和2线激光时采集的点云数据量。此外，我们还对比了不同距离下站立人员分别使用两台3D-LiDAR激光和两台2D-LiDAR时采集得到的点云数据量。我们已经证实该方案能够减少点云数据的总量。
接下来，人体识别的准确率是最重要的指标。我们随后通过3D-LiDAR的双激光验证了人体识别的准确率。本次待采集点云数据的距离范围设定为2米至5米，并分别采集了训练数据与测试数据。训练阶段，我们使用人体和树木的点云数据，整理得到了用于各分类任务的点云数据集。针对训练集中的人体点云，我们为需要学习的正面、侧面两种姿态各准备了10份点云数据，另准备了20份树木点云数据。此外，训练数据采用了距离LiDAR 3米位置采集的人体与树木点云数据，每组训练的epoch数均为150。测试数据方面，我们准备了16份点云数据，包含从2米到5米每隔1米采集的正面（0°）、斜向（45°）、侧面（90°）人体以及树木点云。表3展示了预先对训练数据进行学习后分类结果的F值。
Table 3. F Value by limited 3D LiDAR for our evaluation.
| 0° | 45° | 90° |
| 2m | 1.00 | 1.00 | 1.00 |
| 3m | 1.00 | 1.00 | 1.00 |
| 4m | 1.00 | 1.00 | 1.00 |
| 5m | 1.00 | 1.00 | 1.00 |
根据该结果，使用3D-LiDAR双激光采集数据可获得足够的识别准确率。
我们验证了3D-LiDAR能否在最大25米的测量距离下，测量人体躯干、手臂和腿部，并识别不同姿态的人体。本次待采集点云数据的距离范围设定为5米至
---
25米，我们分别采集了训练数据和测试数据。训练阶段，我们整理了人体与树木的点云数据用于分类任务。训练集中，针对需要学习的正面、侧面两种姿态，我们各准备了10份人体点云数据，另准备了20份树木点云数据。此外，训练数据采用了距离LiDAR 3米位置采集的人体与树木点云，训练迭代次数为150次。测试数据方面，我们各准备了16份点云数据，包含从5米到25米每隔5米采集的正面、斜向、侧面人体以及树木点云。表4展示了预先对训练数据进行学习后分类结果的F值。
Table 4. F Value by distance for our evaluation.
| 0° | 45° | 90° |
| 5m | 1.00 | 1.00 | 1.00 |
| 10m | 0.91 | 0.91 | 0.00 |
| 15m | 1.00 | 0.67 | 0.75 |
| 20m | 0.91 | 0.67 | 0.91 |
根据识别结果，斜向姿态下，距离超过15米时准确率下降至0.67。此外，侧面姿态下，虽然其他距离均可区分人体与树木，但在10米距离处无法完成区分。我们认为准确率下降的原因是转速较低，采集到的点云数据量不足。也就是说，训练所用的点云数据量过少，模型无法区分人体姿态与树木的特征。此外，由于测试数据量也过小，点云数据呈现的形状存在偏差。因此，后续需要找到合适的数据量。
## 结论
为缓解安防行业劳动力短缺问题给高校安保巡逻带来的负担，我们使用搭载3D-LiDAR的安防机器人验证了不同朝向的人体识别率。针对3D-LiDAR人体识别场景，我们提出了一种方法，通过获取少于原始数量的点云数据，实现了降低计算成本同时高精度识别人体的效果。我们已经证明，通过选择两路激光，即使在点云数据量较少的情况下，也足以完成人体识别。但在距离较远时识别精度不稳定，因此仍需要获取更多点云数据进行分类。
未来工作中，需要验证衣物和人体姿态对识别精度的影响。其中外套和裙装会导致识别精度下降。
---
## 参考文献
Asad, L.，Ehsan, N.，Luis F. M-M. (2020) “基于2D LiDAR的大流量场景实时行人计数系统开发与验证”，*Transportation Research Part C: Emerging Technologies*，第114卷，第20–35页。
Chung, W.，Kim, H.，Yoo, Y.，Moon, C.-B.，Park, J. (2012) “搭载单激光测距仪的移动机器人基于归纳法的人体腿部检测与跟踪”，*IEEE Trans. on Industrial Electronics*，第59卷，第8期，第3156–3166页。
Mochizuki, H.，Watanabe, T.，Horii, M.，Kiyohara R. (2024)，“基于2D-LiDAR的静止人体检测方法”，IEEE International Conference on Information Networking (ICOIN)。
Nagai, Y.，Sawano, Y.，Terashima, Y.，Suzuki, T.，Kiyohara, R. (2022)，“一种基于2D-LiDAR的人体检测方法”，IEEE International Conference on Consumer Electronics (ICCE)。
Qi, R. C.，Su, H.，Mo, K.，Guibas, J. L. (2017)，“PointNet：面向3D分类与分割的点集深度学习”，IEEE Conference on Computer Vision and Pattern Recognition (CVPR)。
Watanabe, T.，Terashima Y.，Kiyohara R. (2023)，“基于2D-LiDAR的站立人体检测方法”，IEEE 47th Annual Computers, Software, and Applications Conference (COMPSAC)，第1260–1265页。