# 一种基于行人头肩区域几何形状、采用三维激光测距仪的高密度人群人体跟踪方法 三瓶悠太、新妻美穗子 日本东京中央大学精密机械系 (电话：+81-3-3817-1844；电子邮箱：，) ## 摘要 – 本文探讨了将行人头肩区域的几何形状作为个体识别特征的可行性，研究目标是采用三维激光测距仪（3D-LRF）实现高密度人群中的人体跟踪。高密度人群人体跟踪最核心的问题之一就是遮挡问题，遮挡会导致跟踪目标特征缺失、轨迹碎片化；当轨迹发生碎片化后，必须对其进行正确关联才能实现鲁棒、准确的跟踪。为提升拥挤环境下人体跟踪的鲁棒性，本文认为，可识别个体的目标特征有助于对遮挡导致碎片化的轨迹进行关联。本文将行人头肩区域的几何形状用作跟踪目标的特征，通过三维激光测距仪实验验证了该特征在动态环境跟踪中的适用性。 关键词 – 人体跟踪、3D-LRF、几何特征 ### 1. 引言 许多机器人工作在人类无法进入的环境中，例如工厂和灾难现场。但近年来，可在日常生活环境中陪伴人类并提供协助的机器人，即所谓的自主移动机器人，得到了广泛研究。定位功能是自主移动机器人所需的基础功能之一，除此之外，还需要更先进的功能，例如让自主移动机器人能够避障、接近特定人员并为其提供合适服务。要实现这些先进功能，人体跟踪的鲁棒性至关重要。 目前已有多种采用激光测距仪（LRF）的人体跟踪方法被研究。但传统激光测距仪通过扫描二维平面测量物体距离，遮挡不可避免地会大幅影响跟踪精度。因此，即使使用多个激光测距仪[^1] [^2]，在三人及以上人员进入同一感知区域的高密度人群中，也难以实现高精度跟踪。 高密度人群中人体追踪最关键的问题之一就是遮挡的发生。遮挡通常由追踪对象缺乏有效特征、轨迹碎片化导致。当轨迹出现碎片化后，需要对其进行正确关联才能实现鲁棒、准确的追踪。为了提升拥挤环境下人体追踪的鲁棒性，本文认为，在拼接因遮挡碎片化的轨迹时，可识别个体身份的追踪对象特征具备重要价值。该特征需要满足：不易发生遮挡、可在高密度人群中稳定提取、仅与个体自身相关三个要求。肩头轮廓特征（head-to-shoulder signature, HSS） [^3]利用人体头肩区域的形状进行行人识别。由于HSS相对不易发生遮挡，因此被认为是高密度人群场景下的适配特征。该方法需要可直接测量人体三维形状的传感器，优先选择可覆盖大范围的传感器。因此，本研究采用了具备大水平视场角的三维激光测距仪（3D-LRF），探讨了将HSS作为行人识别特征的可行性。本文的核心研究目标是利用3D-LRF实现高密度人群中的人体追踪。 ### 2. 特征提取方法 本节介绍本研究中采用的HSS行人提取方法，该方法作为识别个体身份的特征，用于实现高密度人群中的人体追踪。 ### 2.1 行人提取 本研究采用了Uenoyama等人[^2]提出的行人提取方法。该方法利用3D-LRF获得的扫描距离数据，生成每个水平方向上每10cm高度区间的测量距离直方图。基于该直方图，将出现频率高于阈值的最远距离确定为背景。 检测出背景后，通过将新采集的距离数据减去背景，即可检测出运动目标。假设运动目标仅为行人，即可完成行人提取。 ### 2.2 肩头轮廓特征（HSS）构建 HSS的构建示例如图1所示。首先，我们从提取得到的行人点云顶部选取40cm范围作为头肩区域。将选中的点云划分为多个厚度相等的水平切片，再计算跨度，跨度定义为每个切片上任意两点间的最大 --- ![Image](images/492293f3b954be733a034cc4f1411c26617e6cf3af387a71d07c5f1916a1d0c8.jpg)
Fig. 1. HSS construction example [^3].
距离，我们也会计算每个切片的该跨度值。由各跨度与切片编号组合得到的头肩区域横向宽度的纵向变化，被用作描述行人的特征。 ### 3. 跨度测量实验 此前已有研究利用Microsoft Kinect对HSS进行评估，但实验中受试者动作受限[^3]。本研究采用了北阳公司（Hokuyo Co. Ltd.）的UTM-30LX型号3D-LRF。该3D-LRF具备大水平视场角，且点云密度与Microsoft Kinect不同。由于该传感器的光源符合IEC 60825-1标准的1类要求，因此对人体使用安全，此外还可应用于大范围动态环境。 可识别个体身份的特征必须仅依赖于个体自身。因此，本实验通过对比目标行人静止和行走状态下的跨度，评估了3D-LRF动态环境追踪场景下HSS的适用性。 ### 3.1 实验条件 实验环境如图2所示。受试者在三个不同位置面向传感器保持静止，每个位置停留约20秒，随后在行走区域行走约30秒。考虑到观测过程中肩部以上区域始终会进入传感器的扫描范围，传感器被水平安装在距地面960 mm的高度。结合传感器的垂直角分辨率，本研究将HSS的切片数量设置为5。 ![Image](images/d54a72e194b356c86f3327d8f1bf16c9000e172a83816bd84e8966235565b999.jpg)
Fig. 2. Experimental environment.
### 3.2 实验结果与讨论 本研究计算了每个切片测量跨度的平均值和标准差。由于不同静止位置的测量结果没有显著差异，表1仅展示了行走状态和3 m处静止状态的测量结果。手动测量值通过钢卷尺获得，切片编号从上到下依次为1到5。如表1所示，行走状态下测量结果的波动较大，这是因为人体相对于传感器的位置和朝向不断变化，导致肩部和头部的一侧出现遮挡。此外，第4号切片的波动尤为显著，原因是该切片存在时而包含肩部、时而不包含肩部的混合情况。 从实验结果可以明确，HSS取决于传感器与人体位置的相对关系；研究发现，若要将HSS作为识别特征，需要基于该相对关系计算HSS。
Table 1. Span Measurement results.
Slice No.Manually measured value [mm]Resting at 3 m [mm]Walking [mm]
1175.0$168.5 \pm 21.4$$214.6 \pm 42.7$
2180.0$154.7 \pm 14.4$$232.9 \pm 47.2$
3150.0$108.8 \pm 27.1$$205.6 \pm 46.3$
4375.0$224.6 \pm 50.0$$319.0 \pm 75.8$
5410.0$426.7 \pm 25.7$$388.8 \pm 83.2$
### 4. 结论 本文围绕利用3D-LRF在高密度人群中实现人体追踪的目标，探讨了将行人头肩区域几何形状作为个体识别特征的可行性。实验发现，利用3D-LRF构建的HSS不仅存在个体差异，还高度依赖传感器与人体位置的相对关系。 未来工作中，作者将提出一种基于传感器与人体位置相对关系的HSS计算方法，并将其应用于人体追踪任务。 ## 参考文献 [^1]: K. Katabira, T. Suzuki, K. Nakamura, H. Zhao, R. Shibasaki, Y. Nakagawa. Tracking Pedestrians and Visualization of the Crowds-Flow using Multiple Single-Row Laser Range Scanners. IPSJ SIG Notes. CVIM, Vol.2007, No.31, pp.229–236, 2007. [^2]: N. Uenoyama, M. Niitsuma. Temporal Segmentation of Environmental Map Based on Changing Rate of Activity Areas and Improvement of Tracking Method using LRF. Proc. of 2015 IEEE/SICE International Symposium on System Integration, pp.57-62, 2015. [^3]: N. Kirchner, A. Alempijevic, A. Virgona. Head-to-shoulder signature for person recognition. IEEE International Conference on Robotics and Automation (ICRA), pp. 1226-1231, 2012. [^4]: D. Brscic, T. Kanda, T. Ikeda, T. Miyashita. Person tracking in large public spaces using 3-D range sensors. IEEE Transactions on Human-Machine Systems, vol. 43, no. 6, pp. 522-534, 2013.