文章 # 基于3D激光雷达传感器的人体高效检测与跟踪胡安·戈麦斯、奥利维耶·艾卡尔、朱奈德·巴贝尔 ${}^{*}$ $^{ID}$ 格勒诺布尔阿尔卑斯大学计算机实验室（LIG），38000 格勒诺布尔，法国；（J.G.）；（O.A.） $^{*}$ 通讯作者：摘要：激光探测与测距（LiDAR，激光雷达）技术目前已成为自动驾驶、人机协作等众多应用领域的核心工具。基于点云的三维目标检测因在复杂环境中性能优于相机，目前在工业领域和日常生活中日益普及，得到广泛认可。本文提出了一种使用3D激光雷达传感器检测、跟踪和分类人体的模块化方案，该方案结合了多项核心技术：鲁棒的目标分割实现、带局部几何描述符的分类器，以及跟踪方案。此外，我们无需任何环境先验知识，仅通过运动检测和运动预测获取并筛选感兴趣区域，减少需要处理的点云数量，就能在低性能设备上实现实时运行。此外，即使遇到传感器视野受限、或人体姿势发生剧烈变化（如蹲伏、跳跃、伸展）的挑战性场景，我们的原型也能够持续稳定地成功检测和跟踪人体。最后，我们在室内环境采集的多组真实3D激光雷达数据上对所提方案进行了测试和评估。实验结果表明该方案性能优异，与现有前沿方法相比，对人体的正分类置信度尤其突出。检查更新引用：Gómez, J.; Aycard, O.; Baber, J. 基于3D激光雷达传感器的人体高效检测与跟踪。《Sensors》2023, 23, 4720. 收稿日期：2023年3月22日修改日期：2023年5月8日录用日期：2023年5月9日发表日期：2023年5月12日 ![Image](images/89764f0b4b5da3a838177251ecb3a1aa4f8ace526063e652fbe57a2cec371513.jpg) 学术编辑：Mohamed M. Chehimi 和 Najla Fourati 版权信息：© 2023 作者所有授权方：瑞士巴塞尔MDPI 本文为开放获取文章在以下条款和条件下分发，即知识共享署名（CC BY）许可协议（https:// creativecommons.org/licenses/by/ 4.0/). 关键词：3D点云；人体检测；跟踪；分类；实时 ## 1. 引言近年来LiDAR技术的进步给众多行业带来了变革，使其在自动驾驶、人机交互等各类应用中更加可靠、精准[^1] [^2]。三维LiDAR数据能够360度全面呈现环境信息，可供机器人或自动驾驶汽车做出合理决策。3D LiDAR的应用十分广泛，包括自动驾驶[^2]、林业[^1]、医学培训[^3]、智慧城市部署[^4]、遥感[^5]以及3D SLAM [6–8]。然而值得注意的是，3D激光雷达传感器成本高昂，因此难以将其安装在多个移动机器人或系统上。即便是特斯拉的首席执行官，也因成本问题对在自动驾驶中使用3D激光雷达持保留态度（，访问于2023年5月8日）。因此，安装在固定位置的静态传感器成为了解决该问题的一种潜在方案。此外，静态传感器可以与移动机器人或系统配合使用，从而提升整体运行的效率和效果。将3D激光雷达安装在合适位置后，不同移动机器人都可以获取传感数据并做出可靠决策。这种方案能够大幅降低在每台移动机器人或系统上部署多枚3D激光雷达传感器的成本，让整个方案更具可行性和经济性。综上所述，尽管3D激光雷达传感器在移动机器人上的应用十分广泛（图1），但凭借成本效益和多功能性，静态传感器已经成为一种极具潜力的解决方案。通过强调静态传感器的潜在应用价值，我们 --- 能够推动该领域的进一步研究与开发，从而为各行各业带来更多创新性解决方案。

(A)

![Image](images/6627b0076f1fc44cb6b3f1964be1319151b9a65d2d5ab5594b9f015bb0f5c817.jpg)

(B)

![Image](images/62dc01dc691873c762d6bf6f92102fa345ee49d702f14e98eff08dfd978bd1e1.jpg)

(C)

![Image](images/f7aa889f36a84b5ecb0a637db8532db2e576f4438483401f869d2eb3708e1ea1.jpg)

(D)

![Image](images/8d4ef9e0cbc8179c849f64754b20ea3bd31dfdbd063476a5dcc1c34464219453.jpg)

(F)

![Image](images/502eb20cb597f5187b101a42172eb23286da793d49821fab2753a795928f70a7.jpg) ![Image](images/bbda1b90d1fb5aac5ca6239a5e0be4a4c2cd2781bcefdd9569a3957c97d438a9.jpg)

Figure 1. Applications of 3D LiDAR in industry, smart infrastructure, and automotive areas. (A) The smart system for bus safety operating on public streets, (B) applications in agriculture, (C) intelligent transportation, (D) intelligent security management, (E) intelligent rail monitoring and inspection, and (F) drones and mobile robots.

在机器人感知领域，运动目标检测与跟踪（DATMO）几乎是所有机器人应用都面临的核心问题之一，应用场景涵盖自动驾驶、人机交互等。此前已有大量研究工作针对感知领域的这一特定问题展开，其中多数研究都使用了深度传感器或3D传感器，例如RGBD相机和立体相机。 RGB-D相机会同时提供RGB信息和深度数据。RGB信息可用于皮肤检测器检测这类通用视觉应用，也可用于行人重识别这类特定应用。这类设备潜在应用的示例包括腿部的分割与分类[^9]，以及针对高度差和颜色的直方图统计[^10]。此外，还可以根据目标距离设置多个不同的检测器[^11]。另外，目标高度这类距离数据也可用于提升检测精度[^12]。RGB-D相机的主要局限在于视场范围有限，而且RGB-D相机和立体相机提取深度信息的速度较慢，得到的结果往往精度不足[^13] [^14]。二维激光雷达（2D LiDAR）被用于获取深度信息，可应用于自动驾驶、机器人人体跟踪等各类场景[^15] [^16] [^17]。2D激光雷达传感器价格低廉、精度可靠，且二维点云的处理计算成本较低。2D激光雷达的主要缺点是它只能感知环境的单个平面，因此很难实现高置信度的行人检测。而三维激光雷达（3D LiDAR）能够以高速输出高精度的高分辨率点云，可非常详尽地描述环境的几何结构[^14] [^15] [^18] [^19]。3D激光雷达点云中的物体可以保留其在真实世界中的几何形态，能在一定精度范围内准确呈现物体的长、宽、高尺寸。3D激光雷达每次扫描都会生成海量数据。为了处理3D激光雷达获取的大量数据并实现实时运行，现有方法会利用预先构建的三维地图进行背景减除以减少计算时间[^16]，但这种方法要求预先掌握环境信息。相比之下，我们的方法采用背景减除算法，无需任何预先的环境知识，且我们的解决方案不依赖初始运动。 --- 用于检测行人。总体而言，即使是在近距离进行行人检测，2D LiDAR传感器提供的数据也过于有限，无法完成分析和理解行人行为这一最终任务。对于DATMO问题而言，遮挡是所有传感器面临的主要问题之一，当目标/机器人静止时这一问题尤为突出。已有研究尝试解决遮挡问题，方法包括从目标附近的位置向传感器反向追踪射线[^20]。以往针对行人检测与跟踪的研究通常依赖运动检测和聚类，这一过程往往颇具挑战性。我们提出的框架仅聚焦于使用3D LiDAR实现行人检测与跟踪，简化了该流程。在我们的方案中，运动目标分类是关键步骤，因为我们的模型对运动目标赋予了更高优先级。深度学习监督模型已经通过直接对点云分类实现行人检测，这种方式可以替代运动检测模块[^21]。但对整帧进行分类的过程计算成本很高。也有研究探索了使用R-CNN进行目标检测与跟踪，但这类研究目前仅局限于车辆检测[^22] [^23]。需要指出的是，除本文提出的框架外，现有其他使用3D LiDAR技术的框架还包括VoxelNet [^24]、OpenPCDet [^25]、RCNN [^26]、HVNET [^27]和3D-Man [^28]，这些框架主要聚焦于汽车、行人、骑行者这类户外目标。但这些深度学习模型都需要使用GPU，目前尚不具备实时处理能力。虽然PV-RCNN++框架（即OpenPCDet）比前代框架速度更快，它仍然无法在基于CPU的设备上使用。此外，室内环境中的人员检测远比道路上的行人检测更具挑战性，因为室内人员往往拥有更复杂多变的姿态，需要被精准检测和跟踪。像Ouster这类3D LiDAR传感器平均单次扫描最多可生成64K个点。在实时应用中处理所有这些点并不现实，因此仅会提取并处理点云的一个子集[^23]。本文针对人员检测、分类与跟踪提出了一种高效解决方案。我们提出的框架包含多个模块，分别为运动检测、体素化、分割、分类和跟踪。我们的解决方案有多个显著特点：它采用模块化结构，由多个阶段协同工作，以实现最优性能和结果。此外，分类和跟踪之间存在持续交互，这使得该方案在处理蹲伏、跳跃、伸展这类极端姿态变化时，甚至面对传感器的部分局限性，仍能保持鲁棒稳定的一致性能。此外，我们的解决方案可在低性能机器上实时实现，使其在室内环境的人员检测、分类与跟踪方面具备极高的通用性和实用性。总体而言，我们的工作为准确可靠的人员检测、分类和跟踪提供了高效解决方案，在多个领域拥有广泛应用。 ### 2. 实现与挑战我们在本方案中使用Ouster OS1-32 3D LiDAR传感器，该传感器垂直分辨率为32层，水平视场可自定义，最大支持完整360度扫描。基础工作频率为10 Hz，传感器的最小和最大探测距离分别为0.8 m和150 m。在1–20 m测距范围内，传感器精度为1.1 cm，该传感器如图2a所示。 --- ![Image](images/5ce6928713bbd33c9d26f3cb99959a6cddab63c912acbdcfc60dc298524cbf4f.jpg)

(a)

![Image](images/259cb2abf7c663dd0d03d7c05db43315c1a86c45ea221cf2dedd6c88b82972c5.jpg) ![Image](images/69e897e29b7d66fafcff192f5a862c6ccdd114fd29e904d001287818dda68e74.jpg)

(b)

![Image](images/06bd2e489f5940b9ada022cb25b49d0457770b708aabf32da7e287a3cbdf53be.jpg)

(c)

![Image](images/290120e9b2df9d1a76a7d2050362e58ef3dd0cffd00181378f2db4c19805ff6b.jpg)

Figure 2. Some limitations of a 3D LiDAR sensor in indoor environments: (a) Ouster sensor used in the experiment, (b) example of the restricted vertical field of view leading to chopped scans, and (c) severe occlusion of a moving object due to the sensor's fixed position, the different shades of the color show the reflectance values of the returned laser signals.

尽管该传感器的最大探测距离为150 m，但受限于传感器分辨率，在较远距离下很难将运动目标与背景区分开。为了充分利用传感器提供的几何描述信息，我们需要在感兴趣目标上获得尽可能多的点。因此，我们的方案针对任意方向不超过8 m的小型室内范围设计。我们在两个不同的办公室中对方案进行了测试：一个是长12 m、宽5 m的大办公室，另一个是长4 m、宽5 m的小型办公空间。两种测试场景中，传感器都安装在1.2 m高度，模拟移动机器人平台顶部搭载传感器的情况。 #### 2.1. 受限垂直视场尽管Ouster OS1-32传感器拥有完整的360度水平视场，但其垂直视场仅被限制在33.2度。这种限制会导致生成的扫描结果中出现物体被截断的情况，尤其是当物体距离传感器很近时。由于我们的方案是为小型室内环境设计的，人员行走时可能会距离传感器足够近，导致在最终扫描中被截断。这种现象给分类器带来了挑战，因为分类器依赖于物体的尺寸和形状进行识别。图2b、c展示了这种情况的一个示例。 #### 2.2. 极端姿态变化与遮挡极端姿态变化对任何行人检测与追踪系统来说都是一项挑战，因为人可以呈现多种多样的姿态，这使得分类器很难在所有可能的形态下都检测到目标。蹲伏、伸展、跳跃以及拾取物体都是这类姿态的典型例子。为了解决这个问题，我们的方案利用分类模块和追踪模块之间的交互来弥补二者的不足。追踪领域遇到的另一个常见问题是目标遮挡[^20]。传感器固定在特定位置会产生移动目标被静态物体或彼此遮挡的问题。尽管我们的方案并未专门处理遮挡问题，但我们仍评估了它在存在遮挡场景下的表现。 ### 3. 架构与实现图3展示了本文所提解决方案的流程图，其中每个模块都标注了不同编号。第一个模块接收来自传感器的三维点云，通过运动检测识别出ROI。经过ROI处理后，送入后续流程的点数量大幅减少，这既节省了计算时间，也使得三维点云的实时处理成为可能。随后，ROI会分别被传递到体素化模块和分割模块。 --- 这些分割得到的区域也称为目标，随后会被送入分类器。最后一个模块即跟踪模块，负责轨迹的创建、更新和消除。 ![Image](images/c57bbe6b2465504b637c2731b52e5a9ac89ca62d6df7a84b64aa67b2924a12bc.jpg)

Figure 3. Flow diagram of the proposed system showing the connections between each module. The sensor position is represented by the red arrow, static points are represented by red points, dynamic points by green points, and points classified as part of a person by pink points (as highlighted in the green circle). Regions of interest (ROIs) are generated by movement detection denoted by the *symbol.

#### 3.1 运动检测如前文所述，为了实现实时处理，我们需要在每次扫描中处理尽可能少的点。在室内环境（例如办公室）中，环境的大部分区域都是静态的，而室外环境并非如此。我们不需要对所有点进行冗余处理，仅处理通过运动检测得到的ROI区域即可。对于位置固定的传感器，提取ROI最常用也最高效的方法是背景减除法。因此，算法的第一步是背景的创建与校准，该过程在算法启动时执行：我们处理扫描中的所有点来创建背景模型，如图3所示。通过这种方式，即便在创建背景模型时环境中存在人员，我们也会将这些人员对应的点从最终背景模型中剔除。背景模型创建完成后，我们默认扫描中所有原本不存在于背景中的点都是候选动态点，通过对比后续扫描即可提取出ROI。 #### 3.2 体素化与分割传感器获取的三维点云由笛卡尔空间中的x、y、z坐标构成。与RGB图像不同，原始点云是非结构化的，不包含任何场景语义信息。因此，所有这些点云数据都以更高层级的形式表示，即体素 [^29]。体素化是三维点云处理和点云结构化中广泛应用的技术。在本文提出的框架中，我们采用了Trassoudaine等人 [^23]的实现方案完成体素化和分割。 #### 3.3 分类分割流程结束后，我们得到了感兴趣区域（ROI）内由体素构成的分割对象列表。分类器的目标是解决一个二分类问题：即判断给定对象是行人还是背景。为了提高本文提出框架的真阳性率，我们仅关注运动对象，如图4所示。在该框架中，我们使用了三个弱分类器，每个弱分类器都有独立的分类判据。最终，每个分类器对对象分类结果进行投票。由于共有三个分类器和两个类别，我们基于多数投票规则得到给定对象的最终标签。弱分类器将在本节后续部分展开讨论。 --- ![Image](images/cd6fdca7e4fc945417e8fa0e1827cdc744a0388fdcf6cfa9ddf5f14b9f9da255.jpg)

Figure 4. Flow diagram of the classification module. The module receives segmented objects as input and uses a voting scheme by three classifiers to classify them as either a person or not. Each object before classification is shown with different colors (on the left-most point cloud). The module also outputs a processed point cloud. The color red indicates a person and blue indicates otherwise.

##### 3.3.1. 形状分类器如前所述，高分辨率3D LiDAR的核心优势之一在于，我们能够从物体中提取出精确的多个几何特征。形状分类器充分利用了该传感器提供的描述性几何信息，这是一种简单的分类器：它会将每个物体的尺寸和形状，与我们已有的一套“严格”的人体几何模型进行比对。这些模型涵盖了一个物体被判定为人所需满足的各类属性，包括宽度、高度、长度，以及三者之间的比例。例如，如果一个物体的高度超过2.3 m，我们可以直接断定它不可能是人；如果一个物体的宽度和高度几乎相等，它也不可能是人。借助这一系列简单的阈值/判定标准，该分类器可以在人处于最基础的姿态（站立或行走）时识别出目标。我们的设计思路是，仅当我们高度确信某个物体是人时，才启动追踪流程。因此，除行走和站立外，该分类器无法直接处理人可能呈现的绝大多数姿态；但正如我们在追踪模块中讨论的，分类与追踪的结合可以解决这一问题。 ##### 3.3.2. 法向量分类器尽管形状分类器设计用于在最基础的场景下识别人体，但其简洁性也可能产生假阴性或假阳性结果。为解决这一问题，我们使用法向量分类器。对于每个目标，我们计算构成该目标的每个体素的法向量。估计点云的表面法向量是一个分析特征向量与特征值（即主成分分析PCA）的问题[^23]，该操作可在ROS（机器人操作系统）中借助PCL（点云库）轻松完成。得到法向量后，我们计算向量各分量的平均贡献。因此，如果一个目标的大部分法向量都平行于地面，那么它极有可能是墙体或办公室隔断。通过这种方法，我们可以消除大部分由尺寸与人体相近的墙体或隔断片段所产生的假阳性结果。 ##### 3.3.3. 阴影分类器最后，本分类器用于修正背景目标被运动物体部分遮挡所导致的可能误分类问题。当这种情况发生时，背景目标的形状可能发生足够大的改变，从而被误判为人体，同时由于点数量更少，法向量计算也会受到影响。我们将这种情况称为阴影效应。为避免该问题，我们构建了一个弱分类器，通过将靠近目标的射线反向追踪回传感器，来检查目标是否受该效应影响——如果射线在行进途中击中另一物体，则说明存在阴影。该情况的图形化说明见图5。这一过程与[^20]中提出的方法类似，该文献中的方法用于检测被跟踪目标的部分遮挡和完全遮挡。 --- ![Image](images/e54bfe3a430a4e320c93f3026d3c07c1c1d3b7b53e3fe0b6bc2ad3212fd80200.jpg) ![Image](images/1279e7e9c35b17be592216ccad7511ddd227a4fa0fb581083043064db5ecbb9b.jpg)

Avoid miss Shade classifications effect

Figure 5. This Figure provides an example of how shading can impact object detection. The blue color represents the background while the red color represents a person. Shading can often lead to misclassification of objects.

最后，三个分类器都会对给定目标进行投票。基于多数投票结果，目标会被划分为行人或背景。 #### 3.4. 跟踪图6显示了跟踪模块的流程图。该模块负责创建、消除和更新轨迹。此外，它还处理运动预测阶段，为每个被跟踪的人创建预测的ROI。最后，它还可以过滤分类模块中可能出现的一些错误。 ##### 3.4.1. 轨迹创建与消除分类模块具备良好的准确率，但在部分场景下仍会出现误报。为了处理跟踪过程中的误报问题，我们规定：只有当同一个目标连续三次扫描都被分类模块判定为行人时，才会创建对应轨迹；如果被跟踪的行人连续20次扫描都未被检测到，则消除该轨迹（扫描频率为10 Hz时，对应的时长为2秒）。 ##### 3.4.2. 运动预测运动预测方法会根据速度跟踪目标的历史位置，以此生成ROI。假设目标做匀速运动，我们预测目标的下一个位置，并在预测位置周围（所有可能方向上）生成一个半径为0.5米的门控区域。 ![Image](images/0b27d0346420e6f810a3c2ad59408851faeda9a8d7ace0213e836c536d5a83b4.jpg)

Figure 6. Flow diagram of the tracking module. Following person/not-person classification, the objects are fed into the tracker. The tracker then creates, updates, or eliminates the tracks based on certain assumptions, as explained in the text, and finally predicts the motion of the target person.

门控区域的半径对应行人在下一次扫描到来前的间隔时间内，以最大速度能够行进的最大距离。如图3所示，该ROI会作为体素化模块下一个时间步的输入之一。 --- ##### 3.4.3. 轨迹更新在每个时间步，每个ROI都会经过体素化、分割和分类处理。最终仅得到各ROI内完成分类的目标列表。被分类为人员的目标会被分配到对应的轨迹中——这一过程类似于数据关联中的GNN（全局最近邻）方法。原则上，距离轨迹上一次记录位置最近的人员会被分配给该轨迹。随后，该框架会通过去除假阳性和假阴性来更新分类结果，如图7所示。 ![Image](images/e945491643dc79dc743d7eef921dd1154291990e94fe0d29dbd1e80f8e05165e.jpg)

Figure 7. Abstract conceptual flow diagram for removing false positives and false negatives.

### 4. 验证与结果为评估该系统，本文采用精确率、召回率和F值作为评价指标，这些都是机器人领域文献中广泛使用的指标 [^13] [^30] [^31]。录制视频时，传感器被安置在1.2米高度，用于模拟移动机器人平台顶部安装的传感器。为展示该框架的优势，本文设计了多个测试用例，如表1所示。

Table 1. Sensor data acquisition with different cases.

Cases	Description
Case 1:	Single person is walking in front of the camera.
Case 2:	Single person is walking in front of the camera when there is occlusion.
Case 3:	Single person with different and complex poses.
Case 4:	Two persons are walking in front of the camera.
Case 5:	Three person walking in front of the camera with occlusion and doing complex poses.
Case 6:	Two persons are walking in front of the camera and the tracker tracks only the one person.

1至4号测试用例中，传感器被放置在长10米、宽6米的办公室内。本实验的测试用例由易到难逐步设置难度。1号用例的录制场景为：单个人员在房间内正常行走；2号用例中，单个人员在办公室内行走，办公室中间放置了一个大型障碍物，模拟大面积遮挡场景；3号用例中，单个人员做出大幅度姿态变化，包括蹲下、伸展、跳跃以及取放动作；4号用例中，两名人员在办公室内行走。结果可参见表2（结果视频可通过URL 获取，访问时间为2023年5月8日）。不出所料，案例1取得了最高的F-score，因为它是最简单的场景。目标人物始终被正确跟踪，仅存在少量假阴性。由于目标人物靠近传感器时会产生阴影，因此还会出现一些假阳性。 ---

Table 2. Framework evaluation under different cases.

Case	Precision	Recall	F1 Score	Freq
Case 1:	95.37	95.12	95.25	9.01
Case 2:	90.18	72.24	80.22	7.84
Case 3:	94.88	94.49	94.68	8.61
Case 4:	93.65	95.16	94.40	6.80
Case 5 with normal walk	96.41	78.83	86.74	8.11
Case 5 with complex poses	97.51	91.35	94.33	7.71
Case 5 with occlusion	91.23	87.93	89.55	7.37

假阳性会对指标产生影响，但对跟踪的影响十分有限。这是因为我们设置了需连续三次分类成功才能启动跟踪器的约束，而假阳性或假阴性基本不会连续出现在多次扫描中。如表2所示，在复杂姿态场景下，本文提出的框架确实能够保持跟踪的稳定性，如图8所示。正如图7所说明的，这得益于分类模块与跟踪模块之间的交互。尽管本实现并未显式处理遮挡问题，但从结果中可以看出，召回率受到遮挡带来的假阴性数量影响，而精确率始终保持稳定。值得注意的是，本文提出的框架即使在多人物场景下依然有效。虽然我们的方案主要针对单人物跟踪设计，但它也展现出了多人物跟踪的潜力。下降幅度最大的指标是计算性能，输出帧率从输入频率的10 Hz降至6.8 Hz。这符合规律，因为一次扫描中的人物越多，算法需要处理的点就越多。 ![Image](images/1ace3c5b802fbe5f51202956762d46e4e369960178603fe1881dec97ae187356.jpg)

Figure 8. Tracking results for extreme pose changes, ranging from crouching to doing jumping jacks, and holding an object. Red points were classified as background and violet points as a person.

在针对更具挑战性的案例（如案例5）开展的实验中，该系统依然保持有效。在案例5中，传感器被放置在建筑内一处面积较小的区域，对应一块被门厅环绕的小型休息区。总体而言，我们在所有测试场景下都取得了良好的结果。测试场景涵盖了测试对象四处走动、坐在椅子上，以及偶尔弯腰系鞋带等情况；测试姿态则包含移动、跳跃、做有氧动作这三类。多项处理后的视频已在线发布，可查看定性结果。代码仓库（，2023年5月8日）在线提供了多个bag文件、脚本和ROS包，可供后续开展实验与复现研究使用。表3对本文提出的实现方案和其他近年基于LiDAR的场景分割框架进行了对比。为降低处理整幅3D扫描结果的计算负担，我们采用自适应聚类方法提取感兴趣区域（ROI）[^13]。该方法通过检测房间内的椅子、箱子、墙体等各类物体实现了高召回率，但检测大量物体也导致框架的精度有所下降。平均而言，在搭载8GB内存的酷睿i5设备上，本文提出的框架处理一次扫描耗时0.55秒。在线学习框架[^31]同样采用自适应聚类框架提取ROI，之后会提取七个特征来训练分类器。因此， --- 如表3所示，我们的定制配置取得了与该在线学习框架相同的召回率。

Table 3. Comparison of the proposed framework with the baseline method which is a publicly available package of ROS at GitHub. Adaptive clustering (AC) is also used for finding the ROI (segmented objects) and passed to our proposed framework.

Method	Precision	Recall	F-Score
Online Learning [^31]	73.4	96.50	83.01
Proposed Framework	93.7	87.3	90.24
AC + Proposed Framework [^13]	63.12	96.50	76.23

表4展示了使用`rostopic bw`命令测量得到的一个ROS节点的带宽使用情况。该表报告了平均带宽使用量，以及100次测量窗口下带宽使用量的均值、最小值和最大值。在基线方法的测试中，该话题的平均带宽为16.59 MB/s，意味着平均来看数据以每秒16.59兆字节的速率传输。整个测量周期内的带宽均值为1.69 MB/s，测量得到的最小带宽为1.67 MB/s，最大带宽为1.72 MB/s。窗口值100表示平均、均值、最小、最大值均基于最近100次测量计算得到。在`rostopic bw`的输出语境中，「平均」指整个测量周期内的总体平均带宽使用量，「均值」指单条消息的平均带宽使用量。如果测量过程中存在一段时间带宽使用量高于整体均值，那么平均带宽使用量会比均值更高。例如，如果短时间的高带宽突发穿插在较长的低带宽使用时段中，突发流量就会将整体平均带宽拉高。另外值得注意的是，$\text{rostopic}$ bw报告的均值可能不是十分可靠的指标，因为它基于消息数量和测量周期内的总带宽使用量计算，而这些数值会快速波动。对于评估整体带宽使用情况而言，平均值大概率是更稳定、更可靠的指标。本文提出的框架存在一个主要局限：它专门针对激光雷达传感器静止的封闭/室内环境设计，用于检测和跟踪人体。当传感器安装在移动机器人上，或是室外环境中存在大量物体时，框架性能可能会下降，因为更多样的潜在目标和形状会干扰分类器。在这类场景下，可能需要结合自适应聚类与本文提出的框架，但这会增加时间开销。因此，本文提出的框架最适用于环境相对稳定、以检测和跟踪人体运动为核心目标的室内场景。

Table 4. Bandwidth comparison between baseline and the proposed method.

Method	Average Bandwidth (MB/s)	Mean Bandwidth (MB)	Min Bandwidth (MB)	Max Bandwidth (MB)
Online Learning [^31]	16.59	1.69	1.67	1.72
Proposed Framework	9.06	0.90	0.90	0.91

### 5. 结论与未来工作本文在标准硬件上开发了一套可近实时检测和跟踪三维点云个体的框架。我们的方法包含一个鲁棒的 --- 基于超体素和链式方法的目标分割技术，随后会对目标进行精准分类，并整合了一套可有效处理个体极端姿态变化的跟踪机制。实验结果证明，即便在包含遮挡的复杂挑战性场景下，本文原型也能有效检测和分类个体，结果如图8所示。进一步规模化发展该方法，有望在社交机器人和人机协作领域催生多种应用；尤其是加入几何方法后，可将人体检测分割为手臂、头部等多个部位，适用于工业人机协作、智能监控等场景。该框架开发于ROS环境，可轻松适配任何ROS发行版使用。作者贡献：概念构思：J.G. 和 O.A.；研究方法：J.G. 和 O.A.；软件开发：J.G. 和 J.B.；验证：J.G.、O.A. 和 J.B.；形式分析：J.G.、O.A. 和 J.B.；研究调查：J.G.、O.A. 和 J.B.；资源提供：O.A.；数据整理：J.G.；初稿撰写：J.G.、O.A. 和 J.B.；文稿审阅与编辑：J.G.、O.A. 和 J.B.；可视化：J.G. 和 J.B.；监督指导：O.A.；项目管理：O.A.；经费申请：O.A.。所有作者均已阅读并同意该手稿的发表版本。经费：本研究未接受外部资助。机构审查委员会声明：不适用。知情同意声明：不适用。利益冲突：作者声明不存在利益冲突。 ## 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. [CrossRef] [^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]: Torres, P.; Marques, H.; Marques, P. Pedestrian Detection with LiDAR Technology in Smart-City Deployments—Challenges and Recommendations. Computers 2023, 12, 65. [CrossRef] [^5]: Wang, Z.; Menenti, M. Challenges and Opportunities in Lidar Remote Sensing. Front. Earth Sci. 2021, 9, 713129. [CrossRef] [^6]: Ibrahim, M.; Akhtar, N.; Jalwana, M.A.A.K.; Wise, M.; Mian, A. High Definition LiDAR mapping of Perth CBD. In Proceedings of the 2021 Digital Image Computing: Techniques and Applications (DICTA), Gold Coast, Australia, 29 November–1 December 2021; pp. 1–8. [CrossRef] [^7]: Lou, L.; Li, Y.; Zhang, Q.; Wei, H. SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision. Sensors 2023, 23, 1502. [CrossRef] [^8]: Zou, Q.; Sun, Q.; Chen, L.; Nie, B.; Li, Q. A Comparative Analysis of LiDAR SLAM-Based Indoor Navigation for Autonomous Vehicles. IEEE Trans. Intell. Transp. Syst. 2022, 23, 6907–6921. [CrossRef] [^9]: Gritti, A.P.; Tarabini, O.; Guzzi, J.; Di Caro, G.A.; Caglioti, V.; Gambardella, L.M.; Giusti, A. Kinect-based people detection and tracking from small-footprint ground robots. In Proceedings of the 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems, Chicago, IL, USA, 14–18 September 2014; pp. 4096–4103. [CrossRef] [^10]: Liu, J.; Liu, Y.; Zhang, G.; Zhu, P.; Chen, Y.Q. Detecting and tracking people in real time with RGB-D camera. Pattern Recognit. Lett. 2015, 53, 16–23. [CrossRef] [^11]: Jafari, O.H.; Mitzel, D.; Leibe, B. Real-time RGB-D based people detection and tracking for mobile robots and head-worn cameras. In Proceedings of the 2014 IEEE International Conference on Robotics and Automation (ICRA), Hong Kong, China, 31 May–7 June 2014; pp. 5636–5643. [^12]: Wang, B.; Rodríguez Florez, S.A.; Frémont, V. Multiple obstacle detection and tracking using stereo vision: Application and analysis. In Proceedings of the 2014 13th International Conference on Control Automation Robotics Vision (ICARCV), Singapore 10–12 December 2014; pp. 1074–1079. [^13]: Zhi Yan, T.D.; Bellotto, N. Online learning for 3D LiDAR-based human detection: Experimental analysis of point cloud clustering and classification methods. Auton. Robot. 2020, 44, 147–164. [CrossRef] ## [^14]: Imad, M.; Doukhi, O.; Lee, D.J. Transfer Learning Based Semantic Segmentation for 3D Object Detection from Point Cloud. Sensors 2021, 21, 3964. [CrossRef] [PubMed] --- [^15]: Azim, A.; Aycard, O. Detection, classification and tracking of moving objects in a 3D environment. In Proceedings of the 2012 IEEE Intelligent Vehicles Symposium, Madrid, Spain, 3–7 June 2012; pp. 802–807. [CrossRef] [^16]: Ravi Kiran, B.; Roldao, L.; Irastorza, B.; Verastegui, R.; Suss, S.; Yogamani, S.; Talpaert, V.; Lepoutre, A.; Trehard, G. Real-time Dynamic Object Detection for Autonomous Driving using Prior 3D-Maps. In Proceedings of the European Conference on Computer Vision (ECCV) Workshops, Munich, Germany, 8–14 September 2018. [^17]: Vu, T.D.; Aycard, O. Laser-based detection and tracking moving objects using data-driven Markov chain Monte Carlo. In Proceedings of the Robotics and Automation, 2009, ICRA'09, Kobe, Japan, 12–17 May 2009; pp. 3800–3806. [^18]: Bršić, D.; Kanda, T.; Ikeda, T.; Miyashita, T. Person Tracking in Large Public Spaces Using 3-D Range Sensors. IEEE Trans. Hum.-Mach. Syst. 2013, 43, 522–534. [CrossRef] [^19]: Chavez-Garcia, R.O.; Aycard, O. Multiple Sensor Fusion and Classification for Moving Object Detection and Tracking. IEEE Trans. Intell. Transp. Syst. 2016, 17, 525–534. [CrossRef] [^20]: Schöler, F.; Behley, J.; Steinhage, V.; Schulz, D.; Cremers, A.B. Person tracking in three-dimensional laser range data with explicit occlusion adaption. In Proceedings of the 2011 IEEE International Conference on Robotics and Automation, Shanghai, China, 9–13 May 2011; pp. 1297–1303. [^21]: Spinello, L.; Luber, M.; Arras, K.O. Tracking people in 3D using a bottom-up top-down detector. In Proceedings of the 2011 IEEE International Conference on Robotics and Automation, Shanghai, China, 9–13 May 2011; pp. 1304–1310. [CrossRef] [^22]: Vaquero, V.; del Pino, I.; Moreno-Noguer, F.; Solà, J.; Sanfeliu, A.; Andrade-Cetto, J. Dual-Branch CNNs for Vehicle Detection and Tracking on LiDAR Data. IEEE Trans. Intell. Transp. Syst. 2021, 22, 6942–6953. [CrossRef] [^23]: Aijazi, A.K.; Checchin, P.; Trassoudaine, L. Segmentation et classification de points 3D obtenus à partir de relevés laser terrestres: Une approche par super-voxels. In Proceedings of the RFIA 2012 (Reconnaissance des Formes et Intelligence Artificielle), Lyon, France, 24–27 January 2012. [^24]: Zhou, Y.; Tuzel, O. Voxelnet: End-to-end learning for point cloud based 3d object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 18–22 June 2018; pp. 4490–4499. [^25]: Shi, S.; Jiang, L.; Deng, J.; Wang, Z.; Guo, C.; Shi, J.; Wang, X.; Li, H. PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection. Int. J. Comput. Vis. 2023, 131, 531–551. [CrossRef] [^26]: Li, Z.; Wang, F.; Wang, N. Lidar r-cnn: An efficient and universal 3d object detector. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Virtual, 19–25 June 2021; pp. 5160–5169. [^27]: Ye, M.; Xu, S.; Cao, T. Hvnet: Hybrid voxel network for lidar based 3d object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, 13–19 June 2020; pp. 1526–1535. [^28]: Yang, Z.; Zhou, Y.; Chen, Z.; Ngiam, J. 3d-man: 3d multi-frame attention network for object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Virtual, 19–25 June 2021; pp. 10240–10249. [^29]: Xu, Y.; Tong, X.; Stilla, U. Voxel-based representation of 3D point clouds: Methods, applications, and its potential use in the construction industry. Autom. Constr. 2021, 126, 103675. [CrossRef] [^30]: Häselich, M.; Jöbgen, B.; Wojke, N.; Hedrich, J.; Paulus, D. Confidence-based pedestrian tracking in unstructured environments using 3D laser distance measurements. In Proceedings of the 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems, Chicago, IL, USA, 14–18 September 2014; pp. 4118–4123. [^31]: Yan, Z.; Duckett, T.; Bellotto, N. Online learning for human classification in 3D LiDAR-based tracking. In Proceedings of the 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, Canada, 24–28 September 2017; pp. 864–871. 免责声明/出版者注：所有出版物中包含的陈述、观点和数据均仅属于各作者和贡献者个人，不代表MDPI和/或编辑方的观点。MDPI和/或编辑方不对内容中提及的任何观点、方法、说明或产品导致的人身伤害或财产损失承担责任。