# 基于单类别 SVM 的 LiDAR 点云特征学习，用于在室内环境中高效识别人员 Hadil Eltalif 信息技术系 雪谷大学 魁北克省，加拿大。 Charles Gouin-Vallerand 信息系统 和定量管理部门 雪谷大学 魁北克省，加拿大。 Yacine Yaddaden 数学、 计算机和工程系 魁北克大学里穆斯基校区 魁北克省，加拿大。 摘要：准确的人员检测是智能家居环境中智能监控的关键，为辅助生活、活动识别和自适应自动化等应用提供支持。3D LiDAR 传感器特别适合这项任务，因为它们提供精确的几何信息，同时保护隐私。然而，由于室内环境的复杂性、遮挡、各种人类活动以及可用标注数据集的限制，稳健的室内检测仍然具有挑战性。我们提出一种基于 LiDAR 的人员检测方法，该方法利用深度特征学习和单类别分类之间的跨数据集迁移。首先，从 L-CAS 3D 人体数据集学习深度几何特征，并将这些特征迁移到 SZTAKI LiDAR Gait-and-Activity 数据集，在该数据集上，使用仅针对“人员”类训练的轻量级单类别 SVM 来利用这些特征。这使得在无需大量负面样本的情况下检测非人员异常成为可能。我们在 L-CAS 数据集上报告了多类别分类结果，准确率超过 98%。在更具挑战性的 SZTAKI-LGA 数据集上，所提出的方法达到了高达 96% 的准确率和 96% 的 F1 分数。最后，在我们的实验室收集的一个小型内部数据集上验证了完整的流程，这突出了其在现实室内环境中的可行性，并为未来的多人员跟踪和高级智能环境应用奠定了基础。 关键词：3D LiDAR、人员检测、深度学习、单类别分类、智能室内环境 ## I. 引言 随着智能室内环境的快速发展，准确且保护隐私的人员检测已成为监控、活动识别和情境感知服务的必要条件 [^1]。虽然 RGB/RGB-D 系统提供丰富的语义线索，但它们对照明条件敏感，并会引发隐私问题。类似地，2D LiDAR 能够实现实时传感，但缺乏体素信息，这在拥挤或人口密集的室内环境中会限制其可靠性 [^2]。 相比之下，3D LiDAR 传感器提供密集的几何点云，对照明变化具有鲁棒性，并且本质上保护用户隐私 [^3]。这些特性使其成为室内监控的理想选择。 然而，大多数基于激光雷达的人体检测研究都集中在户外自动驾驶上，使用大型有监督数据集，如KITTI [^4] 或 Waymo [^5]. 室内环境带来了不同的挑战：近距离扫描通常会产生部分人体形状；家具和墙壁会造成强烈的遮挡；并且不同的布局会导致显著的领域迁移。此外，注释的室内激光雷达数据集仍然稀缺，通常包含少量主体，并且提供有限的负面示例。 这些约束促使我们需要能够从有限的监督中学习的模型，并且能够泛化到异构的室内场景。为了解决这个问题，我们探索了一种结合深度几何特征学习和单类分类的混合方法。深度模型首先在 L-CAS 数据集 [^6] 上进行训练，以学习可转移的几何表示。然后，使用这些嵌入通过轻量级的 OC-SVM [^7] 进行人员与非人员检测，该 OC-SVM 仅使用人员样本进行训练。因此，在 L-CAS 上的多类评估被用作一个中间阶段，以评估和比较学习表示的质量，而不是作为本文的最终任务。 我们通过跨环境实验，在 SZTAKI-LGA 数据集 [^8] 和使用不同激光雷达传感器收集的新实验室数据集上进行评估。与依赖于大型有监督数据集或多传感器融合的先前工作不同，本研究侧重于一种在积极的室内激光雷达检测中，一种未被充分探索但实际的应用场景。 本文的贡献如下： → 一种结合深度激光雷达特征学习和单类分类的混合检测框架，用于隐私保护的室内监控。 → 一种仅在人员嵌入上训练的轻量级 OC-SVM，可在减少注释工作的同时实现跨环境泛化。 → 在 L-CAS、SZTAKI-LGA 和新实验室数据集上进行跨数据集验证，证明了在不同室内环境和传感器配置下的鲁棒性。 → 一个初步的室内数据集，是在智能家居环境中收集的，用于实现端到端实验，以验证所提出的方法。 --- 本文的其余部分组织如下。在第二部分，我们介绍激光雷达人体监控的基础知识，并回顾相关工作。第三部分详细描述了所提出的检测方法。第四部分详细介绍了使用的数据集。在第五部分，我们定义了实验协议，并介绍了本研究中使用的基准数据集。第六部分展示并讨论了获得的结果。最后，第七部分总结了本文，并概述了未来的研究方向。 ### II. 背景知识 ### A. 基础知识 在室内环境中，基于激光雷达的人体监控涉及几个互补的任务，这些任务共同实现了对场景中人类的存在和运动的理解。三个核心任务是 [^9]: 1) 检测感兴趣区域 (ROI) — 识别候选区域及其在激光雷达点云中的 3D 位置。系统输出对应于潜在个体的点簇或边界框。 2) 分类——确定检测到的每个簇是否真正对应于环境中的人或其他物体（例如，椅子、桌子）。 检测回答了人员的位置，而分类回答了检测到的簇代表什么。 3) 跟踪——在连续的 LiDAR 帧中维护检测到的人员的一致身份。 跟踪为每个个体分配唯一的 ID 并估计轨迹，从而能够持续监控个体。 总的来说，这些任务构成了基于 LiDAR 的人员监控的基础。 检测提供空间定位，分类增加语义理解，而跟踪确保时间一致性，从而能够实现更高级的应用，例如： occupancy 分析、安全监控和人机协作。 此外，这些步骤是可靠的人类活动识别 (HAR) 的必要前提。 ### B. 相关工作 室内环境中，人员检测的方法包括使用 RGB-D 摄像头、2D LiDAR、3D LiDAR，以及最近的毫米波雷达。 RGB-D 系统提供丰富的信息 [^10]，[^11]，但由于其范围有限、视野受限、对光照敏感以及隐私限制，使其不适合智能家居应用。 2D LiDAR 传感器因其低成本和实时性能而广受欢迎 [^12]，[^13]。 大多数方法通过聚类 2D 扫描并将它们使用手工设计的几何描述符进行分类，但由于缺乏高度信息，因此它们难以将人员与拥挤的室内场景中的附近物体区分开来。 为了克服这些限制，3D LiDAR 传感器提供更密集的点云，具有更丰富的几何结构。 早期的方法依赖于手工设计的描述符，例如 Navarro-Serment 等人的基于几何的流程 [^14]，或 Kidono 等人的高度密度特征 [^15]。 较新的工作引入了自适应策略： Yan 等人 [^16] [^17] [^18] 提出了在线学习和 L-CAS 数据集的跨传感器迁移。 诸如 PointNet 和 PointNet++ 之类的深度架构 [^19]，[^20] 进一步提高了 3D 特征学习。 然而，这些模型需要大量数据，并且在应用于未知的室内空间或不同传感器时会产生领域偏移，这限制了其在实际室内检测中的可靠性。 毫米波雷达也因其对遮挡的鲁棒性和低成本而受到关注。 然而，毫米波点云是稀疏且嘈杂的，与 LiDAR 相比，空间分辨率较低 [^21]，而 3D LiDAR 提供了明显更密集的几何结构和更高的角度分辨率 [^22]——这些对于基于形状的区分和可传递的嵌入至关重要。 然而，基于室内 LiDAR 的人员检测仍然鲜为人知，大多数现有工作都针对自动驾驶或通用的 3D 场景理解。 很少有研究明确地解决在有限的监督下进行跨环境泛化的问题，只有少数室内数据集，例如 L-CAS [^6] 和 SZTAKI-LGA [^8] 支持该研究方向。 ### III. 拟议系统 所提出的基于激光雷达的人体检测框架遵循通用的两阶段设计（离线和在线），如图 1 所示。此结构与任何特定数据集无关，并且可以使用不同的训练来源进行实例化。在离线阶段，训练一个深度特征提取器，以从注释的激光雷达集群中学习具有区分性的几何表示。然后，使用这些学习到的嵌入来训练一个轻量级的单类支持向量机 (OC-SVM)，该模型无需使用标记的负样本即可对人员样本的分布进行建模。在在线阶段，实时处理传入的激光雷达集群：特征提取器生成嵌入，然后通过 OC-SVM 将其分类为人员或非人员。 在我们的实现中，特征提取器在 L-CAS 数据集上进行训练，而 OC-SVM 在 SZTAKI-LGA 和我们的实验室数据上进行训练和评估。 ### A. 预处理 为了确保准确的特征学习和鲁棒的泛化能力，L-CAS [^6] 和 SZTAKI-LGA [^8] 数据集都经过标准化的预处理流程，该流程包括以下阶段： 1) 点云归一化：将每个输入集群 P 转换为其质心，并将其缩放到单位球内。此步骤确保了平移和比例不变性，使来自不同环境的集群对齐到相同的参考系。 2) 固定大小重采样：由于遮挡、传感器噪声和传感器与物体之间的距离，激光雷达集群的尺寸自然变化。但是，神经网络需要输入统一尺寸的数据。为此，将每个集群重采样到固定数量的点，记为 N。类似于点云学习中的标准做法，如在 [^19]、[^20] 中，我们评估三种 ---
MODELS FOR DEEP LEARNED FEATURES
![Image](images/75530ba71af5b6d5597f3abbef89f052c655cf2fd878dd9b1f3a256ea6a3329a.jpg)
BUILDING THE CLASSIFICATION MODEL
Fig. 1. Proposed LiDAR-based person detection framework, composed of an offline phase for feature learning and model training, and an online phase for classification on our laboratory LiDAR streams.
常用的尺寸 $N \in \{256, 512, 1024\}$。这里，N 不是一个阈值，而是在重采样后目标点的数量。对于具有超过 N 个点的集群，我们应用最远点采样 (FPS) 来选择一组关键点，以保留局部和全局几何形状 [^20]。 对于具有少于 N 个点的集群，我们采用简单的累积上采样策略，其中复制关键点并略微抖动。这避免了精确的点重复，同时保持集群的结构一致性，而无需依赖任何学习的上采样模型。 ![Image](images/cf073b4a4a80c8632385382c60b7da873788a9faf5f2c2f5069fb807f1c558ae.jpg)
Fig. 2. Illustration of SZTAKI-LGA data augmentation. (Top) Body segmentation into upper and lower parts. (Bottom) Discrete yaw rotations to simulate viewpoint variations.
3) 数据增强（仅限 SZTAKI-LGA）：SZTAKI-LGA 数据集包含少量标记样本（3,416），因此我们应用简单的增强来增加变化性。如图 2 所示，我们将每个集群拆分为上下半身，以模拟遮挡，并对视点进行小角度旋转。虽然真实的激光雷达会捕捉到由于不同方向而略有不同的点，但小刚性旋转是点云学习中的一种标准增强方法 [^19]、[^20]，可以帮助模型学习更鲁棒的几何特征。此处，旋转仅用于提高不变性，而不是复制精确的激光雷达测量。 ### B. 特征提取 预处理后，我们使用在标注的 L-CAS 数据集上训练的深度架构从 3D 激光雷达集群中提取具有区分性的几何特征。该任务被公式化为具有以下标签的三类分类问题：行人、群体和非人员。 1) 深度学习架构：我们评估了三种专为点云数据设计的代表性架构： 1) PointNet [^19]: 这是一个基线模型，它将共享的多层感知器 (MLP) 应用于单个点，并使用对称最大池化聚合特征。 2) PointNet++ [^20]: 它通过分层特征学习扩展了 PointNet，以捕获局部和全局结构。 两种变体进行了测试：(i) 单尺度分组 (SSG) 用于紧凑的局部特征，(ii) 多尺度分组 (MSG) 用于更丰富的上下文聚合。 3) 带自注意力机制的 PointNet [^23]: 它集成了轻量级的注意力模块，以自适应地强调点云中最具信息量的区域。 PointNet [^19] 和 PointNet++ [^20] 是点云学习中广泛使用的架构，并且在这里用作参考特征提取器。 2) 训练目标：所有模型都采用监督分类设置进行训练，分为三个类别。簇被均匀地重采样到固定大小 $N \in \{256, 512, 1024\}$（参见第 III 节 A ）。 训练完成后，丢弃分类层，并保持特征编码器冻结。 3) 特征编码器提取：冻结的编码器将每个输入集群映射到固定长度的嵌入向量 $\mathbf{x} \in \mathbb{R}^{1024}$，该向量捕获局部和全局几何模式， --- 其中向量的维度设置为 1024。 这些嵌入用作下游 OC-SVM 分类器的输入。 ### C. OC-SVM 分类 单类支持向量机 (OC-SVM) [^7] 是一种无监督异常检测方法，它学习一个边界，将正常数据点（内点）包含在内，同时将未见或异常的数据点排除在外。 在我们的例子中，此边界对代表人集群的分布，而其他所有对象都被视为异常值。 与多类 SVM 不同，OC-SVM 仅关注目标类，这使其适用于非人员对象种类繁多的室内环境。 它的有效性也已在虹膜和掌纹认证等生物特征模态中得到证明 [^24]。 如图 1 所示，从冻结的特征编码器提取的深度嵌入用作 OC-SVM 的输入。 在训练期间，该模型估计一个紧凑的区域（通常解释为特征空间中的超球体），该区域包含人员嵌入。 在测试时，如果 LiDAR 集群落入此区域，则将其分类为人，否则将其分类为非人员。 形式上，设 $X = \{x_1, \ldots, x_N\}$ 表示人员嵌入的集合。 OC-SVM 决策函数定义如下： $$ f(\mathbf{x})=\mathrm{s i g n}\big(\langle\mathbf{w},\phi(\mathbf{x})\rangle+b\big), $$ 其中 $\phi(\cdot)$ 是一个非线性映射，进入高维核空间，w 定义了分离超平面，b 是偏置项。 参数通过求解以下方程获得： $$ \min_{\mathbf{w},\boldsymbol{\xi},\rho}\ \frac{1}{2}\|\mathbf{w}\|^{2}+\frac{1}{\nu N}\sum_{i=1}^{N}\xi_{i}-\rho, $$ 其中 $\xi_i$ 是允许软间隔违例的松弛变量，$\rho$ 是决策阈值，$\nu \in (0,1]$ 控制训练期间允许的最大异常值比例。 ### D. 线上推理 在在线阶段（例如，使用我们实验室的智能家居系统），将训练好的框架部署到来自 Velodyne VLP-32C 传感器的在线 LiDAR 数据流上。为了检测动态对象，我们通过选择一个帧作为参考，并使用快速 KD 树搜索将每个新帧与之进行比较，从而执行背景差分。从参考中缺失的点被认为是动态点，然后使用欧几里得聚类将这些点分组。在可视化中，静态背景显示为灰色，而动态集群以不同的颜色突出显示，如图 3 所示。 对于每个动态集群，流水线执行以下操作： 1) 预处理：归一化和固定大小的重采样。 2) 特征提取：使用冻结的深度编码器获取 1024 维嵌入。 ![Image](images/8e37cb04998fad427329d0e7e21817e7877bb787a66fed773eb90f7b9322a98d.jpg)
Fig. 3. Overview of the LiDAR-based detection pipeline in the experimental environment: (top left) sensor setup, (top right) raw scans, (bottom left) background subtraction and clustering, and (bottom right) final detection using the OC-SVM classifier.
3) 分类：在训练好的 OC-SVM 上测试嵌入，以确定该对象是人还是非人。 这种精简的设计允许我们在实验室环境中高效、准确地检测人员，同时保持较低的计算开销。 ### IV. 数据描述 我们的实验基于两个互补的基准数据集：L-CAS 数据集 [^6] 和 SZTAKI-LGA 数据集 [^8]。L-CAS 数据集用于监督多类分类，以及训练深度模型以学习可转移的特征表示。然后，使用 SZTAKI-LGA 数据集进行跨数据集评估以及训练 OC-SVM 分类器。 ### A. L-CAS 3D 点云人员数据集 L-CAS 3D 点云人员数据集是在英国林肯大学使用 Velodyne VLP-16 LiDAR 传感器收集的。它包含 28,002 个室内帧，其中 5,492 个被手动标注， resulting in 9,122 个已标记的实例（6,068 个单人实例和 3,054 个群组实例）。 标注以每个帧的文件形式提供，描述 3D 点集群和边界框。关键统计数据见表 I。
TABLE I
L-CAS 3D POINT CLOUD PEOPLE DATASET: KEY STATISTICS
PROPERTYVALUE
Acquisition SiteUniversity of Lincoln (UK)
SensorVelodyne VLP-16
Total Frames28,002
Annotated Frames5,492
Labeled Instances9,122 (6068 single-person, 3,054 group of people)
ClassesPedestrian, Group of people
--- ### B. SZTAKI-LGA 行为识别数据集 SZTAKI LiDAR Gait-and-Activity (LGA) 数据集 [^8] 使用 Velodyne HDL-32E 3D LiDAR 传感器收集，包含人们执行各种动作的高质量点云。该活动子集包含 3,416 个原始 PCD 样本，涵盖五个类别：弯腰，看手表，打电话，挥手和双手挥波。经过数据增强后，数据集总共有 4,343 个样本。关键统计数据见表 II。
TABLE II
SZTAKI-LGA ACTIVITY RECOGNITION DATASET: KEY STATISTICS
ACTIVITYNUMBER OF PCD SAMPLES
Bend to Ground1,018
Check Watch552
Phone Call684
Wave731
Two-Handed Wave431
Total (original)3,416
Total (after augmentation)4,343
Increase (%)$\approx 30\%$
### C. 实验室数据集 为了补充对公共基准的评估，我们还使用一个小型数据集进行了初步测试，该数据集是在 Université de Sherbrooke 的智能公寓中收集的（参见表 III）。该数据集使用 Velodyne VLP-32C 传感器收集，包含来自四名参与者在真实室内环境中记录的 1,790 个点云样本。场景具有典型的智能家居布局，其中家具会造成遮挡，这使我们能够评估所提出的方法在更复杂的环境中的行为。其主要目的是验证我们管道的实际可行性，目前正在收集一个更全面和系统的数据集以支持大规模评估。
TABLE III
LABORATORY DATASET: KEY STATISTICS
PROPERTYVALUE
Acquisition SiteIndoor laboratory environment (Domus Lab)
SensorVelodyne VLP-32C
Total Samples1,790
Participants4 different persons
ClassesPerson
### V. 评估协议 我们通过三种互补的协议评估我们的方法：(i) 在 L-CAS 上进行多类别分类，以评估特征学习并与现有方法进行比较；(ii) 在 SZTAKI-LGA 上进行单类别评估，该数据集是基于 LiDAR 的人员检测任务的核心；(iii) 在实验室数据中使用 VLP-32C 采集的数据进行验证，以评估部署的鲁棒性。在所有协议中，我们报告准确率、精确率、召回率、F1 分数和混淆矩阵。协议 1 不对应于本文的最终目标设置；它仅用于评估 L-CAS 上学习的嵌入质量。协议 2 和 3 解决了使用仅在人员数据上训练的单类别分类器进行人员与非人员检测的实际任务。 ### A. 协议 1：L-CAS 上的多类别评估 本协议用作中间特征学习评估阶段，而不是本文所涉及的最终识别任务。L-CAS 数据集分为 70% 的训练集、15% 的验证集和 15% 的测试集，包含三个类别：人员、群体和非人员对象。为了丰富非人员类别，我们从 S3DIS [^25] 中添加了 2,000 个样本（椅子、桌子、沙发和背景元素），该数据集稍后也用作单类别评估中的异常值。 ### B. SZTAKI-LGA 上的单类别评估 SZTAKI-LGA 数据集提供了平衡的人员和非人员集群。在本协议中，使用 70% 的人员集群训练 OC-SVM，而剩余的 30%（与非人员样本混合）分为验证集（15%）和测试集（15%）。这种设置评估模型接受真实人员集群的能力，同时拒绝冒充者。 ### C. 实验室数据的验证 为了评估部署的鲁棒性，我们在实验室中使用 Velodyne VLP-32C 采集的内部实验室数据集上复制单类别协议。使用 60% 的人员嵌入训练 OC-SVM；剩余的 40% 与标准化异常集（如协议 2 中的情况）混合，并平均分为验证集（20%）和测试集（20%）。这种设置评估对新采集的 LiDAR 数据的识别，而无需依赖预先记录的基准。 OC-SVM 仅在正样本上进行训练；验证集仅用于调整 $\nu$ 和决策阈值。这对于应对室内领域偏移是必要的，并确保进行无偏的单类别评估。 ### VI. 结果与讨论 我们展示了在 L-CAS、SZTAKI-LGA 和实验室数据集上的结果，涵盖多类别分类、单类别评估和实际验证。分析考察了网络架构和点分辨率的影响，提供了类别级别的性能，并比较了我们的方法与现有方法。 ### A. 在 L-CAS 数据集上的评估 表 IV 总结了在三种点分辨率（256、512、1024）下 PointNet 和 PointNet++ 变体的结果。指标包括准确率、精确率、召回率和 F1 分数。 由于 L-CAS 不平衡，因此宏 F1 是最可靠的指标。通过 256 个点的 PointNet++ MSG 实现了最佳性能，在所有指标上均超过 98%。其多尺度分组捕获局部和全局特征，同时使用 256 个点可减少计算，从而实现高效部署。 ---
TABLE IV
L-CAS—DATASET PERSON DETECTION PERFORMANCE, BY ARCHITECTURE AND POINT RESOLUTION.
POINT RESOLUTIONARCHITECTUREACCURACYPRECISIONRECALLF1-SCORE
processed_256PointNet98.20%98.39%97.87%98.12%
PointNet++ SSG96.58%96.98%96.61%96.79%
PointNet++ MSG98.8%99%98.76%98.88%
PointNet-Attention98.14%98.18%97.98%98.07%
processed_512PointNet98.32%98.57%97.91%98.23%
PointNet++ SSG96.88%97.28%97.01%97.14%
PointNet++ MSG98.38%98.40%98.61%98.51%
PointNet-Attention97.90%97.99%97.54%97.76%
processed_1024PointNet98.56%98.39%98.46%98.42%
PointNet++ SSG97.84%98.27%97.78%98.02%
PointNet++ MSG98.32%98.27%98.61%98.44%
PointNet-Attention98.08%98.21%97.83%98.02%
TABLE V
SZTAKI-LGA DATASET — PERSON DETECTION PERFORMANCE, BY ARCHITECTURE AND POINT RESOLUTION.
POINT RESOLUTIONARCHITECTUREACCURACYPRECISION (PERSON)RECALL (PERSON)F1 (PERSON)
processed_256PointNet96%98%94%96%
PointNet++ SSG83%78%92%84%
PointNet++ MSG86%87%84%85%
PointNet-Attention95%96%94%95%
processed_512PointNet94%95%93%94%
PointNet++ SSG94%94%93%94%
PointNet++ MSG92%91%93%92%
PointNet-Attention95%96%94%95%
processed_1024PointNet95%94%97%95%
PointNet++ SSG96%100%93%96%
PointNet++ MSG96%100%93%96%
PointNet-Attention96%97%94%96%
TABLE VI
OUR LABORATORY DATASET — PERSON DETECTION PERFORMANCE, BY ARCHITECTURE AND POINT RESOLUTION.
POINT RESOLUTIONARCHITECTUREACCURACYPRECISION (PERSON)RECALL (PERSON)F1 (PERSON)
processed_256PointNet95%99%91%95%
PointNet++ SSG91%92%89%91%
PointNet++ MSG97%99%94%97%
PointNet-Attention94%93%95%94%
processed_512PointNet96%94%98%96%
PointNet++ SSG94%94%93%94%
PointNet++ MSG98%97%98%98%
PointNet-Attention94%92%98%95%
processed_1024PointNet95%94%97%95%
PointNet++ SSG96%95%97%96%
PointNet++ MSG98%99%97%98%
PointNet-Attention96%97%95%96%
TABLE VII
COMPARISON OF MULTICLASS CLASSIFICATION RESULTS WITH state-of-the-art METHODS FOR 3D LiDAR-BASED PERSON DETECTION ON THE L-CAS DATASET.
METHODDESCRIPTION / CLASSIFIERPRECISION
Yan et al. [^16] (2017)Online learning with P/N experts (SVM classifier)≈ 46.2%
Yan et al. [^17] (2018)Multisensor transfer learning (RGB-D + 2D LiDAR, SVM classifier)≈ 59%
Yan et al. [^18] (2020)Adaptive clustering + 10D slice distance feature (SVM classifier)≈ 60%
OursPointNet++ MSG with 256 points (end-to-end deep classification)99%
--- 混淆矩阵（表 VIII）显示了强大的类别级别鲁棒性：人员类别以 99.1% 的准确率（903/911）被识别，群体类别为 96.5%，非人员类别为 100%。
TABLE Ⅷ
CONFUSION MATRIX FOR THE MULTI-CLASS CLASSIFICATION TASK ON THE L-CAS DATASET (POINTNET++ MSG, 256 POINTS).
Predicted
PERSONGROUPNON-PERSON
ActualPERSON90371
GROUP144422
NON-PERSON00300
表 VII 报告了在 L-CAS 数据集上评估的少数已发表的方法。只有少量研究使用了这个基准，而且所有研究都依赖于手工设计的几何描述符，而不是基于深度点云模型。据我们所知，没有最近的基于 LiDAR 的室内检测或现代深度学习方法在 L-CAS 上报告结果。这一小部分基线主要是由于数据集的采用率较低，该数据集几乎仅由其创建者使用，与广泛使用的户外基准（如 KITTI 或 Waymo）不同。就我们所知，这项工作提供了在 L-CAS 数据集上进行的一项少数深度学习评估之一，PointNet++ MSG（256 个点）的精度达到 99%。 对于 SZTAKI-LGA 数据集，对于这种特定的任务设置，没有可用的直接最先进的比较结果。该数据集最初是为活动识别而设计的，我们没有发现任何先前的工作涉及“人与非人”检测任务，或者使用 SZTAKI-LGA 进行单类设置。这反映了文献中的一个更广泛的差距：室内 LiDAR 人体检测仍然鲜为人知，并且现有的数据集没有提供标准化的基线。尽管如此，我们在 SZTAKI-LGA 上的结果仍然始终很高，这证明了可转移的几何嵌入在室内检测中的潜力。 ### B. 在 SZTAKI-LGA 数据集上的评估 对于 SZTAKI-LGA，预训练的网络用作特征提取器，OC-SVM 用于异常检测。表 V 报告了“人”类的准确率、精度、召回率和 F1 分数。 使用 1024 个点的 PointNet++ SSG 和 MSG 获得最佳性能，均达到 96% 的准确率和 F1 分数。这些结果证实，更高的点密度可以提高特征区分度。 混淆矩阵（表 IX 和 X）突出了一个权衡：- MSG 实现了 100% 的特异性，拒绝了所有虚警，但漏掉了 47 个人。- SSG 恢复了更多的人，但错误地将两个虚警分类为“人”。 因此，MSG 倾向于拒绝异常，而 SSG 提供了略高的灵敏度——这两种都验证了该方法的鲁棒性。 ### C. 在我们的实验室数据集上的评估 接下来，我们评估了在我们的实验室数据集上进行的一般性，该数据集使用 Velodyne VLP-32C 收集。
TABLE IX
使用所提出的系统在 SZTAKI-LGA 数据集上评估的混淆矩阵（PointNet++ MSG，1024 个点）。
Predicted
PERSONNON-PERSON
PERSON60447
NON-PERSON0652
TABLE X
使用所提出的系统在 SZTAKI-LGA 数据集上评估的混淆矩阵（PointNet++ SSG，1024 个点）。
Predicted
PERSONNON-PERSON
ActualPERSON60546
NON-PERSON2650
直接将训练在 SZTAKI-LGA 嵌入上的 OC-SVM 模型应用于我们的实验室数据集会降低性能（图 4）：PointNet（1024 个点）的准确率为 76.0%，其次是 PointNet（512 个点），为 71.3%，以及 PointNet-Attention（512 个点），为 60.3%。这种差距反映了 SZTAKI-LGA（Velodyne HDL-32E）和我们的实验室设置（Velodyne VLP-32C）之间的强烈领域差异。 ![Image](images/b7a6cc083195c514ee27b9f7132452e2587741a32fd384e4cf3670c90e4d7e5d.jpg)
Fig. 4. Performance of the proposed approach when trained on the SZTAKI-LGA dataset and subsequently evaluated on our laboratory dataset.
在自己的数据集上重新训练 OC-SVM 显著提高了结果。表 VI 显示，PointNet++ MSG 1024 的准确率为 98%，精度为 99%，召回率为 97%，相应的 F1 分数为 98%。与之前的实验一样，数据集被分成 60% 的训练集、20% 的验证集和 20% 的测试集。这确保了报告的性能是在未见的数据上获得的，而不是在 OC-SVM 训练期间使用的样本上，这证实了评估的可靠性。 表 XI 中的混淆矩阵证实了这种出色的性能，显示了各个类别之间很少的错误。 总体而言，这些结果表明，尽管实验 LiDAR 数据有限，但我们的两阶段方法（深度特征学习 + 一致性分类）在实际室内条件下提供了鲁棒可靠的检测。在我们的工作站（Intel Core i7，64 GB 内存，RTX 4070）上，预处理需要几毫秒，特征提取需要几百毫秒， ---
TABLE XI
CONFUSION MATRIX OF THE PROPOSED SYSTEM EVALUATED ON THE LABORATORY DATASET (POINTNET++ MSG, 1024 POINTS).
Predicted
PERSONNON-PERSON
PERSON34612
NON-PERSON3355
并且 OC-SVM 预测几乎是瞬间完成的（0.064 毫秒）。 这些测量结果仅反映了处理时间，不包括 LiDAR 获取延迟，这可能会略微增加端到端的延迟。 总体而言，延迟对于室内监控是可以接受的，并且计划在接近实时条件下进行进一步分析。 ### VII. 总结 总的来说，深度几何嵌入与 OC-SVM 的混合组合在少量监督的情况下，对于室内人员检测是有效的。 未来的工作将集中在扩展室内实验室数据集，并将该方法扩展到多人员跟踪和活动识别。 本文提出了一种基于 LiDAR 的方法，用于基于深度特征学习和轻量级 OC-SVM 分类器的室内人员检测。 该方法在 L-CAS 数据集上进行训练，并在 SZTAKI-LGA 和室内实验室数据集上进行评估，结果表明，所学习的几何特征在不同室内环境中具有良好的人员检测可迁移性。 ## 致谢 作者感谢使用生成式人工智能工具来帮助提高稿件的清晰度、语法和整体可读性。 本工作中提出的科学内容、方法、结果和结论完全由作者开发，作者对内容的完整性和准确性承担全部责任。 在 DOMUS 实验室进行的实验进一步证实了该流程在实际部署条件下的可行性，同时也揭示了直接跨不同传感器和环境进行数据传输所面临的挑战。这些结果强调了轻量级自适应的重要性，以及需要更大、更多样化的室内数据集以提高泛化能力。 ## 参考文献 [^1]: A. Chakraborty, M. Islam, F. Shahriyar, S. Islam, H. U. Zaman, and M. Hasan, “Smart home system: a comprehensive review,” Journal of Electrical and Computer Engineering, vol. 2023, no. 1, p. 7616683, 2023. [^2]: O. Rinchi, H. Ghazzai, A. Alsharoa, and Y. Massoud, “Lidar technology for human activity recognition: Outlooks and challenges,” IEEE Internet of Things Magazine, vol. 6, no. 2, pp. 143–150, 2023. [^3]: S. Chen, B. Liu, C. Feng, C. Vallespi-Gonzalez, and C. Wellington, "3d point cloud processing and learning for autonomous driving: Impacting map creation, localization, and perception," IEEE Signal Processing Magazine, vol. 38, no. 1, pp. 68–86, 2020. [^4]: A. Geiger, P. Lenz, C. Stiller, and R. Urtasun, “Vision meets robotics: The kitti dataset,” The international journal of robotics research, vol. 32, no. 11, pp. 1231–1237, 2013. [^5]: K. Chen, R. Ge, H. Qiu, R. Ai-Rfou, C. R. Qi, X. Zhou, Z. Yang, S. Ettinger, P. Sun, Z. Leng, M. Mustafa, I. Bogun, W. Wang, M. Tan, and D. Anguelov, “Womd-lidar: Raw sensor dataset benchmark for motion forecasting,” 2023. [^6]: Z. Yan, T. Duckett, and N. Bellotto, “Online learning for human classification in 3d lidar-based tracking,” in In Proceedings of the 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, Canada, September 2017. [^7]: B. Schölkopf, R. C. Williamson, A. Smola, J. Shawe-Taylor, and J. Platt, "Support vector method for novelty detection," Advances in neural information processing systems, vol. 12, 1999. [^8]: C. Benedek, B. Gálai, B. Nagy, and Z. Jankó, "Lidar-based gait analysis and activity recognition in a 4d surveillance system," IEEE Transactions on Circuits and Systems for Video Technology, vol. 28, no. 1, pp. 101–113, 2016. [^9]: J. Gómez, O. Aycard, and J. Baber, “Efficient detection and tracking of human using 3d lidar sensor,” Sensors, vol. 23, no. 10, p. 4720, 2023. [^10]: K. Zhou, A. Paiement, and M. Mirmehdi, “Detecting humans in rgb-data with cnns,” in 2017 Fifteenth IAPR international conference on machine vision applications (MVA). IEEE, 2017, pp. 306–309. [^11]: H. Li, J. Liu, G. Zhang, Y. Gao, and Y. Wu, “Multi-glimpse lstm with color-depth feature fusion for human detection,” in 2017 IEEE International Conference on Image Processing (ICIP). IEEE, 2017, pp. 905–909. [^12]: K. O. Arras, O. M. Mozos, and W. Burgard, “Using boosted features for the detection of people in 2d range data,” in Proceedings 2007 IEEE international conference on robotics and automation. IEEE, 2007, pp. 3402–3407. [^13]: L. Beyer, A. Hermans, T. Linder, K. O. Arras, and B. Leibe, “Deep person detection in 2d range data,” arXiv preprint arXiv:1804.02463, 2018. [^14]: L. E. Navarro-Serment, C. Mertz, and M. Hebert, “Pedestrian detection and tracking using three-dimensional ladar data,” The International Journal of Robotics Research, vol. 29, no. 12, pp. 1516–1528, 2010. [^15]: K. Kidono, T. Miyasaka, A. Watanabe, T. Naito, and J. Miura, “Pedestrian recognition using high-definition lidar,” in 2011 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2011, pp. 405–410. [^16]: Z. Yan, T. Duckett, and N. Bellotto, “Online learning for human classification in 3d lidar-based tracking,” in 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2017, pp. 864–871. [^17]: Z. Yan, L. Sun. Multisensor online transfer learning "mobile robot," in 2015 "Robots and [^18]: Z. Yan, T. Duckett, and N. Bellotto, “Online learning for 3d lidar-based human detection: experimental analysis of point cloud clustering and classification methods,” Autonomous Robots, vol. 44, no. 2, pp. 147–164, 2020. [^19]: C. R. Qi, H. Su, K. Mo, and L. J. Guibas, “Pointnet: Deep learning on point sets for 3d classification and segmentation,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 652–660. [^20]: C. R. Qi, L. Yi, H. Su, and L. J. Guibas, “Pointnet++: Deep hierarchical feature learning on point sets in a metric space,” Advances in neural information processing systems, vol. 30, 2017. [^21]: W. et al., “Millimeter-wave radar detection and localization of static humans in indoor environments,” Remote Sensing, 2024. [^22]: K. et al., “Mmwave radar and vision fusion for object detection in autonomous driving,” Sensors, 2022. [^23]: A. Paigwar, O. Erkent, C. Wolf, and C. Laugier, “Attentional pointnet for 3d-object detection in point clouds,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2019, pp. 0–0. [^24]: H. Eltaif, Y. Yaddaden, R. Cherif, and Y. Benahmed, “Enhancing biometric authentication efficiency: A hybrid approach exploiting iris modality and leveraging one-class svm,” in 2023 IEEE Third International Conference on Signal, Control and Communication (SCC). IEEE, 2023, pp. 01–06. [^25]: I. Armeni, O. Sener, A. R. Zamir, H. Jiang, I. Brilakis, M. Fischer, and S. Savarese, “3d semantic parsing of large-scale indoor spaces,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 1534–1543.