{
  "paper_id": "2285c65a550f5bbbb256658bc1ae7abf",
  "paper_title": "Robust and Efficient People Detection with 3-D Range Data using Shape Matching",
  "paper_authors": [
    "Daniel Hordern",
    "Nathan Kirchner"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "Information about the location of a person is a necessity for Human-Robot Interaction (HRI) as it enables the robot to make human aware decisions and facilitates the extraction of further useful information; such as low-level gestures and gaze. This paper presents a robust method for person detection with 3-D range data using shape matching. Projections of the 3-D data onto 2-D planes are exploited to effectively and efficiently represent the data for scene segmentation and shape extraction. Fourier descriptors (FD) are used to describe the shapes and are subsequently classified with a Support Vector Machine (SVM). A database of 25 people was collected and used to test this approach. The results show that the computationally efficient shape features can be used to robustly detect the location of people.",
  "keywords": [
    "person detection",
    "3-D range data",
    "shape matching",
    "Fourier descriptors",
    "Support Vector Machine",
    "Time-of-Flight camera",
    "head and shoulder shape"
  ],
  "paper_institutions": [
    "University of Technology, Sydney"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:39.186719Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对人机交互中机器人需要感知人位置的问题，提出了一种基于三维距离数据的鲁棒人物检测方法。该方法利用三维点云在二维平面上的投影，实现场景分割和形状提取：首先将三维数据投影到水平面生成密度图像，并通过加权函数补偿传感器距离导致的密度变化，从而可靠分割出潜在人物区域；随后将每个区域的三维数据投影到二维轮廓图像，提取头部和肩部区域作为稳定特征；使用傅里叶描述子对轮廓进行描述，并通过支持向量机进行分类。实验采用瑞士SR4000飞行时间相机采集了25名男性（年龄20-50岁）的数据，包括正面和侧面两个场景，训练和测试数据划分为不同子集。结果表明，将负类与正面类区分时准确率分别达到99.27%和99.7%，三分类（负类、正面、侧面）时负类准确率92.6%、正面99.4%、侧面94.2%，证明了该方法在复杂环境下能高效、鲁棒地检测人并区分姿态。该方法计算高效，可扩展到任何能提供三维点云的传感器，但飞行时间相机存在相位混叠限制，未来需扩展数据库至女性、儿童等群体，并探索姿态和手势识别。核心机制是利用中心距离形状签名提取傅里叶描述子，其尺度不变性通过除以DC分量实现。\n\n### 关键要点\n- 该方法利用三维点云在水平面的投影生成密度图像，通过加权函数补偿传感器距离导致的密度衰减，实现距离无关的可靠分割。\n- 场景分割采用核密度估计，对加权密度图像进行阈值化和连通域分析，提取可能代表人的区域，并限定ROI以避免干扰。\n- 头部和肩部区域作为稳定的检测特征，因为其相对静态且较少被环境遮挡，通过相对高度阈值实现不变于人身高的形状提取。\n- 形状提取中，采用恒定高度0.4米（经验值）来裁剪轮廓，确保不同身高的人能提取到一致的头部和肩部形状。\n- 傅里叶描述子基于中心距离形状签名，通过等弧长采样和快速傅里叶变换计算，仅使用一半频率分量并除以DC分量实现尺度不变性。\n- 分类器采用支持向量机，使用线性核（未明确，但通常线性SVM），通过五折交叉验证训练，对特征向量进行缩放。\n- 实验数据库包含25名男性，分为正面和侧面两种场景，共收集了1282个负类样本、981个正面样本、2207个侧面样本。\n- 训练数据来自前6名受试者，测试数据来自其余19名，确保泛化性能。\n- 二分类负类与正面模型，负类准确率99.27%，正面准确率99.7%，几乎无混淆。\n- 将正面和侧面合并为一个类时，负类准确率降至80%，表明合并类过于宽泛，区分度下降。\n- 三分类模型（负类、正面、侧面）中，负类准确率92.6%，正面99.4%，侧面94.2%，侧面与负类混淆较多，表明侧面形状特征判别力较弱。\n- 该方法不仅检测位置，还能区分正面和侧面姿态，为后续手势和姿态提取提供了基础；但当前数据库仅限成年男性，未来需扩展至女性和儿童。"
}