{
  "paper_id": "2df2420ef18dc54d185f918065cab2b7",
  "paper_title": "Detecting Occluded People for Robotic Guidance",
  "paper_authors": [
    "E. Martinson"
  ],
  "publication_date": "",
  "publication_venue": "The 23rd IEEE International Symposium on Robot and Human Interactive Communication",
  "abstract": "Often overlooked in human-robot interaction is the challenge of people detection. For natural interaction, a robot must detect people without waiting for them to face the camera, get far enough away to be fully present, or center themselves fully within the field of view. Furthermore, it must happen without requiring immense amounts of processing that are not practical for real systems. In this work we focus on person detection in a guidance scenario, where occlusion is particularly prevalent. Using a layered approach with depth images, we can substantially improve detection rates under high levels of occlusion, and enable a robot to detect a target that is moving into and out of the field of view.",
  "keywords": [
    "people detection",
    "occlusion",
    "depth images",
    "robotic guidance",
    "Gaussian mixture model",
    "layered detection"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:03.267502Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对机器人引导场景中的人体检测问题，提出了一种基于深度图像的快速且对遮挡鲁棒的检测方法。该问题源于医疗和导盲应用中，视觉受损者无法可靠地适应机器人，且传统方法如人脸检测和基于HOG的分类器在严重遮挡（如垂直或横向截断）下性能不佳。相关工作包括基于局部曲面法线、Velodyne分层检测等方法，但或依赖头部可见，或假设直立姿态，且计算开销大。本文提出的方法在原始Velodyne分层算法基础上改进，采用高斯混合模型（GMM）对每行特征进行无监督建模，避免了姿态假设，并使用仅6个行级曲率特征（polyfit）。算法包括三个步骤：连通域提取、行级分类和对象级融合。评估基于三个数据集：移动人或机器人的动态数据集（14375幅图像）、19人的旋转与遮挡研究、以及真实引导场景（1000幅图像）。结果显示，在移动场景中，polyfit特征+GMM在99%精确率下达到72%召回率；在遮挡研究中，横向遮挡60%时召回率79%，纵向遮挡60%时召回率仅19%；在引导场景中，该方法以14 Hz运行，在完全可见帧中零漏检，高遮挡漏检27%，优于人脸检测、DPM和原始Velodyne特征法。未来工作包括扩展至携带物体和非直立姿态的人。核心机制是通过每行的线性和抛物线拟合生成特征，利用GMM计算似然比并融合行级得分。\n### 关键要点\n- 机器人引导场景中，人体常被遮挡（如头部和肩部缺失），传统人脸检测在少于20%的图像中有效。\n- 基于HOG的检测器计算量大，在无GPU时仅达1-5 Hz，且对部分遮挡仍困难。\n- 现有深度方法（如头肩轮廓、局部表面法线）对横向或纵向遮挡鲁棒性不足。\n- 本文提出改进的层次化深度检测，使用GMM替代AdaBoost，并仅用6个polyfit特征。\n- 特征基于每行的直线和抛物线拟合，包括深度差、拟合误差、标准差和曲率估计。\n- 在移动数据集（14375幅图像）上，polyfit特征+GMM在99%精确率下召回率72%，优于Velodyne特征。\n- 19人旋转测试中，空手时检测召回率100%，携带物体时仅漏检7/2475帧。\n- 遮挡研究显示，横向（顶部）遮挡60%时召回率79%，纵向（侧面）遮挡60%时召回率仅19%。\n- 在引导场景（1000帧）中，polyfit+GMM在完全可见帧中零漏检，高遮挡漏检27%，速度达14 Hz。\n- 相比DPM（1 Hz）和Velodyne特征（10 Hz），新方法速度更快且精度相当。\n- 算法的主要限制是误检类似曲面的物体（如椅子）和角落，以及分割问题（如携带大物体时头部与身体分离）。\n- 系统可多线程加速，检测部分单线程21 Hz，结合连接成分提取可超过30 Hz。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}