{
  "paper_id": "58f6697857b0f83bb8e14d6b8652f2e4",
  "paper_title": "Global-local articulation pattern-based pedestrian detection using 3D Lidar data",
  "paper_authors": [
    "Shuangli Du",
    "Bingbing Liu",
    "Yiguang Liu",
    "JianGuo Liu"
  ],
  "publication_date": "2016-04-28",
  "publication_venue": "Remote Sensing Letters",
  "abstract": "Highly variable human poses and pedestrian occlusion make light detection and ranging (Lidar)-based pedestrian detection challenging. This letter proposes a novel framework to address these issues. Other than dividing humans into arbitrary number of parts and using the same features for all part detectors, we represent humans with global-local articulated parts and formulate new features relying on each part's own character. Articulated parts are effective because they each usually maintain a relatively consistent shape across a broader range of body poses. In addition, to extract visible human segments from cluttered surroundings with the presence of pedestrian occlusion, both 3D information and 2D spatial information are used in a coarse-to-fine manner, making the interaction of human part and its neighbouring objects better analysed. The algorithm is evaluated over a busy street dataset and is shown to be competitive with the state-of-the-art Lidar-based algorithms. Remarkably, even at long distances, up to 20 m, it can handle pedestrian occlusion efficiently and effectively.",
  "keywords": [],
  "paper_institutions": [
    "Sichuan University",
    "Institute for Infocomm Research (I2R), Agency for Science Technology and Research (A*STAR)",
    "Imperial College"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:35.148017Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文提出一种基于3D激光雷达（Lidar）点云的行人检测框架，旨在解决行人姿态高变异性与遮挡带来的挑战。不同于将人体任意分割为若干部分并为所有部分使用相同特征的做法，该方法采用全局-局部关节模式（global-local articulation pattern）表示人体，并为每个部分依据其自身特性设计新特征。关节部位在多种身体姿态下通常保持较一致的形状，从而提升了部件检测器的有效性。为从杂乱环境中提取被部分遮挡的可见人体段，算法以粗到细的方式融合3D与2D空间信息，并分析人体部件与邻近物体的交互。在繁忙街道数据集（Polyterrasse与Tannenstrasse，由Velodyne HDL-64E S2采集）上进行评估，该方法与现有最先进的Lidar算法相比具有竞争力，即使在20米远距离也能有效处理行人遮挡。核心机制包括：头部-肩部特征基于头部宽度小于躯干宽度假设，将2D扫描线转换为二进制字符串，通过累计比率分割确定头部与躯干区域；腿部检测利用圆弧拟合与直径验证，并构建标签树（label tree）描述两腿关节模式；最终通过马尔可夫逻辑网络（MLN）结合一阶逻辑公式整合各部件检测器与上下文关系。实验显示，在15-20米距离内MLN检测器的真阳性率达84.4%、假阳性率9.6%，在0-10米、0-15米、0-20米范围内的等错误率（EER）分别为93.2%、81.3%和73.8%，优于对比方法。该方法适用于移动机器人与自动驾驶场景，尤其在行人并肩行走或携带物品等遮挡情形下，但距离增加时性能仍会下降，未来可探索多传感器融合或更精细的姿态建模。\n\n### 关键要点\n- 提出使用全局-局部关节模式（global-local articulation pattern）描述行人，将人体分为头部-肩部、躯干和腿部等关节部分，以应对姿态多样性和遮挡。\n- 采用粗到细的分割策略：先基于占用网格地图按尺寸划分离散候选、组合候选和其他物体；再通过欧几里得聚类和迭代区域生长结合2D空间信息精细分割组合候选。\n- 头部-肩部特征基于头部宽度小于躯干宽度的假设，将扫描线转换为二进制字符串，通过累计比率（如字符串'00011000111110011'分割为'00011000|111110011'）确定头部和躯干。\n- 躯干检测器使用切片特征（slice width, slice length）和点到点特征（mean average deviation, boundary length, boundary regularity, mean curvature, mean angular difference）组成7维向量，训练支持向量机（SVM）分类器。\n- 腿部检测采用圆检测方法：对2D扫描线进行最小二乘圆拟合，验证圆心位置满足δ1×d(P1,P3) ≤ d(O,P2) ≤ δ2×d(P1,P3)（δ1=0.1, δ2=0.7），且直径在0.10-0.25米范围。\n- 提出标签树（label tree）描述两腿关节模式，根据扫描线间隙阈值（dε=10 cm）分割子段，构建树结构并提取36维特征（包括腿段数量比例、距离加权和等）训练腿部SVM分类器。\n- 使用马尔可夫逻辑网络（MLN）整合各部件检测器与上下文关系，一阶逻辑公式（如表1中的6种）用于推断行人存在，权重通过判别学习（Alchemy工具）训练。\n- 数据集采用Spinello等人的Polyterrasse和Tannenstrasse，由Velodyne HDL-64E S2以5 Hz采集；训练时使用100个背景对象和700个行人样本，MLN上下文检测器使用100个组合候选和300个单独候选。\n- 实验表明，在0-10米、10-15米和15-20米距离范围内，MLN检测器的真阳性率分别为96.2%、87.2%和84.4%，假阳性率分别为3.6%、9.8%和9.6%，优于单个部件检测器。\n- 整体精度-召回曲线显示，在0-10米、0-15米和0-20米范围内的等错误率（EER）分别为93.2%、81.3%和73.8%，与Spinello等人的95%、76%和63%相比，长距离性能显著提升。\n- 与Kidono等人的方法对比，所提方法在0-15米范围（大量行人部分遮挡）表现更优，能够识别部分遮挡行人，而对比方法无法有效处理。\n- 该方法在Tannenstrasse数据集上检测到2525个行人，其中679个为部分遮挡，证明其能高效处理遮挡，但距离增加时性能仍下降。"
}