{
  "paper_id": "685bbeca3b2e6b10d18ec867bae84622",
  "paper_title": "Person Tracking in Large Public Spaces Using 3-D Range Sensors",
  "paper_authors": [
    "Dražen Bršić",
    "Takayuki Kanda",
    "Tetsushi Ikeda",
    "Takahiro Miyashita"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Human-Machine Systems",
  "abstract": "A method for tracking the position, orientation, and height of persons in large public environments is presented. Such a piece of information is known to be useful both for understanding their actions, as well as for applications such as human-robot interaction. We use multiple 3-D range sensors, which are mounted above human height to have less occlusion between persons. A computationally simple-tracking method is proposed that works on single sensor data and combines multiple sensors so that large areas can be covered with a minimum number of sensors. Moreover, it can work with different sensor types and is robust to the imperfect sensor measurements; therefore, it is possible to combine currently available 3-D range sensor solutions to achieve tracking in wide public spaces. The method was implemented in a shopping center environment, and it was shown that good tracking performance can be achieved.",
  "keywords": [
    "3-D range sensors",
    "person tracking"
  ],
  "paper_institutions": [
    "ATR Intelligent Robotics and Communication Laboratories",
    "Advanced Telecommunications Research Institute International (ATR)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:12.407243Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文提出了一种利用多个3-D测距传感器在大型公共空间中跟踪人员位置、朝向和高度的方法。由于传感器安装在人头顶上方，可以有效减少人与人之间的遮挡，并且该方法计算简单，能够处理单传感器数据并融合多传感器信息，从而以最少的传感器覆盖大面积区域。方法对不同传感器类型具有鲁棒性，能够适应有噪声或不完整的测量。在购物中心环境中进行了实际部署，验证了良好的跟踪性能。该方法由两个独立步骤组成：首先从每个传感器的数据中独立估计人员的位置、高度和身体朝向，然后使用粒子滤波进行多传感器数据融合。在实验室环境（使用Kinect传感器）和购物中心环境（结合ToF、结构光和激光扫描仪）中进行了评估，采用CLEAR MOT指标，实验室中MOTP约为75 mm、MOTA接近100%，购物中心中MOTA约为94.5%，表明方法在不同场景下均有效。进一步探索方向包括区分人和非人物体（如婴儿车）、改善儿童跟踪以及降低传感器成本。实际应用场景包括博物馆、购物中心和画廊，但需要较高的天花板以安装传感器，且传感器选择需权衡覆盖范围、成本和对光照的敏感性。核心机制是利用头顶投影提取头部和肩部区域，通过PCA估计身体朝向，并结合粒子滤波实现多传感器融合。\n\n### 关键要点\n- 采用多个3-D测距传感器，安装在人头顶上方以减少遮挡并便于无缝集成到公共空间。\n- 方法分为单传感器处理和中央融合两步，支持分布处理，提高可扩展性。\n- 传感器选择包括结构光相机（Kinect/Asus）、ToF相机（Panasonic D-IMager）和多层激光扫描仪（Velodyne HDL-32E），根据环境特点组合使用。\n- 单传感器估计中，通过背景减除和聚类提取人员点，再提取头部和肩部区域。\n- 头部位置由头部顶层点的均值计算，身体方向通过肩部点的PCA确定，并利用头部中心相对肩线位置区分前后。\n- 当一侧肩部被遮挡时，使用头部后点与可见肩部的连线来近似身体方向，阈值设为25%的头顶点。\n- 多传感器跟踪使用每个人员一个粒子滤波器，状态包括位置、高度、身体角度、速度和运动方向。\n- 似然模型结合位置高斯分布和身体角度双高斯分布（允许180度反向可能性），并加入身体与运动方向一致性偏好。\n- 高度估计不直接包含在粒子滤波中，而是通过似然加权更新，以降低计算复杂度。\n- 实验室评估中，与激光测距系统相比，3-D传感器方法在人员密度变化时更稳定，MOTP约75-82 mm，MOTA>99%，身体角度MAE随密度增加从16°增至26°。\n- 购物中心部署覆盖约900 m²，使用36个ToF、11个结构光和2个Velodyne传感器，工作日MOTA为98.63%，周末为93.21%，错误主要来自婴儿车等物体和儿童。\n- 系统提取了人员密度、流向和停留位置等统计信息，展示了在公共空间分析中的应用价值。"
}