{
  "paper_id": "6faf42e4a72ed5410c88e4b891e6f37c",
  "paper_title": "Using Boosted Features for the Detection of People in 2D Range Data",
  "paper_authors": [
    "Kai O. Arras",
    "Óscar Martínez Mozos",
    "Wolfram Burgard"
  ],
  "publication_date": "",
  "publication_venue": "Proceedings 2007 IEEE International Conference on Robotics and Automation",
  "abstract": "Abstract—This paper addresses the problem of detecting people in two dimensional range scans. Previous approaches have mostly used pre-defined features for the detection and tracking of people. We propose an approach that utilizes a supervised learning technique to create a classifier that facilitates the detection of people. In particular, our approach applies AdaBoost to train a strong classifier from simple features of groups of neighboring beams corresponding to legs in range data. Experimental results carried out with laser range data illustrate the robustness of our approach even in cluttered office environments.",
  "keywords": [],
  "paper_institutions": [
    "University of Freiburg, Department of Computer Science"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:24.983009Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本论文解决在二维激光测距数据中检测人物的问题。以往方法主要依赖手工设计的特征，如运动特征和几何特征，但特征选择和阈值依赖人工调节。本文提出利用有监督学习技术，通过AdaBoost算法从简单特征中学习强分类器，用于识别对应人体腿部的波束组。该分类器基于激光扫描的腿部特征，如大小、圆形度、凸性和紧致性等。实验使用了SICK激光测距仪，在走廊和办公室等杂乱环境中采集数据，并将数据分为训练集和测试集。实验结果表明，在走廊环境中，人物检测的召回率达到99.58%，错误率低于1%；在办公室环境中，总体分类正确率为97.25%。当分类器被转移到新环境时，召回率仍超过90%，显示出良好的泛化能力。与手工设计的启发式方法相比，学习方法的总体错误率从11.06%降至2.63%。核心机制是采用AdaBoost算法，通过加权投票组合多个弱分类器（每个弱分类器基于单个特征和阈值），最终形成强分类器。该方法为人物检测提供了一种鲁棒且无需手工调参的方案，未来可结合跟踪和地图构建任务进一步应用。\n\n### 关键要点\n- 提出的方法使用AdaBoost算法从激光测距数据中学习人物检测分类器，避免了手工设计特征和阈值的局限性。\n- 将激光扫描分割为波束组（段），基于跳跃距离条件，提取14种特征，包括点数、标准差、线性度、圆形度、半径、边界长度等。\n- 每个弱分类器由单个特征和阈值组成，形式为 h_j(e) = sign(p_j f_j(e) - p_j θ_j)，其中θ_j和p_j在训练中学习。\n- 实验使用180度SICK激光测距仪，传感器静止放置于地面上方30厘米处，在走廊和办公室环境中采集数据。\n- 在走廊环境中，模型正确识别了239/240个人物段（99.58%），误报率仅为1.03%。\n- 在办公室环境中，总体分类正确率为97.25%，尽管该环境包含许多类似腿部形状的物体。\n- 使用两个环境的数据共同训练后，总体错误率保持在2.54%至3.73%之间，表明分类器可跨环境使用。\n- 将办公室训练的模型应用到走廊测试集，人物检测召回率仍达90.42%，说明算法具有较好的泛化能力。\n- 与文献中常用的启发式方法（基于跳跃距离、宽度、运动等）相比，本文方法将总体错误率从11.06%降至2.63%。\n- AdaBoost选出的最重要的特征为圆的半径（特征9）、平均角度差（特征13）、跳跃距离（特征4和5）以及基于中位数的平均偏差（特征3），这些特征更鲁棒地刻画了人物腿部的几何属性。\n- 加入运动特征（特征14）后，错误率仅从2.63%变为3.15%，说明运动信息并非必需，静态人物也能被检测。\n- 未来工作计划将鲁棒的分类器用于人物追踪和动态环境中的地图构建。"
}