{
  "paper_id": "8c0e53663df847f0309f6fbb38965db8",
  "paper_title": "Pedestrian recognition and tracking using 3D LiDAR for autonomous vehicle",
  "paper_authors": [
    "Heng Wang",
    "Bin Wang",
    "Bingbing Liu",
    "Xiaoli Meng",
    "Guanghong Yang"
  ],
  "publication_date": "2016-11-14",
  "publication_venue": "Robotics and Autonomous Systems",
  "abstract": "本文研究了使用3D LiDAR的自动驾驶汽车的行人识别与跟踪问题。使用SVM训练的分类器识别行人，并通过跟踪结果进一步提高识别性能。通过将行人的位置和速度方向与路沿信息进行比较，如果检测到行人在道路上或靠近路沿，将生成警报。所提出的方法已在自动驾驶车辆平台上得到验证。",
  "keywords": [
    "行人识别与跟踪",
    "点云",
    "哈希表",
    "GUI设计"
  ],
  "paper_institutions": [
    "College of Information Science and Engineering, Northeastern University, Shenyang, China",
    "Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR), Singapore"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:38.493969Z",
  "template_tag": "deep_read",
  "summary": "# Pedestrian recognition and tracking using 3D LiDAR for autonomous vehicle\n\n\n**作者 / Authors:** Heng Wang, Bin Wang, Bingbing Liu, Xiaoli Meng, Guanghong Yang\n\n\n**单位 / Institutions:** College of Information Science and Engineering, Northeastern University, Shenyang, China, Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR), Singapore\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 2016\n\n\n\n**期刊/会议 / Publication Venue:** Robotics and Autonomous Systems\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 1. 论文元数据\n\n- **标题**：Pedestrian recognition and tracking using 3D LiDAR for autonomous vehicle\n- **作者**：Heng Wang, Bin Wang, Bingbing Liu, Xiaoli Meng, Guanghong Yang。所属机构：Heng Wang 为东北大学信息科学与工程学院及新加坡科技研究局（A*STAR）信息通信研究所；其他作者（Bin Wang, Bingbing Liu, Xiaoli Meng）主要来自 A*STAR 信息通信研究所；Guanghong Yang 为东北大学信息科学与工程学院。作者背景：Heng Wang 为东北大学副教授，研究兴趣包括故障检测、鲁棒控制、移动机器人 SLAM 等；Bin Wang 为研究工程师，研究兴趣为传感器融合与自动驾驶地图构建；Bingbing Liu 为研究科学家，并领导自动驾驶部门定位与制图小组；Xiaoli Meng 为研究科学家，研究兴趣包括自动驾驶定位、目标检测与跟踪；Guanghong Yang 教授，研究兴趣包括容错控制、故障检测与隔离等。\n- **出版渠道**：期刊 *Robotics and Autonomous Systems*（Elsevier），2016 年（接收于 2016 年 11 月，在线发表）。\n\n## 2. 研究定位\n\n- **研究领域**：自动驾驶感知，三维激光雷达（LiDAR）数据处理，行人识别与跟踪。\n- **具体任务**：在自动驾驶车辆平台上，基于 3D LiDAR 点云实现行人识别与跟踪，利用路缘信息划分行人在路或路外，并通过跟踪结果提升识别真阳性率，进而生成碰撞预警。\n- **目标用户或应用场景**：自动驾驶汽车在真实城市道路环境中的行人安全系统，尤其适用于车辆与行人近距离共存的场景。\n\n## 3. 输入材料清单\n\n- **PDF**：有（本文档即论文全文）。\n- **附录/补充材料**：未明确提供。\n- **代码链接**：未提供。\n- **数据集链接**：未提供。\n\n## 4. 缺失材料与风险\n\n- **缺失项**：源代码、公开数据集、SVM 具体实现细节（如参数选择）、实验环境详细配置（除部分描述外）、完整训练/测试数据划分。\n- **可能影响**：无法直接复现算法，需依赖论文中提供的 ROC 曲线与表格数据评估性能；对算法内部机制的理解可能受限于公式和文字描述。\n\n## 5. 阅读路线\n\n- **Step 1**：先读摘要、结论和图表（Fig. 1-16），把握整体框架和主要贡献。\n- **Step 2**：精读第 2-4 节，理解系统架构、行人识别特征（Feature I-IV）、聚类与跟踪方法。\n- **Step 3**：分析第 5 节实验部分，对照 ROC 曲线与数据表，评估算法性能及跟踪改进效果。\n- **Step 4**：深入第 3.3 节和 4 节，理解 SVM 训练流程、特征计算细节以及 Kalman 滤波跟踪与 GNN 关联方法。\n- **Step 5**：查阅参考文献（如 [^19] 哈希表、[^20] [^21] [^22] SVM、[^25] [^26] GNN 等）补充背景知识，并验证方法合理性。\n\n**分类理由**：本文的核心贡献是提出一种基于 3D LiDAR 的行人识别与跟踪算法，包括利用路缘信息进行类别划分、哈希表加速聚类、SVM 分类以及跟踪辅助识别，属于算法/模型创新，因此归类为“方法”论文。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B: 第一遍概览\n\n### 1. 论文类型与类别\n\n- **论文类型**：期刊文章（Elsevier *Robotics and Autonomous Systems*），属于方法类研究论文。\n- **研究领域**：自动驾驶感知，3D LiDAR 点云处理，行人识别与跟踪。\n- **具体定位**：提出一种基于 3D LiDAR 的行人识别与跟踪算法，利用路缘信息、哈希表加速、SVM 分类和跟踪辅助识别，并集成到自动驾驶平台。\n\n### 2. 研究背景与上下文\n\n- **背景**：自动驾驶车辆在近距离与行人共存时，需要准确识别和跟踪行人以进行碰撞规避。相机和 LiDAR 是常用的传感器，LiDAR 提供精确距离和大视野。已有工作包括基于 2D/3D LiDAR 的行人检测、基于点云的特征提取、SVM/AdaBoost 分类器、Kalman 滤波跟踪等。\n- **问题**：当行人距离自动驾驶车辆过近或过远时，仅有少量激光束照射到行人，导致 SVM 分类器漏检（假阴性），存在安全隐患。\n- **本文思路**：利用路缘信息将行人候选分为“路上”和“路外”，对已跟踪且先前被判为行人的“路上”候选直接归类为行人，以提升真阳性率。\n\n### 3. 直观正确性检查\n\n- **关键假设一**：自动驾驶车辆定位精度足够高（通过 GPS/IMU/DMI 融合）。这一假设在实验中被采用，但论文未提供定位精度误差分析，对实际部署可能需额外验证，但作为系统简化是合理的。\n- **关键假设二**：行人运动模型为恒定速度，使用 Kalman 滤波。这是常见假设，在短时间跟踪中通常合理。\n- **关键假设三**：通过路缘信息划分行人在路/路外，并将“路上”且被跟踪的行人直接视为行人。直观上，路上行人比路外物体更危险，增加召回率是合理的，但可能引入误报（将非行人物体误判为行人），需要依赖跟踪连续性来权衡。\n- **关键假设四**：占用网格和哈希表加速聚类。使用 0.1m×0.1m 的网格和 0.4m 高度差阈值，参数通过经验选择，在文中给出，合理但需调参。\n- **直观正确性**：整体思路符合工程直觉，算法流程清晰，各步骤逻辑自洽。\n\n### 4. 核心贡献\n\n1）**利用路缘信息将行人候选分为“路上”和“路外”**，对“路上”且已被跟踪的行人直接归类，提升真阳性率（约提高0.15和0.1，见ROC曲线）。\n2）**在分割过程中使用哈希表进行搜索和比较**，提高算法效率（处理每帧时间<60 ms）。\n3）**将行人识别与跟踪系统集成到自动驾驶平台**，通过跟踪结果辅助识别，并生成碰撞预警（基于行人在路或靠近路缘）。\n4）**设计GUI用于标注和训练**，简化训练数据准备过程。\n5）**提出基于SVM的特征集（Feature I-IV）**，包括统计特征、2D直方图和切片特征，有效区分行人与非行人。\n\n### 5. 清晰度评估\n\n- **结构**：章节组织清晰，按照系统概览、识别、跟踪、实验、结论的顺序，符合常规方法论文结构。\n- **图表**：有系统平台照片、占用网格图、训练样例图、GUI截图、ROC曲线、可视化结果图，图与文字配合较好。\n- **公式**：SVM决策函数、Kalman滤波方程、特征计算等均有数学表示，符号定义清楚。\n- **可读性**：语言简洁，但部分细节（如特征具体计算）稍显简略，需要结合引用文献理解。总体可读性佳。\n\n### 6. 继续或停止建议\n\n- **建议**：继续阅读（进入第二遍/第三遍）。\n- **理由**：该论文是方法类论文，提出了实用的行人识别与跟踪算法，结合路缘信息和跟踪辅助提升性能，对自动驾驶安全有实际意义。由于模块需要深入评估算法细节、实验设计和局限，值得继续深入阅读。\n\n### 7. 结构大纲图\n\n```markmap\n# 论文概览\n## 引言\n### 背景与相关工作\n### 本文贡献\n## 系统概览\n### 传感器配置（Velodyne 64/16）\n### 坐标转换\n## 行人识别\n### 初始处理（滤波、投影、哈希表）\n### 聚类（连接域聚类、合并）\n### 分类（特征提取 I-IV、SVM训练）\n## 行人跟踪\n### 运动模型与Kalman滤波\n### GNN数据关联\n### 基于路缘的预警机制\n## 实验\n### 定量评估（ROC曲线）\n### 实时可视化（GUI、2D地图）\n## 结论与未来工作\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n本文旨在解决自动驾驶汽车在真实城市道路环境中，基于3D LiDAR点云数据实现行人识别与跟踪的问题，并通过利用路缘信息与跟踪辅助识别来提高识别性能，进而为潜在碰撞风险提供预警。\n\n### 2. 痛点或不足\n\n- **远近距离行人识别困难**：当行人距离自动驾驶汽车过近或过远时，激光雷达照射到行人身上的激光束数量减少，导致仅凭单帧分类器容易产生漏检（假阴性），这对行车安全构成威胁（论文第1节和4节）。\n- **点云分割效率低下**：在分割阶段，稀疏矩阵中非零元素随机分布，传统的压缩行存储格式在组装和更新元素时效率低下，难以满足实时性要求（论文第3.1节）。\n- **行人误检与漏检的权衡**：在真实城市环境中，路外物体（如树木、路灯、交通标志等）形状与行人相似，容易造成误检；而路内行人的漏检则更为危险（论文第4节）。\n- **现有方法多依赖相机或单一信息**：相机易受光照影响，传统2D/3D LiDAR方法缺乏对路缘等上下文信息的利用，无法有效区分路上与路外行人，且识别与跟踪结合不紧密（论文第1节）。\n\n### 3. 正式目标或优化目标（若存在）\n\n本文未明确提出统一的数学优化目标，但算法隐含目标为：在给定点云数据S_k（k=1,...,n）中，通过SVM分类器最大化正负样本的分离间隔（支持向量机理论），同时利用跟踪辅助识别策略最大化行人识别真正例率（TPR）并控制假正例率（FPR）。具体地，SVM决策函数为 \\\\(\\mathcal{H}(f)=\\sum_{i=1}^{l}\\alpha_{i}^{0}y_{i}K(f_{i},f)+b\\\\)（论文3.3.2节），训练目标是找到最优超平面；跟踪环节采用卡尔曼滤波估计行人状态 \\\\(\\zeta=[x,\\dot{x},y,\\dot{y}]^T\\\\)，其预测方程见第4节，目标是准确估计行人位置和速度以配合预警。\n\n### 4. 成功标准（指标或期望属性）\n\n- **真正例率（TPR）提升**：论文通过实验验证，在假正例率（FPR）为0.02时，利用跟踪辅助识别后，相对于仅SVM分类器，TPR分别提升约0.15（车停靠路旁场景，图8）和0.1（车行驶场景，图9）。\n- **实时性**：系统处理单帧Velodyne 64数据的时间小于60 ms（第5.2节），满足实时要求。\n- **预警生成**：能够检测行人位于车前道路上或接近路缘且趋向横穿道路，并生成报警（第4节）。\n- **分类性能**：通过ROC曲线（图8、图9）量化评估，同时使用训练与评估数据集（表1、表2）验证分类器性能。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## 模块C2：相关工作分析\n\n### 1. 最强基线及对比轴\n\n- **最强基线**：基于SVM分类器且不使用跟踪辅助的行人识别方法（本文自身在实验中的对照，见第5.1节，图8-9虚线）。\n- **对比轴**：识别性能（真阳性率随假阳性率的变化，即ROC曲线）以及是否利用跟踪结果与路缘信息提升识别率。本文通过加入跟踪与路缘分类，在相同假阳性率（如0.02）下，真阳性率提升约0.15（路边停车场景）和0.1（行驶场景）（第5.1节）。\n\n### 2. 最接近的方法及关键差异\n\n- **最接近的方法**：文献[^7]（Spinello等，分层AdaBoost检测）、[^10]（Kidono等，基于高精度LiDAR的行人识别，引入切片特征和反射强度分布）、[^9]（Navarro-Serment等，结合几何与运动特征）等基于激光雷达的行人检测方法。\n- **关键差异**：本文不仅使用SVM分类，还创新性地利用路缘信息将候选者分为路内/路外两类，并采用“跟踪辅助识别”策略——对上一帧已识别为行人的路内候选者直接保留，从而增加因距离过近/过远导致激光束照射稀疏时的真阳性率（第1节贡献(1)）。同时引入哈希表加速聚类（第3.1-3.2节），而最接近方法未结合路缘与跟踪反馈。\n\n### 3. 正交方向\n\n- **纯基于图像/相机的方法**：如文献[^1]利用轮廓线索、[^5]可变形部件模型等，不依赖LiDAR点云，属于其他传感器模态。\n- **多传感器融合方法**：如文献[^13]结合3D/2D LiDAR，[^14]融合LiDAR与单目相机，重点在传感器互补，而本文专注单一3D LiDAR但利用路缘上下文。\n- **底层跟踪算法优化**：如基于粒子滤波[^17]的跟踪，与本文采用Kalman滤波+GNN关联（第4节）不同，但跟踪本身是支撑模块。\n\n### 4. 一句话定位\n\n本文在基于3D LiDAR的行人识别与跟踪中，通过路缘信息分类和跟踪辅助决策，显著提升了不可靠观测场景下的识别率，兼顾了效率（哈希表）与实用性（集成到自动驾驶平台）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## 核心机制概述\n\n本文提出一种基于3D LiDAR（Velodyne 64）的自动驾驶车辆行人识别与跟踪方法。核心机制包括：采用SVM（支持向量机）分类器对分割后的候选目标进行行人识别；利用跟踪结果（卡尔曼滤波 + GNN数据关联）和路缘信息（由Velodyne 16检测）对识别结果进行增强，划分为“路上”与“路外”两类，提高真阳性率（尤其是近距离或远距离时激光束稀疏的行人）；在分割阶段使用哈希表加速搜索；最后根据行人位置与速度方向生成碰撞预警。\n\n## 逐步分解\n\n1. **预处理**：\n   - 将3D点云投影到2D占据栅格（cell尺寸0.1m×0.1m），过滤过高点和地面/低矮物体（根据高度差阈值η1=0.4m）。\n   - 使用稀疏哈希表存储非零元素，哈希函数h(k)=k mod s（s为质数），加速搜索。\n\n2. **聚类**：\n   - 通过哈希表快速搜索连通单元，将连通cell聚成一个blob。\n   - 若两个blob间距离小于阈值η2=0.3m则合并。\n   - 提取候选行人：高度0.5m≤h≤2.0m，宽度w≤2，长度ℓ≤2。\n\n3. **特征提取**：\n   - 对每个候选对象计算特征向量f，维度m=195，包含四类特征：\n     - Feature I（f1~f9）：基于2D协方差矩阵在三个区域（上半、左下、右下）的特征。\n     - Feature II（f10~f121）：x-z平面归一化2D直方图（14×8）。\n     - Feature III（f122~f175）：y-z平面归一化2D直方图（9×6）。\n     - Feature IV（f176~f195）：沿z轴将点云分成10块，每块投影到xy平面，取x和y方向的宽度。\n\n4. **SVM分类**：\n   - 使用RBF核SVM训练分类器，决策函数为H(f)=Σ_i α_i^0 y_i K(f_i,f)+b。\n   - 训练数据通过GUI（图5）标注，包含正例（行人）和负例（树、路灯等），训练流程见图6。\n\n5. **跟踪**：\n   - 使用卡尔曼滤波预测行人运动状态（位置和速度），运动模型为ζ(t)=Fζ(t-1)+GΔζ(t-1)，测量模型为z(t)=Hζ(t)+Lu(t)+ω(t)。\n   - 采用全局最近邻（GNN）数据关联，为每个行人分配不变ID。\n\n6. **路缘检测与警报**：\n   - 使用Velodyne 16点云检测路缘（Algorithm 1），拟合为线段。\n   - 将行人位置与路缘比较：若行人在路前方或接近路缘且可能横穿，则生成警报。\n   - 利用跟踪结果：一旦某候选被识别为行人，后续帧持续保持该分类，提高真阳性率。\n\n## 关键公式或模块作用\n\n- **协方差矩阵**：Σ_k = (1/(N_k-1)) Σ_i (x_i - x̄)(x_i - x̄)^T，用于Feature I。\n- **SVM决策函数**：H(f)=Σ_i α_i^0 y_i K(f_i,f)+b，用于分类。\n- **卡尔曼滤波预测**：\n  - 状态预测：ζ̂(t|t-1)=Fζ̂(t-1)\n  - 误差协方差预测：P(t|t-1)=FP(t-1)F^T+GQ(t-1)G^T\n- **哈希表**：h(k)=k mod s，加快连通区域搜索。\n\n## 处理流程图\n\n```mermaid\nflowchart TD\n  A[\"3D点云（Velodyne 64）\"] --> B[\"预处理：投影、噪声过滤、哈希表存储\"]\n  B --> C[\"聚类：连通区域搜索、合并、候选提取\"]\n  C --> D[\"特征提取：Feature I-IV, m=195\"]\n  D --> E[\"SVM分类（RBF核）\"]\n  E --> F[\"行人识别结果\"]\n  F --> G[\"跟踪：卡尔曼滤波+GNN数据关联\"]\n  G --> H[\"路缘信息（Velodyne 16）\"]\n  H --> I[\"警报生成：路上或接近路缘\"]\n  G --> I\n  I --> J[\"输出：行人ID、位置、速度、警报\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## 模块C4：数据集、基准与实验设置\n\n### 1. 数据集/基准列表\n\n本文使用**真实城市环境**下采集的3D LiDAR点云数据进行实验，主要传感器为Velodyne 64（顶部安装）和Velodyne 16（前部，用于路缘检测）。实验分为两个场景：\n\n- **场景A**：自动驾驶车辆停靠在拥挤道路旁，行人（包括携带公文包、背包、并肩行走等）在周围活动。训练数据共2770个样本（正例608个，负例2162个），评估数据共10050个样本（正例1380个，负例8670个）。\n- **场景B**：自动驾驶车辆在道路上行驶，行人在人行道上行走/等待或横穿道路。训练数据共2282个样本（正例328个，负例1954个），评估数据共6340个样本（正例1020个，负例5320个）。\n\n基准指标为**ROC曲线**（真阳性率 vs 假阳性率），分别比较纯SVM分类与经跟踪辅助的分类结果，并报告在假阳性率为0.02时真阳性率的提升量（场景A约0.15，场景B约0.1）。\n\n### 2. 预处理与划分设置\n\n- **点云预处理**：滤除高度异常点，将3D点云投影到2D占用栅格（栅格尺寸0.1m×0.1m），通过高度阈值η1=0.4m过滤地面和低矮物体（如路缘）。\n- **聚类**：使用哈希表加速连通单元搜索，聚类阈值η2=0.3m合并相邻团块。只有满足高度0.5m~2.0m、宽度≤2m、长度≤2m的候选才作为行人候选。\n- **数据划分**：每个场景分别划分训练集和评估集（见上文数据量），训练集用于SVM分类器训练，评估集用于性能评价。\n- **跟踪辅助策略**：对于已被跟踪的候选，若上一帧已识别为行人且跟踪未中断，则后续直接判为行人，以此提升真阳性率。\n\n### 3. 训练/推理/评估环境\n\n- **分类器**：SVM（径向基函数RBF核）[^20] [^21] [^22]，特征向量维度m=195，包括Feature I（协方差统计）、Feature II/III（2D直方图）、Feature IV（切片特征）[^10] [^23]。\n- **训练过程**：通过GUI（图5）标注正负样本，迭代更新训练集和分类器，直至性能满足指标（图6流程图）。\n- **推理与评估**：算法使用C++实现，运行于笔记本（Intel i7 CPU @2.4GHz，8GB RAM），每帧处理时间<60ms（满足实时性要求）。评估采用ROC曲线，比较有无跟踪辅助的识别性能。\n- **数据集采集**：新加坡Fusionopolis Way真实道路（图12），GPS/IMU/DMI融合提供自车定位，Velodyne 64生成3D点云（约10万点/帧，10Hz），Velodyne 16用于路缘检测。\n\n### 4. 选择的意义与验证\n\n- **场景覆盖**：同时包含静态（停靠）和动态（行驶）场景，验证算法在低速密集环境和正常行驶下的鲁棒性。\n- **数据规模**：训练+评估样本均数千级，正负样本比例约1:3~1:6，符合实际类别不均衡情况。\n- **实时性验证**：通过C++实现和实际车载平台集成，证明算法满足自动驾驶的实时要求。\n- **跟踪辅助的增益**：定量对比（ROC曲线）表明，结合跟踪结果可显著提高真阳性率（尤其对近距离/远距离低密度点云行人），同时降低对道路外物体的误检，验证了本文提出的“路缘信息+跟踪辅助”策略的有效性。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 1. 指标（含定义或简要说明）\n\n- **真正例率 (TPR)**：TP/(TP+FN)，衡量正确识别行人的比例。\n- **假正例率 (FPR)**：FP/(FP+TN)，衡量非行人被误判为行人的比例。\n- **ROC曲线**：以FPR为横轴、TPR为纵轴，评估分类器在不同阈值下的性能。\n- **处理时间**：处理Velodyne 64单帧点云数据所需时间，用于评估实时性。\n- **训练/评估数据规模**：正负样本数量，反映数据分布。\n\n## 2. 主要结果（具体数字）\n\n- 场景1（路旁停车，见Fig.8）：在FPR=0.02处，单独SVM分类器（虚线）的TPR具体数值未在文中明确，但结合跟踪后（实线）TPR提升约0.15，即从约0.??提升到约0.??（具体值未详述）。ROC曲线见Fig.8。\n- 场景2（道路行驶，见Fig.9）：在FPR=0.02处，TPR提升约0.1。\n- 训练/评估数据（见Tables 1-2）：场景1：训练集2770（正608，负2162），评估集10050（正1380，负8670）；场景2：训练集2282（正328，负1954），评估集6340（正1020，负5320）。\n- 实时性：单帧处理时间<60 ms（5.2节，C++实现，Intel i7 CPU @2.4GHz，8G RAM）。\n\n## 3. 与基线/代表性工作的对比\n\n- 本文未与其他算法进行数值对比测试，主要采用自身消融式对比：单独SVM分类器 vs 结合跟踪后的分类。\n- 对比结果：结合跟踪后TPR在FPR=0.02处提升（场景1约0.15，场景2约0.1），表明跟踪辅助识别有效。\n- 定性比较：文中（第4节）指出大部分假正例来自路外形状类似行人的物体（如树木、路灯等），而路内需极力避免漏检；跟踪与路缘信息结合主要提高路内行人的TPR。\n\n## 4. 消融、敏感性或跨论文差异综合\n\n- **消融实验**：分类器单独 vs 分类器+跟踪（ROC曲线对比，数值如上），证明跟踪的增益。\n- **敏感性分析**：文中未对阈值η1（0.4m高度差）、η2（0.3m聚类距离）及特征维数（m=195）做敏感性实验，属于经验设定。\n- **特征贡献**：Features I-IV综合使用，但未分析各特征单独贡献。\n- **跨论文差异**：与引言中提到的其他方法（如基于相机、2D LiDAR等）相比，本文基于3D LiDAR（Velodyne 64）并利用路缘信息和跟踪提升性能，但未进行公平基准测试。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## 模块 C6：可探索的后续方向\n\n### 理论方向\n\n- **多传感器融合的跟踪理论**：本文作者在结论中提出将算法扩展到稀疏的 Velodyne 16 数据（见 Section 6），未来的理论工作可探索如何将 3D LiDAR 与相机、毫米波雷达等异构传感器在贝叶斯框架下进行深度融合，以提升行人识别与跟踪的鲁棒性，尤其针对遮挡和恶劣天气场景。\n- **更鲁棒的数据关联与运动模型**：当前采用全局最近邻（GNN）和匀速假设（见 Section 4 的式 (4)），可引入更复杂的运动模型（如交互多模型 IMM）或基于学习的关联方法（如图神经网络）以应对行人急停、急转等非线性运动。\n\n### 工程方向\n\n- **算法轻量化与嵌入式部署**：论文在 Intel i7 @2.4GHz 上实现且单帧处理小于 60ms（见 Section 5.2），工程上可进一步针对实时嵌入式平台（如 Jetson）进行优化，包括点云体素化、哈希表并行化以及 SVM 分类器的模型压缩，以满足更严格的实时性要求。\n- **扩展到多目标与未知物体**：作者提出未来工作包括识别汽车、自行车等物体（见 Section 6），工程上需要设计扩展的类别体系与多传感器标定方案，并考虑与现有自动驾驶系统的集成接口。\n\n### 数据/评估方向\n\n- **大规模多样化的基准数据集**：当前实验仅采用两个场景（车辆停靠和行驶）且数据量有限（训练数据分别为 2770 和 2282 个样本，见 Section 5.1 Tables 1-2），未来可建立包含不同城市、光照、天气、人群密度及遮挡程度的公开数据集，并进行跨场景泛化评估。\n- **端到端指标与消融研究**：论文主要报告 ROC 曲线和真阳性率改进（见 Figs. 8-9），但缺乏对跟踪精度（如 MOTA、ID Switch）和误报率的详细统计，未来应增加更全面的评估指标，并系统消融各特征（Feature I-IV）和跟踪辅助策略的贡献，以指导算法调优。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### 模块C7：现实世界应用中的可行性分析\n\n#### 1. 部署约束\n\n- **传感器硬件要求**：系统依赖Velodyne 64（主传感器，用于行人识别与跟踪）和Velodyne 16（用于路缘检测），并融合GPS/IMU/DMI实现车辆定位（论文第2.1节）。这套多传感器配置成本高昂，且需精确标定与同步。实际部署中，Velodyne 64的体积和功耗较大，对车辆安装位置有要求（安装于车顶），可能限制其在小型车辆或消费级自动驾驶平台上的应用。\n- **计算平台**：实时演示在笔记本电脑（Intel i7 CPU @2.4 GHz, 8G RAM）上运行，处理每帧耗时小于60毫秒（论文第5.2节）。这表明算法在主流计算平台可满足实时性，但未提及GPU加速或嵌入式优化，若部署到车载低功耗嵌入式系统（如NVIDIA Jetson）可能需要进一步优化。\n- **环境条件**：论文在真实城市道路环境验证（第5.1节），但未涉及雨雪、雾霾等恶劣天气对LiDAR点云的影响。LiDAR在雨雪中性能会下降，部署时需考虑天气鲁棒性。此外，系统依赖路缘检测，路缘缺失或不规范（如未铺设路缘、泥土路肩）可能导致分类和报警失效。\n\n#### 2. 计算与延迟影响\n\n- **计算瓶颈**：基于哈希表的稀疏矩阵表示（论文第3.1节）用于加速聚类中的搜索与比较，作者称这提高效率。但SVM分类、卡尔曼滤波跟踪和GNN数据关联也消耗计算资源。论文给出每帧处理时间<60 ms（16 FPS以上），满足实时性需求，但未给出各模块的详细耗时占比。实际系统中，点云预处理、聚类、特征提取（共195维）和SVM推理需在有限时间窗口内完成，若点云密度增加或场景复杂度上升（如行人密集区），可能突破60 ms预算。\n- **延迟影响**：系统最终生成碰撞预警（第4节报警条件），从传感器采集到报警输出的端到端延迟影响安全性。60 ms的处理时间加上传感器采集和通信延迟，对于高速移动的车辆和行人，需预留足够反应时间。论文未明确报警延迟指标，但60 ms相对可接受。\n- **数据率**：Velodyne 64每秒10帧，每帧约10万点（论文第2.1节），数据处理量大。论文使用2D投影和网格化降低复杂度，但未来扩展到Velodyne 16或更高线数LiDAR时，需重新评估计算需求。\n\n#### 3. 鲁棒性与安全性问题\n\n- **盲区问题**：论文明确指出，由于车顶遮挡和Velodyne 64的视场限制，车辆周围存在盲区（第5.2节），这些区域的行人无法被识别，这是重大安全隐患。部署时必须结合其他传感器（如相机、毫米波雷达）弥补盲区。\n- **遮挡与稀疏点**：当行人距离车辆很近或很远时，仅少数激光束照射到行人，导致特征提取不充分，可能产生假阴性（论文第1节、第4节）。论文通过跟踪结果辅助识别（将前一帧识别为行人的候选在后续帧直接归类为行人）来提高真阳性率，但这可能导致错误累积（若初始误检，后续会持续误报）。\n- **路缘依赖**：报警机制依赖路缘检测（论文第4节），若路缘检测出错（如路缘被遮挡、GPS定位误差导致路缘位置偏移），可能产生错误报警或漏报。论文假设车辆定位足够精确，但实际中GPS在遮挡环境下（如高楼间）可能漂移，影响路缘对齐和行人相对位置判断。\n- **动态环境**：算法假设行人速度恒定（第4节运动模型），实际行人可能突然加减速或转身，卡尔曼滤波预测可能滞后。GNN数据关联在多目标交叉、遮挡时容易发生ID切换或丢失（论文未深入讨论）。\n- **安全等级**：论文未提及系统失效模式或功能安全标准（如ISO 26262），也未涉及冗余设计。对于自动驾驶安全关键功能，需有备份机制和降级策略。\n\n#### 4. 可维护性与扩展性\n\n- **训练数据与再训练**：SVM分类器依赖离线标注数据。论文设计了GUI（第3.3.2节，图5）用于半自动标注，并给出迭代训练流程（图6）。但标注过程耗时且需人工参与，若环境变化（如出现新的非行人物体），需重新标注和训练。新场景迁移时（如不同国家交通环境），分类器可能失效。\n- **算法可扩展性**：论文未来工作提及扩展至Velodyne 16和识别车辆、自行车等（第6节）。但当前特征（I-IV）针对行人形状设计，对车辆等物体需要重新设计特征，扩展成本较高。\n- **模块化与集成**：系统集成在A*STAR自动驾驶平台（图1），但代码未开源，依赖特定传感器配置。部署到其他平台需适配传感器驱动、坐标转换和通信接口。\n- **长期维护**：依赖Velodyne 64和16的硬件，这些传感器可能面临停产或升级，算法需适配新型号。此外，SLAM建图（第5.2节）需要定期更新地图以应对道路变化。\n\n总体而言，该系统在受控实验环境中展示了可行性，但距离大规模安全部署仍有距离，需解决盲区覆盖、恶劣天气鲁棒性、传感器冗余、功能安全认证以及更普适的机器学习模型。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 总结\n\n本文提出了一种基于3D LiDAR的自动驾驶车辆行人识别与跟踪方法。系统采用Velodyne 64作为主传感器，Velodyne 16用于路缘检测，通过投影到2D占用栅格并进行哈希表加速的聚类分割，提取候选对象。分类阶段使用SVM（RBF核）结合四种特征（I–IV）区分行人与非行人，其中特征包括腿部/躯干统计、二维直方图和切片特征。为提高真阳性率，利用路缘信息将候选分为路内和路外，并通过跟踪结果辅助识别，即一旦某候选被识别为行人，后续帧在跟踪不中断时持续视为行人。跟踪采用卡尔曼滤波器与全局最近邻（GNN）数据关联，同时生成碰撞预警。实验在真实城市道路环境下验证，ROC曲线显示跟踪辅助使真阳性率在误报率0.02时提升约0.15（路边停车场景）和0.1（行车场景）。系统实时运行时间低于每帧60 ms。\n\n## 五个关键要点\n\n1. 利用路缘信息将行人候选分为“路内/路外”两类，并结合跟踪结果直接继承行人身份，显著提升近距离或远距离（激光束稀少）时的真阳性率。\n2. 在分割过程中使用哈希表存储稀疏占用栅格，加速连通域搜索与聚类，提高算法效率。\n3. 设计了包含四类特征（统计特征、二维直方图、切片特征）的195维特征向量，配合SVM（RBF核）训练行人分类器。\n4. 采用卡尔曼滤波与GNN数据关联实现行人跟踪，并结合路缘检测生成碰撞预警（路上或靠近路缘）。\n5. 系统已在真实自动驾驶平台集成，处理每帧点云耗时小于60 ms，并通过GUI完成标注、训练和实时可视化。\n\n## 核心公式或机制\n\n**SVM分类决策函数**：\n$$\\mathcal{H}(f)=\\sum_{i=1}^{l}\\alpha_{i}^{0}y_{i}K(f_{i},f)+b$$\n其中f为特征向量（维度195），$K(\\cdot,\\cdot)$为RBF核，$\\alpha_i^0$和b为训练得到的参数，$y_i$为标签。该函数对每个候选对象给出分类输出，决定其是否为行人。跟踪辅助机制（核心增量逻辑）：若候选c在第j帧被判定为行人，则后续帧$j+1,j+2,\\ldots$中只要跟踪未中断，c始终视为行人，该规则基于路缘分类（路内/路外）和跟踪ID的一致性。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 结构树\n\n本文从整体到细节的结构可归纳如下：\n\n- **1. 引言**：阐述自动驾驶中行人识别与跟踪的重要性，回顾基于相机和LiDAR的行人检测相关工作，以及跟踪预测方法。提出三个贡献：利用路缘信息划分行人候选类别、使用哈希表加速分割、系统集成于自动驾驶平台。\n- **2. 系统概述**：描述传感器配置（Velodyne 64主传感器、Velodyne 16用于路缘检测、GPS/IMU/DMI定位），以及系统流程：点云投影、网格化、聚类、跟踪、分类、基于跟踪的识别增强、路缘比较和报警。\n- **3. 行人识别**：\n  - **3.1 初始处理**：滤波器去除噪声和不感兴趣区域，投影到二维占用栅格（0.1m×0.1m），通过高度差阈值η1（0.4m）过滤地面和低物体，使用稀疏哈希表存储非零元素。\n  - **3.2 聚类**：基于哈希表快速搜索连接单元格形成blob，合并距离小于η2（0.3m）的blob，根据高度（0.5m-2.0m）和宽度/长度（≤2m）条件提取行人候选。\n  - **3.3 分类**：使用SVM（RBF核）对候选分类，特征包括Feature I（腿部/躯干区域统计）、Feature II/III（x-z和y-z平面归一化二维直方图）、Feature IV（沿z轴切片宽度）。训练数据处理通过GUI标注，流程图见图6。\n- **4. 行人跟踪**：采用卡尔曼滤波进行运动估计，状态变量包括位置和速度，输入加速度作为噪声，测量模型考虑车辆自身运动（GPS/IMU/DMI获取的位置和朝向）。使用全局最近邻（GNN）算法进行数据关联。基于跟踪和路缘信息生成报警条件（行人在车前道路上或倾向过马路），将行人分为路上和路外，对已识别的行人在后续帧中直接保留。\n- **5. 实验**：分为定量评估（两种场景：车辆停在拥挤路边和车辆行驶在道路上；统计训练/评估数据数量；ROC曲线显示跟踪提升效果）和实时可视化（构建二维地图，显示行人识别结果、速度箭头、报警等）。\n- **6. 结论**：总结工作和未来方向（扩展至稀疏Velodyne 16数据、其他物体检测）。\n\n## 方法/系统分解\n\n### 输入、输出与模块\n\n- **输入**：\n  - Velodyne 64点云（约10万点/帧，10Hz，含距离、强度、xyz坐标）。\n  - Velodyne 16点云（用于路缘检测）。\n  - 车辆定位信息（GPS/IMU/DMI融合得到位置和航向）。\n- **输出**：\n  - 行人识别结果（每个对象标记ID，分类为行人/非行人）。\n  - 行人跟踪轨迹（位置、速度、ID）。\n  - 碰撞报警（当行人在车前道路上或接近路缘有穿越趋势时）。\n\n### 模块分解\n\n1. **预处理模块**：\n   - 去除高度过高或噪声点。\n   - 将3D点投影到二维占用栅格（0.1m×0.1m）。\n   - 通过高度差阈值η1＝0.4m滤除地面和低矮物体。\n   - 使用稀疏哈希表存储非零栅格，键值k = x*c + y，哈希函数h(k)=k mod s（s为素数）。\n\n2. **聚类模块**：\n   - 利用哈希表快速查找相邻占用栅格，连接成blob。\n   - 若两个blob距离小于η2＝0.3m则合并。\n   - 根据尺寸条件（高0.5-2.0m，宽≤2m，长≤2m）提取行人候选。\n\n3. **分类模块**：\n   - 对每个候选对象计算195维特征向量f。\n   - 特征构成：Feature I（f1-f9，从三个区域（上半、左下、右下）的2D协方差矩阵中取(1,1),(1,2),(2,2)元素）；Feature II（f10-f121，x-z平面14×8二维直方图，归一化）；Feature III（f122-f175，y-z平面9×6二维直方图，归一化）；Feature IV（f176-f195，沿z轴将点云分为10块，每块在x和y方向的宽度）。\n   - 使用SVM（RBF核）训练分类器，决策函数为H(f)=Σα_i y_i K(f_i,f)+b。\n   - 训练流程：从真实数据中标注正（行人）负（树木、灯柱、交通标志等）样本，标注工具GUI（图5），流程图见图6。\n\n4. **跟踪模块**：\n   - 运动模型：恒速模型，状态ζ=[x, ẋ, y, ẏ]，转移矩阵F和输入矩阵G（加速度作为噪声）。\n   - 测量模型：z=Hζ+Lu+ω，H和L由车辆航向φ和位置u=[x_v,y_v]确定。\n   - 卡尔曼滤波预测：ζ̂(t|t-1)=Fζ̂(t-1)，P(t|t-1)=FPF^T+GQG^T。\n   - 数据关联：全局最近邻（GNN）算法。\n\n5. **报警模块**：\n   - 比较行人位置与路缘位置（路缘由Velodyne 16检测，算法1）。\n   - 条件1：行人在车前道路上；条件2：行人接近路缘且有穿越倾向（检查位置和速度方向）。\n\n6. **识别增强策略**：\n   - 如果某候选在帧j被分类为行人，且跟踪未中断，则在后续帧j+1,j+2,...直接视为行人，提高真阳性率（尤其是近距离或远距离时激光束较少的情况）。\n\n### 流程概述\n\n原始点云→预处理（栅格化、滤波）→聚类（哈希表加速）→特征提取→SVM分类→跟踪（卡尔曼+GNN）→基于跟踪的识别增强→与路缘比较→报警输出。\n\n## 重要图表解释\n\n### 图8和9（ROC曲线）\n\n- **图8**：车辆停在路边场景。横轴为假阳性率，纵轴为真阳性率。虚线为SVM分类器单独的结果，实线为结合跟踪增强的结果。在假阳性率0.02处，真阳性率提升约0.15。\n- **图9**：车辆行驶场景。同样在假阳性率0.02处，真阳性率提升约0.1。\n- **意义**：表明跟踪信息能有效减少漏检（行人距离太近或太远导致点云稀疏），提高识别性能。\n\n### 表格1和2（训练/评估数据统计）\n\n- **表1**（停车场景）：训练数据2770个样本（正样本608、负样本2162），评估数据10050（正1380、负8670）。\n- **表2**（行驶场景）：训练数据2282（正328、负1954），评估数据6340（正1020、负5320）。\n- **意义**：提供实验的基本数据规模，正负样本比例有利于训练分类器，但正样本相对较少可能影响模型泛化。\n\n### 图13-16（实时可视化）\n\n- **图13**：停车场景下识别结果，红色为仅分类器识别，橙色（左）或白色（右）为跟踪增强后识别，蓝色为其他物体。\n- **图14**：行驶场景识别结果。\n- **图15**：路上行人（ID 32）速度为零，触发报警。\n- **图16**：两个并排行走的行人（ID 57和52），速度分别为1.50m/s和1.18m/s，箭头表示速度方向。\n- **意义**：直观展示系统在真实环境中的运行效果，包括跟踪和报警能力。\n\n## 实验或评估细节\n\n- **数据集**：\n  - 数据采集于新加坡真实城市道路（1 Fusionopolis Way），使用Velodyne 64和Velodyne 16。\n  - 两种场景：① 车辆停在拥挤路边，行人走动、携带物品等；② 车辆行驶，行人在人行道或横穿马路。\n  - 训练和评估数据量如表1、2所示。\n- **评估指标**：使用ROC曲线（真阳性率 vs 假阳性率），对比仅SVM分类结果和结合跟踪的结果。\n- **对比目标**：主要对比“无跟踪辅助”与“有跟踪辅助”的SVM分类性能，验证跟踪增强的作用。\n- **公平性**：两种场景分开评估，数据来自真实环境，正负样本标注基于GUI。但未说明交叉验证或独立测试集划分，可能过拟合。\n- **消融实验**：未明确列出单独特征消融，但论文提及Feature I-IV的有效性将在实验验证，不过未给出逐特征对比。\n- **运行效率**：处理一帧扫描少于60ms（C++实现，Intel i7 2.4GHz，8GB RAM），说明达到实时性要求。\n- **其他**：路缘检测算法（算法1）仅给出步骤框架，具体参数未详细说明；未给出分类器训练参数（如核参数、惩罚因子）优化细节。\n\n## 适用于该论文类型的示意图\n\n```mermaid\ngraph TB\n    A[输入点云] --> B[预处理: 投影栅格化, 高度滤波, 哈希表存储]\n    B --> C[聚类: 搜索连接邻域, 合并近邻blob]\n    C --> D[特征提取: Feature I-IV (195维)]\n    D --> E[SVM分类器 (RBF核)]\n    E --> F[行人候选]\n    F --> G[卡尔曼滤波跟踪 + GNN关联]\n    G --> H[基于跟踪的识别增强]\n    G --> I[与路缘位置比较]\n    I --> J[报警决策]\n    H --> K[输出识别与跟踪结果]\n```\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 可重构性\n\n该论文的方法可重构为以下流程（基于原文第2-5节）：\n\n1. **数据获取**：使用Velodyne 64采集3D点云（每帧约10万点，10Hz），使用Velodyne 16采集点云用于路缘检测（第2.1节）。将两个传感器的点云坐标统一到全局坐标系。\n2. **初始处理**：过滤高度过大的点，将3D点投影到2D占用栅格，栅格大小0.1m×0.1m；通过高度差阈值η1=0.4m过滤地面和低矮物体（如路缘）（第3.1节）。\n3. **哈希表表示**：使用稀疏哈希表存储非零栅格，键值k=x*c+y，哈希函数h(k)=k mod s（s为素数）（第3.1节）。\n4. **聚类**：基于哈希表快速搜索连通单元，形成blob；将距离小于η2=0.3m的blob合并（第3.2节）。\n5. **候选筛选**：满足高度0.5m≤h≤2.0m、宽度w≤2、长度ℓ≤2的blob作为行人候选（第3.2节）。\n6. **特征提取**：对每个候选计算195维特征向量，包括：\n   - Feature I（f1-f9）：基于2D协方差矩阵在三个区域（上半部、左下、右下）的特征；\n   - Feature II（f10-f121）：x-z平面归一化2D直方图（14×8=112维）；\n   - Feature III（f122-f175）：y-z平面归一化2D直方图（9×6=54维）；\n   - Feature IV（f176-f195）：沿z轴分成10块，每块投影到xy平面计算宽度（2×10=20维）。\n7. **分类**：使用径向基函数(RBF)核的SVM分类器，决策函数为经典SVM形式（式4）。训练数据通过GUI人工标注（正例：行人；负例：树木、交通标志等），并采用迭代训练流程（图6）。\n8. **跟踪**：使用Kalman滤波器预测行人状态（位置和速度），采用全局最近邻(GNN)进行数据关联（第4节）。运动模型为匀速模型（式5-8）。\n9. **路缘融合**：将Velodyne 16点云通过算法1检测路缘点并拟合线，与行人位置比较，若行人在路上或靠近路缘且接近横穿，则生成警报（第4节）。\n10. **跟踪辅助识别**：对已跟踪且被识别为行人的候选，在后续帧中直接分类为行人，以提高真阳性率，尤其减少因激光束稀疏导致的漏检（第4节）。\n\n**重构注意点**：\n\n- 原文未提供代码，但算法伪代码已明确。\n- 特征计算的维度（195）和直方图归一化方式在文中给出。\n- Kalman滤波的噪声协方差Q和R未给出具体值，需根据经验设定。\n- GNN数据关联的具体实现细节（如代价矩阵构造）未详细说明。\n- 路缘检测算法1仅给出步骤框架，没有具体参数（如阈值设定）。\n\n## 假设\n\n- 假设自主车辆定位足够准确（GPS/IMU/DMI融合），忽略定位误差对系统的影响（第2.1节）。\n- 行人运动模型假设为匀速运动，忽略加速度变化（第4节）。\n- 地面和低矮物体（如路缘）通过高度差阈值η1即可有效过滤，适用于平坦道路环境（第3.1节）。\n- 特征I-IV能够区分行人与常见假阳性（树木、灯柱等），且在不同距离下鲁棒（第3.3.1节）。\n- 行人的几何尺寸在高度0.5-2.0m、宽度/长度≤2m范围内（第3.2节）。\n- 路缘检测基于Velodyne 16点云，并假定路缘近似直线段，便于拟合（算法1）。\n\n## 失败模式或盲点\n\n- **盲区问题**：由于车辆顶部结构遮挡和Velodyne 64的垂直视场限制，车辆周围存在盲区角落，这些区域内的行人无法被识别（第5.2节）。\n- **近距离/远距离漏检**：当行人过近或过远时，仅有少量激光束照射到行人，可能导致SVM识别失败，依赖跟踪辅助缓解，但若跟踪中断则漏检仍会发生（第4节）。\n- **密集场景退化**：当行人密集或相互遮挡时，聚类可能将多个行人合并或导致特征扭曲，影响分类和跟踪性能（未专门处理，可能影响）。\n- **对路缘检测的依赖**：警报生成依赖于路缘检测的准确性，若路缘检测失败（如道路不规则或遮挡），可能导致误报或漏报。\n\n## 优点\n\n- 将路缘信息引入行人识别，有效提高真阳性率，减少漏检（尤其对近距离/远距离场景）。\n- 使用哈希表加速聚类过程，提高了处理速度（总处理时间<60ms/帧）。\n- 集成完整系统，包括GUI标注、实时可视化、警报生成，实用性强。\n- 特征设计结合统计特征和直方图，能较好区分部分假阳性。\n- 在两个不同场景（停车和行驶）中验证，ROC曲线显示跟踪辅助显著提升性能（真阳性率提升约0.1-0.15）。\n\n## 缺点\n\n- 仅在单一数据集上评估（未公开数据集），且未与其他方法进行定量对比。\n- 缺乏对算法失败的深入分析，如盲区问题仅提及未解决。\n- 特征维数较高（195维），但未讨论特征选择或降维。\n- Kalman滤波假设匀速运动，对突然加速或转弯的行人可能跟踪不佳。\n- 路缘检测算法较为简单（仅依赖高度差和点差异），复杂场景可能不可靠。\n- 未详细报告计算复杂度（仅给出总时间<60ms），缺乏分步时间分析。\n\n## 下一步研究方向\n\n- 将算法推广到稀疏的Velodyne 16数据（原文已列为未来工作），可能需要特征适应和更鲁棒的分割。\n- 扩展识别对象类别，如车辆、自行车等，实现多类别目标识别与跟踪。\n- 引入深度学习方法（如基于点云的神经网络）替代手工特征，提高识别精度和泛化能力。\n- 处理遮挡和密集场景，例如通过多传感器融合或基于时序的深度模型，增强跟踪的稳定性。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## 术语表（Glossary）\n\n1. **3D LiDAR（三维激光雷达）**：通过发射激光束并测量反射时间获取三维点云距离数据的传感器。**直觉**：像“激光扫描仪”一样同时测量多个方向的距离，生成环境的三维立体模型。**论文作用**：主传感器 Velodyne 64 用于行人识别与跟踪，Velodyne 16 用于路缘检测。**前置知识**：激光测距原理，点云概念。\n\n2. **Velodyne 64 / Velodyne 16**：分别具备 64 线和 16 线激光束的旋转式激光雷达。**直觉**：线数越多，垂直角度分辨率越高，点云越密集。**论文作用**：Velodyne 64 用于行人感知，Velodyne 16 用于路缘检测与拟合。**前置知识**：LiDAR 工作原理，点云数据格式。\n\n3. **Point Cloud（点云）**：空间中大量三维点的集合，每个点包含 xyz 坐标、强度等信息。**直觉**：像“三维照片”的坐标集，描绘物体表面轮廓。**论文作用**：所有识别与跟踪操作基于 Velodyne 64 采集的点云。**前置知识**：三维坐标表示，传感器数据。\n\n4. **Occupancy Grid（占用栅格）**：将空间划分为固定大小单元格的网格，每个单元格标记是否被物体占用。**直觉**：类似棋盘，每个格子代表一个区域，有物体则填充。**论文作用**：将三维点云投影到 2D 占用栅格（0.1m×0.1m），用于聚类和噪声过滤。**前置知识**：栅格化，空间划分。\n\n5. **Sparse Matrix（稀疏矩阵）**：大部分元素为零的矩阵，仅存储非零元素。**直觉**：像“只记录书架上有书的位置”，节省存储和计算。**论文作用**：占用栅格表示成稀疏矩阵，使用哈希表存储非零元素，加速搜索。**前置知识**：矩阵表示，稀疏存储。\n\n6. **Hash Table（哈希表）**：通过哈希函数将键映射到数组索引的数据结构，支持快速插入、查找和删除。**直觉**：像“字典”，根据键直接定位值，无需搜索。**论文作用**：用于稀疏矩阵的非零元素存储与快速搜索，提高聚类效率。**前置知识**：哈希函数，冲突解决。\n\n7. **SVM（Support Vector Machine，支持向量机）**：一种监督学习分类器，寻找最大化间隔的超平面以划分类别。**直觉**：在两类数据间画一条“最安全”的分界线，使两侧离分界线最近的点（支持向量）距离最大。**论文作用**：使用 RBF 核的 SVM 对行人候选进行分类。**前置知识**：监督学习，分类，核方法。\n\n8. **RBF Kernel（径向基核函数）**：一种核函数，将数据映射到高维空间以处理非线性可分问题。**直觉**：通过“相似度”衡量样本距离，使非线性边界转化为线性。**论文作用**：SVM 分类器使用的核函数。**前置知识**：核技巧，相似度度量。\n\n9. **Pedestrian Candidate（行人候选）**：经过聚类和筛选后，可能为行人的物体区域。**直觉**：先圈出“可能是人”的框，再进一步确认。**论文作用**：满足高度、宽度、长度条件（0.5≤h≤2.0m等）的聚类结果，作为分类对象。**前置知识**：目标检测中的候选区域。\n\n10. **Feature Extraction（特征提取）**：从原始数据中提取能代表物体类别特性的数值向量。**直觉**：像“人的身高、胖瘦”等描述属性，用于区分不同物体。**论文作用**：设计了 Feature I-IV（共195维）来表征行人形状、轮廓和几何尺寸。**前置知识**：特征工程，模式识别。\n\n11. **Feature I（特征I）**：基于 2D 协方差矩阵在三个区域（上半部、左下、右下）计算的特征（f1~f9）。**直觉**：描述行人的“肢体分布”和“体型”。**论文作用**：捕获人体腿部与躯干区域的统计特性，突出人体结构。**前置知识**：协方差矩阵，特征值。\n\n12. **Feature II & III（特征II和III）**：通过 x-z 平面和 y-z 平面的归一化 2D 直方图（14×8 和 9×6）构建的特征。**直觉**：像“侧面轮廓”和“正面轮廓”的灰度统计。**论文作用**：描述人体整体外形在不同高度和水平方向的分布。**前置知识**：直方图，归一化。\n\n13. **Feature IV（特征IV）**：将点云沿 z 轴分为 10 个块，在每个块中投影并计算宽度作为特征。**直觉**：像切面包，每个切面测量“厚度”和“宽度”。**论文作用**：区分行人与其他细长物体（如树、杆）。**前置知识**：空间分割，投影。\n\n14. **True Positive Rate（真阳性率）**：正样本中被正确分类为正向的比例，即召回率。**直觉**：真正的人中，有多少被正确识别出来。**论文作用**：评估行人识别性能，跟踪辅助后显著提升。**前置知识**：混淆矩阵，分类指标。\n\n15. **False Positive Rate（假阳性率）**：负样本中被错误分类为正向的比例。**直觉**：非人物体中被误认为人的比例。**论文作用**：ROC 曲线的横轴，衡量误报率。**前置知识**：分类性能度量。\n\n16. **ROC Curve（受试者工作特征曲线）**：以假阳性率为横轴、真阳性率为纵轴的曲线，反映分类器在不同阈值下的性能。**直觉**：像“权衡图”，越靠近左上角性能越好。**论文作用**：用于量化评估 SVM 和跟踪改进的效果。**前置知识**：分类阈值，性能评估。\n\n17. **Kalman Filter（卡尔曼滤波器）**：一种递归状态估计器，通过预测与更新融合测量值，估计线性系统的状态。**直觉**：像“智能手机的导航”结合预测和 GPS 修正，不断优化位置估计。**论文作用**：跟踪行人的位置和速度（恒速度模型）。**前置知识**：线性系统，状态空间，贝叶斯滤波。\n\n18. **GNN（Global Nearest Neighbor，全局最近邻）**：数据关联算法，将测量与已有轨迹进行全局最优匹配。**直觉**：像“考试座位安排”，每个观测对应最接近的轨迹，避免冲突。**论文作用**：用于关联 Kalman 滤波后的轨迹与新的检测结果。**前置知识**：目标跟踪，数据关联。\n\n19. **Curb Detection（路缘检测）**：从点云中识别道路边缘的凸起结构。**直觉**：找到道路与人行道的分界线。**论文作用**：利用 Velodyne 16 点云检测路缘，用于划分行人在路内还是路外，并生成危险报警。**前置知识**：点云处理，直线拟合。\n\n20. **Occupancy Grid Map（占用栅格地图）**：将环境表示为栅格，每个栅格标记被占用的概率或状态。**直觉**：像像素图，每个像素代表一个区域是否存在障碍物。**论文作用**：用于生成可视化 2D 地图，并显示路缘线。**前置知识**：机器人地图构建，栅格化。\n\n21. **SLAM（Simultaneous Localization and Mapping，同时定位与建图）**：在未知环境中同时估计自身位置并构建环境地图的技术。**直觉**：像“边走边画地图”，同时知道自己在哪。**论文作用**：用于生成实验场景的 2D 地图。**前置知识**：机器人定位，地图构建。\n\n22. **GUI（Graphical User Interface，图形用户界面）**：用户通过图形元素（窗口、按钮、矩形框）交互的界面。**直觉**：像“标注工具”，鼠标点击即可标记正负样本。**论文作用**：用于快速标注行人训练数据，并支持可视化识别结果。**前置知识**：人机交互，软件开发。\n\n23. **RBF Kernel（同第8项，但此处补充）**：带宽参数影响分类边界平滑度。**直觉**：越大越平滑。**前置知识**：超参数。\n\n24. **Feature Vector（特征向量）**：将多个特征拼接成的向量，作为分类器输入。**直觉**：像“考生的各科成绩”组合。**论文作用**：每个候选对象提取一个 195 维特征向量供 SVM 使用。**前置知识**：向量表示，特征组合。\n\n25. **2D Histogram（二维直方图）**：统计两个维度上数据点落入的网格频数。**直觉**：像“热力图”，颜色深浅代表该区域点密度。**论文作用**：用于构建 Feature II 和 III，描述人体在 x-z 和 y-z 平面的形状。**前置知识**：直方图统计。\n\n26. **Cluster（聚类）**：将空间相近的数据点分组。**直觉**：像“物以类聚”，靠近的点归为一类。**论文作用**：通过最近邻算法将点云聚类成 blob，然后提取候选对象。**前置知识**：无监督学习，距离度量。\n\n27. **Connected Cells（连通单元）**：在占用栅格中相邻（四邻域）的占用单元。**直觉**：像“连在一起的岛屿”。**论文作用**：聚类时找出连通单元合并成一个 blob。**前置知识**：图论连通性。\n\n28. **Threshold（阈值）**：用于判别或过滤的界限值。**直觉**：像“及格线”，超过或低于则判定。**论文作用**：η1（高度差阈值 0.4m）、η2（聚类合并阈值 0.3m）等。**前置知识**：信号处理，规则设定。\n\n29. **True Positive（真正例）**：实际为正且被预测为正的样本。**直觉**：正确识别的行人。**论文作用**：论文追求提高真阳性率，尤其是近距离/远距离下的行人。**前置知识**：分类指标。\n\n30. **False Negative（假负例）**：实际为正但被预测为负的样本。**直觉**：漏检的行人，对自动驾驶非常危险。**论文作用**：通过跟踪辅助减少漏检。**前置知识**：分类指标。\n\n31. **Global Nearest Neighbor（全局最近邻）**：同第18项。**前置知识**：优化，匹配。\n\n32. **ICP（Iterative Closest Point，迭代最近点）**：用于对齐两幅点云的算法。**直觉**：像“拼图”，反复调整使对应点距离最小。**论文作用**：论文未直接使用，但引用文献中用于运动估计。**前置知识**：点云配准。\n\n33. **AdaBoost（自适应增强）**：一种集成学习方法，组合多个弱分类器提升性能。**直觉**：像“团队决策”，多个简单规则投票决定结果。**论文作用**：文献中其他行人检测方法使用，如[^7][^11]，本文使用 SVM。**前置知识**：集成学习，弱分类器。\n\n34. **Reflectance Intensity（反射强度）**：激光雷达返回的信号强度，与材质有关。**直觉**：不同物体反射的强度不同，如金属强，黑布弱。**论文作用**：文献中用作特征（[^10]），本文未直接使用。**前置知识**：LiDAR 数据属性。\n\n35. **Curb Line（路缘线）**：从路缘点拟合出的直线段。**直觉**：代表道路边界。**论文作用**：用于判断行人是否在道路上或接近路缘。**前置知识**：直线拟合，线段。\n\n36. **ROI（Region of Interest，感兴趣区域）**：在图像或点云中选定的需重点处理的区域。**直觉**：像“裁剪照片”，只关注重点部分。**论文作用**：在路缘检测算法中首先选择感兴趣区域（Algorithm 1 的 Step 1）。**前置知识**：图像处理，目标区域。\n\n37. **Decision Function（决策函数）**：分类器对新样本计算类别分数的数学式。**直觉**：像“评分规则”，得分正负决定类别。**论文作用**：SVM 的分类输出为 H(f)，大于0判定为行人。**前置知识**：统计学习。\n\n38. **Radial Basis Function（径向基函数）**：一种核，依赖样本间的欧氏距离。**直觉**：输出随距离衰减，越近越相似。**前置知识**：核函数。\n\n39. **Occupancy Grid Cell（占用栅格单元）**：栅格地图中的最小单元格。**直觉**：一个像素。**论文作用**：0.1m×0.1m，用于空间量化。**前置知识**：栅格表示。\n\n40. **Autonomous Vehicle Platform（自动驾驶平台）**：集成了传感器、计算单元的车辆测试平台。**直觉**：一台能在道路上自主行驶的实验车。**论文作用**：本文算法在该平台上完成实验与验证。**前置知识**：自动驾驶系统架构。\n\n## 概念依赖图（Concept Dependency Map）\n\n```text\n[自动驾驶平台] → [Velodyne 64 LiDAR] → [3D Point Cloud] → [占用栅格] → [稀疏矩阵+哈希表] → [聚类] → [行人候选] → [特征提取 (Feature I-IV)] → [SVM分类] → [行人识别] → [Kalman滤波+GNN] → [行人跟踪] → [与路缘比较] → [报警]\n                                  ↓\n                              [Velodyne 16 LiDAR] → [路缘检测] → [路缘线] → 比较位置\n                                  ↓\n                              [GPS/IMU/DMI] → 车辆定位 → 坐标对齐\n                                  ↓\n                              [SLAM] → 2D地图 → 可视化\n```\n\n依赖说明：\n\n- 行人识别依赖点云分割和特征提取；跟踪依赖识别结果和运动模型；报警依赖跟踪坐标与路缘位置。\n- 效率提升通过哈希表加速聚类；精度提升通过跟踪结合路缘信息减少漏检。\n- 整个系统需要车辆定位（GPS/IMU/DMI）将不同传感器坐标统一到全局坐标系。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## 模块G：验证与引用核查\n\n### 1. 关键事实声明及来源\n\n| 声明 | 论文内定位 | 外部验证（若有） |\n|------|------------|------------------|\n| 使用Velodyne 64 LiDAR作为主要传感器，Velodyne 16用于路缘检测 | 第2.1节，图1 | 无外部来源，依据论文描述 |\n| 特征向量维度m=195，由Features I–IV组成 | 第3.3.1节，公式及段落 | 无外部来源，依据论文描述 |\n| 占用网格尺寸0.1m×0.1m，高度阈值η1=0.4m，聚类阈值η2=0.3m | 第3.1节、第3.2节 | 无外部来源，依据论文描述 |\n| SVM使用RBF核，并利用哈希表加速稀疏矩阵操作 | 第3.3节、第3.1节 | 参考文献[^19]（哈希表）、[^20] [^21] [^22]（SVM） |\n| 跟踪辅助识别提高真阳性率约0.15（停车场景）和0.1（行驶场景）在假阳性率0.02处 | 第5.1节，图8、图9 | 无外部来源，依据论文ROC曲线描述 |\n| 处理每帧Velodyne 64数据耗时小于60ms | 第5.2节 | 无外部来源，依据论文描述 |\n| 训练数据量：停车场景2770个样本（608正、2162负）；行驶场景2282个样本（328正、1954负） | 第5.1节表1、表2 | 无外部来源，依据论文表格 |\n\n### 2. 冲突或不确定性问题\n\n- 论文中在“结论”部分（第5.2节末尾）提到“Section 6”将给出定量评估，但定量评估实际在第5.1节，存在章节编号错位（第4节末尾也提到“Section 6”）。\n- 论文首页页眉显示“H. Wang et al. / Robotics and Autonomous Systems (1997)”，但根据文章历史（2015年12月收到，2016年11月接受）及期刊信息，应为2016年发表，该页眉可能为排版错误。\n- 文中提到“available online xxxx”未给出具体在线发表日期，仅能确认接收日期为2016年11月14日。\n- 摘要及正文中声称“真阳性率提高约0.15和0.1”，但未精确给出ROC曲线上的具体数值，仅依赖图表描述。\n- 特征提取部分未提供全部实现细节（如SVM具体参数、归一化方式），可能影响复现。\n- 参考文献[^29]（Gaussian-Process-based real-time ground segmentation）在结论中提及未来工作，但未在正文中充分展开。\n\n### 3. 参考文献列表\n\n根据论文末尾参考文献部分，列出主要引用（按编号）：\n\n- [^19] M.T. Goodrich, R. Tamassia, Algorithm Design. Foundations, Analysis, and Internet Examples, John Wiley & Sons, Chichester, 2001.\n- [^20] Edgar E. Osuna, R. Freund, Federico Girosi, Support vector machines: Training and applications, AI. Memo No. 1602, 1997.\n- [^21] N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press, 2000.\n- [^22] J. Wang, P. Neskovic, Leon N. Cooper, Training data selection for support vector machines, in: ICNC 2005, 2005, pp. 554–564.\n- [^24] O. Chapelle, V. Vapnik, O. Bousquet, S. Mukherjee, Choosing multiple parameters for support vector machines, Mach. Learn. 46 (1) (2002) 131–159.\n- [^25] M. Ozaki, K. Kakimuma, M. Hashimoto, K. Takahashi, Laser-based pedestrian tracking in outdoor environments by multiple mobile robots, Sensors 12 (2012) 14489–14507.\n- [^26] P. Konstantinova, A. Udvarev, T. Semerdjiev, A study of a target tracking algorithm using global nearest neighbor approach, in: Proceedings of the 4th International Conference on Systems and Technologies, Ruse, Bulgaria, 2003, pp. 290–295.\n- [^27] T. Bailey, J. Nieto, Scan SLAM: Recursive mapping and localisation with arbitrary shaped landmarks, in: Robotics: Science and Systems Conference, RSS, 2008.\n- [^28] S.D. Huang, G. Dissanayake, Convergence and consistency analysis for extended Kalman filter based SLAM, IEEE Trans. Robot. 23 (5) (2007) 1036–1049.\n- [^29] T. Chen, B. Dai, R. Wang, D. Liu, Gaussian-Process-based real-time ground segmentation for autonomous land vehicles, J. Intell. Robot. Syst. 76 (3) (2014) 563–582.\n\n注：以上参考文献均直接取自论文，未进一步外部验证。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## 图示与表格索引、深读优先级及图-结论映射\n\n### 1. 图表完整索引\n\n| 编号 | 标题 | 类型 | 位置（章节） | 支持结论 | 优先级（1-5，5最高） |\n|------|------|------|--------------|----------|----------------------|\n| Fig. 1 | 自动驾驶车辆平台（I2R） | 图 | 2.1 系统介绍 | 展示传感器配置（Velodyne 64/16、GPS、IMU、DMI） | 3 |\n| Fig. 2 | 占用网格地图示意 | 图 | 3.1 初始处理 | 说明网格表示及连通域概念 | 4 |\n| Fig. 3 | 负样本示例（树木、交通标志、灯柱） | 图 | 3.3.2 训练过程 | 展示训练负样本来源，支持特征选择必要性 | 3 |\n| Fig. 4 | 正样本示例（带包、并排行走等） | 图 | 3.3.2 训练过程 | 展示训练正样本多样性，支持分类器训练 | 3 |\n| Fig. 5 | 标注与训练GUI | 图 | 3.3.2 训练过程 | 说明数据标注与交互工具 | 4 |\n| Fig. 6 | 标注与分类器训练流程图 | 图 | 3.3.2 训练过程 | 描述迭代训练流程，支持方法复现 | 4 |\n| Fig. 7 | 真实道路环境中的自动驾驶车辆 | 图 | 5.1 定量评估 | 展示实验场景设置 | 4 |\n| Fig. 8 | 停车场景下识别性能ROC曲线 | 图 | 5.1 定量评估 | 支持跟踪提升TPR约0.15（FPR=0.02） | 5 |\n| Fig. 9 | 行驶场景下识别性能ROC曲线 | 图 | 5.1 定量评估 | 支持跟踪提升TPR约0.1（FPR=0.02） | 5 |\n| Fig. 10 | Velodyne 16原始数据样例 | 图 | 5.2 可视化 | 展示路沿检测输入数据 | 3 |\n| Fig. 11 | 路沿检测结果 | 图 | 5.2 可视化 | 验证Algorithm 1的路沿点提取效果 | 4 |\n| Fig. 12 | 二维鸟瞰图环境地图（绿色路沿） | 图 | 5.2 可视化 | 展示全局定位与路沿融合结果，支持实时可视化 | 5 |\n| Fig. 13 | 停车场景下行人识别结果（带跟踪辅助） | 图 | 5.2 可视化 | 展示跟踪提升识别率的效果 | 5 |\n| Fig. 14 | 行驶场景下行人识别结果 | 图 | 5.2 可视化 | 展示算法在移动场景下的实时识别 | 5 |\n| Fig. 15 | 路内行人识别（ID=32，静止） | 图 | 5.2 可视化 | 展示基于路沿信息的报警触发场景 | 4 |\n| Fig. 16 | 并排行走行人识别（ID=57,52） | 图 | 5.2 可视化 | 展示运动状态速度估计与跟踪 | 4 |\n| Table 1 | 停车场景下训练/评估数据统计 | 表 | 5.1 定量评估 | 提供样本分布（训练2770，评估10050），支持ROC分析 | 4 |\n| Table 2 | 行驶场景下训练/评估数据统计 | 表 | 5.1 定量评估 | 提供样本分布（训练2282，评估6340），支持ROC分析 | 4 |\n\n### 2. 高优先级深度解读（Top-5）\n\n**① Fig. 8 和 Fig. 9（并列）**：这两张ROC曲线直接定量验证了“跟踪辅助识别策略”的有效性，是论文核心贡献（提升真阳性率）的量化证据。需结合Table 1/2的样本分布理解曲线斜率与阈值。\n\n**② Fig. 13**：展示了在停车场景中，通过跟踪结果将原本漏检的行人（橙色/白色区域）恢复识别，直观反映跟踪对真阳性率的提升，与Fig. 8定量结果对应。\n\n**③ Fig. 14**：行驶场景下的实时识别可视化，验证算法在动态车辆平台上的适用性与鲁棒性，与Fig. 9定量结果对应。\n\n**④ Fig. 12**：全局地图融合路沿信息（绿色线），是“路沿信息分类”和报警机制的基础，同时体现了系统集成能力（SLAM、GPS/IMU/DMI融合）。\n\n**⑤ Fig. 6**：标注与训练流程图，完整展示了分类器迭代训练框架，对复现方法和理解实验设计至关重要，隐含了数据标注策略和性能评估循环。\n\n### 3. 图表关系与实验设置图\n\n```mermaid\ngraph TD\n    A[Velodyne 64 点云] --> B[初始处理 过滤+投影]\n    B --> C[占用网格+哈希表]\n    C --> D[聚类分割]\n    D --> E[行人候选]\n    E --> F[特征计算 I-IV]\n    F --> G[SVM分类器]\n    G --> H[行人识别结果]\n    H --> I[Kalman滤波+GNN跟踪]\n    I --> H\n    I --> J[与路沿信息比较]\n    J --> K[报警生成]\n    L[Velodyne 16 点云] --> M[路沿检测 Algorithm 1]\n    M --> J\n    J --> N[实时可视化GUI]\n    N -.-> O[Fig.13-16 展示]\n    O -.-> P[性能评估 Fig.8-9 Table1-2]\n```\n\n### 4. 图-结论映射\n\n| 论文结论 | 支持图/表 | 说明 |\n|----------|-----------|------|\n| 基于路沿信息将行人分类为路内/路外，可提升真阳性率 | Fig.8, Fig.9, Fig.13, Fig.15 | ROC曲线显示跟踪辅助后TPR提升；Fig.13可视化漏检恢复；Fig.15展示路内行人报警场景 |\n| 哈希表提升分割效率 | Fig.2 | 占用网格及哈希存储示意图，说明数据结构设计 |\n| 系统集成于自动驾驶平台并实时预测 | Fig.1, Fig.7, Fig.12, Fig.14, Fig.16 | Fig.1/7展示平台；Fig.12显示全局地图；Fig.14/16展示实时识别与跟踪 |\n| SVM分类器可有效区分行人与非行人 | Fig.3, Fig.4, Fig.5, Fig.6, Table1, Table2 | 正负样本示例、标注工具和训练流程，以及数据统计支撑分类器训练与评估 |\n| 跟踪结果进一步改善识别性能 | Fig.8, Fig.9, Fig.13, Fig.14 | 定量ROC对比和定性可视化均显示跟踪后的TPR提升 |\n| 基于路沿的碰撞报警机制 | Fig.12, Fig.15 | 绿色路沿线用于判断；Fig.15显示路内行人触发报警 |\n| 算法实时性（<60ms/帧） | Fig.12, Fig.13, Fig.14 | 可视化界面基于C++实现，性能数据在文中给出（实验部分） |"
}