{
  "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": "simple",
  "summary": "### 摘要\n\n本文针对自动驾驶汽车中的行人识别与跟踪问题，提出了一种基于3D LiDAR的解决方案。使用Velodyne 64激光雷达获取3D点云数据，通过投影到2D占用栅格并进行聚类，然后利用支持向量机（SVM）分类器对候选目标进行识别。为提升识别性能，引入路沿信息将行人候选分为路上和路外两类，并结合跟踪结果提高真阳性率。此外，采用哈希表加速分割过程中的搜索与比较，提高了算法效率。实验在真实城市环境中进行，包括车辆静止和行驶两种场景，结果表明结合跟踪结果后，在假阳性率为0.02时，真阳性率分别提升约0.15和0.1。该系统已集成于自动驾驶平台，并具备实时可视化界面。\n\n### 关键要点\n\n- 使用3D LiDAR（Velodyne 64）进行行人识别，点云投影为2D占用栅格，并通过阈值η1过滤地面和低矮物体。\n- 聚类过程采用哈希表存储稀疏矩阵，加速连通单元搜索，提高分割效率。\n- 提取四类特征（统计特征、2D直方图、切片特征等）构成195维特征向量，输入SVM分类器（RBF核）进行行人识别。\n- 利用占用栅格高度差阈值η1（0.4m）和聚类合并阈值η2（0.3m）进行初始分割，并设定高度（0.5-2.0m）、宽度、长度等候选条件。\n- 路沿信息（由Velodyne 16检测）用于将行人候选分为路上和路外，结合跟踪结果，对已识别的行人若后续帧由于距离过近或过远导致激光束稀少，仍维持行人分类，提高真阳性率。\n- 跟踪采用卡尔曼滤波器，假设恒定速度模型，并使用全局最近邻（GNN）算法进行数据关联。\n- 根据行人位置与路沿的关系，生成警报条件：路上行人或接近路沿并有横穿趋势时触发警告。\n- 训练数据：静态场景下2770个样本（正样本608，负样本2162），行驶场景下2282个样本（正328，负1954），评估数据分别为10050和6340。\n- 实验结果表明，在假阳性率0.02时，结合跟踪后真阳性率分别提升约0.15（静态）和0.1（行驶）。\n- 实时实现采用C++，运行于Intel i7 2.4GHz、8GB RAM笔记本，处理每帧点云耗时小于60ms。\n- 设计了GUI用于标注正负样本和实时可视化，支持360度视角显示识别结果。\n- 未来工作包括将算法应用于稀疏的Velodyne 16数据，以及扩展识别汽车和自行车等其他目标。"
}