{
  "paper_id": "aa53d055ebf55bb1e05459e097e50b8d",
  "paper_title": "使用3D LiDAR传感器高效检测与跟踪人体",
  "paper_authors": [
    "Juan Gómez",
    "Olivier Aycard",
    "Junaid Baber"
  ],
  "publication_date": "2023-05-12",
  "publication_venue": "Sensors",
  "abstract": "光探测与测距（LiDAR）技术正逐渐成为自动驾驶和人机协作等许多应用中的主要工具。基于点云的3D物体检测因其在挑战性环境中对摄像头的有效性而在工业界和日常生活中受到广泛欢迎。本文提出了一种使用3D LiDAR传感器检测、跟踪和分类人员的模块化方法。该方法结合了多种原理：稳健的对象分割实现、具有局部几何描述符的分类器以及跟踪解决方案。此外，通过运动检测和运动预测获得并预测感兴趣区域，无需对环境的任何先验知识，从而在低性能机器上实现了实时解决方案。我们的原型即使在传感器视野受限或极端姿态变化（如下蹲、跳跃和伸展）等挑战性情况下，也能持续成功地检测和跟踪人员。最后，所提出的解决方案在室内环境中多个真实3D LiDAR传感器记录上进行了测试和评估。结果表明其具有巨大潜力，尤其是在人体阳性分类中相比最先进的方法具有很高的置信度。",
  "keywords": [
    "3D点云",
    "人员检测",
    "跟踪",
    "分类",
    "实时"
  ],
  "paper_institutions": [
    "Laboratoire d'Informatique (LIG), University of Grenoble Alpes, 38000 Grenoble, France"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:37.362689Z",
  "template_tag": "simple",
  "summary": "### 摘要\n该研究针对室内环境中利用3D LiDAR传感器进行人员检测、分类和跟踪的问题，提出了一种模块化框架。相比RGB-D相机和2D LiDAR的局限，3D LiDAR提供高分辨率几何信息，但数据量大，且现有深度学习模型（如VoxelNet、PV-RCNN等）依赖GPU且无法实时运行。本方法通过运动检测提取感兴趣区域（ROI），仅处理少量点，结合体素化分割、三个弱分类器（形状、法向量、阴影）的多数投票以及强交互的跟踪模块，实现了在低性能CPU上的实时运行。实验采用Ouster OS1-32传感器，在室内办公室环境中设计了6种从简单到复杂的场景，并使用精确率、召回率和F1分数评估。结果显示，在简单情况下F1达到95.25%，复杂姿态下仍保持94.68%，多人场景具有潜力，但处理频率有所下降。与在线学习基线相比，本框架在精确率和F1上显著提升。未来可扩展到社交机器人和人机协作领域，融合几何分割方法。主要限制是传感器固定且适用于稳定室内环境，移动或室外场景性能可能下降。核心机制是利用运动预测生成0.5m门控区域，以及分类与跟踪的交互补偿极端姿态。\n\n### 关键要点\n- 提出了一种模块化框架，包含运动检测、体素化、分割、分类和跟踪多个模块，实现人员检测与跟踪。\n- 通过背景减除进行运动检测，无需环境先验知识，仅处理ROI点，大幅降低计算量。\n- 使用三个弱分类器：形状分类器基于人体尺寸比例、法向量分类器使用PCA消除墙面误检、阴影分类器通过光线追踪检测遮挡效应。\n- 分类采用多数投票机制，对每个分割对象判定是否为人员。\n- 跟踪模块要求连续3次分类为人员才创建轨迹，连续20次未检测到则删除轨迹，以过滤误检。\n- 运动预测假设恒定速度，在预测位置周围创建0.5m半径的门控区域，作为下一帧的ROI输入。\n- 数据关联采用全局最近邻方法，将分类为人员的对象分配给对应轨迹。\n- 实验使用Ouster OS1-32传感器，垂直分辨率32层，频率10Hz，测试距离范围8米内。\n- 在6种场景中验证：单人多场景、遮挡、极端姿态、双人、三人带遮挡复杂姿态、指定单人跟踪。\n- 最佳F1分数为95.25%（案例1），复杂姿态下仍达94.68%，三人场景下带遮挡时F1为89.55%。\n- 与在线学习基线相比，本框架精确率93.7% vs 73.4%，F1分数90.24% vs 83.01%，带宽从16.59MB/s降至9.06MB/s。\n- 主要限制：适用于静态传感器和室内稳定环境，无法处理移动机器人或室外大量物体场景。"
}