{
  "paper_id": "cfb6aaec277095fd60befd77d482a771",
  "paper_title": "Exploiting LIDAR-based Features on Pedestrian Detection in Urban Scenarios",
  "paper_authors": [
    "Cristiano Premebida",
    "Oswaldo Ludwig",
    "Urbano Nunes"
  ],
  "publication_date": "",
  "publication_venue": "2009 12th International IEEE Conference on Intelligent Transportation Systems",
  "abstract": "Reliable detection and classification of vulnerable road users constitute a critical issue on safety/protection systems for intelligent vehicles driving in urban zones. In this subject, most of the perception systems have LIDAR and/or Radar as primary detection modules and vision-based systems for object classification. This work, on the other hand, presents a valuable analysis of pedestrian detection in urban scenarios using exclusively LIDAR-based features. The aim is to explore how much information can be extracted from LIDAR sensors for pedestrian detection. Moreover, this study will be useful to compose multi-sensor based pedestrian detection systems using not only LIDAR but also vision sensors. Experimental results using our data set and a detailed classification performance analysis are presented, with comparisons among various classification techniques.",
  "keywords": [
    "LIDAR",
    "pedestrian detection",
    "feature extraction",
    "classification",
    "urban scenarios",
    "mRMR",
    "MCI-NN"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:21.164328Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本论文针对城市智能车辆中易受伤害道路使用者（行人）的安全检测问题，提出了一种仅基于激光雷达（LIDAR）特征进行行人检测的方法。与现有系统多将LIDAR用作目标检测前置模块、而依赖视觉系统进行分类不同，本文旨在探索LIDAR传感器在行人分类中的直接潜力。研究在ISR-UC校园采集的两个数据集上开展，分别来自Ibeo Alasca XT和Sick LMS200激光雷达，车辆速度约40 km/h。预处理包括滤波、坐标转换和人工监督的分段。从每个分段提取15维特征（如点数、半径、线性度、圆形度、中心矩等），并采用基于互信息的最小冗余最大相关（mRMR）方法进行特征选择，该选择独立于具体分类器。比较了五种分类器：朴素贝叶斯、高斯混合模型（GMMC）、最小化类间干扰神经网络（MCI-NN）、Fisher线性判别分析（FLDA）和径向基函数支持向量机（RBF-SVM）。以ROC曲线下面积（AUC）和准确率（Acc）为指标，实验表明MCI-NN在两个数据集上均获得最佳性能（Ibeo：AUC=0.963，Acc=0.931；Sick：AUC=0.968，Acc=0.943），GMMC次之。结果还显示特征排序因传感器而异，但mRMR提供的序列具有一致的判别力。核心机制是利用mRMR最大化特征与类别的相关性并最小化特征间冗余，选出最具判别力的特征组合，再通过分类器验证其有效性。未来工作将考虑真实场景中的跟踪关联、数据分割误差、天气影响和计算约束，并可扩展至多传感器融合系统，以增强行人保护系统的可靠性。\n### 关键要点\n- 论文提出仅使用LIDAR特征进行行人检测，挑战了传统依赖视觉分类的感知范式。\n- 特征向量包含15个几何特征，包括点数、半径、线性度、圆形度、中心矩等，部分基于Arras等人的工作。\n- 采用mRMR（最小冗余最大相关）方法进行特征选择，该方法基于信息论，不依赖于特定分类器，具有通用性。\n- 使用两个数据集：Ibeo Alasca XT（安装高度52cm，180°视场）和Sick LMS200（安装高度64.5cm，180°视场），均在ISR-UC校园采集，车辆最高速度40km/h。\n- 数据集中正样本为静态或移动的行人，负样本包括树木、车辆、电线杆、墙壁等；训练集和测试集规模不同，如Ibeo训练集2614个样本，测试集1000个样本。\n- 比较了五种分类器：朴素贝叶斯、GMMC、MCI-NN、FLDA和RBF-SVM。\n- 在Ibeo数据集上，MCI-NN获得最佳AUC（0.963）和准确率（0.931），GMMC次之。\n- 在Sick数据集上，MCI-NN获得AUC=0.968，Acc=0.943，RBF-SVM次之（AUC=0.965，Acc=0.904）。\n- 朴素贝叶斯在Sick数据集上仅用一个特征就获得AUC=0.932，Acc=0.855，表明某些特征具有很强的判别力。\n- 特征选择结果因传感器而异，Ibeo数据集中特征重要性排序为[1,10,15,6,4,3,9,12,11,5,13,7,14,8,2]，Sick为[1,10,15,8,14,11,9,5,12,13,2,6,4,7,3]。\n- 实验在理想化条件下进行，分段由人工监督提取，避免了数据关联、过分割等问题，实际应用中需处理这些挑战。\n- 该方法可作为多传感器融合系统的补充，提升行人检测的可靠性，并为后续研究提供公开数据集。"
}