{
  "paper_id": "ddd855674121fd567754133a6a16e144",
  "paper_title": "基于三维骨架的距离图像头部检测与跟踪",
  "paper_authors": [
    "Pandu Rangarao Devarakota",
    "Marta Castillo-Franco",
    "Romuald Ginhoux",
    "Bruno Mirbach",
    "Serge Kater",
    "Björn Ottersten"
  ],
  "publication_date": "2009-10-02",
  "publication_venue": "IEEE Transactions on Vehicular Technology",
  "abstract": "基于视觉的3D头部检测与跟踪系统已在视频监控、人脸检测和乘员姿势分析等应用中得到研究。本文提出了一种基于3D骨骼模型的拓扑框架，用于从低分辨率距离图像数据中稳健地检测和跟踪车辆乘员的头部位置，以用于被动安全系统。与以往的头部检测方法不同，该方法利用场景的拓扑信息来检测头部位置。在多种可用的拓扑表示中，选择了Reeb图技术并使其适应低分辨率3D距离图像。通过使用Morse径向距离函数实现了图的旋转不变性。为了应对噪声和数据密度的大幅变化等特殊挑战，提出了体素邻域连通性概念。采用多假设跟踪器（MHT）并配合最近邻数据关联和卡尔曼滤波预测，对Reeb图的端点进行处理，以从Reeb图端点中选出并过滤出正确的头部候选。我们在全尺寸实验3D距离图像上对头部检测框架进行了系统评估，并与地面真值进行了比较。结果表明，所开发的Reeb图拓扑算法仅需两个头部候选作为MHT输入即可正确检测乘员头部。实验结果表明，该框架在场景大幅变化下具有鲁棒性。讨论了所提方法的处理需求，表明运算量较低，所提方法可以满足实时处理要求。",
  "keywords": [
    "安全气囊",
    "汽车安全",
    "多假设跟踪（MHT）",
    "Reeb图",
    "三维头部检测与跟踪",
    "三维骨架"
  ],
  "paper_institutions": [
    "IEE S.A., Contern, Luxembourg",
    "Signal Processing Group, School of Electrical Engineering, Royal Institute of Technology, Stockholm, Sweden",
    "securityandtrust.lu, University of Luxembourg, Luxembourg",
    "Luxembourg International Advanced Studies in Information Technology, Luxembourg"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:37.419695Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文针对车辆乘员头部检测与跟踪问题，提出了一种基于三维骨架的拓扑方法，利用低分辨率距离图像数据实现被动安全系统中的乘员头部定位。该方法不同于以往基于局部形状特征（如椭圆模型）的几何方法，而是利用场景的整体拓扑信息，选择Reeb图技术并适应低分辨率3D距离图像。通过使用Morse径向距离函数实现旋转不变性，并针对数据噪声和密度变化提出体素邻域连通性概念，以激活级别C/d²处理密度变化。采用多假设跟踪（MHT）算法配合最近邻数据关联和卡尔曼滤波预测，从Reeb图端点中筛选正确的头部候选。实验采用全尺寸实验3D距离图像，地面真值由3D字符串传感器获取，共10个序列3225帧。结果表明，Reeb图检测成功率为96.56%，结合MHT后正确率达99.96%。该方法平均产生2.5个候选，最多四个，通过几何约束规则可减少至两个。处理需求分析显示每帧运算量约0.2 MOP，远低于40Hz实时要求的8 MOPs，适合嵌入式实现。未来工作包括实时实现、更全面的测试及与其他方法的比较。主要核心机制是Reeb图提取过程中使用voxel邻接和径向距离函数，其公式为激活级别C/d²。\n\n### 关键要点\n- 提出基于场景拓扑的头部检测框架，利用Reeb图表示乘员场景的3D骨架结构。\n- 采用Morse径向距离函数作为标量函数，使Reeb图对旋转、平移和尺度不变。\n- 提出体素邻域连通性定义，使用6-邻接建立点连通，并通过激活级别C/d²抑制噪声和数据密度变化。\n- 以髋部附近为原点，逐步增大半径，将数据点分配至各层，并提取临界点和端点作为头部候选。\n- 数据集包括11个序列（3300帧），涵盖正常坐姿、前倾、手持物品等情况，评估使用10个序列（3225帧）。\n- 头部检测成功率（Reeb图端点距地面真值<150mm）为96.56%，平均每个图像产生2.5个候选，最多四个。\n- 规则1仅考虑z位置最高的两个候选，规则2从中选择x方向最靠前的，有效减少误检测。\n- MHT使用最近邻数据关联（Mahalanobis距离）和常速度模型Kalman滤波，处理候选关联和轨迹管理。\n- MHT跟踪后正确检测率为99.96%，显著改善持续性和噪音过滤。\n- 处理需求估算：Reeb图提取约0.2 MOP/帧，总处理<8 MOPs（40Hz），满足实时嵌入式系统的要求。"
}