{
  "paper_id": "f390d775b9445e9440ccd3845d94d960",
  "paper_title": "Pedestrian Detection and Tracking Using Three-dimensional LADAR Data",
  "paper_authors": [
    "Luis E. Navarro-Serment",
    "Christoph Mertz",
    "Martial Hebert"
  ],
  "publication_date": "2010",
  "publication_venue": "The International Journal of Robotics Research",
  "abstract": "The approach investigated in this work employs three-dimensional LADAR measurement to detect and track pedestrians over time. The sensor is employed on a moving vehicle. The algorithm quickly detects the objects which have the potential of being humans using a subset of these points, and then classifies each object using statistical pattern recognition techniques. The algorithm uses geometric and motion features to recognize human signatures. The perceptual capabilities described form the basis for safe and robust navigation in autonomous vehicles, necessary to safeguard pedestrians operating in the vicinity of a moving robotic vehicle.",
  "keywords": [
    "Human detection",
    "3D LADAR sensing and perception",
    "field and service robotics"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:11.101914Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文提出了一种基于三维LADAR数据的行人检测与跟踪方法，解决了移动车辆上实时识别行人的难题。在相关工作中，已有的激光线扫描方法受地面平坦度限制，而三维LADAR能更完整地表示环境。本文通过将点云投影到二维虚拟扫描线，先快速分割并跟踪潜在目标，再提取几何特征和运动特征进行统计分类。核心机制是运动分数（MS），它结合目标尺寸、移动距离、尺寸和速度的方差，通过阈值评分计算；几何特征则利用PCA、惯性矩张量和2D直方图描述人体轮廓。实验在Demo III XUV上采用14次、17Hz的野外数据，共48个行人和1075个非人类目标，使用ROC和精确率-召回率曲线评估，结果显示运动分数和几何分数的协同组合显著优于单独使用。最佳检测距离为10-20米，且算法在Velodyne传感器上无需调整参数即可获得可比性能。未来工作将处理非直立姿态和更复杂遮挡场景。\n### 关键要点\n- 使用三维LADAR点云，先投影到二维虚拟扫描线以降低计算成本。\n- 地面高程图通过滚动网格和遗忘因子构建，以消除地面回波。\n- 二维分割采用距离阈值聚类，用包围盒中心表示目标。\n- 跟踪采用卡尔曼滤波器，并支持短暂丢失后的重新关联。\n- 运动分数（MS）由尺寸、距离、尺寸方差和速度方差四个测试计算。\n- 几何特征包括PCA、惯性矩张量、腿部/躯干区域协方差及归一化2D直方图。\n- 几何分数（GS）和运动分数（MS）分别由两个独立SVM分类，输出为强度检测（SOD）。\n- GS训练集包含3500多例（27.4%人类），其中62%为模拟数据，并包含6%部分遮挡例子。\n- 第二分类器用46000多真实例子训练（6%人类），平衡了正负样本的不均衡。\n- 实验数据包含静态/移动车辆、铺装/越野路面、行人站立/行走/慢跑，共48个正例和1075个负例。\n- 合并GS和MS的检测在低假阳率下优于单独方法，最佳范围为10-20米。\n- 在Velodyne数据上无需调整参数，性能与目标平台相当，表明算法具有传感器泛化能力。"
}