一種基于二維掃描激光的人腿檢測方法
【專利摘要】本發(fā)明公開了一種基于二維掃描激光的人腿檢測方法，首先通過激光傳感器對室內(nèi)環(huán)境進(jìn)行掃描，并將掃描數(shù)據(jù)進(jìn)行預(yù)處理；其次，根據(jù)采集數(shù)據(jù)進(jìn)行AdaBoost訓(xùn)練，即將采集的若干組掃描樣本進(jìn)行數(shù)據(jù)分割，將其作為算法的輸入通過已建立的弱分類器訓(xùn)練學(xué)習(xí)得到一個強(qiáng)分類器；然后進(jìn)行人腿步態(tài)檢測，即將預(yù)處理后的激光掃描數(shù)據(jù)進(jìn)行垂直邊緣檢測，然后從提取的垂直邊緣中檢測滿足人腿模式的所有子集；最后對檢測出的SL模型采用AdaBoost算法進(jìn)行分類判斷。本發(fā)明使用低成本的二維激光有效的解決了人腿快速檢測的問題，簡單快速，準(zhǔn)確率高，避免常用計(jì)算機(jī)視覺方法計(jì)算慢、受圖像干擾的缺陷。
【專利說明】一種基于二維掃描激光的人腿檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種人腿檢測方法，具體來說，涉及一種基于二維掃描激光的人腿檢 測方法，特別是室內(nèi)動態(tài)未知環(huán)境移動機(jī)器人的人腿檢測方法。

【背景技術(shù)】
[0002] 在有人的環(huán)境下例如科技館或博物館，對人的檢測是非常關(guān)鍵的任務(wù)，并且具有 很大的意義。檢測環(huán)境中人的存在及其位置與運(yùn)動狀態(tài)，能夠更好地理解并預(yù)測人的意圖 和行動，同時可以對人流量進(jìn)行統(tǒng)計(jì)，從而更有利于工作人員的決策，提高工作效率。某些 場所對人的檢測還可以提供人機(jī)交互的功能，從而提供更友善的服務(wù)。
[0003] 目前，有關(guān)人檢測的研究，主要有下面幾種方法：基于視覺方法，基于距離傳感器 方法，基于視覺傳感器與距離傳感器相結(jié)合的方法，聲音傳感器、激光傳感器與視覺傳感器 相結(jié)合的方法等。其中，基于視覺的方法是目前people-tracking領(lǐng)域應(yīng)用最為廣泛、最為 成熟的一門技術(shù)。然而，現(xiàn)有基于視覺對人檢測的方法主要存在的問題是需要處理大量的 圖片信息，使得系統(tǒng)的實(shí)時性難得到滿足，以及圖像容易受光照、天氣等外部條件影響等。 此外，隨著激光雷達(dá)的成本的下降，近年來，基于激光傳感器的各種檢測跟蹤的研究和應(yīng)用 也越來越頻繁，與視覺相比，其提供了較大的視場且獨(dú)立于環(huán)境。
[0004] 基于激光傳感器的方法中激光掃描數(shù)據(jù)通常只有二維距離信息，因此其中包含了 很少人的信息。實(shí)驗(yàn)表明，在復(fù)雜環(huán)境下很難從二維數(shù)據(jù)中檢測到人，即使是用肉眼觀察。 但是，實(shí)驗(yàn)發(fā)現(xiàn)對應(yīng)于人腿的距離測量值有一定的空間和幾何特性，例如大小、弧度、凸度 及緊湊性。此外，激光傳感器有著對光線強(qiáng)度不敏感，且不需要復(fù)雜的標(biāo)定計(jì)算就可以準(zhǔn)確 測量出距離的優(yōu)點(diǎn)，所以針對激光傳感器對人檢測的應(yīng)用具有很大的前景。


【發(fā)明內(nèi)容】

[0005] 技術(shù)問題：本發(fā)明所要解決的技術(shù)問題是：提供一種基于二維掃描激光的人腿檢 測方法，該檢測方法克服了室內(nèi)動態(tài)未知環(huán)境中，移動機(jī)器人動態(tài)人跟蹤（動態(tài)人跟蹤英 文譯文為：people-tracking)領(lǐng)域所存在的常用計(jì)算機(jī)視覺方法識別人腿中存在的計(jì)算 慢、受圖像干擾的缺陷，可以實(shí)現(xiàn)移動機(jī)器人簡單快速且準(zhǔn)確率高地在有人環(huán)境下對人的 檢測。
[0006] 技術(shù)方案：為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：
[0007] -種基于二維掃描激光的人腿檢測方法，該人腿檢測方法包括以下步驟：
[0008] 第一步：通過激光傳感器對室內(nèi)有人環(huán)境進(jìn)行掃描，并對掃描得到的數(shù)據(jù)進(jìn)行預(yù) 處理；
[0009] 第二步：從第一步預(yù)處理后的掃描數(shù)據(jù)中選擇數(shù)據(jù)作為樣本集，采用AdaBoost算 法進(jìn)行學(xué)習(xí)和訓(xùn)練，得到一個用于人腿檢測的強(qiáng)分類器；
[0010] 第三步：對第一步預(yù)處理后的掃描數(shù)據(jù)進(jìn)行垂直邊緣提取和分類，根據(jù)兩腿分離 的LA模式、分腿向前的FS模式以及兩腿并攏或單腿的SL模式三種的步態(tài)模型，初步檢測 出人腿；
[0011] 第四步：對第三步檢測出的符合SL模式的掃描數(shù)據(jù)集，采用第二步訓(xùn)練得到的 AdaBoost強(qiáng)分類器，作進(jìn)一步的人腿檢測。
[0012] 進(jìn)一步，所述的第一步包括以下步驟：
[0013] 101):獲得原始距離數(shù)據(jù)：由固定在移動機(jī)器人上的二維激光傳感器，通過激光 掃描，獲得人腿檢測的原始距離數(shù)據(jù)；設(shè)每次掃描共獲取η個原始距離數(shù)據(jù)，該η個原始距 離數(shù)據(jù)組成原始距離數(shù)據(jù)集合為：[h，r 2，…，ri，…，rn];
[0014] 102):對步驟101)獲得的原始距離數(shù)據(jù)進(jìn)行中值濾波預(yù)處理：對原始距離數(shù) 據(jù)集合中的每一個掃描數(shù)據(jù)取中值窗口半徑為w，中值窗口內(nèi)的2w+l個掃描數(shù)據(jù) rii，rii+i，···，&，…，ri+ti，ri+lt，對該 2w+l個掃描數(shù)據(jù)求取中值

【權(quán)利要求】
1. 一種基于二維掃描激光的人腿檢測方法，其特征在于：該人腿檢測方法包括以下步 驟： 第一步：通過激光傳感器對室內(nèi)有人環(huán)境進(jìn)行掃描，并對掃描得到的數(shù)據(jù)進(jìn)行預(yù)處 理； 第二步：從第一步預(yù)處理后的掃描數(shù)據(jù)中選擇數(shù)據(jù)作為樣本集，采用AdaBoost算法進(jìn) 行學(xué)習(xí)和訓(xùn)練，得到一個用于人腿檢測的強(qiáng)分類器； 第三步：對第一步預(yù)處理后的掃描數(shù)據(jù)進(jìn)行垂直邊緣提取和分類，根據(jù)兩腿分離的LA模式、分腿向前的FS模式以及兩腿并攏或單腿的SL模式三種的步態(tài)模型，初步檢測出人 腿； 第四步：對第三步檢測出的符合SL模式的掃描數(shù)據(jù)集，采用第二步訓(xùn)練得到的AdaBoost強(qiáng)分類器，作進(jìn)一步的人腿檢測。
2. 按照權(quán)利要求1所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的第 一步包括以下步驟： 101) :獲得原始距離數(shù)據(jù)：由固定在移動機(jī)器人上的二維激光傳感器，通過激光掃描， 獲得人腿檢測的原始距離數(shù)據(jù)；設(shè)每次掃描共獲取n個原始距離數(shù)據(jù)，該n個原始距離數(shù)據(jù) 組成原始距離數(shù)據(jù)集合為：[A,r2，…，巧，…，rn]; 102) :對步驟101)獲得的原始距離數(shù)據(jù)進(jìn)行中值濾波預(yù)處理：對原始距離數(shù)據(jù)集合中 的每一個掃描數(shù)據(jù)取中值窗口半徑為w，中值窗口內(nèi)的2w+l個掃描數(shù)據(jù)IVw,ivw+1，… ，:Ti,…，!TiH,ri+w，對該2w+l個掃描數(shù)據(jù)求取中值y,則當(dāng)5時，則G=F;當(dāng) |r;-F|< 5時，則ri保持不變；其中，S表示中值濾波器濾波閾值；將原始距離數(shù)據(jù)集合進(jìn)行 中值濾波預(yù)處理后的數(shù)據(jù)記為義=WY，…,/;1， 103) 對S1進(jìn)行局部最小化處理：進(jìn)行如式（1)所示的局部最小化處理，得到S2 :
其中，S1表示用于控制局部鄰域范圍大小的參數(shù)，〇彡S1Sr^k1是整數(shù)變量，匕是 為了使局部最小化的范圍不超過r/所定義的范圍；表示S1中第Hk1個元素，表示 S1中第2+h個元素，表示S1中第n+ki個元素，ri2表示S1中第1個元素對應(yīng)鄰域內(nèi)的 最小元素值，r22表示S1中第2個元素對應(yīng)鄰域內(nèi)的最小元素值，rn2表示S1中第n個元素 對應(yīng)鄰域內(nèi)的最小元素值； 104) 進(jìn)行局部最大化處理：按照式（2)對S2進(jìn)行局部最大化處理，得到S
其中，S2表示用于控制局部范圍大小的另一個參數(shù)，0彡S2彡n ;k2是整數(shù)變量，k2是 為了使局部最大化的范圍不超過A2所定義的范圍；表示S2中第l+k2個元素，表示 S2中第2+k2個元素，表示S2中第n+k2個元素，^表示S2中第1個元素對應(yīng)鄰域內(nèi)的最 大元素值，A表示S2中第2個元素對應(yīng)鄰域內(nèi)的最大元素值，&表示S2中第n個元素對應(yīng) 鄰域內(nèi)的最大元素值。
3.按照權(quán)利要求1所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的第 二步包括以下步驟： 201) 數(shù)據(jù)分割：將預(yù)處理后的掃描數(shù)據(jù)分割成不同的段，過程如下： 將第一步預(yù)處理后的掃描數(shù)據(jù)組成數(shù)據(jù)段A，如式（3)，設(shè)數(shù)據(jù)段&由采用極坐標(biāo)表 示的點(diǎn)集=(彳，舍)L_"表示，P1為該數(shù)據(jù)段的起點(diǎn)，Pn為該數(shù)據(jù)段的的終點(diǎn)；纟為點(diǎn)集[Pi=^iA)]....."中第i個點(diǎn)的距離值，t為點(diǎn)集丨八中第i個點(diǎn)對應(yīng)的角度；
如果D(Pi,pi+1) >Dthd，則Pi與pi+1屬于不同的數(shù)據(jù)段；如果D(Pi,pi+1)彡Dthd，則Pi與Pi+1屬于同一數(shù)據(jù)段；將&中所有相鄰點(diǎn)進(jìn)行判斷，得到若干組不同的數(shù)據(jù)段，然后去掉其 中點(diǎn)的個數(shù)小于等于3的段，得到N組數(shù)據(jù)段仗U1_^，即為數(shù)據(jù)分割得到的數(shù)據(jù)段集合； 其中，Dthd表示分隔閾值，D(Pi，pi+1)表示兩個連續(xù)掃描點(diǎn)之間的歐氏距離，分隔閾值根據(jù)式 (4)確定：
其中，min(Pi，pi+1)為極坐標(biāo)表示下連續(xù)兩掃描點(diǎn)間的最小距離差；Ctl為用于降噪的恒 定參數(shù)；C1 = ^2(1-cos(A^)),A4)表示Pi與pi+1之間的夾角； 202) 生成訓(xùn)練數(shù)據(jù)集：根據(jù)十個預(yù)定義特征分別建立10個弱分類器，作為AdaBoost 算法的輸入；十個預(yù)定義特征為：點(diǎn)的數(shù)目、標(biāo)準(zhǔn)差、根據(jù)中值計(jì)算的平均偏差、分段的寬 度、圓性質(zhì)評估、圓直徑參數(shù)、邊界長度、邊界標(biāo)準(zhǔn)差、平均曲率和凸性；對于弱分類器，采用 單值特征&，如式（5)所示：
式（5)中，h^e)表示對應(yīng)于單值特征&的弱分類器，e為數(shù)據(jù)段參數(shù)，0 ^表示單值特 征A的閾值，表示不等式方向的符號量，e{+1，-1};下標(biāo)j表示預(yù)定義特征的編號； 203) 樣本分類：將步驟201)分割得到的N組數(shù)據(jù)段比Lu進(jìn)行人工分類，正樣本標(biāo) 簽為+1，負(fù)樣本標(biāo)簽為-1，得到訓(xùn)練數(shù)據(jù)集（em，IJ，m= 1，2,. . .，N，其中em為樣本，I111用 來指不en為正樣本還是負(fù)樣本，ImG{+1，-1}; 204) 訓(xùn)練得到強(qiáng)分類器：根據(jù)步驟202)建立的10個弱分類器hj(e)，將步驟203)得 到的訓(xùn)練數(shù)據(jù)集（em，U作為弱分類器的輸入，首先初始化權(quán)值：
其中，D1(Hi)表示第m個訓(xùn)練數(shù)據(jù)集的初始權(quán)值，a表示正樣本數(shù)量，b表示負(fù)樣本數(shù)量； 然后，在設(shè)定的輪次t= 1、2、…、T內(nèi)，T等于弱分類器的個數(shù)，執(zhí)行下述步驟2041) 至 2045)， 2041) 歸一化權(quán)值：
其中，t= 1+q，q表示步驟2045)返回步驟2041)的次數(shù)，q的初始值為0 ;Dt (m)表示 第m個訓(xùn)練數(shù)據(jù)集在第t輪次的權(quán)值，Dt (i)表示第i個訓(xùn)練數(shù)據(jù)集在第t輪次的權(quán)值； 2042) 根據(jù)Dt訓(xùn)練每一個特征fj的弱分類器比； 2043) 對于每個弱分類器h進(jìn)行如下計(jì)算：
其中，hj(ejG{+1,-1};rj表示運(yùn)算過程中的中間變量； 2044) 選擇使IrjI最大的hj并進(jìn)行如下賦值： (ht,rt) = (hj,Tj) 式（9) 2045) 按照式（10)更新權(quán)值，然后返回步驟2041)，直至執(zhí)行完設(shè)定的輪次，進(jìn)入步驟 205)；
4.按照權(quán)利要求1所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的第 三步包括以下步驟： 301) :將經(jīng)過第一步預(yù)處理后的掃描數(shù)據(jù)用直角坐標(biāo)系表示，該直角坐標(biāo)系以角度為 橫坐標(biāo)，以距離值為縱坐標(biāo)； 302) :識別垂直邊緣，若|U|> ￠7，則{HJ為一組垂直邊緣；如果|U|<a，則 不為一組垂直邊緣；〇表示垂直邊緣的設(shè)定閾值； 303) :判斷所提取的垂直邊緣是左邊緣還是右邊緣，若彳 > 纟+1，則為左邊緣，若彳， 則為右邊緣； 304) :將所得的垂直邊緣排成一集合S= ej, --?,(?)}，其中 <表示第1組垂直邊緣對 應(yīng)的方位，e2表示第2組垂直邊緣對應(yīng)的方位；ei表示第1組垂直邊緣對應(yīng)的方位；當(dāng)垂直 邊緣是左邊緣時，該垂直邊緣對應(yīng)的方位采用L表示，當(dāng)垂直邊緣是右邊緣時,該垂直邊緣 對應(yīng)的方位采用R表示； 對于提取的垂直邊緣中相同類型的相鄰邊緣，如果相鄰垂直邊緣之間的距離小于閾值 d，且相鄰垂直邊緣之間夾角小于閾值fa，則合并相鄰垂直邊緣，將合并后的垂直邊緣集合 記為f=pi2,42，…，氣2};相同類型是指具有相同的方位，都為右邊緣或者左邊緣； 305) :提取三種人腿模式：兩腿分離的LA模式，分腿向前的FS模式，以及兩腿并攏或 單腿的SL模式；LA模式對應(yīng)的有序序列為{L、R、L、R}，F(xiàn)S模式對應(yīng)有序序列為{L、R、R} 或{L、L、R}，SL模式對應(yīng)有序序列{L、R}; 306) :從垂直邊緣集合e'中檢測滿足任意一種人腿模式的所有子集，當(dāng)檢測到滿足 三種人腿模式有序序列之一的邊緣集合，則將該邊緣集合中的每一條邊緣從垂直邊緣集合 e'中移除。
5. 按照權(quán)利要求4所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的步 驟306)中，將垂直邊緣集合e'先與LA模式對應(yīng)的有序序列進(jìn)行檢測，然后與FS模式對 應(yīng)的有序序列進(jìn)行檢測，最后與SLt吳式對應(yīng)的有序序列進(jìn)行檢測。
6. 按照權(quán)利要求1所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的第 四步包括以下步驟： 401) :SL模式提?。簩⒉襟E306)中，從垂直邊緣集合e'中提取出符合SL模式的邊緣 集合成SL模式數(shù)據(jù)段集合； 402. SL模式點(diǎn)對分：在SL模式中包含了掃描到兩腿并攏和單腿兩種情況，將SL模式 數(shù)據(jù)段集合中，對于包含點(diǎn)的數(shù)目大于預(yù)先設(shè)定的對分閾值的數(shù)據(jù)段，將該數(shù)據(jù)段包含的 點(diǎn)按其空間順序?qū)Π敕?，形成兩個數(shù)據(jù)段；經(jīng)過對分處理后，得到對分后的SL模式數(shù)據(jù)段 集合； 403) 輸入數(shù)據(jù)：將步驟402得到的對分后的SL模式數(shù)據(jù)段集合，作為AdaBoost的輸 入，對于不符合SL模式特征的數(shù)據(jù)，則從對分后的SL模式數(shù)據(jù)段集合中移除；對于符合SL 模式特征的數(shù)據(jù)，則保留； 404) 最終結(jié)果獲?。簩⒉襟E403)判斷所得的符合SL模式特征的數(shù)據(jù)集合作為 AdaBoost算法輸出，為SL模式檢測的最終結(jié)果。
7. 按照權(quán)利要求6所述的基于二維掃描激光的人腿檢測方法，其特征在于：所述的步 驟402)中，對分閾值為18。
【文檔編號】G06T7/00GK104268598SQ201410506045
【公開日】2015年1月7日 申請日期:2014年9月26日 優(yōu)先權(quán)日:2014年9月26日
【發(fā)明者】周波, 韓明瑞, 戴先中, 馬旭東 申請人:東南大學(xué)