一种基于二维扫描激光的人腿检测方法
【专利摘要】本发明公开了一种基于二维扫描激光的人腿检测方法，首先通过激光传感器对室内环境进行扫描，并将扫描数据进行预处理；其次，根据采集数据进行AdaBoost训练，即将采集的若干组扫描样本进行数据分割，将其作为算法的输入通过已建立的弱分类器训练学习得到一个强分类器；然后进行人腿步态检测，即将预处理后的激光扫描数据进行垂直边缘检测，然后从提取的垂直边缘中检测满足人腿模式的所有子集；最后对检测出的SL模型采用AdaBoost算法进行分类判断。本发明使用低成本的二维激光有效的解决了人腿快速检测的问题，简单快速，准确率高，避免常用计算机视觉方法计算慢、受图像干扰的缺陷。
【专利说明】一种基于二维扫描激光的人腿检测方法
【技术领域】
[0001] 本发明涉及一种人腿检测方法，具体来说，涉及一种基于二维扫描激光的人腿检 测方法，特别是室内动态未知环境移动机器人的人腿检测方法。
【背景技术】
[0002] 在有人的环境下例如科技馆或博物馆，对人的检测是非常关键的任务，并且具有 很大的意义。检测环境中人的存在及其位置与运动状态，能够更好地理解并预测人的意图 和行动，同时可以对人流量进行统计，从而更有利于工作人员的决策，提高工作效率。某些 场所对人的检测还可以提供人机交互的功能，从而提供更友善的服务。
[0003] 目前，有关人检测的研究，主要有下面几种方法：基于视觉方法，基于距离传感器 方法，基于视觉传感器与距离传感器相结合的方法，声音传感器、激光传感器与视觉传感器 相结合的方法等。其中，基于视觉的方法是目前people-tracking领域应用最为广泛、最为 成熟的一门技术。然而，现有基于视觉对人检测的方法主要存在的问题是需要处理大量的 图片信息，使得系统的实时性难得到满足，以及图像容易受光照、天气等外部条件影响等。 此外，随着激光雷达的成本的下降，近年来，基于激光传感器的各种检测跟踪的研究和应用 也越来越频繁，与视觉相比，其提供了较大的视场且独立于环境。
[0004] 基于激光传感器的方法中激光扫描数据通常只有二维距离信息，因此其中包含了 很少人的信息。实验表明，在复杂环境下很难从二维数据中检测到人，即使是用肉眼观察。 但是，实验发现对应于人腿的距离测量值有一定的空间和几何特性，例如大小、弧度、凸度 及紧凑性。此外，激光传感器有着对光线强度不敏感，且不需要复杂的标定计算就可以准确 测量出距离的优点，所以针对激光传感器对人检测的应用具有很大的前景。
【发明内容】
[0005] 技术问题：本发明所要解决的技术问题是：提供一种基于二维扫描激光的人腿检 测方法，该检测方法克服了室内动态未知环境中，移动机器人动态人跟踪（动态人跟踪英 文译文为：people-tracking)领域所存在的常用计算机视觉方法识别人腿中存在的计算 慢、受图像干扰的缺陷，可以实现移动机器人简单快速且准确率高地在有人环境下对人的 检测。
[0006] 技术方案：为解决上述技术问题，本发明采用的技术方案为：
[0007] -种基于二维扫描激光的人腿检测方法，该人腿检测方法包括以下步骤：
[0008] 第一步：通过激光传感器对室内有人环境进行扫描，并对扫描得到的数据进行预 处理；
[0009] 第二步：从第一步预处理后的扫描数据中选择数据作为样本集，采用AdaBoost算 法进行学习和训练，得到一个用于人腿检测的强分类器；
[0010] 第三步：对第一步预处理后的扫描数据进行垂直边缘提取和分类，根据两腿分离 的LA模式、分腿向前的FS模式以及两腿并拢或单腿的SL模式三种的步态模型，初步检测 出人腿；
[0011] 第四步：对第三步检测出的符合SL模式的扫描数据集，采用第二步训练得到的 AdaBoost强分类器，作进一步的人腿检测。
[0012] 进一步，所述的第一步包括以下步骤：
[0013] 101):获得原始距离数据：由固定在移动机器人上的二维激光传感器，通过激光 扫描，获得人腿检测的原始距离数据；设每次扫描共获取η个原始距离数据，该η个原始距 离数据组成原始距离数据集合为：[h，r 2，…，ri，…，rn];
[0014] 102):对步骤101)获得的原始距离数据进行中值滤波预处理：对原始距离数 据集合中的每一个扫描数据取中值窗口半径为w，中值窗口内的2w+l个扫描数据 rii，rii+i，···，&，…，ri+ti，ri+lt，对该 2w+l个扫描数据求取中值
【权利要求】
1. 一种基于二维扫描激光的人腿检测方法，其特征在于：该人腿检测方法包括以下步 骤： 第一步：通过激光传感器对室内有人环境进行扫描，并对扫描得到的数据进行预处 理； 第二步：从第一步预处理后的扫描数据中选择数据作为样本集，采用AdaBoost算法进 行学习和训练，得到一个用于人腿检测的强分类器； 第三步：对第一步预处理后的扫描数据进行垂直边缘提取和分类，根据两腿分离的LA模式、分腿向前的FS模式以及两腿并拢或单腿的SL模式三种的步态模型，初步检测出人 腿； 第四步：对第三步检测出的符合SL模式的扫描数据集，采用第二步训练得到的AdaBoost强分类器，作进一步的人腿检测。
2. 按照权利要求1所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的第 一步包括以下步骤： 101) :获得原始距离数据：由固定在移动机器人上的二维激光传感器，通过激光扫描， 获得人腿检测的原始距离数据；设每次扫描共获取n个原始距离数据，该n个原始距离数据 组成原始距离数据集合为：[A,r2，…，巧，…，rn]; 102) :对步骤101)获得的原始距离数据进行中值滤波预处理：对原始距离数据集合中 的每一个扫描数据取中值窗口半径为w，中值窗口内的2w+l个扫描数据IVw,ivw+1，… ，:Ti,…，!TiH,ri+w，对该2w+l个扫描数据求取中值y,则当5时，则G=F;当 |r;-F|< 5时，则ri保持不变；其中，S表示中值滤波器滤波阈值；将原始距离数据集合进行 中值滤波预处理后的数据记为义=WY，…,/;1， 103) 对S1进行局部最小化处理：进行如式（1)所示的局部最小化处理，得到S2 :
其中，S1表示用于控制局部邻域范围大小的参数，〇彡S1Sr^k1是整数变量，匕是 为了使局部最小化的范围不超过r/所定义的范围；表示S1中第Hk1个元素，表示 S1中第2+h个元素，表示S1中第n+ki个元素，ri2表示S1中第1个元素对应邻域内的 最小元素值，r22表示S1中第2个元素对应邻域内的最小元素值，rn2表示S1中第n个元素 对应邻域内的最小元素值； 104) 进行局部最大化处理：按照式（2)对S2进行局部最大化处理，得到S
其中，S2表示用于控制局部范围大小的另一个参数，0彡S2彡n ;k2是整数变量，k2是 为了使局部最大化的范围不超过A2所定义的范围；表示S2中第l+k2个元素，表示 S2中第2+k2个元素，表示S2中第n+k2个元素，^表示S2中第1个元素对应邻域内的最 大元素值，A表示S2中第2个元素对应邻域内的最大元素值，&表示S2中第n个元素对应 邻域内的最大元素值。
3.按照权利要求1所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的第 二步包括以下步骤： 201) 数据分割：将预处理后的扫描数据分割成不同的段，过程如下： 将第一步预处理后的扫描数据组成数据段A，如式（3)，设数据段&由采用极坐标表 示的点集=(彳，舍)L_"表示，P1为该数据段的起点，Pn为该数据段的的终点；纟为点集[Pi=^iA)]....."中第i个点的距离值，t为点集丨八中第i个点对应的角度；
如果D(Pi,pi+1) >Dthd，则Pi与pi+1属于不同的数据段；如果D(Pi,pi+1)彡Dthd，则Pi与Pi+1属于同一数据段；将&中所有相邻点进行判断，得到若干组不同的数据段，然后去掉其 中点的个数小于等于3的段，得到N组数据段仗U1_^，即为数据分割得到的数据段集合； 其中，Dthd表示分隔阈值，D(Pi，pi+1)表示两个连续扫描点之间的欧氏距离，分隔阈值根据式 (4)确定：
其中，min(Pi，pi+1)为极坐标表示下连续两扫描点间的最小距离差；Ctl为用于降噪的恒 定参数；C1 = ^2(1-cos(A^)),A4)表示Pi与pi+1之间的夹角； 202) 生成训练数据集：根据十个预定义特征分别建立10个弱分类器，作为AdaBoost 算法的输入；十个预定义特征为：点的数目、标准差、根据中值计算的平均偏差、分段的宽 度、圆性质评估、圆直径参数、边界长度、边界标准差、平均曲率和凸性；对于弱分类器，采用 单值特征&，如式（5)所示：
式（5)中，h^e)表示对应于单值特征&的弱分类器，e为数据段参数，0 ^表示单值特 征A的阈值，表示不等式方向的符号量，e{+1，-1};下标j表示预定义特征的编号； 203) 样本分类：将步骤201)分割得到的N组数据段比Lu进行人工分类，正样本标 签为+1，负样本标签为-1，得到训练数据集（em，IJ，m= 1，2,. . .，N，其中em为样本，I111用 来指不en为正样本还是负样本，ImG{+1，-1}; 204) 训练得到强分类器：根据步骤202)建立的10个弱分类器hj(e)，将步骤203)得 到的训练数据集（em，U作为弱分类器的输入，首先初始化权值：
其中，D1(Hi)表示第m个训练数据集的初始权值，a表示正样本数量，b表示负样本数量； 然后，在设定的轮次t= 1、2、…、T内，T等于弱分类器的个数，执行下述步骤2041) 至 2045)， 2041) 归一化权值：
其中，t= 1+q，q表示步骤2045)返回步骤2041)的次数，q的初始值为0 ;Dt (m)表示 第m个训练数据集在第t轮次的权值，Dt (i)表示第i个训练数据集在第t轮次的权值； 2042) 根据Dt训练每一个特征fj的弱分类器比； 2043) 对于每个弱分类器h进行如下计算：
其中，hj(ejG{+1,-1};rj表示运算过程中的中间变量； 2044) 选择使IrjI最大的hj并进行如下赋值： (ht,rt) = (hj,Tj) 式（9) 2045) 按照式（10)更新权值，然后返回步骤2041)，直至执行完设定的轮次，进入步骤 205)；
4.按照权利要求1所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的第 三步包括以下步骤： 301) :将经过第一步预处理后的扫描数据用直角坐标系表示，该直角坐标系以角度为 横坐标，以距离值为纵坐标； 302) :识别垂直边缘，若|U|> ￠7，则{HJ为一组垂直边缘；如果|U|<a，则 不为一组垂直边缘；〇表示垂直边缘的设定阈值； 303) :判断所提取的垂直边缘是左边缘还是右边缘，若彳 > 纟+1，则为左边缘，若彳， 则为右边缘； 304) :将所得的垂直边缘排成一集合S= ej, --?,(?)}，其中 <表示第1组垂直边缘对 应的方位，e2表示第2组垂直边缘对应的方位；ei表示第1组垂直边缘对应的方位；当垂直 边缘是左边缘时，该垂直边缘对应的方位采用L表示，当垂直边缘是右边缘时,该垂直边缘 对应的方位采用R表示； 对于提取的垂直边缘中相同类型的相邻边缘，如果相邻垂直边缘之间的距离小于阈值 d，且相邻垂直边缘之间夹角小于阈值fa，则合并相邻垂直边缘，将合并后的垂直边缘集合 记为f=pi2,42，…，气2};相同类型是指具有相同的方位，都为右边缘或者左边缘； 305) :提取三种人腿模式：两腿分离的LA模式，分腿向前的FS模式，以及两腿并拢或 单腿的SL模式；LA模式对应的有序序列为{L、R、L、R}，FS模式对应有序序列为{L、R、R} 或{L、L、R}，SL模式对应有序序列{L、R}; 306) :从垂直边缘集合e'中检测满足任意一种人腿模式的所有子集，当检测到满足 三种人腿模式有序序列之一的边缘集合，则将该边缘集合中的每一条边缘从垂直边缘集合 e'中移除。
5. 按照权利要求4所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的步 骤306)中，将垂直边缘集合e'先与LA模式对应的有序序列进行检测，然后与FS模式对 应的有序序列进行检测，最后与SLt吴式对应的有序序列进行检测。
6. 按照权利要求1所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的第 四步包括以下步骤： 401) :SL模式提取：将步骤306)中，从垂直边缘集合e'中提取出符合SL模式的边缘 集合成SL模式数据段集合； 402. SL模式点对分：在SL模式中包含了扫描到两腿并拢和单腿两种情况，将SL模式 数据段集合中，对于包含点的数目大于预先设定的对分阈值的数据段，将该数据段包含的 点按其空间顺序对半分，形成两个数据段；经过对分处理后，得到对分后的SL模式数据段 集合； 403) 输入数据：将步骤402得到的对分后的SL模式数据段集合，作为AdaBoost的输 入，对于不符合SL模式特征的数据，则从对分后的SL模式数据段集合中移除；对于符合SL 模式特征的数据，则保留； 404) 最终结果获取：将步骤403)判断所得的符合SL模式特征的数据集合作为 AdaBoost算法输出，为SL模式检测的最终结果。
7. 按照权利要求6所述的基于二维扫描激光的人腿检测方法，其特征在于：所述的步 骤402)中，对分阈值为18。
【文档编号】G06T7/00GK104268598SQ201410506045
【公开日】2015年1月7日 申请日期:2014年9月26日 优先权日:2014年9月26日
【发明者】周波, 韩明瑞, 戴先中, 马旭东 申请人:东南大学