基于三维点云数据的人体目标检测技术研究

来源:用户上传      作者:

　　摘要：随着国家和政府对网络化程度的不断推进，社会各行业均以离不开高新技术辅助开展生产生活，其中目标检测和人脸识别的相关技术研究越来越热，对于应急突发状况的防御处理有技术优势。然而，现如今在各项研究中针对任务区域内的人体目标的扫描监控，是十分复杂的研究难题，现有的基于可见光图像对物体进行识别监控的技术会受到光线强弱、物体放射特性等客观因素的影响，从而降低目标检测的准确度。基于此，本文提出了一种基于三维点云数据的人体目标检测方法，利用深度传感器对任务区域人体目标进行识别，从而保证设备监控的稳定性、安全性与智能性。在建立基本人体数据库的基础上，对获取数据进行预处理，通过人体标绘法形成人体目标投影轮廓特征库，降噪后使用动态时间归整算法进行人体目标检测。
　　关键词：三维点云；地平面提取算法；DTW算法；目标检测
　　中图分类号：TP393 文献标识码：A
　　文章编号：1009-3044（2019）11-0201-02
　　随着社会经济的不断发展进步，社会各领域的矛盾日益增长，为了保证社会稳定，相关政府机构也探索不同的监控预测方法，及早将危机消灭在萌芽初期。因此也促使了目标检测技术的发展，比如鹰眼监控等，对目标区域的人体的识别与监控是该技术的研究方向，目前也有大量的技术成果，比如基于可见光图像对区域目标进行识别。但由于受到客观复杂环境的干扰影响，对光线强弱对比和光源照射方向所产生的阴影，以及玻璃晶体造成的反光现象等会对特定区域的目标的识别与监控精度带来影响。面对这项的研究问题，本文提出一种基于三维点云的人体目标检测技术，该技术与雷达三点定位判断物体的方法类似，通过传感器设备实现对物体三维数据的获取，通过数据预处理方法，聚类特征数据，分析出可以辨别人体特征的数据，使用人工绘制的方法提取投影轮廓的特征曲线建立基本人体数据库。其中使用DWT（Dynamic Time Warping）动态时间归整算法实现对人体目标投影轮廓特征曲线的匹配与人体目标检测。基于三维点云的目标识别的相关研究主要集中在关于特征匹配的目标检测算法和基于DEM估计的目标检测算法，目前较为先进的研究方法是基于激光雷达成像数据特的目标检测技术，大部分使用图像处理方法，Chevalier[1]等人对旋转图像特征的处理算法进行了改进，使用主分量分析方法对三维点云数据中的有向向量进行提取，采用K-MEAN算法对特征数据进行建模。这些方法在研究过程中存在一些问题：首先通过该方法获得数据为网格数据，需要将距离数据转变为三维点数据，过程中增加时间复杂度；该类方法对图像的噪声点以及杂波处理效果不好，造成数据缺失，具有一定鲁棒性，使的该方法的应用场景受局限。另外使用激光雷达获得三维云数据，设备成本较高，数据使用效率降低。
　　1 人体目标三维点云数据获取
　　Kinect设备为人体目标数据的采集提供了质高价廉的工具，该设备由微软公司研发的一种非接触式的数据采集设备，由RGB摄像头，红外发射装备，红外摄像机等功能部件构成，作为一种交互式传感设备可以通过人类移动手势感应控制设备，方便人们截取目标图像数据。Kinect技术的功能种类繁多，应用场景广泛，该技术通过计算感应设备发出的红外光时间与红外光遇物体反射的时间之差和相位差换算成物体的距离[2]，从而获取数据，再结合传统的相机拍摄来呈现物体的三维轮廓图像，从而获取待识别人体目标的三维点数据。Kinect在获取三维点云数据的坐标为（X，Y，Z），在测量空间中有一点K1，它到摄像头的距离为d，依据公式d’=Ktan（HD+L）-O， 計算出的H，D，L对应着坐标矢量（x，y，z），假设K点的图像投影位置为（i，j）其中X=（i-C1）F1d’；y=（i-C2）F2Kd’；z=d’。另外在获得三维点数据的过程中要考虑可见光来源，以及可见光不同照射方向所产生阴影，逆光，背光的因素；另外还应该考虑不同的工作环境，背景风景等对数据采集的影响。在数据采集的过程中注意图像噪声点和数据空值等杂音的滤除。本文采用地平面提取算法和聚类分析相结合的方法处理图像中的数据空值，因此就涉及到对获取的三维点云数据进行优化。
　　2 人体目标三维点云数据的优化
　　地平面提取算法是一类过滤图像横向和垂直向量的数据过滤算法，其基本算法思想是通过M-estimator算法找到图像的横向平面数据，在过滤横平面时需要以垂直法向量为参考向量，同理，在过滤垂直墙面时应该以水平方向量为参考。然后通过MLESAC算法遴选出到平面和到垂直面小于特定距离的点，最后过滤掉这些平面数据和墙面数据。使用该算法可以最大程度的滤除掉图像中的干扰点数据，但空间范围内依然分布着许多散乱的杂点，使用网格法滤除杂点数据，获得人体目标较为准确的数据集。具体做法：
　　1）首先设定人体目标网格的数据大小，删除人体目标网格之外的数据点，保留大部分人体目标特征的数据。
　　2）将大于网格规格数的数据点用标记序号的方式标记出来，形成数据集合。
　　3）在为删除杂点的原始数据中选择出标记过序号的数据点，并使用聚类算法将这些数据存储在一个新的矩阵类中，作为进一步过滤数据的原始数据集合。
　　通过以上方法可以对提取到的人体三维点云数据进行数据清洗和优化。为后期人体目标检测做准备。
　　采用聚类分类方法将空间中关于人体目标数据进行划分，利用相似性对比方法，将与样本数据具有相似特征的人体目标特征数据进行聚类分析，采用一类聚类方法，使用pdist，linkage，cluste函数综合运用，采用原始样本数据矩阵X进行数据聚类，通过调节不同阈值大小实现人体数据特征的分类与提取，建立人体数据特征数据库。为后续的特征匹配做准备。
　　3 人体目标检测
　　DWT算法是一种动态时间规划算法，该算法兼具距离计算和模版序列整合功能，对模版序列长度，和时间间隔长度获得人体目标的特征数据。目前使用最广泛的领域是在语音识别系统中对孤立词的辨别，在语音识别系统中可以很好地解决词语发音长短不同的问题，对于特征匹配法偏差匹配有辅助作用，这也可以较好的解决人体不同姿势说产生的投影轮廓特征曲线发生方向偏差，准确将人体目标数据与特征数据集中的数据进行匹配。假设参考模版为R={R（1），R（2）…R（n）}，待测试模版为T={T（1），T（2）…T（n）}，R（m）和T（n）内存储人体目标的特征矢量，通过寻找模版匹配时的最小累计失真矢量来匹配人体投影轮廓的特征曲线，从而识别人体目标。距离越趋近于0，表示两组数据的相似程度越高，相反，相似程度越低，当时失真距离大于1时，则该物体不是人体目标。通过本算法对于目标的检测准确率达到了98.5%，由于人体点云数据中有其他数据点对人体轮廓特征的识别有干扰，故该算法建立的模型依然有一定的误差。误差产生的原因应该和聚类阈值数有关。基于DWT距离的层次聚类算法相较于传统的聚类方法效果更佳。，由于DWT 算法会产生出多层次的聚类结果，每一层由于对应阈值数选着的大小而产生不同的聚类结果数，因此，需要我们合理的确定阈值数，避免产生不同高度的聚类数，一般会根据检测到的孤立序列数目的变化情况来确定合理的阈值。我们可以定义Dnd（x）为序列x和距离x最近的DTW距离，D0为孤立序列与非孤立序列之间距离的阈值，如果Dnd（x）>D0，则x称为孤立序列，减小D0值时孤立序列的数目会增加，当D0减小到一定值时，孤立序列的数目会急剧增加，ΔN0会出现峰值，说明此段D0相似性序列较多，再继续减小D0值，ΔN0值会下降。由于ΔN0值出现峰值表明在该孤立序列与非孤立序列 的距离增量情况下，孤立序列增长最快，表明此时序列间 的相似性已较高，因此可选取ΔN0峰值前的 D0为层次聚 类算法终止判断阈值。假设算法在第i次循环时ΔN0值达 到第一个峰值，而程序在第 i+1次循环时才检测到ΔN0值减小，此时D0已减小到第i+2次循环对应的值，[3]由于判断阈值为峰值前的i-1次循环时的D0值，故阈值的判定公式为：
　　Dstop=D0+3D0step （1）
　　阈值的大小会直接影响对相似数据的判定，从而影响目标检测的准确性。因此该算法的的关键是判定合理的阈值空间。
　　4 结束语
　　论文主要围绕着人体目标识别算法展开，通过Kinect设备采集物体额三维点数据，避免了由于物体反射，可见光源强度、方向不同形成物体阴影的问题，提高是识别人体目标的准确度。另外还提出一些关于优化人体三维目标的算法，使用地平面提取算法过滤掉数据中情面与地面的数据点，去除可能造成数据杂点的冗余数据，从而进一步提高数据的准确性。为后面使用DWT算法查为后期人体目标检测提供有效数据集。在本文的研究过程中主要的研究难点是确定人体目标的数据在三维原始样本数据中的位置，通过实验发现影响数据准确性的关键是阈值空间大小的判定也是研究应该考虑的关键，其次有效提取人体目标投影轮廓数据特征曲线并建立人体投影特征数据库完成特征比对工作，这些都是本论文需要进一步考虑的。未来期望能够选着合适的阈值从而提高人体目标的检测准确性并且进一步优化人体目标检测DWT算法，对DWT算法进行优化与改进，降低算法实现的时间复杂度。
　　参考文献：
　　[1]张小红.机载激光雷达测量技术理论与方法[M].武汉：武汉大学出版社，2007.
　　[2]王洋.多线结构光深度图像获取及其图像处理的研究[D].哈尔滨理工大学，2005.
　　[3] 陶洋，邓行，杨飞跃，等.基于DTW距离度量的层次聚类算法[J].计算机工程与设计，2019，40（01）：116-121.
　　【通联编辑：王力】
转载注明来源:https://www.xzbu.com/8/view-14769821.htm