基于三維點云數據的人體目標檢測技術研究

王彬菁

摘要：隨著國家和政府對網絡化程度的不斷推進，社會各行業均以離不開高新技術輔助開展生產生活，其中目標檢測和人臉識別的相關技術研究越來越熱，對于應急突發狀況的防御處理有技術優勢。然而，現如今在各項研究中針對任務區域內的人體目標的掃描監控，是十分復雜的研究難題，現有的基于可見光圖像對物體進行識別監控的技術會受到光線強弱、物體放射特性等客觀因素的影響，從而降低目標檢測的準確度。基于此，本文提出了一種基于三維點云數據的人體目標檢測方法，利用深度傳感器對任務區域人體目標進行識別，從而保證設備監控的穩定性、安全性與智能性。在建立基本人體數據庫的基礎上，對獲取數據進行預處理，通過人體標繪法形成人體目標投影輪廓特征庫，降噪后使用動態時間歸整算法進行人體目標檢測。

關鍵詞：三維點云；地平面提取算法；DTW算法；目標檢測

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2019）11-0201-02

隨著社會經濟的不斷發展進步，社會各領域的矛盾日益增長，為了保證社會穩定，相關政府機構也探索不同的監控預測方法，及早將危機消滅在萌芽初期。因此也促使了目標檢測技術的發展，比如鷹眼監控等，對目標區域的人體的識別與監控是該技術的研究方向，目前也有大量的技術成果，比如基于可見光圖像對區域目標進行識別。但由于受到客觀復雜環境的干擾影響，對光線強弱對比和光源照射方向所產生的陰影，以及玻璃晶體造成的反光現象等會對特定區域的目標的識別與監控精度帶來影響。面對這項的研究問題，本文提出一種基于三維點云的人體目標檢測技術，該技術與雷達三點定位判斷物體的方法類似，通過傳感器設備實現對物體三維數據的獲取，通過數據預處理方法，聚類特征數據，分析出可以辨別人體特征的數據，使用人工繪制的方法提取投影輪廓的特征曲線建立基本人體數據庫。其中使用DWT（Dynamic Time Warping）動態時間歸整算法實現對人體目標投影輪廓特征曲線的匹配與人體目標檢測。基于三維點云的目標識別的相關研究主要集中在關于特征匹配的目標檢測算法和基于DEM估計的目標檢測算法，目前較為先進的研究方法是基于激光雷達成像數據特的目標檢測技術，大部分使用圖像處理方法，Chevalier[1]等人對旋轉圖像特征的處理算法進行了改進，使用主分量分析方法對三維點云數據中的有向向量進行提取，采用K-MEAN算法對特征數據進行建模。這些方法在研究過程中存在一些問題：首先通過該方法獲得數據為網格數據，需要將距離數據轉變為三維點數據，過程中增加時間復雜度；該類方法對圖像的噪聲點以及雜波處理效果不好，造成數據缺失，具有一定魯棒性，使的該方法的應用場景受局限。另外使用激光雷達獲得三維云數據，設備成本較高，數據使用效率降低。

1 人體目標三維點云數據獲取

Kinect設備為人體目標數據的采集提供了質高價廉的工具，該設備由微軟公司研發的一種非接觸式的數據采集設備，由RGB攝像頭，紅外發射裝備，紅外攝像機等功能部件構成，作為一種交互式傳感設備可以通過人類移動手勢感應控制設備，方便人們截取目標圖像數據。Kinect技術的功能種類繁多，應用場景廣泛，該技術通過計算感應設備發出的紅外光時間與紅外光遇物體反射的時間之差和相位差換算成物體的距離[2]，從而獲取數據，再結合傳統的相機拍攝來呈現物體的三維輪廓圖像，從而獲取待識別人體目標的三維點數據。Kinect在獲取三維點云數據的坐標為（X，Y，Z），在測量空間中有一點K1，它到攝像頭的距離為d，依據公式d=Ktan（HD+L）-O， 計算出的H，D，L對應著坐標矢量（x，y，z），假設K點的圖像投影位置為（i，j）其中X=（i-C1）F1d；y=（i-C2）F2Kd；z=d。另外在獲得三維點數據的過程中要考慮可見光來源，以及可見光不同照射方向所產生陰影，逆光，背光的因素；另外還應該考慮不同的工作環境，背景風景等對數據采集的影響。在數據采集的過程中注意圖像噪聲點和數據空值等雜音的濾除。本文采用地平面提取算法和聚類分析相結合的方法處理圖像中的數據空值，因此就涉及到對獲取的三維點云數據進行優化。

2 人體目標三維點云數據的優化

地平面提取算法是一類過濾圖像橫向和垂直向量的數據過濾算法，其基本算法思想是通過M-estimator算法找到圖像的橫向平面數據，在過濾橫平面時需要以垂直法向量為參考向量，同理，在過濾垂直墻面時應該以水平方向量為參考。然后通過MLESAC算法遴選出到平面和到垂直面小于特定距離的點，最后過濾掉這些平面數據和墻面數據。使用該算法可以最大程度的濾除掉圖像中的干擾點數據，但空間范圍內依然分布著許多散亂的雜點，使用網格法濾除雜點數據，獲得人體目標較為準確的數據集。具體做法：

1）首先設定人體目標網格的數據大小，刪除人體目標網格之外的數據點，保留大部分人體目標特征的數據。

2）將大于網格規格數的數據點用標記序號的方式標記出來，形成數據集合。

3）在為刪除雜點的原始數據中選擇出標記過序號的數據點，并使用聚類算法將這些數據存儲在一個新的矩陣類中，作為進一步過濾數據的原始數據集合。

通過以上方法可以對提取到的人體三維點云數據進行數據清洗和優化。為后期人體目標檢測做準備。

采用聚類分類方法將空間中關于人體目標數據進行劃分，利用相似性對比方法，將與樣本數據具有相似特征的人體目標特征數據進行聚類分析，采用一類聚類方法，使用pdist，linkage，cluste函數綜合運用，采用原始樣本數據矩陣X進行數據聚類，通過調節不同閾值大小實現人體數據特征的分類與提取，建立人體數據特征數據庫。為后續的特征匹配做準備。

3 人體目標檢測

DWT算法是一種動態時間規劃算法，該算法兼具距離計算和模版序列整合功能，對模版序列長度，和時間間隔長度獲得人體目標的特征數據。目前使用最廣泛的領域是在語音識別系統中對孤立詞的辨別，在語音識別系統中可以很好地解決詞語發音長短不同的問題，對于特征匹配法偏差匹配有輔助作用，這也可以較好的解決人體不同姿勢說產生的投影輪廓特征曲線發生方向偏差，準確將人體目標數據與特征數據集中的數據進行匹配。假設參考模版為R={R（1），R（2）…R（n）}，待測試模版為T={T（1），T（2）…T（n）}，R（m）和T（n）內存儲人體目標的特征矢量，通過尋找模版匹配時的最小累計失真矢量來匹配人體投影輪廓的特征曲線，從而識別人體目標。距離越趨近于0，表示兩組數據的相似程度越高，相反，相似程度越低，當時失真距離大于1時，則該物體不是人體目標。通過本算法對于目標的檢測準確率達到了98.5%，由于人體點云數據中有其他數據點對人體輪廓特征的識別有干擾，故該算法建立的模型依然有一定的誤差。誤差產生的原因應該和聚類閾值數有關。基于DWT距離的層次聚類算法相較于傳統的聚類方法效果更佳。，由于DWT 算法會產生出多層次的聚類結果，每一層由于對應閾值數選著的大小而產生不同的聚類結果數，因此，需要我們合理的確定閾值數，避免產生不同高度的聚類數，一般會根據檢測到的孤立序列數目的變化情況來確定合理的閾值。我們可以定義Dnd（x）為序列x和距離x最近的DTW距離，D0為孤立序列與非孤立序列之間距離的閾值，如果Dnd（x）>D0，則x稱為孤立序列，減小D0值時孤立序列的數目會增加，當D0減小到一定值時，孤立序列的數目會急劇增加，ΔN0會出現峰值，說明此段D0相似性序列較多，再繼續減小D0值，ΔN0值會下降。由于ΔN0值出現峰值表明在該孤立序列與非孤立序列 的距離增量情況下，孤立序列增長最快，表明此時序列間 的相似性已較高，因此可選取ΔN0峰值前的 D0為層次聚 類算法終止判斷閾值。假設算法在第i次循環時ΔN0值達 到第一個峰值，而程序在第 i+1次循環時才檢測到ΔN0值減小，此時D0已減小到第i+2次循環對應的值，[3]由于判斷閾值為峰值前的i-1次循環時的D0值，故閾值的判定公式為：

Dstop=D0+3D0step （1）

閾值的大小會直接影響對相似數據的判定，從而影響目標檢測的準確性。因此該算法的的關鍵是判定合理的閾值空間。

4 結束語

論文主要圍繞著人體目標識別算法展開，通過Kinect設備采集物體額三維點數據，避免了由于物體反射，可見光源強度、方向不同形成物體陰影的問題，提高是識別人體目標的準確度。另外還提出一些關于優化人體三維目標的算法，使用地平面提取算法過濾掉數據中情面與地面的數據點，去除可能造成數據雜點的冗余數據，從而進一步提高數據的準確性。為后面使用DWT算法查為后期人體目標檢測提供有效數據集。在本文的研究過程中主要的研究難點是確定人體目標的數據在三維原始樣本數據中的位置，通過實驗發現影響數據準確性的關鍵是閾值空間大小的判定也是研究應該考慮的關鍵，其次有效提取人體目標投影輪廓數據特征曲線并建立人體投影特征數據庫完成特征比對工作，這些都是本論文需要進一步考慮的。未來期望能夠選著合適的閾值從而提高人體目標的檢測準確性并且進一步優化人體目標檢測DWT算法，對DWT算法進行優化與改進，降低算法實現的時間復雜度。

參考文獻：

[1]張小紅.機載激光雷達測量技術理論與方法[M].武漢：武漢大學出版社，2007.

[2]王洋.多線結構光深度圖像獲取及其圖像處理的研究[D].哈爾濱理工大學，2005.

[3] 陶洋，鄧行，楊飛躍，等.基于DTW距離度量的層次聚類算法[J].計算機工程與設計，2019，40（01）：116-121.

【通聯編輯：王力】