一种基于距离传感器的多行人跟踪方法和系统技术方案

一种基于距离传感器的多行人跟踪方法，包括：S1，在观测现场布置一台或多台二维距离传感器，通过平面扫描获取行人的足部信息的激光点云数据，提取前景数据；S2，识别观测现场的特定标定物，并结合前景数据获得融合后的全局二维多传感器融合数据；S3，基于聚类方法对点云数据进行聚类，进行主分量分析，以获得各簇的信息；S4，基于现有目标状态参数信息，为每个行人分配一个跟踪代理；S5，引入多行人交互作用模型，基于行人交互作用模型进行目标参数预测；S6，在不需要显式数据关联关系的前提下，建立全体观测与单个行人之间的联系，基于隐式数据关联的目标参数更新多行人参数状态。本发明专利技术对应提出一种系统。本发明专利技术能够实时跟踪多个行人。

【技术实现步骤摘要】

本专利技术涉及行人跟踪技术，更具体地，涉及基于距离传感器的多行人跟踪方法和系统。
技术介绍
客流信息在公共交通管理、安全、反恐、商业规划等方面有重要作用。对于行人的跟踪问题被研究多年，但仍然是处于实验室阶段。目前已有一些多目标跟踪算法，如多假设跟踪(MHT，MultipleHypothesisTracking)、联合多目标跟踪(JPDA,JointProbabilityDataAssociation)等。对行人的跟踪的难点在于：人流密集，环境复杂，现场环境的建筑物等遮挡时造成数据质量下降，给多目标的数据关联带来较大负面影响的影响，直接造成跟踪精度的迅速下降；此外，现有方法在处理多目标跟踪时，因考虑多目标联合分布或多假设而导致运算量急剧上升，难以处理大量目标。
技术实现思路
针对现有技术的问题，本专利技术提出一种基于距离传感器的多行人跟踪方法，所述方法包括：S1，在观测现场布置一台或多台二维距离传感器，通过平面扫描获取行人的足部信息的激光点云数据，对采集的每帧激光点云数据提取前景数据；S2，通过距离传感器识别观测现场的特定标定物，结合匹配和标定方法，获得各距离传感器的全局姿态信息，并结合步骤S1中提取的前景数据，获得融合后的全局二维多传感器融合数据；S3，基于聚类方法对S2中获取的点云数据进行聚类，聚类后对簇中的点进行主分量分析，以获得各簇的信息；S4，多独立跟踪代理：基于现有目标状态参数信息，为观测区域中出现的每个行人分配一个跟踪代理，该跟踪代理仅负责跟踪单个行人；S5，引入多行人交互作用模型，在该模型中，设定在跟踪某个目标的状态时，认为其状态只与其邻域范围内的其他目标相关，基于行人交互作用模型进行目标参数预测；S6，进行隐式数据关联，即在不需要显式数据关联关系的前提下，建立全体观测与单个行人之间的联系，然后，基于隐式数据关联的目标参数更新多行人参数状态。本专利技术还提出一种基于距离传感器的多行人跟踪系统，包括：现场布置的一台或多台二维距离传感器；采集单元，所述采集单元连接到所述二维距离传感器，采集所述二维距离传感器通过平面扫描获取的行人的足部信息的激光点云数据，并且所述采集单元对采集的每帧激光点云数据提取前景数据；融合单元，所述融合单元通过距离传感器识别观测现场的特定标定物，结合匹配和标定方法，获得各距离传感器的全局姿态信息，并结合所述采集单元提取的前景数据，获得融合后的全局二维多传感器融合数据；聚类单元，所述聚类单元基于聚类方法对融合单元中获取的点云数据进行聚类，聚类后对簇中的点进行主分量分析，以获得各簇的信息；多独立跟踪代理单元，其基于现有目标状态参数信息，为观测区域中出现的每个行人分配一个跟踪代理，该跟踪代理仅负责跟踪单个行人；多行人交互作用模型单元，其被设定为在跟踪某个目标的状态时，认为其状态只与其邻域范围内的其他目标相关，所述多行人交互作用模型单元基于行人交互作用模型进行目标参数预测；隐式数据关联单元，在该隐式数据关联单元中，在不需要显式数据关联关系的前提下，建立全体观测与单个行人之间的联系，然后，基于隐式数据关联的目标参数更新多行人参数状态。本专利技术的有益效果包括：1、本专利技术的方法能够通过采集的时序点云数据中快速、准确跟踪多个行人目标。2、经过实验，本专利技术的方法能够在低于50人时可实时跟踪。附图说明图1显示了本专利技术的方法的处理流程图。图2显示了多目标跟踪数据关联示意图。图3显示了显示数据关联的难点。图4显示了本专利技术的系统的结构原理图。具体实施方式下面参照附图描述本专利技术的实施方式，其中相同的部件用相同的附图标记表示。如图1所示，本专利技术的方法包括：S1，在观测现场布置一台或多台二维距离传感器，通过平面扫描来采集目标(即行人)的足部信息的激光点云数据，对采集的每帧激光点云数据提取前景数据。所述传感器优选地为二维中程距离传感器。所述距离传感器设置于固定位置，距离传感器的扫描平面与地面平行。一般地，距离传感器设置于距离地面20-30cm的高度，以能够扫描到行人的足部区域即可。所述采集的足部信息包括：每个距离传感器每次的扫描角度和检测距离。对于单距离传感器所采集的时序数据一般可表示为：其中分别代表第i个扫描点(距离传感器)的扫描角度和相应的检测距离；N为一次扫描中所采集的总点数；t代表扫描的时序。针对激光点云数据，对于每个扫描角度的时序数据，通过在时间上进行直方图分析，即可提取出背景信息，并用于判定相应的前景数据(参见“H.ZhaoandR.Shibasaki,“Anovelsystemfortrackingpedestriansusingmultiplesingle-rowlaserrangescanners,”IEEETransactionsonSystems,ManandCybernetics,PartA,vol.35,pp.283-291,2005.”)。S2，通过距离传感器识别观测现场的特定标定物，结合匹配和标定方法，获得各距离传感器的全局姿态信息，并结合步骤S1中提取的前景数据，获得融合后的全局二维多传感器融合数据。(参见“X.Shao,Y.Shi,H.Zhao,X.Li,R.Shibasaki,“EfficientClosed-LoopMultiple-ViewRegistration”,IEEETransactionsonIntelligentTransportationSystems,vol.15,no.6,pp.2524-2538,2014”)本步骤是为了将距离传感器所采集数据置于统一的空间坐标，需要获得各传感器的全局姿态信息。数据融合后获得的统一空间坐标如公式(2)所示。其中代表第i个前景点的二维空间坐标；nt为第t次扫描所获取的前景点数。在步骤S2中获取的点云数据较为庞大，难以直接使用，因此需要聚类分析进行初步信息提取。聚类是指将空间上位置相近的点划分为一个簇(cluster)的过程。S3，基于聚类方法对S2中获取的点云数据进行聚类，聚类后对簇中的点进行主分量分析(PCA，PrincipalComponentAnalysis)，以获得各簇的信息，包括：该簇的质心位置、包含点的数量、主轴方向及长度、次轴方向及长度。优选地，采用的聚类方法为Mean-shift方法，Mean-shift方法能够对二维点集进行自适应聚类(参见“D.ComaniciuandP.Meer,”Distributionfreedecompositionofmultivariatedata”,PatternAnalysisandApplications,vol.2,pp.22-30,1999.”)。优选地，使用基于块计算的快速算法提升效率(参见“X.Shao,K.Katabira,R.ShibasakiandH.Zhao,\Multiplepeopleextractionusing3Drangesensor\,Proc.IEEEInternationalConferenceonSystems,Man,andCybernetics,pp.1550-1554,2010.”)。基于步骤S3获得的聚类信息，即可进行多目标跟踪。当前通常的主流目标跟踪方法有基于Bayesian方法的序列目标跟踪方法，该方法的原理可以简述为本文档来自技高网...

【技术保护点】
一种基于距离传感器的多行人跟踪方法，其特征在于，包括：S1，在观测现场布置一台或多台二维距离传感器，通过平面扫描获取行人的足部信息的激光点云数据，对采集的每帧激光点云数据提取前景数据；S2，通过距离传感器识别观测现场的特定标定物，结合匹配和标定方法，获得各距离传感器的全局姿态信息，并结合步骤S1中提取的前景数据，获得融合后的全局二维多传感器融合数据；S3，基于聚类方法对S2中获取的点云数据进行聚类，聚类后对簇中的点进行主分量分析，以获得各簇的信息；S4，多独立跟踪代理：基于现有目标状态参数信息，为观测区域中出现的每个行人分配一个跟踪代理，该跟踪代理仅负责跟踪单个行人；S5，引入多行人交互作用模型，在该模型中，设定在跟踪某个目标的状态时，认为其状态只与其邻域范围内的其他目标相关，基于行人交互作用模型进行目标参数预测；S6，进行隐式数据关联，即在不需要显式数据关联关系的前提下，建立全体观测与单个行人之间的联系，然后，基于隐式数据关联的目标参数更新多行人参数状态。

【技术特征摘要】
1.一种基于距离传感器的多行人跟踪方法，其特征在于，包括：S1，在观测现场布置一台或多台二维距离传感器，通过平面扫描获取行人的足部信息的激光点云数据，对采集的每帧激光点云数据提取前景数据；S2，通过距离传感器识别观测现场的特定标定物，结合匹配和标定方法，获得各距离传感器的全局姿态信息，并结合步骤S1中提取的前景数据，获得融合后的全局二维多传感器融合数据；S3，基于聚类方法对S2中获取的点云数据进行聚类，聚类后对簇中的点进行主分量分析，以获得各簇的信息；S4，多独立跟踪代理：基于现有目标状态参数信息，为观测区域中出现的每个行人分配一个跟踪代理，该跟踪代理仅负责跟踪单个行人；S5，引入多行人交互作用模型，在该模型中，设定在跟踪某个目标的状态时，认为其状态只与其邻域范围内的其他目标相关，基于行人交互作用模型进行目标参数预测；S6，进行隐式数据关联，即在不需要显式数据关联关系的前提下，建立全体观测与单个行人之间的联系，然后，基于隐式数据关联的目标参数更新多行人参数状态。2.根据权利要求1所述的基于距离传感器的多行人跟踪方法，其特征在于，在S1中，采集的足部信息包括：每个距离传感器每次的扫描角度和检测距离；在S3中，各簇的信息包括：该簇的质心位置、包含点的数量、主轴方向及长度、次轴方向及长度；在S4中，所述目标状态参数包含：左脚和右脚位置、步长、行走周期、行走方向及步态相位。3.根据权利要求1所述的基于距离传感器的多行人跟踪方法，其特征在于，多独立跟踪代理在处理目标的跟踪任务时彼此独立，但同时有特定的信息共享机制，具体包括：-在每帧的预测及更新过程中，读取其他目标在上一帧的状态信息；-在每帧的更新过程结束后，公开本代理对应目标的当前帧状态信息。4.根据权利要求1所述的基于距离传感器的多行人跟踪方法，其特征在于，基于S4中的多独立跟踪代理，在S6中，采用并行处理方式进行独立计算。5.根据权利要求1所述的基于多距离传感器的多行人跟踪方法，其特征在于，S6包括：S6-1，判断目标是否消失，如果消失，则移除跟踪行人；如果没有消失，跳转到步骤S6-2；S6-2，判断是否有观测数据未关联且符合新目标条件，如果是，则新增跟踪行人，新行人的参数状态加入多行人参数状态。6.一种基于距离传感器的多行人跟踪系统，其特征在于，...

【专利技术属性】
技术研发人员：邵肖伟，许永伟，
申请(专利权)人：深圳市鸿逸达科技有限公司，
类型：发明
国别省市：广东;44