CN104268598A

CN104268598A - 一种基于二维扫描激光的人腿检测方法

Info

Publication number: CN104268598A
Application number: CN201410506045.6A
Authority: CN
Inventors: 周波; 韩明瑞; 戴先中; 马旭东
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2014-09-26
Filing date: 2014-09-26
Publication date: 2015-01-07
Anticipated expiration: 2034-09-26
Also published as: CN104268598B

Abstract

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。

Description

一种基于二维扫描激光的人腿检测方法

技术领域

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

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。

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。

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

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。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一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：

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。

进一步，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：[r₁,r₂,…,r_i,…,r_n]；

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r_i，取中值窗口半径为w，中值窗口内的2w+1个扫描数据r_i-w,r_i-w+1,…,r_i,…,r_i+w-1,r_i+w，对该2w+1个扫描数据求取中值则当时，则当时，则r_i保持不变；其中，δ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

S^{1} = [r_{1}^{1}, r_{2}^{1}, \cdot \cdot \cdot, r_{i}^{1}, \cdot \cdot \cdot, r_{n}^{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：

S^{2} = [\min_{0 \leq k_{1} \leq δ_{1}} r_{{1 + k}_{1}}^{1}, \min_{- 1 \leq k_{1} \leq δ_{1}} r_{{2 + k}_{1}}^{1}, \cdot \cdot \cdot, \min_{- δ_{1} \leq k_{1} \leq 0} r_{{n + k}_{1}}^{1}] = [{r_{1}}^{2}, {r_{2}}^{2}, \cdot \cdot \cdot, {r_{n}}^{2}]

式(1)

其中，δ₁表示用于控制局部邻域范围大小的参数，0≤δ₁≤n；k₁是整数变量，k₁是为了使局部最小化的范围不超过r_i ¹所定义的范围；表示S¹中第1+k₁个元素，表示S¹中第2+k₁个元素，表示S¹中第n+k₁个元素，r₁ ²表示S¹中第1个元素对应邻域内的最小元素值，r₂ ²表示S¹中第2个元素对应邻域内的最小元素值，r_n ²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

\hat{S} = [\max_{0 \leq k_{2} \leq δ_{2}} r_{{1 + k}_{2}}^{2}, \max_{- 1 \leq k_{2} \leq δ_{2}} r_{{2 + k}_{2}}^{2}, \cdot \cdot \cdot, \max_{- δ_{2} \leq k_{2} \leq 0} r_{{n + k}_{2}}^{2}] = [{\hat{r}}_{1}, {\hat{r}}_{2}, \cdot \cdot \cdot, {\hat{r}}_{n}]

式(2)

其中，δ₂表示用于控制局部范围大小的另一个参数，0≤δ₂≤n；k₂是整数变量，k₂是为了使局部最大化的范围不超过r_i ²所定义的范围；表示S²中第1+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，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。

进一步，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如式(3)，设数据段由采用极坐标表示的点集表示，p₁为该数据段的起点，p_n为该数据段的的终点；为点集中第i个点的距离值，φ_i为点集中第i个点对应的角度；

{\hat{S}}_{j} = {p_{1}, \cdot \cdot \cdot, p_{i}, \cdot \cdot \cdot, p_{n}}

式(3)

如果D(p_i,p_i+1)＞D_thd，则p_i与p_i+1属于不同的数据段；如果D(p_i,p_i+1)≤D_thd，则p_i与p_i+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组数据段即为数据分割得到的数据段集合；其中，D_thd表示分隔阈值，D(p_i,p_i+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：

D_thd＝C₀+C₁min(p_i,p_i+1) 式(4)

其中，min(p_i,p_i+1)为极坐标表示下连续两扫描点间的最小距离差；C₀为用于降噪的恒定参数；Δφ表示p_i与p_i+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f_j，如式(5)所示：

h_{j} (e) = \{\begin{matrix} + 1 & if p_{j} f_{j} < p_{j} θ_{j} \\ - 1 & otherwise \end{matrix}

式(5)

式(5)中，h_j(e)表示对应于单值特征f_j的弱分类器，e为数据段参数，θ_j表示单值特征f_j的阈值，p_j表示不等式方向的符号量，p_j∈{+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(e_m,l_m),m＝1,2,...,N，其中e_m为样本，l_m用来指示e_n为正样本还是负样本，l_m∈{+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h_j(e)，将步骤203)得到的训练数据集(e_m,l_m)作为弱分类器的输入，首先初始化权值：

D_{1} (m) = \{\begin{matrix} \frac{1}{2 a}, l_{m} = + 1 \\ \frac{1}{2 b}, l_{m} = - 1 \end{matrix} (m = 1, . . ., N)

式(6)

其中，D₁(m)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：

D_{t} (m) = \frac{D_{t} (m)}{Σ_{i = 1}^{N} D_{t} (i)}

式(7)

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；D_t(m)表示第m个训练数据集在第t轮次的权值，D_t(i)表示第i个训练数据集在第t轮次的权值；

2042)根据D_t训练每一个特征f_j的弱分类器h_j；

2043)对于每个弱分类器h_j进行如下计算：

r_{j} = Σ_{m = 1}^{N} D_{t} (m) l_{m} h_{j} (e_{m})

式(8)

其中，h_j(e_m)∈{+1,-1}；r_j表示运算过程中的中间变量；

2044)选择使|r_j|最大的h_j并进行如下赋值：

(h_t,r_t)＝(h_j,r_j) 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)；

D_t+1(m)＝D_t(m)exp(-α_tl_mh_t(e_m)) 式(10)

其中，

α_{t} = \frac{1}{2} \log (\frac{1 + r_{t}}{1 - r_{t}});

205)得到强分类器H：

H(e)＝sign(F(e)) 式(11)

其中，

F (e) = Σ_{t = 1}^{T} α_{t} h_{t} (e) .

进一步，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，若则为一组垂直边缘；如果则不为一组垂直边缘；σ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，若则为左边缘，若则为右边缘；

304)：将所得的垂直边缘排成一集合其中表示第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；e_l表示第l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f_a，则合并相邻垂直边缘，将合并后的垂直边缘集合记为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ε′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ε′中移除。

进一步，所述的步骤306)中，将垂直边缘集合ε′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SL模式对应的有序序列进行检测。

进一步，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ε′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。

有益效果：本发明的人腿检测方法，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，避免常用计算机视觉方法计算慢、受图像干扰的缺陷，且能够同时实现对静止和运动的人的检测。本发明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，并将扫描数据采用改进中值滤波方法、局部最小化和局部最大化等方法进行预处理；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三种人腿模式(LA、FS、SL)中任意一种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。本发明采用二维激光扫描装置有效地解决了在有人环境下对人的检测的问题，通过基于步态模式结合AdaBoost在线学习的人腿快速检测，提高了people-tracking的速度与精度，保证了在实际应用中的实时性。此方法简单高效，避免常用计算机视觉方法计算慢、受图像干扰的缺陷，且能够同时实现对静止和运动的人的检测，可广泛用于人流数据统计、自主无人驾驶、室内外服务机器人等领域的广泛需求，具有广阔的应用前景和良好的经济效益。

附图说明

图1为本发明的流程框图。

图2为本发明第一步的流程框图。

图3为本发明第二步的流程框图。

图4为本发明第三步的流程框图。

图5为本发明第四步的流程框图。

图6为本发明扫描数据涉及参数的示意图。

图7为本发明分段的示意图。

图8为本发明中SL模式示意图。

具体实施方式

下面结合附图，对本发明做进一步说明。

如图1所示，本发明的基于二维扫描激光的人腿检测方法，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。

考虑到环境噪声及动态因素的影响，把测量的激光数据通过改进中值滤波方法进行滤波处理；然后采用局部最小化算法，以消除由于在倾斜表面反射可能产生的尖峰；最后通过局部最大化算法以丢弃像桌腿一样细的对象。如图2所示，第一步具体包括以下步骤101)至104)：

S^{1} = [r_{1}^{1}, r_{2}^{1}, \cdot \cdot \cdot, r_{i}^{1}, \cdot \cdot \cdot, r_{n}^{1}];

S^{2} = [\min_{0 \leq k_{1} \leq δ_{1}} r_{{1 + k}_{1}}^{1}, \min_{- 1 \leq k_{1} \leq δ_{1}} r_{{2 + k}_{1}}^{1}, \cdot \cdot \cdot, \min_{- δ_{1} \leq k_{1} \leq 0} r_{{n + k}_{1}}^{1}] = [{r_{1}}^{2}, {r_{2}}^{2}, \cdot \cdot \cdot, {r_{n}}^{2}]

式(1)

\hat{S} = [\max_{0 \leq k_{2} \leq δ_{2}} r_{{1 + k}_{2}}^{2}, \max_{- 1 \leq k_{2} \leq δ_{2}} r_{{2 + k}_{2}}^{2}, \cdot \cdot \cdot, \max_{- δ_{2} \leq k_{2} \leq 0} r_{{n + k}_{2}}^{2}] = [{\hat{r}}_{1}, {\hat{r}}_{2}, \cdot \cdot \cdot, {\hat{r}}_{n}]

式(2)

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。

如图3所示，第二步具体包括以下步骤201)至205)：

201)数据分割：为了在距离图像中根据几何特征来检测人的腿，首先需要将扫描数据分割成不同的段。分割的目的是为使分割得到各段集合都与检测目标(人)相关。如果连续两个点之间的距离大于某个阈值则视为不同的段，否则视为同一段；然后再去掉分割得到的一些孤立值(即某个分段内的点数据太少，不构成一个特征此处采用简单的跳跃距离来分割，过程如下：

{\hat{S}}_{j} = {p_{1}, \cdot \cdot \cdot, p_{i}, \cdot \cdot \cdot, p_{n}}

式(3)

D_thd＝C₀+C₁min(p_i,p_i+1) 式(4)

其中，min(p_i,p_i+1)为极坐标表示下连续两扫描点间的最小距离差；C₀为用于降噪的恒定参数；Δφ表示p_i与p_i+1之间的夹角。扫描数据及涉及参数如图6所示。

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。每个分段的特征集可构成一个配置文件，如图7所示。图7中坐标系为激光所在二维平面的标准笛卡尔坐标系，图中点为某几个分段中的点，横坐标表示点在x方向位置，纵坐标表示点在y方向位置。对于弱分类器，采用单值特征f_j，如式(5)所示：

h_{j} (e) = \{\begin{matrix} + 1 & if p_{j} f_{j} < p_{j} θ_{j} \\ - 1 & otherwise \end{matrix}

式(5)

式(5)中，h_j(e)表示对应于单值特征f_j的弱分类器，e为数据段参数，θ_j表示单值特征f_j的阈值，p_j表示不等式方向的符号量，p_j∈{+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(e_m,l_m),m＝1,2,...,N，其中e_m为样本，l_m用来指示e_m为正样本还是负样本，即检测的目标是否为人。l_m∈{+1,-1}。

D_{1} (m) = \{\begin{matrix} \frac{1}{2 a}, l_{m} = + 1 \\ \frac{1}{2 b}, l_{m} = - 1 \end{matrix} (m = 1, . . ., N)

式(6)

2041)归一化权值：

D_{t} (m) = \frac{D_{t} (m)}{Σ_{i = 1}^{N} D_{t} (i)}

式(7)

2042)根据D_t训练每一个特征f_j的弱分类器h_j；

2043)对于每个弱分类器h_j进行如下计算：

r_{j} = Σ_{m = 1}^{N} D_{t} (m) l_{m} h_{j} (e_{m})

式(8)

其中，h_j(e_m)∈{+1,-1}；r_j表示运算过程中的中间变量；

2044)选择使|r_j|最大的h_j并进行如下赋值：

(h_t,r_t)＝(h_j,r_j) 式(9)

D_t+1(m)＝D_t(m)exp(-α_tl_mh_t(e_m)) 式(10)

其中，

α_{t} = \frac{1}{2} \log (\frac{1 + r_{t}}{1 - r_{t}}) .

205)得到强分类器H：

H(e)＝sign(F(e)) 式(11)

其中，

F (e) = Σ_{t = 1}^{T} α_{t} h_{t} (e) .

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，检测出人腿。

如图4所示，第三步具体包括以下步骤301)至306)：

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，若则为一组垂直边缘；如果则不为一组垂直边缘；σ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，若则为左边缘，若则为右边缘。

304)：将所得的垂直边缘排成一集合其中表示第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；e_l表示第l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f_a，则合并相邻垂直边缘，将合并后的垂直边缘集合记为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}。L表示垂直边缘对应的方位为左边缘；R表示垂直边缘对应的方位为右边缘。

306)：从垂直边缘集合ε′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ε′中移除。作为优选，由于所有的LA模式最为可靠，因此最先检测；而最容易误检测的SL模式留到最后检测。在检测时，将垂直边缘集合ε′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SL模式对应的有序序列进行检测。

如图5所示，第四步具体包括以下步骤401)至404)：

401)：SL模式提取：将步骤306)中，从垂直边缘集合ε′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，如图8所示。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。对分阈值为18。如果直接将SL模式的数据段用AdaBoost训练得到的强分类器测试，对于双腿并拢的情况很可能出现误检测。考虑到双腿并拢扫描到的是两个类圆弧的形状，即类似于两个单腿合在一起，为此我们在SL模式的腿用AdaBoost方法进一步检测前，首先将SL模式中的点对分为两个数据段。对于单腿的情况，即使是对半分后检测，也不会影响其检测结果。

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。

应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims

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：

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：

S^{1} = [r_{1}^{1}, r_{2}^{1}, \cdot \cdot \cdot, r_{i}^{1}, \cdot \cdot \cdot, r_{n}^{1}];

S^{2} = [\min_{0 \leq k_{1} \leq δ_{1}} r_{{1 + k}_{1}}^{1}, \min_{- 1 \leq k_{1} \leq δ_{1}} r_{{2 + k}_{1}}^{1}, \cdot \cdot \cdot, \min_{- δ_{1} \leq k_{1} \leq 0} r_{{n + k}_{1}}^{1}] = [{r_{1}}^{2}, {r_{2}}^{2}, \cdot \cdot \cdot, {r_{n}}^{2}]

式(1)

\hat{S} = [\max_{0 \leq k_{2} \leq δ_{2}} r_{{1 + k}_{2}}^{2}, \max_{- 1 \leq k_{2} \leq δ_{2}} r_{{2 + k}_{2}}^{2}, \cdot \cdot \cdot, \max_{- δ_{2} \leq k_{2} \leq 0} r_{{n + k}_{2}}^{2}] = [{\hat{r}}_{1}, {\hat{r}}_{2}, \cdot \cdot \cdot, {\hat{r}}_{n}]

式(2)

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：

{\hat{S}}_{j} = {p_{1}, \cdot \cdot \cdot, p_{i}, \cdot \cdot \cdot, p_{n}}

式(3)

D_thd＝C₀+C₁min(p_i,p_i+1) 式(4)

h_{j} (e) = \{\begin{matrix} + 1 & if p_{j} f_{j} < p_{j} θ_{j} \\ - 1 & otherwise \end{matrix}

式(5)

D_{1} (m) = \{\begin{matrix} \frac{1}{2 a}, l_{m} = + 1 \\ \frac{1}{2 b}, l_{m} = - 1 \end{matrix} (m = 1, . . ., N)

式(6)

2041)归一化权值：

D_{t} (m) = \frac{D_{t} (m)}{Σ_{i = 1}^{N} D_{t} (i)}

式(7)

2042)根据D_t训练每一个特征f_j的弱分类器h_j；

2043)对于每个弱分类器h_j进行如下计算：

r_{j} = Σ_{m = 1}^{N} D_{t} (m) l_{m} h_{j} (e_{m})

式(8)

其中，h_j(e_m)∈{+1,-1}；r_j表示运算过程中的中间变量；

2044)选择使|r_j|最大的h_j并进行如下赋值：

(h_t,r_t)＝(h_j,r_j) 式(9)

D_t+1(m)＝D_t(m)exp(-α_tl_mh_t(e_m)) 式(10)

其中，

α_{t} = \frac{1}{2} \log (\frac{1 + r_{t}}{1 - r_{t}});

205)得到强分类器H：

H(e)＝sign(F(e)) 式(11)

其中，

F (e) = Σ_{t = 1}^{T} α_{t} h_{t} (e) .

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：

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ε′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SL模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：

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。