CN113822210B - 一种基于激光技术的人腿检测方法 - Google Patents

Abstract

本发明提供了一种基于激光技术的人腿检测方法，包括：基于激光雷达采集待检测人腿的激光数据；将激光数据读入训练好的随机森林分类器，对激光数据进行预分类，获得分类评分；当分类评分大于预设评分时，判定待检测人腿为真人腿；否则，判定待检测人腿为非人腿。采用激光雷达与随机森林分类器的结合，来对激光数据进行分类，便于实现对人腿的有效检测。

Description

一种基于激光技术的人腿检测方法

技术领域

本发明涉及机器人技术领域，特别涉及一种基于激光技术的人腿检测方法。

背景技术

随着人工智能技术的快速发展，近年来各个领域及行业中，越来越多的人工智能技术及产品得以落地，机器人的发展无疑也受益于这些人工智能技术，有了这些技术的加持，机器人变的越来越智能和实用。

服务机器人是机器人领域中较为年轻的一员，但发展势头强劲，具有广阔的市场。服务机器人由于其“服务”的特质，需要其具备良好的对“服务对象”的感知能力及抽象能力，才能具象化地提供针对性及差异化的服务。对于此，大部分的解决方案是通过视觉相关技术如人脸检测，人体检测，人脸识别，情绪识别，行为识别等相关技术来实现对人的动态感知及分析，而视觉相关技术的关键在于摄像头，由于摄像头的视角有限，不能覆盖所有应用场景，对于超出摄像头视野范围而人脸检测及人体检测都发挥不了作用的场景：比如，背对摄像头且距离摄像头较近，身高比较矮在摄像头下盲区内，身高比较高在摄像头下只能拍摄到部分身体区域等，为了在不改变机器人结构及增加其他硬件的前提下，就可以对身体区域进行有效检测，因此，本发明提出了一种基于激光技术的人腿检测方法。

发明内容

本发明提供一种基于激光技术的人腿检测方法，用以采用激光雷达与随机森林分类器的结合，来对激光数据进行分类，便于实现对人腿的有效检测。

本发明提出一种基于激光技术的人腿检测方法，包括：

基于激光雷达采集待检测人腿的激光数据；

将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分；

当所述分类评分大于预设评分时，判定所述待检测人腿为真人腿；

否则，判定所述待检测人腿为非人腿。

在一种可能实现的方式中，训练好的随机森林分类器的获取步骤包括：

基于激光雷达采集历史人腿的人腿数据，并对所述人腿数据进行预处理，获得训练及测试数据集；

对获取的训练及测试数据集进行特征提取，基于特征提取结果，训练随机森林分类器，进而获得训练好的随机森林分类器；

其中，所述历史人腿包括：真人腿样本和非人腿样本。

在一种可能实现的方式中，对获取的训练及测试数据集进行特征提取的步骤包括：

预设所述训练及测试数据集中对应的激光数据的激光点簇数据为：(x₁,y₁),(x₂,y₂),…,(x_n,y_n)；其中，(x_i,y_i)表示二维地图平面上激光点的位置坐标，i∈[1,n]表示第i个激光点；

计算所述激光点簇数据的均值(X_mean,Y_mean)；

提取所述激光点簇数据对应的所有激光点簇的x值，并按照从小到大进行排序得X(x₁,x₂…x_n)；

提取所述激光点簇数据对应的所有激光点簇的y值，并按照从小到大进行排序得Y(y₁,y₂…y_n)；

根据如下公式计算得到所述激光点簇数据的中位数(X_median,Y_median)；

计算所述激光点簇数据的标准差δ(u)和平均中位数标准差δ(m)；

计算所述激光点簇数据对应的激光点簇的跨越宽度；

计算所述激光点簇数据的线性度，其计算步骤包括：

创建n行2列的矩阵A：

对所述矩阵A进行奇异值分解：A_n*2＝U_n*2∑_2*2V_2*2 ^*，可得奇异矩阵U_n*2、∑_2*2和V_2*2；其中，U为n*2的酉矩阵，∑为半正定的2*2的对角矩阵，V^*为V的共轭转置，为2*2的酉矩阵；

将U右乘∑得到矩阵

根据矩阵R可计算线性度linearity：

linearity＝r₀₁ ²+r₁₁ ²+…+r_(n-1)1 ²；

计算所述激光点簇数据的圆形度，其计算步骤如下：

创建矩阵

创建矩阵

其中，A_n*3*Sol_3*1＝B_n*1；

用奇异值分解法求解线性方程，可得矩阵

根据求解结果可得拟合圆形的圆心：(xc,yc)＝(Sol₀₀,Sol₁₀)，其中，(xc,yc)表示拟合圆形的圆心；

根据求解结果可得拟合圆形的半径：

根据圆心和半径进行圆形度circularity计算：

根据上述计算结果，实现对所述训练及测试数据集的特征提取。

在一种可能实现的方式中，对所述激光数据进行预分类之前，还包括：

按照激光距离规则，对采集的激光数据进行激光距离分割，获得若干数据层；

所述训练好的随机森林分类器是基于对训练及测试数据集进行距离分割训练得到的；

当所述训练好的随机森林分类器对所述数据层进行预分类之前，根据所述激光数据对应的数据层，确定所述训练好的随机分类器对应的层模型，通过所述层模型对对应的数据层进行识别。

在一种可能实现的方式中，基于激光雷达采集待检测人腿的激光数据的步骤包括：

确定所述待检测人腿的待检测位置；

获取所述激光雷达的发射器的发射角度以及发射范围，并根据所述待检测位置调整所述激光雷达的发射角度以及发射范围；

采集基于调整后的激光雷达的聚焦光斑，同时，采集基于调整后的激光雷达的入射光斑，将所述聚焦光斑与所述入射光斑进行调节重合；

基于调节重合后的激光雷达，获取每个激光通道采集的激光信息，对每个激光通道的所述激光信息进行归一化处理，并建立每个激光通道的激光函数；

将基于调节重合后的每个激光通道的激光信息反射到所述待检测人腿上，同时，基于激光函数构建的激光扫描库，获取反射信息，并构建每个激光通道对应的反射激光库；

根据所述反射激光库，获取所述待检测人腿的激光数据；

其中，所述激光扫描库与所述反射激光库呈现之间一一对应关系。

在一种可能实现的方式中，将激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的步骤包括：

对激光数据进行预处理，基于预处理结果，将符合预设条件的激光点分成不同的激光簇，并对所述激光簇进行特征提取，获得若干个特征信息；

将若干个特征信息读入到所述训练好的随机森林分类器中，对若干个特征信息进行预分类；

根据预分类结果，实现对所述激光数据的分类，进而获取分类评分。

在一种可能实现的方式中，基于激光雷达采集待检测人腿的激光数据的过程中，还包括：

采集所述激光雷达照射在所述待检测人腿上的激光纹理图，并将所述激光纹理图转化为激光数字图；

获取所述激光数字图的激光阵列；

基于所述激光阵列提取中心激光条纹，并确定所述中心激光条纹的中心像素矩阵，基于所述激光阵列提取中间激光条纹，并确定所述中间激光条纹的中间像素矩阵，基于所述激光阵列提取边缘激光条纹，确定所述边缘激光条纹的边缘像素矩阵；

基于所述激光阵列进行相邻线条标定，基于中心像素矩阵、中间像素矩阵以及边缘像素矩阵，确定同条线上的线像素矩阵；

对所述线像素矩阵中的每个行向量进行第一拟合处理，对所述线像素矩阵中的每个列向量进行第二拟合处理；

根据第一拟合处理结果和第二拟合处理结果，确定所述待检测人腿的激光分布图像；

同时，根据所述激光分布图像，对获取的所述激光数据进行优化处理，获得优化激光数据；

其中，基于所述边缘激光条纹、中间激光条纹以及中心激光条纹构成激光阵列。

在一种可能实现的方式中，将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的过程中，还包括：

获取目标人物在运动过程中的当前时间点的腿部运动信息，其中，所述腿部运动信息包括：在运动过程中的当前时间点的前、后、左、右四个方位下所述目标人物的腿部移动角度θ_d＝{θ_前,θ_后,θ_左,θ_右}、腿部移动速度v_d＝{v_前,v_后,v_左,v_右}以及所述目标人物在运动过程中的腿部姿态s_d＝{s_前,s_后,s_左,s_右}；

根据如下公式，计算所述目标人物在运动过程中的当前时间点的腿部综合值H_d；

其中，G(θ_d,v_d,s_d)表示以目标人物在运动过程中的腿部移动角度θ_d、腿部移动速度v_d以及腿部姿态s_d为自变量确定的腿部综合评估函数；d表示当前时间点；

根据如下公式，对所述当前时间点的腿部综合值H_d进行修正，获得修正综合值H_d′；

H_d′＝H_d*K(ο₁,ο₂)；

ο₁＝κ₁₁f₁₁+κ₁₂f₁₂+κ₁₃f₁₃；

ο₂＝κ₂₁f₂₁+κ₂₂f₂₂+κ₂₃f₂₃；

其中，K(ο₁,ο₂)表示基于当前时间点的上一时间点与下一时间点的腿部修正函数；ο₁表示基于当前时间点的上一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₁₁表示上一时间点的腿部移动角度；κ₁₁表示上一时间点的基于腿部移动角度的角度权重因子；f₁₂表示上一时间点的腿部移动速度；κ₁₂表示上一时间点的基于腿部移动速度的速度权重因子；f₁₃表示上一时间点的腿部姿态；κ₁₃表示上一时间点的基于腿部姿态的姿态权重因子；ο₂表示基于当前时间点的下一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₂₁表示下一时间点的腿部移动角度；κ₂₁表示下一时间点的基于腿部移动角度的角度权重因子；f₂₂表示下一时间点的腿部移动速度；κ₂₂表示下一时间点的基于腿部移动速度的速度权重因子；f₂₃表示下一时间点的腿部姿态；κ₂₃表示下一时间点的基于腿部姿态的姿态权重因子；其中，κ₁₁+κ₁₂+κ₁₃＝1，κ₂₁+κ₂₂+κ₂₃＝1；

根据所述修正综合值，从腿部数据库中调取与所述修正综合值相关的标准腿部信息，同时，将所述标准腿部信息与所述腿部运动信息进行匹配分析；

当匹配分析结果的匹配度大于90％，则保留所述标准腿部信息不变；

否则，从计算数据库中调取辅助匹配函数，重新计算所述腿部运动信息对应的修正综合值，若计算结果与上次一致，则将所述标准腿部信息删除，并替换为对应的腿部运动信息。

本发明的有益效果：

1、采用激光雷达与随机森林分类器的结合，来对激光数据进行分类，便于实现对人腿的有效检测。

2、通过基于激光距离分割，便于进行对应的层层识别，提高识别正确率以及召回率，为后续进行人腿有效的检测提供便利。

3、通过获取待检测位置，便于对激光雷达的发射器的发射角度以及发射范围进行调整，便于后续进行有效检测，通过调整聚焦光斑与入射光斑，便于提高检测的有效性，通过对每个激光通道的激光信息进行归一化处理，建立对应的激光函数，且通过收集激光颜色，建立激光扫描库，获取反射信息，便于有效的提高获取激光数据的准确性。

4、通过确定中心、中间以及边缘条纹，进而获得对应的像素矩阵，且通过确定激光阵列的相邻线条，进而基于像素矩阵，确定每个线条的线矩阵，通过对线矩阵的行和列进行拟合处理，便于获取信息度高的激光分布图，进而根据激光分布图对激光数据进行优化。

5、获取目标人物的当前时间点的腿部运动信息，且通对上一时间点和下一时间点对应的运行信息对其当前时间点的运行信息进行修正处理，提高提高对随机森林分类器的精准训练，进而提高对激光数据的预分类。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于激光技术的人腿检测方法的流程图；

图2为本发明实施例中人腿检测方法的另一流程图；

图3为本发明实施例中待检测人腿与激光雷达的位置区域图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

由于人腿具备一定的空间和几何特性，例如：线性度，圆形度，曲率等，因此，本发明针对人腿的这些特性训练了一个随机森林分类器，随机森林是通过集成学习的思想，将多棵决策树集成在一起的一种算法，每棵决策树都互相独立，对于一个输入样本，每个决策树都将会产生一个分类结果，随机森林统计对所有分类的投票结果，并作出最终决策。随机森林简单，易于实现，计算量小，且由于在训练过程中随机有放回的抽样方式(又称为bootstrap sample)增加了样本的多样性，使得训练好的分类器具备较强的泛化性能。

本发明提出一种基于激光技术的人腿检测方法，如图1所示，包括：

步骤1：基于激光雷达采集待检测人腿的激光数据；

步骤2：将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分；

步骤3：当所述分类评分大于预设评分时，判定所述待检测人腿为真人腿；

否则，判定所述待检测人腿为非人腿。

该实施例中，激光雷达采集激光数据，是为了获取待检测人腿的激光扫描数据，将激光数据读入随机森林分类器是为了对其进行分类，例如，根据扫描数据判断待检测人腿的线性度、圆形度、曲率等进而实现分类；

该实施例中，例如是对线性度、圆形度、曲率等的分类评分。

该实施例中，例如，与线性度相关的分类评分为1，与圆形度相关的分类评分为1，与曲率相关的分类评分为0.8，此时，对应的三者的综合分类评分如：为1、1与0.8的三者相加的平均值，此平均值大于预设评分如：0.8，则判定待检测人腿为真人腿。

上述技术方案的有益效果是：采用激光雷达与随机森林分类器的结合，来对激光数据进行分类，便于实现对人腿的有效检测。

本发明提出一种基于激光技术的人腿检测方法，训练好的随机森林分类器的获取步骤包括：

基于激光雷达采集历史人腿的人腿数据，并对所述人腿数据进行预处理，获得训练及测试数据集；

对获取的训练及测试数据集进行特征提取，基于特征提取结果，训练随机森林分类器，进而获得训练好的随机森林分类器；

其中，所述历史人腿包括：真人腿样本和非人腿样本。

该实施例中，预处理，例如是数据格式转换、对激光数据进行距离层划分等；

如图2所示，用激光雷达采集训练样本，对训练样本进行特征提取，基于特征提取结果训练随机森林分类器，并读入激光雷达的激光数据并加载训练好的随机森林分类器进行预处理，将符合条件的激光点分成不成的簇，并对激光电簇进行特征提取，进而通过训练好的随机森林分类器对其进行分类，获取训练好的随机森林分类器给出的相似度得分，当相似度得分大于阈值时，判定待检测人腿为真人腿，否则，判定待检测人腿为非人腿。

上述技术方案的有益效果是：通过进行特征提取，便于获取训练好的随机森林分类器。

本发明提出一种基于激光技术的人腿检测方法，对获取的训练及测试数据集进行特征提取的步骤包括：

预设所述训练及测试数据集中对应的激光数据的激光点簇数据为：(x₁,y₁),x₂,y₂),…,(x_n,y_n)；其中，(x_i,y_i)表示二维地图平面上激光点的位置坐标，i∈[1,n]表示第i个激光点；

计算所述激光点簇数据的均值(X_mean,Y_mean)；

提取所述激光点簇数据对应的所有激光点簇的x值，并按照从小到大进行排序得X(x₁,x₂…x_n)；

提取所述激光点簇数据对应的所有激光点簇的y值，并按照从小到大进行排序得Y(y₁,y₂…y_n)；

根据如下公式计算得到所述激光点簇数据的中位数(X_median,Y_median)；

计算所述激光点簇数据的标准差δ(u)和平均中位数标准差δ(m)；

计算所述激光点簇数据对应的激光点簇的跨越宽度；

计算所述激光点簇数据的线性度，其计算步骤包括：

创建n行2列的矩阵A：

对所述矩阵A进行奇异值分解：A_n*2＝U_n*2∑_2*2V_2*2 ^*，可得奇异矩阵U_n*2、∑_2*2和V_2*2；其中，U为n*2的酉矩阵，∑为半正定的2*2的对角矩阵，V^*为V的共轭转置，为2*2的酉矩阵；

将U右乘∑得到矩阵

根据矩阵R可计算线性度linearity：

linearity＝r₀₁ ²+r₁₁ ²+…+r_(n-1)1 ²；

计算所述激光点簇数据的圆形度，其计算步骤如下：

创建矩阵

创建矩阵

其中，A_n*3*Sol_3*1＝B_n*1；

用奇异值分解法求解线性方程，可得矩阵

根据求解结果可得拟合圆形的圆心：(xc,yc)＝(Sol₀₀,Sol₁₀)，其中，(xc,yc)表示拟合圆形的圆心；

根据求解结果可得拟合圆形的半径：

根据圆心和半径进行圆形度circularity计算：

根据上述计算结果，实现对所述训练及测试数据集的特征提取。

上述技术方案的有益效果是：便于通过特征提取，进而有效的训练随机森林分类器，为后续进行人腿检测提供检测基础。

本发明提出一种基于激光技术的人腿检测方法，对所述激光数据进行预分类之前，还包括：

按照激光距离规则，对采集的激光数据进行激光距离分割，获得若干数据层；

所述训练好的随机森林分类器是基于对训练及测试数据集进行距离分割训练得到的；

当所述训练好的随机森林分类器对所述数据层进行预分类之前，根据所述激光数据对应的数据层，确定所述训练好的随机分类器对应的层模型，通过所述层模型对对应的数据层进行识别。

该实施例中，由于人腿与激光雷达的距离有时候会相差很大，使用同一套模型参数时会导致误识率上升，召回率下降，为了解决这个问题，将样本数据根据距离分割进行训练，使用时根据激光点、激光点簇距离使用对应模型的方法较大提高了识别正确率，召回率；

例如：按照激光距离规则，对激光数据进行激光距离分割，且分割后包括有数据层1、数据层2以及数据层3；

确定随机分类器的层模型，此时，数据层1对应层模型1，数据层2对应层模型2，数据层3对应层模型3，进而进行一一有效识别。

上述技术方案的有益效果是：通过基于激光距离分割，便于进行对应的层层识别，提高识别正确率以及召回率，为后续进行人腿有效的检测提供便利。

本发明提出一种基于激光技术的人腿检测方法，基于激光雷达采集待检测人腿的激光数据的步骤包括：

确定所述待检测人腿的待检测位置；

获取所述激光雷达的发射器的发射角度以及发射范围，并根据所述待检测位置调整所述激光雷达的发射角度以及发射范围；

采集基于调整后的激光雷达的聚焦光斑，同时，采集基于调整后的激光雷达的入射光斑，将所述聚焦光斑与所述入射光斑进行调节重合；

基于调节重合后的激光雷达，获取每个激光通道采集的激光信息，对每个激光通道的所述激光信息进行归一化处理，并建立每个激光通道的激光函数；

将基于调节重合后的每个激光通道的激光信息反射到所述待检测人腿上，同时，基于激光函数构建的激光扫描库，获取反射信息，并构建每个激光通道对应的反射激光库；

根据所述反射激光库，获取所述待检测人腿的激光数据；

其中，所述激光扫描库与所述反射激光库呈现之间一一对应关系。

该实施例中，确定待检测人腿的待检测位置(如待检测位置在如图3所示中的区域a处),获取激光雷达的发射器的发射角度以及发射范围(如图3所示，激光雷达B对应的发射角度与发射范围在区域b处)，并根据待检测位置调整激光雷达的发射角度以及发射范围(此时将激光雷达B的发射角度以及发射范围调整到与区域a对应的位置处，如虚线部分为调节后的发射范围)；

该实施例中，采集基于调整后的激光雷达的聚焦光斑，同时，采集基于调整后的激光雷达的入射光斑，将聚焦光斑与入射光斑进行调节重合，是为了可以更加精准的捕捉到激光雷达扫射到的待检测人腿的激光信息。

该实施例中，获取每个激光通道(如每个激光发射器对应一个激光通道，如通道1,2,3等)采集的激光信息(通道1,2,3的激光信息，如激光强度、激光颜色等)，对每个激光通道的激光信息进行归一化处理，并建立每个激光通道的激光函数；根据激光函数，求解每个激光通道中激光点的激光颜色，并收集激光颜色，构建每个激光通道的激光扫描库(激光通道的通道属性以及激光颜色对应的扫描标准，都会导致在激光检测过程中，出现检测失误的可能性)；

该实施例中，获取的反射信息，可以是基于雷达激光发射到人腿上，并由人腿发射回来的信息，进而获取待检测人腿的激光数据。

上述技术方案的有益效果是：通过获取待检测位置，便于对激光雷达的发射器的发射角度以及发射范围进行调整，便于后续进行有效检测，通过调整聚焦光斑与入射光斑，便于提高检测的有效性，通过对每个激光通道的激光信息进行归一化处理，建立对应的激光函数，且通过收集激光颜色，建立激光扫描库，获取反射信息，便于有效的提高获取激光数据的准确性。

本发明提出一种基于激光技术的人腿检测方法，将激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的步骤包括：

对激光数据进行预处理，基于预处理结果，将符合预设条件的激光点分成不同的激光簇，并对所述激光簇进行特征提取，获得若干个特征信息；

将若干个特征信息读入到所述训练好的随机森林分类器中，对若干个特征信息进行预分类；

根据预分类结果，实现对所述激光数据的分类，进而获取分类评分。

上述技术方案的有益效果是：通过对激光点进行簇分类，便于有针对性的特征提取，便于获得特征信息，提高对随机森林分类器的有效训练。

本发明提出一种基于激光技术的人腿检测方法，基于激光雷达采集待检测人腿的激光数据的过程中，还包括：

采集所述激光雷达照射在所述待检测人腿上的激光纹理图，并将所述激光纹理图转化为激光数字图；

获取所述激光数字图的激光阵列；

基于所述激光阵列提取中心激光条纹，并确定所述中心激光条纹的中心像素矩阵，基于所述激光阵列提取中间激光条纹，并确定所述中间激光条纹的中间像素矩阵，基于所述激光阵列提取边缘激光条纹，确定所述边缘激光条纹的边缘像素矩阵；

基于所述激光阵列进行相邻线条标定，基于中心像素矩阵、中间像素矩阵以及边缘像素矩阵，确定同条线上的线像素矩阵；

对所述线像素矩阵中的每个行向量进行第一拟合处理，对所述线像素矩阵中的每个列向量进行第二拟合处理；

根据第一拟合处理结果和第二拟合处理结果，确定所述待检测人腿的激光分布图像；

同时，根据所述激光分布图像，对获取的所述激光数据进行优化处理，获得优化激光数据；

其中，基于所述边缘激光条纹、中间激光条纹以及中心激光条纹构成激光阵列。

该实施例中，激光数字图的激光阵列，可以是该图像中每个激光点构成的；

该实施例中，将一个激光阵列分为中心、中间和边缘三部分，并分别提取对应的像素矩阵；

同时，标定激光阵列的相邻线条，基于像素矩阵，确定每条线上的线像素矩阵，进而进行相应的行拟合处理和列拟合处理，得到激光分布图像；

该实施例中，基于激光分布图像对激光数据进行优化，可以有效的提高人腿检测的效率。

该实施例中，例如，线像素矩阵是包括若干行和若干列在内的，且通过对行和列分别进行相应的拟合处理，可以有效的提高其的可靠性。

上述技术方案的有益效果是：通过确定中心、中间以及边缘条纹，进而获得对应的像素矩阵，且通过确定激光阵列的相邻线条，进而基于像素矩阵，确定每个线条的线矩阵，通过对线矩阵的行和列进行拟合处理，便于获取信息度高的激光分布图，进而根据激光分布图对激光数据进行优化。

本发明提出一种基于激光技术的人腿检测方法，将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的过程中，还包括：

获取目标人物在运动过程中的当前时间点的腿部运动信息，其中，所述腿部运动信息包括：在运动过程中的当前时间点的前、后、左、右四个方位下所述目标人物的腿部移动角度θ_d＝{θ_前,θ_后,θ_左,θ_右}、腿部移动速度v_d＝{v_前,v_后,v_左,v_右}以及所述目标人物在运动过程中的腿部姿态s_d＝{s_前,s_后,s_左,s_右}；

根据如下公式，计算所述目标人物在运动过程中的当前时间点的腿部综合值H_d；

其中，G(θ_d,v_d,s_d)表示以目标人物在运动过程中的腿部移动角度θ_d、腿部移动速度v_d以及腿部姿态s_d为自变量确定的腿部综合评估函数；d表示当前时间点；

根据如下公式，对所述当前时间点的腿部综合值H_d进行修正，获得修正综合值H′_d；

H_d′＝H_d*K(ο₁,ο₂)；

ο₁＝κ₁₁f₁₁+κ₁₂f₁₂+κ₁₃f₁₃；

ο₂＝κ₂₁f₂₁+κ₂₂f₂₂+κ₂₃f₂₃；

其中，K(ο₁,ο₂)表示基于当前时间点的上一时间点与下一时间点的腿部修正函数；ο₁表示基于当前时间点的上一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₁₁表示上一时间点的腿部移动角度；κ₁₁表示上一时间点的基于腿部移动角度的角度权重因子；f₁₂表示上一时间点的腿部移动速度；κ₁₂表示上一时间点的基于腿部移动速度的速度权重因子；f₁₃表示上一时间点的腿部姿态；κ₁₃表示上一时间点的基于腿部姿态的姿态权重因子；ο₂表示基于当前时间点的下一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₂₁表示下一时间点的腿部移动角度；κ₂₁表示下一时间点的基于腿部移动角度的角度权重因子；f₂₂表示下一时间点的腿部移动速度；κ₂₂表示下一时间点的基于腿部移动速度的速度权重因子；f₂₃表示下一时间点的腿部姿态；κ₂₃表示下一时间点的基于腿部姿态的姿态权重因子；其中，κ₁₁+κ₁₂+κ₁₃＝1，κ₂₁+κ₂₂+κ₂₃＝1；

根据所述修正综合值，从腿部数据库中调取与所述修正综合值相关的标准腿部信息，同时，将所述标准腿部信息与所述腿部运动信息进行匹配分析；

当匹配分析结果的匹配度大于90％，则保留所述标准腿部信息不变；

否则，从计算数据库中调取辅助匹配函数，重新计算所述腿部运动信息对应的修正综合值，若计算结果与上次一致，则将所述标准腿部信息删除，并替换为对应的腿部运动信息。

上述技术方案的有益效果是：由于人腿的移动速度、角度以及姿态在人腿检测过程中占有重要地位，因此，在雷达激光扫射人腿的过程中，根据获取的数据对分类器进行训练的过程中，还需要获取目标人物的当前时间点的腿部运动信息，且通对上一时间点和下一时间点对应的运行信息对其当前时间点的运行信息进行修正处理，提高提高对随机森林分类器的精准训练，进而提高对激光数据的预分类。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于激光技术的人腿检测方法，其特征在于，包括：

基于激光雷达采集待检测人腿的激光数据；

将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分；

当所述分类评分大于预设评分时，判定所述待检测人腿为真人腿；

否则，判定所述待检测人腿为非人腿；

其中，将所述激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的过程中，还包括：

获取目标人物在运动过程中的当前时间点的腿部运动信息，其中，所述腿部运动信息包括：在运动过程中的当前时间点的前、后、左、右四个方位下所述目标人物的腿部移动角度θ_d＝{θ_前,θ_后,θ_左,θ_右}、腿部移动速度v_d＝{v_前,v_后,v_左,v_右}以及所述目标人物在运动过程中的腿部姿态s_d＝{s_前,s_后,s_左,s_右}；

根据如下公式，计算所述目标人物在运动过程中的当前时间点的腿部综合值H_d；

其中，G(θ_d,v_d,s_d)表示以目标人物在运动过程中的腿部移动角度θ_d、腿部移动速度v_d以及腿部姿态s_d为自变量确定的腿部综合评估函数；d表示当前时间点；

根据如下公式，对所述当前时间点的腿部综合值H_d进行修正，获得修正综合值H_d′；

H_d′＝H_d*K(ο₁,ο₂)；

ο₁＝κ₁₁f₁₁+κ₁₂f₁₂+κ₁₃f₁₃；

ο₂＝κ₂₁f₂₁+κ₂₂f₂₂+κ₂₃f₂₃；

其中，K(ο₁,ο₂)表示基于当前时间点的上一时间点与下一时间点的腿部修正函数；ο₁表示基于当前时间点的上一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₁₁表示上一时间点的腿部移动角度；κ₁₁表示上一时间点的基于腿部移动角度的角度权重因子；f₁₂表示上一时间点的腿部移动速度；κ₁₂表示上一时间点的基于腿部移动速度的速度权重因子；f₁₃表示上一时间点的腿部姿态；κ₁₃表示上一时间点的基于腿部姿态的姿态权重因子；ο₂表示基于当前时间点的下一时间点对应的腿部运动信息对当前时间点的腿部运动信息的运动影响因子；f₂₁表示下一时间点的腿部移动角度；κ₂₁表示下一时间点的基于腿部移动角度的角度权重因子；f₂₂表示下一时间点的腿部移动速度；κ₂₂表示下一时间点的基于腿部移动速度的速度权重因子；f₂₃表示下一时间点的腿部姿态；κ₂₃表示下一时间点的基于腿部姿态的姿态权重因子；其中，κ₁₁+κ₁₂+κ₁₃＝1，κ₂₁+κ₂₂+κ₂₃＝1；

根据所述修正综合值，从腿部数据库中调取与所述修正综合值相关的标准腿部信息，同时，将所述标准腿部信息与所述腿部运动信息进行匹配分析；

当匹配分析结果的匹配度大于90％，则保留所述标准腿部信息不变；

否则，从计算数据库中调取辅助匹配函数，重新计算所述腿部运动信息对应的修正综合值，若计算结果与上次一致，则将所述标准腿部信息删除，并替换为对应的腿部运动信息。

2.如权利要求1所述的人腿检测方法，其特征在于，训练好的随机森林分类器的获取步骤包括：

基于激光雷达采集历史人腿的人腿数据，并对所述人腿数据进行预处理，获得训练及测试数据集；

对获取的训练及测试数据集进行特征提取，基于特征提取结果，训练随机森林分类器，进而获得训练好的随机森林分类器；

其中，所述历史人腿包括：真人腿样本和非人腿样本。

3.如权利要求2所述的人腿检测方法，其特征在于，对获取的训练及测试数据集进行特征提取的步骤包括：

预设所述训练及测试数据集中对应的激光数据的激光点簇数据为：(x₁,y₁),(x₂,y₂),…,(x_n,y_n)；其中，(x_i,y_i)表示二维地图平面上激光点的位置坐标，i∈[1,n]表示第i个激光点；

计算所述激光点簇数据的均值(X_mean,Y_mean)；

提取所述激光点簇数据对应的所有激光点簇的x值，并按照从小到大进行排序得X(x₁,x₂…x_n)；

提取所述激光点簇数据对应的所有激光点簇的y值，并按照从小到大进行排序得Y(y₁,y₂…y_n)；

根据如下公式计算得到所述激光点簇数据的中位数(X_median,Y_median)；

计算所述激光点簇数据的标准差δ(u)和平均中位数标准差δ(m)；

计算所述激光点簇数据对应的激光点簇的跨越宽度；

计算所述激光点簇数据的线性度，其计算步骤包括：

创建n行2列的矩阵A：

对所述矩阵A进行奇异值分解：A_n*2＝U_n*2∑_2*2V_2*2 ^*，可得奇异矩阵U_n*2、∑_2*2和V_2*2；其中，U为n*2的酉矩阵，∑为半正定的2*2的对角矩阵，V^*为V的共轭转置，为2*2的酉矩阵；

将U右乘∑得到矩阵

根据矩阵R可计算线性度linearity：

linearity＝r₀₁ ²+r₁₁ ²+…+r_(n-1)1 ²；

计算所述激光点簇数据的圆形度，其计算步骤如下：

创建矩阵

创建矩阵

其中，A_n*3*Sol_3*1＝B_n*1；

用奇异值分解法求解线性方程，可得矩阵

根据求解结果可得拟合圆形的圆心：(xc,yc)＝(Sol₀₀,Sol₁₀)，其中，(xc,yc)表示拟合圆形的圆心；

根据求解结果可得拟合圆形的半径：

根据圆心和半径进行圆形度circularity计算：

根据上述计算结果，实现对所述训练及测试数据集的特征提取。

4.如权利要求1所述的人腿检测方法，其特征在于，对所述激光数据进行预分类之前，还包括：

按照激光距离规则，对采集的激光数据进行激光距离分割，获得若干数据层；

所述训练好的随机森林分类器是基于对训练及测试数据集进行距离分割训练得到的；

当所述训练好的随机森林分类器对所述数据层进行预分类之前，根据所述激光数据对应的数据层，确定所述训练好的随机分类器对应的层模型，通过所述层模型对对应的数据层进行识别。

5.如权利要求1所述的人腿检测方法，其特征在于，基于激光雷达采集待检测人腿的激光数据的步骤包括：

确定所述待检测人腿的待检测位置；

获取所述激光雷达的发射器的发射角度以及发射范围，并根据所述待检测位置调整所述激光雷达的发射角度以及发射范围；

采集基于调整后的激光雷达的聚焦光斑，同时，采集基于调整后的激光雷达的入射光斑，将所述聚焦光斑与所述入射光斑进行调节重合；

基于调节重合后的激光雷达，获取每个激光通道采集的激光信息，对每个激光通道的所述激光信息进行归一化处理，并建立每个激光通道的激光函数；

将基于调节重合后的每个激光通道的激光信息反射到所述待检测人腿上，同时，基于激光函数构建的激光扫描库，获取反射信息，并构建每个激光通道对应的反射激光库；

根据所述反射激光库，获取所述待检测人腿的激光数据；

其中，所述激光扫描库与所述反射激光库呈现之间一一对应关系。

6.如权利要求1所述的人腿检测方法，其特征在于，将激光数据读入训练好的随机森林分类器，对所述激光数据进行预分类，获得分类评分的步骤包括：

对激光数据进行预处理，基于预处理结果，将符合预设条件的激光点分成不同的激光簇，并对所述激光簇进行特征提取，获得若干个特征信息；

将若干个特征信息读入到所述训练好的随机森林分类器中，对若干个特征信息进行预分类；

根据预分类结果，实现对所述激光数据的分类，进而获取分类评分。

7.如权利要求1所述的人腿检测方法，其特征在于，基于激光雷达采集待检测人腿的激光数据的过程中，还包括：

采集所述激光雷达照射在所述待检测人腿上的激光纹理图，并将所述激光纹理图转化为激光数字图；

获取所述激光数字图的激光阵列；

基于所述激光阵列提取中心激光条纹，并确定所述中心激光条纹的中心像素矩阵，基于所述激光阵列提取中间激光条纹，并确定所述中间激光条纹的中间像素矩阵，基于所述激光阵列提取边缘激光条纹，确定所述边缘激光条纹的边缘像素矩阵；

基于所述激光阵列进行相邻线条标定，基于中心像素矩阵、中间像素矩阵以及边缘像素矩阵，确定同条线上的线像素矩阵；

对所述线像素矩阵中的每个行向量进行第一拟合处理，对所述线像素矩阵中的每个列向量进行第二拟合处理；

根据第一拟合处理结果和第二拟合处理结果，确定所述待检测人腿的激光分布图像；

同时，根据所述激光分布图像，对获取的所述激光数据进行优化处理，获得优化激光数据；

其中，基于所述边缘激光条纹、中间激光条纹以及中心激光条纹构成激光阵列。

Images