Accurate and Fast Human Detection from 3D LiDAR Point Clouds with Data Transformation

Abstract

Given an object and its 3D LiDAR point cloud, how can we detect human accurately? Human detection from 3D LiDAR points is an important task in autonomous systems. The shape of a point cloud of an object varies at different distances due to the issues of the vertical and horizontal resolutions of 3D LiDAR sensors. The sparse density of 3D points far from 3D LiDAR sensors directly results in inferior quality of features, and affects the detection performance. In this thesis, we propose ObjectZoom, an accurate and fast human detection method for a 3D LiDAR point cloud. ObjectZoom improves the accuracy of the detection task by carefully transforming the given point cloud considering the characteristics of the 3D LiDAR sensor for a better feature extraction of point clouds. Our extensive experiments on four real world datasets show that ObjectZoom provides the state-of-the-art accuracy and a fast running time in the human detection task.

물체와 그의 3D 라이다 포인트 클라우드가 주어지면 어떻게 사람을 정확하게 감 지할 수 있을까? 3D 라이다 포인트들에서 사람을 감지하는 것은 자율 시스템에서 중요한 작업이다. 3D 라이다 센서의 수직 및 수평 해상도 문제로 인해 물체의 모양이 거리에 따라 다른다. 3D 라이다 센서에서 멀리 떨어진 3D 포인트의 희박한 밀도는 직접적으로 피쳐들의 품질을 저하시키고 감지 성능에 영향을 미친다.을 이 논문에서는 3D LiDAR 포인트 클라우드를 위한 정확하고 빠른 사람 감지 방 법 인 ObjectZoom 을 제안한다. ObjectZoom 은 더 나은 피쳐 추출을 위해 3D LiDAR 센서의 특성을 고려하여 주어진 포인트 클라우드를 신중하게 변환하여 작업의 정확 성을 향상시킨다. 4 가지 실제 데이터 세트에 대한 광범위한 실험은 ObjectZoom 이 사람 감지 작업에서 최첨단의 정확도와 빠른 실행 시간을 제공한다는 것을 보여준 다.