基于激光雷达的人体跟踪(2)
3.1 人体腿部检测算法
这里使用北洋公司生产的二维激光雷达HOKUYO UＲG-04LX-UG01。它的测量范围是 5. 6 m，角度范围是 240° (角度分辨率为0.36°)。本文使用 180° /0.36°的扫描模式，单次扫描可获得 500 个测量数据，扫描时间为 100 ms。激光雷达水平安装在距离地面 0.3 m 高机器人位置处。
本文通过检测人腿来检测人体，首先将运动区域中的激光数据点进行分段，若连续两个点之间的距离小于某一个阈值(实验中设为8cm)，则他们属于同一段，通过激光扫描出来的人腿形状为类圆弧形，大多数情况下激光能够扫描到的图像如图2所示，图2左边表示激光在人的后面能够扫描到人的两条腿，右边表示激光在人的侧面时只能扫到一条腿。如图3所示，由于人腿的特殊性，激光扫描出来的人腿形状有一些几何学上的特征，通过提取人腿形状的一些有效的特征来识别人腿。文[1]使用了AdaBoost方法来训练腿部数据特征，AdaBoost通过训练正样本(腿部的特征数据)和负样本(非腿部的特征数据)能够找到最优的特征，但是AdaBoost分类器只能将正样本和负样本用直线分开，所以很难用更加细致的边界曲线来区别正样本和负样本。而SVM就能用更加复杂的边界曲线来更好地区分正样本和负样本。这里给出支持向量机讲的比较好的几个博客，也可参考西瓜书<<机器学习>>
https://www.cnblogs.com/steven-yang/p/5658362.html
https://blog.csdn.net/zx10212029/article/details/50198547
https://blog.csdn.net/xmdxcsj/article/details/51511346
由于人穿裤子时，裤子表面会随时变化，所以激光扫描检测到的人体腿部的形状也不能被简单地描述，为了分析人体腿部聚类数据的特征，需要使用大量的训练数据。我们采集了五个人的数据，每个人都穿普通的非宽松的裤子，每个人都在距离激光1-5m的距离随意走动，激光放在距离地面30cm高的位置上。首先在干扰物较少的环境中采集人体腿部数据，其次在普通办公室环境下采集非腿部数据，一共采集到2215组聚类数据，其中包括腿部数据和一些室内环境中的非腿部数据，使用SVM来训练这些数据。
#include "laser.h"
#include "ml.h"
QFile laser1File("laser1.txt");
QFile laser2File("laser2.txt");
bool laser1TxtRemoveFlag=true;
bool laser2TxtRemoveFlag=true;
double angle_laser;
double distance_car_laser;
struct coor{
double x;
double y;
int cluster;
};
struct curve{
double L;
double D;
};
struct ceter{
double x;
double y;
};
// initial position
//std_msgs::Int16 V_L;
// std_msgs::Int16 V_R;
//编码器的值
double right_enc=0;
double left_enc=0;
double right_enc_old=0;
double left_enc_old=0;
double dtcout = 0;
void LaserCallback (const sensor_msgs::LaserScan::ConstPtr& msg){
// To get header data from sensor msg
// SensorMsg = *msg;
double px, py, pr, pt,dx,dy,R;
std::vector < double > laser_x;
std::vector < double > laser_y;
std::vector < double > laser_r;
std::vector < double > laser_t;
std::vector<coor> C;
std::vector<ceter> Ceter;
ceter temp1;
coor temp;
for( unsigned i = 0; i < msg->ranges.size(); i++ ){
pr = msg->ranges[ i ];
pt = msg->angle_min + ( i * msg->angle_increment);
laser_r.push_back( pr );
laser_t.push_back( pt*180/3.14 );
}
for( unsigned i = 0; i < msg->ranges.size(); i++ ){
pr = laser_r[ i ] * cos( laser_t[ i ]*3.14/180 );
pt = laser_r[ i ] * sin( laser_t[ i ]*3.14/180 );
//激光数据中有很多无效数据，为无限大(inf)或者非数字(nan)的值，通过isnormal()函数来排除这些数据，
//参考：http://blog.csdn.net/wokaowokaowokao12345/article/details/72846436
if(isnormal(pr)&&isnormal(pt))
{
laser_x.push_back( pr );
laser_y.push_back( pt );
}
}
//计算有效数据的个数
int laser_size=laser_x.size();
//类别至少为１
int sort=1;
int sort_max=1;
temp.x=laser_x[ 0 ];
temp.y=laser_y[ 0 ];
temp.cluster=sort;
C.push_back(temp);
//按类别把数据分类，两点之间距离小于0.5米就归为一类,然后不归为一类的就再加上一类
for( unsigned i = 0; i <laser_size; i++ ){
unsigned ii=i,jj=i+1;
dx=laser_x[jj]-laser_x[ii];
dy=laser_y[jj]-laser_y[ii];
R=sqrt(dx*dx+dy*dy);
if(R<0.5)
{
temp.x=laser_x[jj];
temp.y=laser_y[jj];
temp.cluster=sort;
C.push_back(temp);
}
else
{
temp.x=laser_x[jj];
temp.y=laser_y[jj];
temp.cluster=sort+1;
sort=sort+1;
sort_max=sort;
C.push_back(temp);
}
}
double Lk,Dk,dx1,dy1,dx2,dy2,dx3,dy3,dx4,dy4,dx_begin,dy_begin,dx_end,dy_end,curve;
vector<coor>::iterator it1;
for(int category=1;category<=sort_max;category++){
bool test1=true;
bool test2=true;
bool test3=true;
Lk=0;
//for(it1 = C.begin();it1 != C.end();it1++)
for(it1 = C.begin();it1 != C.end();it1++)
{
//if((*it1).cluster==category&&((abs((*it1).x-Xc))<=0.3)&&((abs((*it1).y-Yc))<=0.3))
if((*it1).cluster==category)
{
//找到一类的起始点
if(test1)
{
dx_begin=(*it1).x;
dy_begin=(*it1).y;
test1=false;
}
//找到一类的起始点，但是这里dx1,dy1只用一次，不能每次都用，
//否则不能实现依次两个数据减的效果，后面再给dx1=dx2,dy1=dy2。
if(test3)
{
dx1=(*it1).x;
dy1=(*it1).y;
test3=false;
}
dx2=(*it1).x;
dy2=(*it1).y;
dx3=dx2-dx1;
dy3=dy2-dy1;
//计算每一类从头到尾连起来的长度
Lk=Lk+sqrt(dx3*dx3+dy3*dy3);
vector<coor>::iterator it3;
for(it3=C.end();it3 != C.begin();it3--)
{
if((*it3).cluster==category)
{
if(test2)
{
dx_end=(*it3).x;
dy_end=(*it3).y;
test2=false;
}
}
}
dx4=dx_end-dx_begin;
dy4=dy_end-dy_begin;
//计算每一类第一个与最后一个的距离
Dk=sqrt(dx4*dx4+dy4*dy4);
dx1=dx2;
dy1=dy2;
}
int cc =1;
cc=2;
}
//计算两者的比例
curve=Lk/Dk;
// 加上一些限定条件来找到腿部数据，也可以加上一些距离信息，这里还没有加.
CvSVM *SVM;
SVM->load("/home/cyy/ros_car/carcontrol/SVM_DATA.xml");
float a[] = { Lk, curve};
CvMat sampleMat;
cvInitMatHeader(&sampleMat, 1, 2, CV_32FC1, a);
cvmSet(&sampleMat, 0, 0, Lk); // Set M(i,j)
cvmSet(&sampleMat, 0, 1,curve); // Set M(i,j)
float response = SVM->predict(&sampleMat);
if(response==1)
{
if (laser1TxtRemoveFlag)
{
QFile::remove("./laser1.txt");
laser1TxtRemoveFlag = false;
}
laser1File.open(QIODevice::WriteOnly | QIODevice::Append);
QTextStream writetxt123(&laser1File);
writetxt123 << QString::number(Lk) + " " + QString::number(Dk) + " " + QString::number(curve) + " " + QString::number(0) + " " << '\n';
laser1File.close();
double test_curve=curve;
for(it1=C.begin();it1 != C.end();it1++)
{
if((*it1).cluster==category&&((*it1).x<1.1)&&(abs((*it1).y)<0.5))
{
temp1.x=(*it1).x;
temp1.y=(*it1).y;
Ceter.push_back(temp1);
}
}
}
else
{
if (laser1TxtRemoveFlag)
{
QFile::remove("./laser1.txt");
laser1TxtRemoveFlag = false;
}
laser1File.open(QIODevice::WriteOnly | QIODevice::Append);
QTextStream writetxt123(&laser1File);
writetxt123 << QString::number(Lk) + " " + QString::number(Dk) + " " + QString::number(curve) + " " + QString::number(0) + " "<< '\n';
laser1File.close();
}
}
double Xc,Yc,Xc_1,Yc_1;
vector<ceter>::iterator it2;
for(it2=Ceter.begin();it2!= Ceter.end();it2++)
{
Xc_1=(*it2).x+Xc_1;
Yc_1=(*it2).y+Yc_1;
}
Xc=Xc_1/Ceter.size();
Yc=Yc_1/Ceter.size();
distance_car_laser=sqrt(Xc*Xc+Yc*Yc);
angle_laser=atan(Yc/Xc);
double test_Yc=Yc;
if (laser2TxtRemoveFlag)
{
QFile::remove("./laser2.txt");
laser2TxtRemoveFlag = false;
}
laser2File.open(QIODevice::WriteOnly | QIODevice::Append);
QTextStream writetxt123(&laser2File);
writetxt123 << QString::number(distance_car_laser) + " " + QString::number(angle_laser) + " " << '\n';
laser2File.close();
}
laser::laser()
{
}
void laser::run()
{
while (true) //收到Ctrl+C 后停止
{
ros::NodeHandle nh;
// ros::Rate loop_rate(125); //发送速率为20hz
ros::Subscriber node_sub = nh.subscribe("/scan", 2, LaserCallback);
ros::spin();
// loop_rate.sleep(); //按照20hz的频率挂起
}
}
网友评论