3D人类姿势点云数据的光检测和距离 (LiDAR) 的数据

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 机器人技术 机器人技术 机器人技术
• 人与计算机的交互

背景情况:

• 3D光检测和测距 (LiDAR) 传感器是自动驾驶系统的组成部分,通常用于车辆中的物体检测.
• 激光雷达产生3D点云的能力为室内人类姿势估计相机提供了一个隐私友好的替代方案.
• 现有的方法通常依赖于视觉数据,造成隐私问题,而LiDAR在没有面部识别的情况下捕获空间和时间数据.

研究的目的:

• 开发和展示一个新的3D点云数据集,用于使用3D LiDAR技术预测人类姿势.
• 促进深度学习模型的发展,以实现准确且对隐私有意识的人类姿势识别.
• 提供一个标准化的数据集,用于训练和测试人机交互和机器人的算法.

主要方法:

• 通过使用Ouster OS1 3D LiDAR传感器,收集了1400个人类四种姿势的3D点云样本 (手对侧,坐下,下,站起来).
• 将PCAP和JSON文件中的原始时空数据处理成PCD格式,创建每种姿势类的280个样本的数据集,用于培训和测试.
• 在室内120厘米的距离上使用了三脚架上的3D LiDAR,数据收集发生在上午10点到下午1点之间.

主要成果:

• 一个PCD格式的全面的3D人体姿势数据集,共计1400个样本在四个不同的姿势类别.
• 该数据集适用于训练深度学习模型,包括卷积神经网络 (CNN),用于人类姿势预测.
• 证明了使用3D LiDAR用于生成丰富的时空数据以分析人类活动的可行性.

结论:

• 开发的3D LiDAR人类姿势数据集为姿势预测和活动识别提供了一种保护隐私的方法.
• 这一数据集是计算机视觉和深度学习研究人员开发先进的人体姿势估计算法的宝贵资源.
• 未来的工作可以通过包括多样化的人口统计和更复杂的人类活动来扩展数据集,以提高模型的概括性.