激光雷达传感器获取的点云可以绘制三维环境图。这种由距离点组成的“云”提供了大量有价值的环境信息。然而，对于某些应用来说，这些信息过于复杂，无法进一步处理。例如，自动驾驶功能、交通监控或停车点检测，更需要在视野中检测到对象。如何从激光雷达数据中获取这些对象信息？
为了弄清这一点，我们来看一个应用案例：某市正在庆祝一年一度的节日。有一场免费音乐会正在市中心的一个大停车场举行。因为这次活动是免费的，观众入场不受门票的限制。但是，由于安全问题，不允许超过1000人进入。为了确保这一点，该市安装了一个激光雷达传感器，俯瞰音乐会区的入口，追踪从入口经过的人。入口是一条宽阔的通道，游客也可通过该通道离开酒店。
三维数据的精确性和匿名性
这个应用案例与摄像头、运动传感器或人工计数等解决方案相比，激光雷达有几个优势。首先，它能可靠地实时捕捉到场景的细节。例如，几个人同时进入场景时，普通传感器就存在无法准确识别人数的问题。例如，如果有三个人并排走着，那么在外面行走的两个人可能会被传感器捕获到，但中间的人不算在内。其次，激光雷达记录的3D数据与相机图像不同，并没有记录人脸，保护了参加音乐会观众的隐私。
音乐节现场人数如何检测？
开始入场时，许多人涌入现场。在这个过程中，传感器收集数百万条距离数据，对于观众计数应用来说，这些数据过于复杂，无法进一步处理。它们包含每个记录点的x、y和z数据，组成一个点云。然而，主办方并不需要这些详细的信息，而是需要提供给他们用于计算现场观众总数的相关数据信息。必须实时提供三条信息：主办方需要知道有多少人通过入口。软件所识别出来的这些人就是点云中的对象。此外，还需要提供被识别人的确切位置信息。这些人是已经通过入口进到现场内，还是站在边界之外在入口排队？所需的第三项信息是关于人员流动方向的信息。检测到离开现场的人，对应扣除现场观众数量。
需要考虑哪些方面？
这些数据是如何从复杂的点云数据中获得的？为了理解这一点，我们将研究一个简化的数据评估算法。首先，需要区分前景和背景。为此，对场景进行分析并删去背景以识别点簇。为此，在游客到达现场之前，将静态背景记录在点云中。通过记录“现状”，软件可以确定哪些点簇可以被忽略，因为它们是静态的，属于背景。当人们进入现场后，每一幅采集到的图像都会与采集到的背景图像进行匹配，从而检测出相同的目标。
前景
前景和背景
背景
关于点云对象的壳体和边框
当观众到达时，点云会发生变化，这部分会被识别为新的对象。如果这些对象与原来背景图像的比较中不存在，则会识别出运动对象已进入该区域。根据凸包原理，在对象周围绘制一个所谓的边界框。凸壳通过连接物体最外层的点来描述物体的最小周长。边界框将对象包围在尽可能小的长方体中，以便更好地处理信息。采取这些措施是为了减少数据并使其更易于处理。
此边框有助于对目标进行粗略分类。例如，在道路交通中，可以根据此边框来确定检测到的物体是汽车、自行车还是行人。在我们音乐节的例子中，即使现场中不太可能出现自行车或汽车，但是检测边界框的大小有助于将物体归类，更加精确地识别物体是否为人类。因此，根据边框大小将位于入口区域的对象粗略划分到“人类”的类别中，并且确定这些对象的数量。
点云中的人
点云中的人，边框标记
人们会怎样移动？
入口区域内物体的大小被确定了，还缺少关于位置和运动方向的信息。这些数据是如何得出的？首先，可以很容易地从边界框中提取出关于人的确切位置的信息，因为这是激光雷达信息的核心——激光雷达传感器测量距离。
另一方面，例如，可以通过观察先前帧中对象的位置来确定移动的方向。由于帧的生成速率是已知的，因此通过比较多个帧之间对象的位置，很容易确定对象移动的位置和速度。根据这个速度和运动的方向，只要在两个或多个帧中识别出同一点簇，就可以预测目标的进一步路径。
结果：以列表形式呈现
在对象列表中会提供一系列相关信息。表中每行记录检测到的对象及其属性，记录目标对象的大小、位置和移动方向。这种形式的数据很容易进行下一步处理，在音乐会这个例子中，可以确定现场任何时候的确切人数。这使得系统能够识别何时达到最大访客数，禁止观众进入。它也可以准确地检测出什么时候现场人数最多，或者什么时候入口处的人群最多。这些数据可以为之后规划的活动提供一个参考。
处理激光雷达数据，控制游客流量
该市对音乐会现场使用激光雷达的效果非常满意。当访客数量超过900时，我们示例中的软件会触发一个通知给主办方。这使得活动管理部门注意访客数量，提前做好准备，以便让观众停止入场。在剩下的其他时间里，他们可以去做其他事情，或者欣赏乐队演奏的音乐——因为激光雷达在这个过程中可以帮助他们一直关注人流量，为他们节省了大量时间和精力。