激光雷達生成高精度的點云，許多技術將其作為一個模塊來應用。但處理和存儲產生大量數據一直是一個很大的挑戰。本文將通過背景減法揭示如何在設備端上進行運動檢測，減少傳輸的總數據。 LiDAR技術的發展已經開辟了眾多全新的應用。

以厘米級的精度采集匿名的距離信息作為點云的能力，是一個令人興奮的前景。LiDAR通常在數據處理之前捕獲環境信息并輸出整個場景的點云。雖然對許多應用來說非常有用，但未經處理的點云也構成了技術挑戰，因為它們需要大量的資源來傳輸、存儲和分析所產生的大量數據。

支持設備端上預處理運動檢測

虹科通過引入一種在設備上的預處理算法來解決這個問題，該算法能夠為虹科智能激光雷達提供運動檢測應用支持。這是通過使用集成在LiDAR內的高性能片上系統（SoC）減去設備本身的靜態背景來實現的。這項新功能在處理數據流的前提取相關數據信息，特別是動態運動檢測，并生成預處理的點云數據，用于在之后應用中進行分析和使用。

雖然這取決于場景中的活動量，但一般來說，該算法會使得傳輸的數據量大幅減少，特別是當場景大部分是靜態時效果會更加顯著。在這個例子中，需要傳輸的數據量減少了98%，因為數據點的總數從8800多個減少到只有163個，在內存和傳輸時間上直線式下降。

這增強了LiDAR傳感器在記錄、跟蹤和分析各種環境中移動物體的能力。從該功能中受益的應用包括交通和公共場所（如公路、火車站和機場）的智能視覺監控和跟蹤系統，以及許多安全用例。

背景減法工作原理

實現運動檢測的背景減法算法使用可配置的參考幀數量來估計場景中的靜態點（背景）。一旦參考幀被處理，它通過比較背景模型和活動幀從點云中刪除所有靜態點，獲得非靜態點（前景）。 活動幀中明顯偏離背景的點被認為是移動物體。然后，這些 “前景”點被進一步處理，用于物體定位和跟蹤，以及各種使用情況下的運動檢測。 使用背景減法算法的設備運動檢測功能對很多應用都有很大的好處，比如說以下這些。

用于人流量統計的設備端上運動檢測

人流量統計在各種環境中都很有用，如機場、零售店、大學、銀行、娛樂設施等需要分析客戶流量和運營管理的地方。 計算通過某一特定區域的人流量對于改善運營和優化利用資源至關重要。例如，在下面的使用案例中，LiDAR傳感器可以安裝在一個超市的入口處，以創建一個周圍環境的3D圖，并捕獲整個視野的數據點。

可以創建一個區域來計算訪問商店的總人數。例如，這種自動跟蹤將有助于精確計算不同運營時期的人員需求，并有助于削減運營成本。然而，生成的數據資料也將包含許多靜態物體，如門、柜臺、雜貨架等。使用背景減法算法，只傳輸人的相關數據，大大減少了網絡資源的負荷。

準確地說，在這種情況下，背景過濾前的數據總量是每個傳感器~3MB/s，而背景過濾后每個傳感器減少到~0.2Mb/s。通過對來自前景的點進行聚類的進一步預處理，識別點云，每個傳感器的數據流減少到~0.01MB/s，需要傳輸的總數據量減少了近99%。

用于交通監控的設備端上運動檢測

基于LiDAR的交通監測系統是非常有前途的，因為它們提供實時和匿名的三維數據。例如，在混合交通情況下區分行人或騎自行車的人，但不識別個人，從而保護道路使用者的隱私。

更細微的應用，如獲得不同道路使用者的運動數據和其他指標，如每條車道的平均速度、每條車道的車輛數、車輛停留時間、人數和行人的平均速度，都可以通過LiDAR交通監控系統得知。但是，交通監控在每個瞬間也會產生大量的數據，這意味著迫切需要智能解決方案來減少計算工作。

使用我們的智能激光雷達監測交通路口。點云不僅包括接近十字路口的車輛和行人，還包括場景中和周圍的靜態物體，如人行道、道路和建筑物，正如在 “完整場景”中看到的那樣。 但智能LiDAR的設備上的數據分析能力會識別并去除背景中的靜態物體，結果只有前景中的動態物體，如行人和移動的汽車，被標記為 “前景”。 這一步驟可以大大減少需要處理的數據量，從而提高物體識別的準確性和速度，同時減少傳輸數據時對網絡的負荷。

LiDAR技術向前發展

LiDAR是最具前景的傳感器技術之一，具有精確的空間感知能力。虹科的智能激光雷達通過使用預處理算法從點云中快速簡化地提取動態部分，將其提升到了新的水平。 動態檢測算法，設備上的背景減法已經在許多項目中證明了其價值。而隨著預處理算法庫的擴大，將會實現更多復雜的環境處理和用例，從而提高LiDAR傳感器對所有用戶的可及性。

編輯：jq