Калмановская фильтрация одного класса изображений динамических объектов
Ключевые слова:
динамический объект, оценивание состояний, фильтр Калмана, векторная модель изображенияАннотация
Рассматривается задача оценивания состояния динамического объекта по наблюдаемым изображениям, сформированным оптической системой. Цель исследования состоит в реализации нового подхода, обеспечивающего повышение точности автономного слежения за динамическим объектом по последовательности изображений. Используется векторная модель изображения объекта в виде ограниченного количества вершин (базовых точек). Предполагается, что в процессе регистрации объект удерживается в центральной области каждого кадра, поэтому параметры движения могут описываться в виде проекций на оси системы координат, связанной с оптической осью камеры. Новизна подхода состоит в том, что наблюдаемые параметры (расстояние вдоль оптической оси и угловое положение) объекта вычисляются по координатам заданных точек на изображениях объекта. Для оценки состояний объекта строится фильтр Калмана-Бьюси в предположении, что движение динамического объекта описывается совокупностью уравнений поступательного движения центра масс вдоль оптической оси и изменений углового положения относительно плоскости изображения. Приведен пример оценивания углового положения объекта, иллюстрирующий работоспособность предложенного метода.
Литература
1. Laplante P.A., Neill C.J. A class of Kalman filters for real-time image processing // Proceedings of the Real-Time Imaging VII conference. Santa Clara: SPIE, 2003. pp. 22–29.
2. Schneider F., Easterbrook S.M., Callahan J.R., Holzmann G.J. Validating requirements for fault tolerant systems using model checking // Proceedings of the Third IEEE International Symposium on Requirements Engineering: RE'98. 1998. pp. 4–13.
3. Biemond J., Riesek J., Gerbrands J. A fast Kalman filter for images degraded by both blur and noise // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1983. vol. 31. no. 5. pp. 1248–1256.
4. Xie X., Sudhakar R., Zhuang H. Real-time eye feature tracking from a video image sequence using Kalman Filter // IEEE Transactions on Systems, Man, and Cybernetics 1995. vol. 25. no. 12. pp. 1568–1577.
5. Lippiello V., Siciliano B., Villani L. A new method of image features pre-selection for real-time pose estimation based on Kalman filter // Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2002. vol. 1. pp. 372–377.
6. Горбачев В.А., Калугин В.Ф. Разработка алгоритма многообъектного трекинга с необучаемыми признаками сопоставления объектов // Компьютерная оптика. 2023. Т. 47. № 6. С. 1002–1010. DOI: 10.18287/2412-6179-CO-1275.
7. Cao K., Li J., Song R., Li Y. HELM-AD: Hierarchical and efficient attitude determination framework with adaptive error compensation module based on ELM network // ISPRS Journal of Photogrammetry and Remote Sensing. 2023. vol. 195. pp. 418–431. DOI: 10.1016/j.isprsjprs.2022.12.010.
8. Al Bitar N., Gavrilov A. A new method for compensating the errors of integrated navigation systems using artificial neural networks // Measurement. 2021. vol. 168. no. 108391.
9. Chen C., Xiong R., Yang R., Shen W., Sun F. State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter. Journal of Cleaner Production. 2019. vol. 234. pp. 1153–1164. DOI: 10.1016/j.jclepro.2019.06.273.
10. Cui Z., Kang L., Li L., Wang L., Wang K. A combined state-of-charge estimation method for lithium-ion battery using an improved BGRU network and UKF // Energy. 2022. vol. 259. no. 124933.
11. Астафьев А.В., Титов А.В., Жизняков А.Л., Демидов А.А. Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей // Компьютерная оптика. 2021. Т. 45. № 2. С. 277–285. DOI: 10.18287/2412-6179-CO-826.
12. Baoa T., Zhao Y., Zaidia S.A.R., Xiea S., Yang P., Zhang Z.. A deep Kalman filter network for hand kinematics estimation using sEMG // Pattern Recognition Letters. 2021. vol. 143. pp. 88–94. DOI: 10.1016/j.patrec.2021.01.001.
13. Chen K., Yu J. Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach // Applied Energy. 2014. vol. 113. pp. 690–705. DOI: 10.1016/j.apenergy.2013.08.025.
14. Din F. Combined state and least squares parameter estimation algorithms for dynamic systems // Applied Mathematical Modelling. 2014. vol. 38. no. 1. pp. 403–412. DOI: 10.1016/j.apm.2013.06.007.
15. Ding F. State filtering and parameter estimation for state space systems with scarce measurements // Signal Processing. 2014. vol. 104. pp. 369–380. DOI: 10.1016/j.sigpro.2014.03.031.
16. Zhu X.-Z., Cabecinhas D., Xie W., Casau P., Silvestre C., Batista P., Oliveira P. Kalman–Bucy filter-based tracking controller design and experimental validations for a quadcopter with parametric uncertainties and disturbances // International Journal of Systems Science. 2023. vol. 54(1). pp. 17–41. DOI: 10.1080/00207721.2022.2096939.
17. Ionov I., Boldyrikhin N., Cherckesova L., Saveliev V. Filtering grayscale images using the Kalman filter // E3S Web of Conferences. 2022. vol. 363. DOI: 10.1051/e3sconf/202236303004.
18. Jwo D.-J., Biswal A. Implementation and Performance Analysis of Kalman Filters with Consistency Validation // Mathematics. 2023. vol. 11(3). no. 521. DOI: 10.3390/math11030521.
19. Piovoso M., Laplante P.A. Kalman filter recipes for real-time image processing // Real-Time Imaging. 2003. vol. 9. no. 6. pp. 433–439. DOI: 10.1016/j.rti.2003.09.005.
20. Василюк Н.Н. Коррекция вращательного смаза в изображениях звёзд, наблюдаемых астроинерциальным датчиком ориентации на фоне дневного неба // Компьютерная оптика. 2023. Т. 47. № 1. С. 79–91. DOI: 10.18287/2412-6179-CO-1141.
2. Schneider F., Easterbrook S.M., Callahan J.R., Holzmann G.J. Validating requirements for fault tolerant systems using model checking // Proceedings of the Third IEEE International Symposium on Requirements Engineering: RE'98. 1998. pp. 4–13.
3. Biemond J., Riesek J., Gerbrands J. A fast Kalman filter for images degraded by both blur and noise // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1983. vol. 31. no. 5. pp. 1248–1256.
4. Xie X., Sudhakar R., Zhuang H. Real-time eye feature tracking from a video image sequence using Kalman Filter // IEEE Transactions on Systems, Man, and Cybernetics 1995. vol. 25. no. 12. pp. 1568–1577.
5. Lippiello V., Siciliano B., Villani L. A new method of image features pre-selection for real-time pose estimation based on Kalman filter // Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2002. vol. 1. pp. 372–377.
6. Горбачев В.А., Калугин В.Ф. Разработка алгоритма многообъектного трекинга с необучаемыми признаками сопоставления объектов // Компьютерная оптика. 2023. Т. 47. № 6. С. 1002–1010. DOI: 10.18287/2412-6179-CO-1275.
7. Cao K., Li J., Song R., Li Y. HELM-AD: Hierarchical and efficient attitude determination framework with adaptive error compensation module based on ELM network // ISPRS Journal of Photogrammetry and Remote Sensing. 2023. vol. 195. pp. 418–431. DOI: 10.1016/j.isprsjprs.2022.12.010.
8. Al Bitar N., Gavrilov A. A new method for compensating the errors of integrated navigation systems using artificial neural networks // Measurement. 2021. vol. 168. no. 108391.
9. Chen C., Xiong R., Yang R., Shen W., Sun F. State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter. Journal of Cleaner Production. 2019. vol. 234. pp. 1153–1164. DOI: 10.1016/j.jclepro.2019.06.273.
10. Cui Z., Kang L., Li L., Wang L., Wang K. A combined state-of-charge estimation method for lithium-ion battery using an improved BGRU network and UKF // Energy. 2022. vol. 259. no. 124933.
11. Астафьев А.В., Титов А.В., Жизняков А.Л., Демидов А.А. Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей // Компьютерная оптика. 2021. Т. 45. № 2. С. 277–285. DOI: 10.18287/2412-6179-CO-826.
12. Baoa T., Zhao Y., Zaidia S.A.R., Xiea S., Yang P., Zhang Z.. A deep Kalman filter network for hand kinematics estimation using sEMG // Pattern Recognition Letters. 2021. vol. 143. pp. 88–94. DOI: 10.1016/j.patrec.2021.01.001.
13. Chen K., Yu J. Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach // Applied Energy. 2014. vol. 113. pp. 690–705. DOI: 10.1016/j.apenergy.2013.08.025.
14. Din F. Combined state and least squares parameter estimation algorithms for dynamic systems // Applied Mathematical Modelling. 2014. vol. 38. no. 1. pp. 403–412. DOI: 10.1016/j.apm.2013.06.007.
15. Ding F. State filtering and parameter estimation for state space systems with scarce measurements // Signal Processing. 2014. vol. 104. pp. 369–380. DOI: 10.1016/j.sigpro.2014.03.031.
16. Zhu X.-Z., Cabecinhas D., Xie W., Casau P., Silvestre C., Batista P., Oliveira P. Kalman–Bucy filter-based tracking controller design and experimental validations for a quadcopter with parametric uncertainties and disturbances // International Journal of Systems Science. 2023. vol. 54(1). pp. 17–41. DOI: 10.1080/00207721.2022.2096939.
17. Ionov I., Boldyrikhin N., Cherckesova L., Saveliev V. Filtering grayscale images using the Kalman filter // E3S Web of Conferences. 2022. vol. 363. DOI: 10.1051/e3sconf/202236303004.
18. Jwo D.-J., Biswal A. Implementation and Performance Analysis of Kalman Filters with Consistency Validation // Mathematics. 2023. vol. 11(3). no. 521. DOI: 10.3390/math11030521.
19. Piovoso M., Laplante P.A. Kalman filter recipes for real-time image processing // Real-Time Imaging. 2003. vol. 9. no. 6. pp. 433–439. DOI: 10.1016/j.rti.2003.09.005.
20. Василюк Н.Н. Коррекция вращательного смаза в изображениях звёзд, наблюдаемых астроинерциальным датчиком ориентации на фоне дневного неба // Компьютерная оптика. 2023. Т. 47. № 1. С. 79–91. DOI: 10.18287/2412-6179-CO-1141.
Опубликован
2024-06-26
Как цитировать
Сойфер, В. А., Фурсов, В. А., & Харитонов, С. И. (2024). Калмановская фильтрация одного класса изображений динамических объектов. Информатика и автоматизация, 23(4), 953-968. https://doi.org/10.15622/ia.23.4.1
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Владимир Алексеевич Фурсов, Виктор Александрович Сойфер, Сергей Иванович Харитонов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).