CN110174907A - 一种基于自适应卡尔曼滤波的人体目标跟随方法 - Google Patents
一种基于自适应卡尔曼滤波的人体目标跟随方法 Download PDFInfo
- Publication number
- CN110174907A CN110174907A CN201910260986.9A CN201910260986A CN110174907A CN 110174907 A CN110174907 A CN 110174907A CN 201910260986 A CN201910260986 A CN 201910260986A CN 110174907 A CN110174907 A CN 110174907A
- Authority
- CN
- China
- Prior art keywords
- human body
- body target
- covariance
- calculating
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于自适应卡尔曼滤波的人体目标跟随方法,该方法考虑到卡尔曼滤波的局限性,提出自适应卡尔曼滤波算法使其更好地处理量测过程中的不确定性。本方法首先设计了一个随机线性非高斯系统,通过引入自适应因子对其包含的高斯噪声、不确定性扰动噪声以及野值进行补偿和剔除,提高了人体目标跟随的精度和鲁棒性。相比现有的人体目标跟随方法,该方法充分考虑了野值和不确定性扰动噪声的影响,提高了人体目标跟随的精度和鲁棒性。
Description
技术领域
本发明属于人体目标跟随领域,具体涉及一种基于自适应卡尔曼滤波的人体目标跟随方法。
背景技术
人体目标跟随是生产和生活领域中的一个息息相关的问题,在仓储管理与搬运、超市导购车、自动跟随行李箱等方面发挥着重要的作用。同时,随着微电子技术的发展,视觉传感器在人体目标跟随与定位中的应用得到了学术界和工业界的广泛关注。视觉传感器利用图像对移动目标进行感知,并提供丰富的环境信息以及准确的定位服务。
在实际检测环境下,人体目标跟随通常会涉及量测信息的优化问题,例如激光传感器的目标测距系统与视觉传感器的目标定位系统等等。卡尔曼滤波算法作为一种有效的线性估计方法被广泛地应用于人体目标跟随系统中。
然而,传统的卡尔曼滤波算法受限于其高斯假设前提,致使量测中由野值和不确定性扰动等产生的噪声无法得到有效减弱。
为了避免此类问题,引入自适应因子,有效地不确定性扰动噪声以及野值进行补偿和剔除,因此自适应卡尔曼滤波算法被广泛使用。
发明内容
本发明的目的是提供一种基于自适应卡尔曼滤波的人体目标跟随方法,以克服传统卡尔曼滤波算法受限于高斯噪声的假设前提,设计了一个随机线性非高斯系统,通过引入自适应因子对其包含的高斯噪声、不确定性扰动噪声以及野值进行补偿和剔除,提高了人体目标跟随精度和鲁棒性。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于自适应卡尔曼滤波的人体目标跟随方法,包括以下步骤:
步骤1,初始化参数,确定系统的状态和量测方程及其对应的噪声协方差;
步骤2,在假设系统无未知干扰和野值的条件下,计算人体目标的先验状态向量及其协方差与先验残差及其协方差;
步骤3,通过先验残差测试来计算马氏距离的平方及自由度为的卡方;然后比较大小,如果,执行步骤,5,否则执行步骤4;
步骤4,通过后验残差测试来计算马氏距离的平方及自由度为的卡方;然后比较大小,如果,计算自适应因子及更新后的先验残差;
步骤5,在假设系统无未知干扰和野值的条件下,计算卡尔曼滤波增益与后验状态向量及其协方差。
作为本发明的优选,在所述步骤1中,时刻的人体目标状态向量为。,和分别为人体目标的位置、速度和加速度。
作为本发明的优选,在所述步骤3中,先验残差测试计算马氏距离的平方及自信度为的;然后比较大小,如果满足如下,直接计算卡尔曼滤波增益与后验状态向量及其协方差,否则通过后验残差测试计算马氏距离的平方及自信度为的卡方;然后比较大小,如果,计算自适应因子及更新后的先验残差,最后计算卡尔曼滤波增益与后验状态向量及其协方差。
综上所述,本发明具有如下有益效果:
本发明提出了一种基于自适应卡尔曼的人体目标跟随方法。该方法通过引入了卡方检测方法,对先验的每个更新时刻的状态进行置信域判断,从而剔除野值,有效地解决了由数值量测误差过大引起的系统跟踪性能下降的问题。同时,为了减弱未知扰动对系统的影响,在后验估计中引入了一个自适应因子,不断更新先验残差,从而提高对人体目标跟随精度和鲁棒性。
附图说明:
图1是本发明方法的人体目标跟随示意图。
图2是本发明方法流程图。
图3是本发明方法与传统卡尔曼滤波算法的对比加速度误差图;
图4是本发明方法与传统卡尔曼滤波算法的对比速度误差图;
图5是本发明方法与传统卡尔曼滤波算法的对比位置误差图。
具体实施方式
下面结合附图对本发明做进一步说明。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1:参照图1~图3,一种基于自适应卡尔曼的人体目标跟随方法,如图1所示,模拟在实际路况中对人体进行跟踪。移动机器人的人体目标跟随系统的状态空间模型如式(1)和(2)所示:
(1)
(2)
其中,人体目标状态向量。,和分别为时刻人体目标的位置、速度和加速度,,和分别为时刻人体目标的位置、速度和加速度,为采样时间。为零均值协方差为的加速度过程噪声。,分别为两个加速度计的量测值,是均值为零协方差为高斯噪声,是未知情况的量测噪声(比如图1中的小坡等),表示野值造成的量测噪声。
结合附图2,所述基于自适应卡尔曼的人体目标跟随方法包括以下步骤:
步骤1,初始化参数,确定系统的状态和量测方程及其对应的噪声协方差;
(3)
(4)
步骤2,在假设系统无未知干扰和野值的条件下,计算人体目标的先验状态向量及其协方差与先验残差及其协方差:
(5)
(6)
(7)
(8)
步骤3,通过先验残差测试来计算马氏距离的平方及自由度为的;然后比较大小,如果满足如下,执行步骤,5,否则执行步骤4:
(9)
(10)
步骤4,通过后验残差测试来计算马氏距离的平方及自由度为的卡方;然后比较大小,如果,计算自适应因子及更新后的先验残差:
(11)
其中,
(12)
则,
(13)
(14)
(15)
把(12)和(13)代入上式,得
(16)
(17)
因此,
(18)
其中,,如果,则计算
(19)
然后更新先验残差
(20)
步骤5,在假设系统无未知干扰和野值的条件下,计算卡尔曼滤波增益与后验状态向量及其协方差:
(21)
(22)
(23)
结合附图3、附图4和附图5,本发明方法与传统卡尔曼滤波算法的对比误差图,三幅附图分别表示加速度误差,速度误差,位置误差。不难发现,人体目标的加速度、速度以及位置的估计精度通过本发明方法得到了显著提升。
Claims (4)
1.一种基于自适应卡尔曼滤波的人体目标跟随方法,其特征在于,包括以下步骤:
步骤1,初始化参数,确定系统的状态和量测方程及其对应的噪声协方差;
步骤2,在假设系统无未知干扰和野值的条件下,计算人体目标的先验状态向量及其协方差与先验残差及其协方差;
步骤3,通过先验残差测试来计算马氏距离的平方及自由度为的卡方;然后比较大小,如果,执行步骤,5,否则执行步骤4;
步骤4,通过后验残差测试来计算马氏距离的平方及自由度为的卡方;然后比较大小,如果,计算自适应因子及更新后的先验残差;
步骤5,在假设系统无未知干扰和野值的条件下,计算卡尔曼滤波增益与后验状态向量及其协方差。
2.如权利要求1所述一种基于自适应卡尔曼滤波的人体目标跟随方法,其特征在于,在所述步骤1中,时刻的人体目标状态向量为。
3.,和分别为人体目标的位置、速度和加速度。
4.如权利要求1或2所述一种基于自适应卡尔曼滤波的人体目标跟随方法,其特征在于,在所述步骤3中,先验残差测试计算马氏距离的平方及自信度为的;然后比较大小,如果满足如下,直接计算卡尔曼滤波增益与后验状态向量及其协方差,否则通过后验残差测试计算马氏距离的平方及自信度为的卡方;然后比较大小,如果,计算自适应因子及更新后的先验残差,最后计算卡尔曼滤波增益与后验状态向量及其协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260986.9A CN110174907B (zh) | 2019-04-02 | 2019-04-02 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260986.9A CN110174907B (zh) | 2019-04-02 | 2019-04-02 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110174907A true CN110174907A (zh) | 2019-08-27 |
CN110174907B CN110174907B (zh) | 2023-03-31 |
Family
ID=67689011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260986.9A Active CN110174907B (zh) | 2019-04-02 | 2019-04-02 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110174907B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222437A (zh) * | 2019-12-31 | 2020-06-02 | 浙江工业大学 | 一种基于多深度图像特征融合的人体姿态估计方法 |
CN111273673A (zh) * | 2020-03-09 | 2020-06-12 | 新石器慧通(北京)科技有限公司 | 一种无人车的自动驾驶跟随方法、系统及无人车 |
CN111523208A (zh) * | 2020-04-09 | 2020-08-11 | 淮阴工学院 | 一种对人体行走足底地面反应力的卡尔曼滤波方法 |
CN113422593A (zh) * | 2021-07-05 | 2021-09-21 | 北京信息科技大学 | 滤波方法、滤波器、计算机可读存储介质、处理器和fpga |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN106529678A (zh) * | 2016-10-18 | 2017-03-22 | 南京航空航天大学 | 一种基于最大最小蚂蚁系统优化的slam数据关联方法 |
CN107966697A (zh) * | 2017-11-07 | 2018-04-27 | 浙江工业大学 | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 |
CN108710295A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工业大学 | 一种基于渐进容积信息滤波的机器人跟随方法 |
CN108762309A (zh) * | 2018-05-03 | 2018-11-06 | 浙江工业大学 | 一种基于假设卡尔曼滤波的人体目标跟随方法 |
CN110530365A (zh) * | 2019-08-05 | 2019-12-03 | 浙江工业大学 | 一种基于自适应卡尔曼滤波的人体姿态估计方法 |
-
2019
- 2019-04-02 CN CN201910260986.9A patent/CN110174907B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529678A (zh) * | 2016-10-18 | 2017-03-22 | 南京航空航天大学 | 一种基于最大最小蚂蚁系统优化的slam数据关联方法 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN107966697A (zh) * | 2017-11-07 | 2018-04-27 | 浙江工业大学 | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 |
CN108710295A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工业大学 | 一种基于渐进容积信息滤波的机器人跟随方法 |
CN108762309A (zh) * | 2018-05-03 | 2018-11-06 | 浙江工业大学 | 一种基于假设卡尔曼滤波的人体目标跟随方法 |
CN110530365A (zh) * | 2019-08-05 | 2019-12-03 | 浙江工业大学 | 一种基于自适应卡尔曼滤波的人体姿态估计方法 |
Non-Patent Citations (6)
Title |
---|
MINXING SUN 等: "A Robust State Estimator With Adaptive Factor", 《IEEE ACCESS》 * |
TE CHEN 等: "Estimation of Longitudinal Force and Sideslip Angle for Intelligent Four-Wheel Independent Drive Electric Vehicles by Observer Iteration and Information Fusion", 《SENSORS》 * |
XUSHENG YANG 等: "Linear Fusion Estimation for Range-Only Target Tracking With Nonlinear Transformation", 《 IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
张雪晶 等: "基于联合相容分支定界的关联算法研究", 《微型机与应用》 * |
杨旭升: "基于无线多传感器融合估计的目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
郑婷婷 等: "一种高斯渐进滤波框架下的目标跟踪方法", 《自动化学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222437A (zh) * | 2019-12-31 | 2020-06-02 | 浙江工业大学 | 一种基于多深度图像特征融合的人体姿态估计方法 |
CN111273673A (zh) * | 2020-03-09 | 2020-06-12 | 新石器慧通(北京)科技有限公司 | 一种无人车的自动驾驶跟随方法、系统及无人车 |
CN111523208A (zh) * | 2020-04-09 | 2020-08-11 | 淮阴工学院 | 一种对人体行走足底地面反应力的卡尔曼滤波方法 |
CN111523208B (zh) * | 2020-04-09 | 2023-08-01 | 淮阴工学院 | 一种对人体行走足底地面反应力的卡尔曼滤波方法 |
CN113422593A (zh) * | 2021-07-05 | 2021-09-21 | 北京信息科技大学 | 滤波方法、滤波器、计算机可读存储介质、处理器和fpga |
CN113422593B (zh) * | 2021-07-05 | 2024-04-26 | 北京信息科技大学 | 滤波方法、滤波器、计算机可读存储介质、处理器和fpga |
Also Published As
Publication number | Publication date |
---|---|
CN110174907B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110174907B (zh) | 一种基于自适应卡尔曼滤波的人体目标跟随方法 | |
CN105043388B (zh) | 基于惯性/重力匹配组合导航的向量搜索迭代匹配方法 | |
CN110988894B (zh) | 一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法 | |
CN109143224B (zh) | 一种多目标关联方法和装置 | |
CN102568004A (zh) | 一种高机动目标跟踪算法 | |
CN113074739A (zh) | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 | |
CN102706345A (zh) | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 | |
CN103047982B (zh) | 基于角度信息的目标自适应跟踪方法 | |
CN107218917B (zh) | 一种移动机器人航向角估计方法 | |
CN111256727B (zh) | 一种基于Augmented EKF的提高里程计精度的方法 | |
CN110702093B (zh) | 基于粒子滤波的定位方法、装置、存储介质及机器人 | |
CN117411462A (zh) | 一种基于变分贝叶斯高斯和滤波的目标跟踪方法 | |
CN108680162B (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
CN113119980A (zh) | 一种用于电动车的道路坡度估计方法、系统和设备 | |
CN111142101B (zh) | 一种数据关联方法 | |
Xu et al. | Indoor Vision/INS Integrated Mobile Robot Navigation Using Multimodel‐Based Multifrequency Kalman Filter | |
CN112880659B (zh) | 一种基于信息概率的融合定位方法 | |
Jiang et al. | A novel SLAM algorithm with Adaptive Kalman filter | |
CN107966697B (zh) | 一种基于渐进无迹卡尔曼的移动目标跟踪方法 | |
CN117007045A (zh) | 一种基于卡尔曼观测器的agv小车控制系统及方法 | |
CN116047480A (zh) | 一种激光雷达到姿态传感器的外参标定方法 | |
CN111090281B (zh) | 基于改进粒子滤波算法估算机器人方位的方法和装置 | |
Trehag et al. | Onboard estimation and classification of a railroad curvature | |
CN103529425A (zh) | 一种实现室内目标快速跟踪的方法 | |
Li et al. | Tracking an underwater maneuvering target using an adaptive Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |