一种基于改进卡尔曼的电子稳像运动滤波方法

技术领域

本发明涉及电子稳像运动滤波技术领域，特别是涉及一种基于改进卡尔曼的电子稳像运动滤波方法。

背景技术

卡尔曼滤波算法是基于状态空间模型的一种递推滤波算法，它的假设状态过程和观测过程都符合高斯分布；在卡尔曼滤波算法中，噪声参数的设定对滤波效果具有重要影响，系统中包含两个噪声方差矩阵，分别是系统状态空间的噪声方差和系统观测噪声方差；

通常传统的卡尔曼滤波算法采用预先设置噪声参数来优化滤波结果以得到较好的曲线平滑效果，然而当视频存在较大范围的扫描运动时，输出曲线则会与原曲线存在较大的偏差，造成稳像后的视频中出现大范围的未定义区域；若是此时对噪声参数进行调整使得输出曲线更加接近原始轨迹，则达不到理想中的曲线平滑效果；

同时当过程噪声以及观测噪声均未知时，采用Sage-Husa是无法把它们都准确估计出来的，此外随着模型不停的迭代，Q与R逐渐失去半正定性和正定性，就会导致滤波最后出现发散情况，从而无法保证经过滤波以后的结果是稳定和收敛的；

综上所述，传统的卡尔曼滤波算法在实际应用中存在噪声参数无法自适应调整以及状态过程的噪声与观测过程的噪声并无法十分精准的获知，从而导致滤波的准确度和稳定性下降，甚至出现滤波发散现象的问题。

发明内容

基于此，有必要针对传统卡尔曼滤波过程中因不能自适应调整噪声参数以及滤波过程中出现的滤波发散的问题，提供一种基于改进卡尔曼的电子稳像运动滤波方法，以满足电子稳像中对运动滤波的实时性与精度要求，得到最优平滑滤波效果。

本发明的目的可以通过以下技术方案实现：一种基于改进卡尔曼的电子稳像运动滤波方法，包括以下步骤：

S1：采集与建模：通过采集状态估计矢量和观测估计矢量以构建离散线性系统模型；

S2：状态预测：通过建立的状态预测方程对最小均方误差矩阵进行预测；同时通过计算摄像载体的随机抖动分量以自适应调整噪声参数，具体为：

其中SMV表示主动扫描运动，GMV表示全局运动矢量，k表示的是当前帧的帧数；而MV

S3：参数调优与更新：通过观测值和预测值，计算卡尔曼增益和新息序列，利用卡尔曼增益对预测值进行修正并更新最小均方误差矩阵的预测值，得到最优滤波结果；

S4：状态判断：当公式(9)成立时，则利用公式(5)式即可得到最优的状态估计值；当公式(9)不成立时，则执行S5；

ξ

S5：修正最小均方误差矩阵：通过一个加权系数C

P

S6：重复迭代：重复S2至S5直到输出稳定的最优滤波结果；

S7：性能评估：通过将滤波调整之后的图像与原始图像进行比较分析以验证滤波方法的效果；当效果不符合过滤要求时，则返回S1。

在一些实施例中，通过建立的状态预测方程对最小均方误差矩阵进行预测，具体为：

建立系统的状态预测方程，如下所示：

S

依据系统的状态预测方程对S

P

在一些实施例中，通过观测值和预测值，计算卡尔曼增益和新息序列，利用卡尔曼增益对预测值进行修正并更新最小均方误差矩阵的预测值，得到最优滤波结果；具体如下：

参数调优阶段，如下所示：

S

在(5)中K

K

ξ(k)＝Z

更新阶段：根据卡尔曼增益和新息序列，更新最小均方误差矩阵(8)；对k状态下的下的S

P

在一些实施例中，通过将滤波调整之后的图像与原始图像进行比较分析以验证滤波方法的效果，具体为：

步骤一：获取滤波调整前后的图像，并将其分别记为原始图像Dj和滤波图像Lj，且原始图像Dj和滤波图像Lj一一对应；其中j＝1,2,3……n1，n1取值为正整数，n1表示的是图像总张数；

步骤二：利用目标跟踪算法提取原始图像和滤波图像的目标边界信息，并据此分析以得到原始图像和滤波图像的目标边界框面积；

步骤三：将原始图像和滤波图像的目标边界框面积分别在原始图像和滤波图像进行标注，分别取两个目标边界框的中心点并计算两个中心点之间的欧式距离记为中心误差A1

将中心误差A1

步骤四：取原始图像和滤波图像的目标边界框的中心点，将原始图像和滤波图像的中心点按照原始图像和滤波图像的时间先后顺序绘制成原始运动轨迹图和滤波运动轨迹图；提取原始图像轨迹图中轨迹点的坐标记为(x

步骤五：将目标跟踪指数Ga和跳跃差异指数Ya利用设定的公式GYZ＝a4×Ga+a5×Ya计算以得到滤波效果值GYZ，其中a4和a5分别为设定的校正因子；当滤波效果小于设定的阈值时，则判定过滤效果不符合过滤要求。

与现有技术相比，本发明的有益效果是：

1、对于卡尔曼滤波中的噪声参数设置问题，当摄像载体存在较大幅度的主动扫描运动时要尽可能的给(观测噪声方差)赋以较小的值；反之主动扫描运动存在很少时对赋以较大的值，确保同时兼顾卡尔曼滤波的平滑性与跟踪效果；

2、对于卡尔曼滤波过程中出现的滤波发散问题，通过观测值对预测值进行不断的修正，与此同时把状态过程中噪声与观测过程中噪声统计特性代入标准的Kalman滤波器中，进行实时的估计与修正，最终达到降低传统模型误差并提高滤波精确度的目的；

3、通过综合分析目标跟踪的准确性、运动轨迹的连续性等指标以评估滤波方法的效果，确保滤波后的图像更加稳定和连续，满足对图像质量的要求；有助于提高车载摄像头系统的性能，增加对目标的准确跟踪能力和图像质量的提升。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图；

图2为本发明的原始图像和滤波图像的目标边界框重合对比示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式作详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

如图1所示，一种基于改进卡尔曼的电子稳像运动滤波方法，包括以下步骤：

S1：采集与建模：本发明应用场景为煤矿井下的车载摄像头系统，使用车载摄像头进行实时扫描以获取状态估计矢量和观测矢量，其中状态估计矢量为S

其中F表示转移状态矩阵，H表示观测矩阵；w表示过程噪声；v表示观测噪声；

S2：状态预测：通过使用状态转移方程和过程噪声的协方差矩阵，进行状态预测和误差协方差预测，具体为：

S21：通过加入摄像载体的全局运动矢量(GMV)进行一定的约束以达到自适应调整噪声参数，如下所示：

其中SMV表示主动扫描运动，GMV表示全局运动矢量，k表示的是当前帧的帧数；而MV

S22：建立系统的状态预测方程，如下所示：

S

S23：根据系统的状态预测方程对S

P

S3：参数调优与更新：通过观测值和预测值，计算卡尔曼增益和新息序列，利用卡尔曼增益对预测值进行修正并更新最小均方误差矩阵的预测值，得到最优滤波结果，滤波结果指的是经过滤波器处理后得到的最优的状态估计值；具体为：

S31：参数调优阶段，如下所示：

S

在(5)中K

K

ξ(k)＝Z

S32：更新阶段：根据卡尔曼增益和新息序列，更新最小均方误差矩阵(8)，此步骤用于修正滤波器的误差对状态下的下的的最小误差方差矩阵进行更新；对k状态下的下的S

P

S4：状态判断：根据公式(9)判断滤波器是否处于正常工作状态，若滤波器处于正常工作状态(即公式(9)成立)时，则利用S23中的公式(5)即可得到最优的状态估计值；若滤波器处于非正常工作状态时(即公式(9)不成立)，则表示滤波器发散，需要进行修正；

ξ

当上式(9)成立的时候，表明此刻的滤波器处于正常的工作状态，不会出现滤波发散现象，那么采用公式(4)即可得到最优的状态估计值；当(9)不成立的时候，则说明模型中的最小均方误差是理论估计值的γ倍，此刻滤波器处于非正常工作状态，产生发散现象；其中γ＞1并且是可调参数；

S5：修正最小均方误差矩阵：当滤波器发散时，利用一个加权系数C

P

通过以上两式对最小均方误差P

S6：重复迭代：重复S2至S5直到输出稳定的最优滤波结果；通过观测值对预测值进行不断的修正，与此同时把状态过程中噪声与观测过程中噪声统计特性代入标准的Kalman滤波器中，进行实时的估计与修正，最终达到降低传统模型误差并提高滤波精确度的目的；

S7：性能评估：通过将滤波调整之后的图像与原始图像进行比较分析以验证滤波方法的效果，具体为：

S71：获取滤波调整前后的图像，并将其分别记为原始图像Dj和滤波图像Lj，其中j＝1,2,3……n1，n1取值为正整数，n1表示的是图像总张数，原始图像Dj和滤波图像Lj一一对应；

利用目标跟踪算法提取原始图像和滤波图像的目标边界信息；原始图像的目标边界信息包括原始图像目标边界框的右上角坐标和左下角坐标，并将原始图像目标边界框的右上角的横坐标与左下角的横坐标作差值计算以得到原始图像的目标边界框的宽度；原始图像目标边界框的右上角的纵坐标与左下角的纵坐标作差值计算以得到原始图像的目标边界框的高度；滤波图像的目标边界信息包括滤波图像目标边界框的右上角以及左下角坐标，并将滤波图像目标边界框的右上角的横坐标与左下角的横坐标作差值计算以得到滤波图像的目标边界框的宽度；滤波图像目标边界框的右上角的纵坐标与左下角的纵坐标作差值计算以得到滤波图像的目标边界框的高度；分别将原始图像和滤波图像的目标边界的宽度乘以高度以得到原始图像和滤波图像的目标边界框面积；

如图2所示，将原始图像和滤波图像的目标边界框面积分别在原始图像和滤波图像进行标注并分别取两个目标边界框的中心点记为原始中心点和滤波中心点，并计算两个中心点之间的欧式距离记为中心误差A1

利用设定的公式

S72：取原始图像和滤波图像的目标边界框的中心点，将原始图像和滤波图像的中心点按照原始图像和滤波图像的时间先后顺序绘制成原始运动轨迹图和滤波运动轨迹图，其中构成运动轨迹图的中心点记为轨迹点；提取原始图像轨迹图中轨迹点的坐标记为(x

S73：将目标跟踪指数Ga和跳跃差异指数Ya利用设定的公式GYZ＝a4×Ga+a5×Ya计算以得到滤波效果值GYZ，其中a4和a5分别为设定的校正因子；由公式可知，目标跟踪数值越大，跳跃差异指数越大，则滤波效果值越大，表示滤波方法效果越好；

S74：将滤波效果值与设定的效果阈值进行比较分析，当滤波效果值大于或等于设定的效果阈值时，说明此次过滤效果明显，符合过滤要求，使得经过过滤器过滤的图片相较于原始图片更加稳定和连续，则不进行任何操作；当滤波效果小于设定的效果阈值时，说明此次过滤效果不明显，不符合过滤要求，则返回S1直至滤波效果值大于或等于设定的效果阈值。

通过综合分析目标跟踪的准确性、运动轨迹的连续性等指标以评估滤波方法的效果，确保滤波后的图像更加稳定和连续，满足对图像质量的要求；有助于提高车载摄像头系统的性能，增加对目标的准确跟踪能力和图像质量的提升。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。