[发明专利]一种人脸位姿协同系统下的多新息抗扰滤波方法

说明书

本发明涉及一种人脸位姿协同系统下的多新息抗扰滤波方法，属于滤波技术领域。本发明将运动人脸与标准人脸模型的位姿变化作为滤波观测量，引入多新息修正滤波估计，利用时间序列的多组观测量估计人脸位姿变化的状态量；实时判断滤波敛散性，根据多新息及时估计观测噪声协方差与过程噪声协方差，调整卡尔曼增益矩阵；建立位姿协同模型，依据滤波后的人脸位姿变化计算相机运动参数，达到相机与人脸位姿协同。本发明方法充分利用了时间序列的多组观测量，实时估计系统方差，调整卡尔曼滤波，更大程度上削减噪声，在提高人脸位姿协同系统稳定性的同时，保证响应的实时性；对于噪声较大的系统具有良好的适用性。

技术领域

本发明涉及一种人脸位姿协同系统下的多新息抗扰滤波方法，属于滤波技术领域。

背景技术

滤波是几乎所有SLAM系统、机器人自主导航的关键研究内容。滤波主要涉及定位、监视、估计、搜索、探索、导航、操纵、跟踪、建图、建模等领域。

为解决非平稳环境下的信号处理和自动控制跟踪问题，众多滤波方法被采用。譬如卡尔曼滤波建立在高斯环境下线性时变系统，在给定一组观测值的情况下，状态估计以递归方式完成。或粒子滤波以状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计。但卡尔曼滤波的抗干扰能力不强，滤波易发散；粒子滤波，随着粒子数目的增多，计算量增加，实时性低。总之这些方法或多或少存在一些问题。利用这些方法在噪声较大的人脸位姿协同系统中进行实时滤波，无法达到理想效果。

发明内容

为了克服现有人脸位姿协同过程中的相机抖动导致的人脸位姿解算噪声较大的问题，本发明提供一种人脸位姿协同系统下的多新息抗扰滤波方法，本发明将运动人脸与标准人脸模型的位姿变化作为滤波观测量，引入多新息修正滤波估计，利用时间序列的多组观测量估计人脸位姿变化的状态量；实时判断滤波敛散性，根据多新息及时估计观测噪声协方差与过程噪声协方差，调整卡尔曼增益矩阵；建立位姿协同模型，依据滤波后的人脸位姿变化计算相机运动参数，达到相机与人脸位姿协同。本发明方法充分利用了时间序列的多组观测量，实时估计系统方差，调整卡尔曼滤波，更大程度上削减噪声，在提高人脸位姿协同系统稳定性的同时，保证响应的实时性；对于噪声较大的系统具有良好的适用性。

本发明在自适应卡尔曼滤波算法的基础上进行改进，针对观测值噪声较大的问题，应用滤波敛散判据实时判断其敛散性，并利用具有时间序列的多新息估计噪声,预测状态量；充分利用以往数据，对噪声进行估计，削减人脸位姿解算中的噪声，提高人脸位姿协同系统的稳定性与鲁棒性。

一种人脸位姿协同系统下的多新息抗扰滤波方法，具体步骤如下：

(1)搭建人脸位姿协同平台，包括运动控制器、工业相机、伺服电机、步进电机驱动器、传感器；

(2)利用工业相机采集人脸图像，计算人脸位姿变化，通过运动方程建立滤波模型，确定转移矩阵F和测量矩阵C，假定初值与人脸相对于相机的相对位姿变化Y_t；

将人脸位姿变化Y_t作为滤波输入量，以t时刻x轴，y轴平移变化与绕其x轴，y轴的旋转变化，以及平移与旋转变化的速度构成滤波状态量X_t；

(3)根据前一时刻的滤波结果根据公式预测当前时刻滤波状态

根据前一时刻的过程噪声的协方差矩阵和滤波误差方差K_t-1计算当前时刻的预测状态误差的相关矩阵K_t/t-1，计算公式如下：

计算当前时刻卡尔曼增益G_t，计算公式如下：