智能可視高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)中人體運(yùn)動(dòng)跟蹤研究

雷中俊，左園忠，唐德謙，姚保良

（安康水力發(fā)電廠，安康 725000）

1 引言

一直以來(lái)，電力行業(yè)安全生產(chǎn)頗受重視，包括觸電、機(jī)械傷害、坍塌、車輛傷害等，尤其是高空墜落，發(fā)生率最高且破壞性和社會(huì)危害大。據(jù)不完全統(tǒng)計(jì)，高空墜落占電力行業(yè)意外事故四成以上比例。現(xiàn)有的防高空墜落設(shè)備，比較簡(jiǎn)單，只是防墜器，不具有智能化、可控性、可視性及多端聯(lián)動(dòng)性。

智能可視高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)可提升高空危險(xiǎn)作業(yè)的安全監(jiān)測(cè)級(jí)別，通過(guò)三端（作業(yè)點(diǎn)、地面站及管控中心）聯(lián)動(dòng)及時(shí)判斷并進(jìn)行預(yù)警，并用可視化管控系統(tǒng)進(jìn)行人機(jī)交互，保證高空作業(yè)管理的便捷性，具有極大的使用及安全價(jià)值；通過(guò)本項(xiàng)目課題的開發(fā)實(shí)現(xiàn)，能大大降低高空墜落事故的發(fā)生率，具有很高的社會(huì)意義和效益。智能可視化高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)成果不僅可以應(yīng)用于水電廠高空作業(yè)，同時(shí)可推廣至其他類似行業(yè)，包括建筑、公路、鐵路、電力等。可推廣性極為廣泛，其技術(shù)難度也頗高，尤其是將作業(yè)點(diǎn)、地面站和后臺(tái)服務(wù)系統(tǒng)三端聯(lián)動(dòng)實(shí)現(xiàn)統(tǒng)一協(xié)作管理，在國(guó)內(nèi)乃至國(guó)外均屬于前端科研項(xiàng)目，研究成果可在電力系統(tǒng)乃至其他行業(yè)推廣應(yīng)用。

人體異常行為識(shí)別技術(shù)方面的研究主要集中在人體運(yùn)動(dòng)檢測(cè)、人體運(yùn)動(dòng)跟蹤和人體行為識(shí)別三個(gè)過(guò)程，人體運(yùn)動(dòng)跟蹤方面常用的研究方法有Kalman算法和Mean shift算法。

Kalman濾波算法是運(yùn)動(dòng)目標(biāo)再下一幀的搜索范圍的線性遞歸濾波器。Kalman濾波算法由于滿足實(shí)時(shí)處理的要求，對(duì)運(yùn)動(dòng)目標(biāo)建立狀態(tài)模型，并根據(jù)運(yùn)動(dòng)目標(biāo)當(dāng)前的運(yùn)動(dòng)狀態(tài)信息，使用狀態(tài)模型對(duì)目標(biāo)在下一幀的運(yùn)動(dòng)信息進(jìn)行估計(jì)，包括運(yùn)動(dòng)目標(biāo)的速度和加速度，即對(duì)運(yùn)動(dòng)目標(biāo)的位置進(jìn)行預(yù)測(cè)，在縮小運(yùn)動(dòng)目標(biāo)的搜索范圍并提高計(jì)算效率的同時(shí)，還能解決目標(biāo)因?yàn)榫植空趽醵鸬臒o(wú)法得到跟蹤結(jié)果的問(wèn)題。Kalman濾波具有模型簡(jiǎn)單、數(shù)據(jù)存儲(chǔ)量小的優(yōu)點(diǎn)，適于工程應(yīng)用。基于激光雷達(dá)跟蹤運(yùn)動(dòng)目標(biāo)的模型，文中根據(jù)研究運(yùn)動(dòng)目標(biāo)確定其為在小掃描區(qū)域空間內(nèi)勻速直線運(yùn)動(dòng)方式，選擇了KF（卡爾曼濾波）算法。下面簡(jiǎn)要介紹了KF算法，通過(guò)仿真，分析了實(shí)際應(yīng)用性能。

2 運(yùn)動(dòng)目標(biāo)模型

建立運(yùn)動(dòng)目標(biāo)模型是運(yùn)動(dòng)目標(biāo)跟蹤的一個(gè)基本要素，構(gòu)建的運(yùn)動(dòng)目標(biāo)模型中既要與運(yùn)動(dòng)目標(biāo)實(shí)際運(yùn)動(dòng)狀態(tài)相符，同時(shí)也要易于數(shù)學(xué)計(jì)算與模擬。

本文研究所涉及目標(biāo)主要針對(duì)高空電力作業(yè)人員動(dòng)態(tài)運(yùn)動(dòng)跟蹤分析。常用的目標(biāo)運(yùn)動(dòng)模型有：勻速（CV）運(yùn)動(dòng)目標(biāo)模型和勻加速度（CA）運(yùn)動(dòng)目標(biāo)模型，以及非線性運(yùn)動(dòng)模型。不同的運(yùn)動(dòng)模型，對(duì)應(yīng)不同的運(yùn)動(dòng)目標(biāo)的狀態(tài)。其中勻速直線運(yùn)動(dòng)則為線性非機(jī)動(dòng)模型，對(duì)應(yīng)實(shí)物目標(biāo)為高空高速巡航飛行的運(yùn)動(dòng)目標(biāo)。勻加速直線運(yùn)動(dòng)屬于線性機(jī)動(dòng)模型，運(yùn)動(dòng)目標(biāo)處于直線的加減速狀態(tài)。若目標(biāo)為非線性運(yùn)動(dòng)，則速度處于變化狀態(tài)，屬于機(jī)動(dòng)模型。

在智能可視高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)研制過(guò)程中，前期采用勻速（CV）運(yùn)動(dòng)目標(biāo)模型。由于此狀態(tài)下運(yùn)動(dòng)目標(biāo)速度和軌跡變化均不大，因此在下面研究中選用二階常速度CV模型。

設(shè)目標(biāo)在一維空間做勻速直線運(yùn)動(dòng)，則用高斯白噪聲描述可得對(duì)應(yīng)CV模型表示為：

在離散時(shí)間系統(tǒng)下，此模型可以表示為：

式中，Xk為k時(shí)刻的狀態(tài)變量，包含目標(biāo)的位置變量和速度變量；T為量測(cè)值的采樣周期。

當(dāng)目標(biāo)處于機(jī)動(dòng)狀態(tài)，在實(shí)際應(yīng)用過(guò)程中，CV模型也可用于機(jī)動(dòng)狀態(tài)的近似描述。但是當(dāng)加速度過(guò)大時(shí)，引入的狀態(tài)噪聲過(guò)大，將會(huì)導(dǎo)致目標(biāo)跟蹤仿真誤差增大。

3 KF（卡爾曼濾波）算法概述

圖1 運(yùn)動(dòng)目標(biāo)跟蹤流程模型

在選擇濾波算法的時(shí)候需要考慮：（1）激光雷達(dá)已選擇高空巡航的運(yùn)動(dòng)目標(biāo)與匹配目標(biāo)運(yùn)動(dòng)狀態(tài)模型；（2）激光雷達(dá)掃描幀頻與數(shù)據(jù)的采樣周期；（3）濾波精度；（4）濾波算法計(jì)算復(fù)雜度與計(jì)算時(shí)間。

4 KF算法基本方程

本文所涉及的運(yùn)動(dòng)目標(biāo)定位跟蹤過(guò)程中，系統(tǒng)通過(guò)掃描機(jī)構(gòu)回讀的目標(biāo)角度、位置、距離等多種參數(shù)信息進(jìn)行目標(biāo)的定位。但是由于系統(tǒng)測(cè)量夾雜有各種噪聲，例如探測(cè)器背景噪聲、掃描機(jī)構(gòu)測(cè)量噪聲等，使得測(cè)量所得數(shù)據(jù)與實(shí)際運(yùn)動(dòng)目標(biāo)參數(shù)存在誤差，因此激光雷達(dá)測(cè)量所得的運(yùn)動(dòng)目標(biāo)狀態(tài)信息都是包含有隨機(jī)誤差成分的。實(shí)際的目標(biāo)跟蹤控制中，需要在跟蹤與伺服控制之前對(duì)激光雷達(dá)的回波所得目標(biāo)信息進(jìn)行濾波處理，降低噪聲的影響，提高測(cè)量精度，同時(shí)為跟蹤隨動(dòng)系統(tǒng)提供更為準(zhǔn)確的軌跡預(yù)測(cè)信息。

目標(biāo)跟蹤算法是連接信號(hào)處理系統(tǒng)與跟蹤隨動(dòng)系統(tǒng)之間的重要的一個(gè)部分，其需要處理目標(biāo)狀態(tài)信息，進(jìn)行降噪，并將軌跡預(yù)測(cè)信息反饋給跟蹤隨動(dòng)系統(tǒng)。整個(gè)跟蹤系統(tǒng)的工作流程如圖1所示：

假設(shè)系統(tǒng)方程如式（3）、（4）所示：

狀態(tài)方程

量測(cè)方程

式中，Xk、 、Gk、wk、Zk、Hk、vk表示k時(shí)刻系統(tǒng)狀態(tài)估計(jì)向量、轉(zhuǎn)移矩陣、噪聲加權(quán)矩陣、噪聲向量、量測(cè)向量、對(duì)應(yīng)量測(cè)轉(zhuǎn)移矩陣以及量測(cè)噪聲向量。

假設(shè)Xk（被估計(jì)狀態(tài)）同量測(cè)值Zk都滿足狀態(tài)以及量測(cè)方程，同時(shí)當(dāng)系統(tǒng)處于離散狀態(tài)時(shí)，過(guò)程噪聲wk以及觀測(cè)噪聲vk也都滿足（5）式對(duì)應(yīng)的條件，則Xk的估計(jì) 可以按下述等方程求解：

狀態(tài)一步預(yù)測(cè)方程

協(xié)方差一步預(yù)測(cè)方程

濾波增益更新方程

狀態(tài)更新方程

協(xié)方差更新方程

式（5）～式（9）都是在隨機(jī)線性離散系統(tǒng)的條件下得到的Kalman濾波基本方程表達(dá)式。

5 KF算法跟蹤仿真分析

KF濾波在設(shè)置不同噪聲以及不同計(jì)算次數(shù)情況下，濾波仿真效果存在差異。下面系統(tǒng)仿真不同噪聲及不同運(yùn)行次數(shù)對(duì)KF算法的影響。仿真中設(shè)置算法為一維角度運(yùn)算，通過(guò)對(duì)濾波前后角度值的誤差來(lái)分析KF算法的效果。

5.1 噪聲對(duì)KF算法的影響

如果一組由目標(biāo)跟蹤位置的動(dòng)態(tài)量測(cè)數(shù)據(jù)組成的集合中，由于噪聲、目標(biāo)干擾、傳感器自身原因等因素的影響，而在獲取信號(hào)和數(shù)據(jù)處理中噪聲的出現(xiàn)是無(wú)法避免的。為了獲得精確合理的數(shù)據(jù)預(yù)處理結(jié)果以及模擬仿真結(jié)果，對(duì)獲得的信號(hào)數(shù)據(jù)進(jìn)行噪聲添加和分析是必要的。

由KF算法狀態(tài)方程（3）和量測(cè)方程（4）可知，涉及到的誤差量包括過(guò)程噪聲wk以及觀測(cè)噪聲vk。在KF算法中，Qk表示離散系統(tǒng)中系統(tǒng)噪聲wk的對(duì)稱非負(fù)定方差矩陣，Rk則表示對(duì)應(yīng)離散狀態(tài)中量測(cè)噪聲vk的對(duì)稱正定方差陣。且要求wk、vk分別表示彼此無(wú)聯(lián)系的零均值高斯白噪聲序列。

vk也即觀測(cè)噪聲或量測(cè)噪聲，是系統(tǒng)在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行測(cè)量時(shí)，系統(tǒng)存在的固有量測(cè)噪聲。當(dāng)系統(tǒng)靜止，可通過(guò)測(cè)量輸出分析得出（系統(tǒng)靜止時(shí)測(cè)到的輸出即是量測(cè)噪聲）量測(cè)噪聲vk。

考慮到掃描機(jī)構(gòu)屬于高精密儀器，工作溫度對(duì)掃描機(jī)構(gòu)工作存在影響，因此存在溫漂和定位噪聲。采用掃描機(jī)構(gòu)的最大位置漂移為10μrad/K，最大定位噪聲（RMS）為8μrad，經(jīng)預(yù)熱后，環(huán)境溫度變化小于1K，即在此環(huán)境下，最大溫漂為10μrad。

為了準(zhǔn)確模擬仿真，需要對(duì)理想量測(cè)信息添加掃描機(jī)構(gòu)溫漂和定位噪聲所帶來(lái)的誤差，這里對(duì)量測(cè)信息添加了18μrad的掃描機(jī)構(gòu)噪聲誤差；又考慮到光束發(fā)散角為0.6mrad，即可添加噪聲誤差為那么即可得帶入Rk表達(dá)式即可得量測(cè)噪聲方差矩陣。因此綜合考慮測(cè)量誤差和外界環(huán)境干擾，仿真中針對(duì)量測(cè)信息添加了方差為0.001225的高斯白噪聲。

同時(shí)設(shè)系統(tǒng)的狀態(tài)噪聲，即系統(tǒng)在估計(jì)運(yùn)動(dòng)目標(biāo)過(guò)程中的誤差。過(guò)程噪聲wk也即狀態(tài)噪聲或者模型噪聲，表示系統(tǒng)模型選擇匹配程度。wk越小，系統(tǒng)模型越不匹配，反之，選擇模型與量測(cè)值即實(shí)際運(yùn)動(dòng)目標(biāo)越匹配。由于掃描機(jī)構(gòu)定位精度達(dá)10μrad量級(jí)，因此此處設(shè)最大方位角狀態(tài)標(biāo)準(zhǔn)差 ，最大俯仰角狀態(tài)標(biāo)準(zhǔn)差 ，那么。

，同理將 和 帶入Qk表達(dá)式即可的得到過(guò)程噪聲的方差矩陣。

量測(cè)噪聲反應(yīng)的是系統(tǒng)固有噪聲，此處擬取量測(cè)噪聲值大小分別為0.055°、0.035°和0.015°，則此時(shí)量測(cè)噪聲對(duì)應(yīng)方差分別為0.003025，0.001225及0.000225，當(dāng)量測(cè)噪聲分別為這三個(gè)值時(shí)，算法運(yùn)行200次，得濾波前角度與理論值誤差和濾波后角度與理論誤差如圖2、3和4所示。

圖2 量測(cè)噪聲方差為0.003025時(shí)濾波前后角度誤差對(duì)比

圖3 量測(cè)噪聲方差為0.001225時(shí)濾波前后角度誤差對(duì)比

圖4 量測(cè)噪聲方差為0.000225時(shí)濾波前后角度誤差對(duì)比

圖5 三種量測(cè)噪聲下濾波后角度誤差對(duì)比

圖2、3和4分別是量測(cè)噪聲方差為0.003025，0.001225及0.000225時(shí)，濾波前后角度誤差對(duì)比圖。可以看出，量測(cè)噪聲越大，濾波前角度誤差越大，濾波后角度誤差也大。圖5為三種量測(cè)噪聲下濾波后角度誤差對(duì)比圖，由圖5可知，在三種量測(cè)噪聲下，明顯噪聲越小，角度誤差越小，算法精度越高。因此在實(shí)際應(yīng)用中，應(yīng)盡量減少系統(tǒng)量測(cè)噪聲從而減小算法誤差。

過(guò)程噪聲是數(shù)據(jù)的擾動(dòng)，反應(yīng)的是系統(tǒng)模型選擇匹配程度。此處擬取過(guò)程噪聲方差分別為9×10-4，9×10-5及9×10-6，分別對(duì)應(yīng)過(guò)程噪聲為0.03°、0.0095°和0.003°當(dāng)量測(cè)噪聲分別為這三個(gè)值時(shí)，算法運(yùn)行200次，得濾波前角度與理論值誤差和濾波后角度與理論誤差如圖6、7和8所示。

圖6 過(guò)程噪聲方差為9×10-4時(shí)濾波前后角度誤差對(duì)比

圖7 過(guò)程噪聲方差為9×10-5時(shí)濾波前后角度誤差對(duì)比

圖8 過(guò)程噪聲方差為9×10-6時(shí)濾波前后角度誤差對(duì)比

圖9 三種過(guò)程噪聲下濾波后角度誤差對(duì)比

圖6、7和8分別是過(guò)程噪聲方差分別為9×10-4，9×10-5及9×10-6時(shí)，濾波前后角度誤差對(duì)比圖。可以看出，過(guò)程噪聲越小，濾波前曲線幅值基本一致，因此濾波前角度數(shù)據(jù)包含誤差相同，但濾波后曲線明顯平滑，角度誤差明顯減小。圖9為三種過(guò)程噪聲下濾波后角度誤差對(duì)比圖，由圖9可知，在三種過(guò)程噪聲下，過(guò)程噪聲越小，角度誤差越小，算法精度越高即算法使用模型匹配程度越高。在實(shí)際情況下，運(yùn)動(dòng)模型多種多樣，不同模型的過(guò)程噪聲不同，因此需要根據(jù)具體模型進(jìn)行測(cè)量統(tǒng)計(jì)得此模型下算法的過(guò)程噪聲值。

5.2 運(yùn)行次數(shù)對(duì)KF算法的影響

KF算法在算法運(yùn)算開始階段由于人為設(shè)置噪聲和初值，與真實(shí)值并不完全匹配，因此需要在一定的運(yùn)動(dòng)次數(shù)之后才能較為理想的預(yù)測(cè)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡。

此處選擇算法過(guò)程噪聲方差為9×10-6，量測(cè)噪聲方差為0.001225，運(yùn)行次數(shù)200次，此時(shí)得到濾波前后角度誤差如圖10所示。

圖10 算法運(yùn)行200次濾波前后角度誤差

圖10為算法運(yùn)行200次后濾波前后角度誤差對(duì)比圖，并對(duì)前50次濾波后角度誤差結(jié)果進(jìn)行了詳細(xì)顯示。由圖10可知，濾波算法剛開始時(shí)，由于所設(shè)定的初始狀態(tài)X0和初始估計(jì)誤差方差P0為人為設(shè)定，無(wú)法做到準(zhǔn)確設(shè)定，此時(shí)在前30次濾波曲線波動(dòng)起伏較大。但在之后的每次預(yù)判進(jìn)行中，都是在之前的預(yù)判值和測(cè)量值的基礎(chǔ)上進(jìn)行的，在每次預(yù)判過(guò)后，P（k）不斷的自我修正，同時(shí)用下一時(shí)刻的量測(cè)值來(lái)修正當(dāng)前做出的下一時(shí)刻的位置預(yù)判。因此之后曲線趨勢(shì)基本與濾波前信號(hào)誤差匹配，但是濾波角度誤差減小。

因此在進(jìn)行KF濾波應(yīng)用時(shí)，算法運(yùn)行較多次數(shù)，可以有效降低濾波誤差。

6 結(jié)束語(yǔ)

根據(jù)系統(tǒng)對(duì)應(yīng)目標(biāo)，分析了匹配的運(yùn)動(dòng)模型，通過(guò)分析運(yùn)動(dòng)模型特點(diǎn)，分析了對(duì)kalman濾波算法的應(yīng)用及其在智能可視高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)中的具體實(shí)現(xiàn)情況，包括算法運(yùn)行次數(shù)、算法運(yùn)算環(huán)境、算法中系統(tǒng)的噪聲分析，并仿真分析了不同噪聲設(shè)置和不同算法運(yùn)算次數(shù)對(duì)算法效果的影響。所得結(jié)果表明kalman濾波算法確實(shí)能夠有效實(shí)現(xiàn)跟蹤勻速直線運(yùn)動(dòng)目標(biāo)的目的，對(duì)研制智能可視高空作業(yè)防墜物聯(lián)網(wǎng)系統(tǒng)具有重要的指導(dǎo)意義。