智能可視高空作業(yè)防墜物聯網系統(tǒng)中人體運動跟蹤研究

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，電力行業(yè)安全生產頗受重視，包括觸電、機械傷害、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危害大。據不完全統(tǒng)計，高空墜落占電力行業(yè)意外事故四成以上比例?，F有的防高空墜落設備，比較簡單，只是防墜器，不具有智能化、可控性、可視性及多端聯動性。

智能可視高空作業(yè)防墜物聯網系統(tǒng)可提升高空危險作業(yè)的安全監(jiān)測級別，通過三端（作業(yè)點、地面站及管控中心）聯動及時判斷并進行預警，并用可視化管控系統(tǒng)進行人機交互，保證高空作業(yè)管理的便捷性，具有極大的使用及安全價值；通過本項目課題的開發(fā)實現，能大大降低高空墜落事故的發(fā)生率，具有很高的社會意義和效益。智能可視化高空作業(yè)防墜物聯網系統(tǒng)成果不僅可以應用于水電廠高空作業(yè)，同時可推廣至其他類似行業(yè)，包括建筑、公路、鐵路、電力等?？赏茝V性極為廣泛，其技術難度也頗高，尤其是將作業(yè)點、地面站和后臺服務系統(tǒng)三端聯動實現統(tǒng)一協作管理，在國內乃至國外均屬于前端科研項目，研究成果可在電力系統(tǒng)乃至其他行業(yè)推廣應用。

人體異常行為識別技術方面的研究主要集中在人體運動檢測、人體運動跟蹤和人體行為識別三個過程，人體運動跟蹤方面常用的研究方法有Kalman算法和Mean shift算法。

Kalman濾波算法是運動目標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時處理的要求，對運動目標建立狀態(tài)模型，并根據運動目標當前的運動狀態(tài)信息，使用狀態(tài)模型對目標在下一幀的運動信息進行估計，包括運動目標的速度和加速度，即對運動目標的位置進行預測，在縮小運動目標的搜索范圍并提高計算效率的同時，還能解決目標因為局部遮擋而引起的無法得到跟蹤結果的問題。Kalman濾波具有模型簡單、數據存儲量小的優(yōu)點，適于工程應用?；诩す饫走_跟蹤運動目標的模型，文中根據研究運動目標確定其為在小掃描區(qū)域空間內勻速直線運動方式，選擇了KF（卡爾曼濾波）算法。下面簡要介紹了KF算法，通過仿真，分析了實際應用性能。

2 運動目標模型

建立運動目標模型是運動目標跟蹤的一個基本要素，構建的運動目標模型中既要與運動目標實際運動狀態(tài)相符，同時也要易于數學計算與模擬。

本文研究所涉及目標主要針對高空電力作業(yè)人員動態(tài)運動跟蹤分析。常用的目標運動模型有：勻速（CV）運動目標模型和勻加速度（CA）運動目標模型，以及非線性運動模型。不同的運動模型，對應不同的運動目標的狀態(tài)。其中勻速直線運動則為線性非機動模型，對應實物目標為高空高速巡航飛行的運動目標。勻加速直線運動屬于線性機動模型，運動目標處于直線的加減速狀態(tài)。若目標為非線性運動，則速度處于變化狀態(tài)，屬于機動模型。

在智能可視高空作業(yè)防墜物聯網系統(tǒng)研制過程中，前期采用勻速（CV）運動目標模型。由于此狀態(tài)下運動目標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。

設目標在一維空間做勻速直線運動，則用高斯白噪聲描述可得對應CV模型表示為：

在離散時間系統(tǒng)下，此模型可以表示為：

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

當目標處于機動狀態(tài)，在實際應用過程中，CV模型也可用于機動狀態(tài)的近似描述。但是當加速度過大時，引入的狀態(tài)噪聲過大，將會導致目標跟蹤仿真誤差增大。

3 KF（卡爾曼濾波）算法概述

圖1 運動目標跟蹤流程模型

在選擇濾波算法的時候需要考慮：（1）激光雷達已選擇高空巡航的運動目標與匹配目標運動狀態(tài)模型；（2）激光雷達掃描幀頻與數據的采樣周期；（3）濾波精度；（4）濾波算法計算復雜度與計算時間。

4 KF算法基本方程

本文所涉及的運動目標定位跟蹤過程中，系統(tǒng)通過掃描機構回讀的目標角度、位置、距離等多種參數信息進行目標的定位。但是由于系統(tǒng)測量夾雜有各種噪聲，例如探測器背景噪聲、掃描機構測量噪聲等，使得測量所得數據與實際運動目標參數存在誤差，因此激光雷達測量所得的運動目標狀態(tài)信息都是包含有隨機誤差成分的。實際的目標跟蹤控制中，需要在跟蹤與伺服控制之前對激光雷達的回波所得目標信息進行濾波處理，降低噪聲的影響，提高測量精度，同時為跟蹤隨動系統(tǒng)提供更為準確的軌跡預測信息。

目標跟蹤算法是連接信號處理系統(tǒng)與跟蹤隨動系統(tǒng)之間的重要的一個部分，其需要處理目標狀態(tài)信息，進行降噪，并將軌跡預測信息反饋給跟蹤隨動系統(tǒng)。整個跟蹤系統(tǒng)的工作流程如圖1所示：

假設系統(tǒng)方程如式（3）、（4）所示：

狀態(tài)方程

量測方程

式中，Xk、 、Gk、wk、Zk、Hk、vk表示k時刻系統(tǒng)狀態(tài)估計向量、轉移矩陣、噪聲加權矩陣、噪聲向量、量測向量、對應量測轉移矩陣以及量測噪聲向量。

假設Xk（被估計狀態(tài)）同量測值Zk都滿足狀態(tài)以及量測方程，同時當系統(tǒng)處于離散狀態(tài)時，過程噪聲wk以及觀測噪聲vk也都滿足（5）式對應的條件，則Xk的估計 可以按下述等方程求解：

狀態(tài)一步預測方程

協方差一步預測方程

濾波增益更新方程

狀態(tài)更新方程

協方差更新方程

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

5 KF算法跟蹤仿真分析

KF濾波在設置不同噪聲以及不同計算次數情況下，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行次數對KF算法的影響。仿真中設置算法為一維角度運算，通過對濾波前后角度值的誤差來分析KF算法的效果。

5.1 噪聲對KF算法的影響

如果一組由目標跟蹤位置的動態(tài)量測數據組成的集合中，由于噪聲、目標干擾、傳感器自身原因等因素的影響，而在獲取信號和數據處理中噪聲的出現是無法避免的。為了獲得精確合理的數據預處理結果以及模擬仿真結果，對獲得的信號數據進行噪聲添加和分析是必要的。

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

vk也即觀測噪聲或量測噪聲，是系統(tǒng)在對運動目標進行測量時，系統(tǒng)存在的固有量測噪聲。當系統(tǒng)靜止，可通過測量輸出分析得出（系統(tǒng)靜止時測到的輸出即是量測噪聲）量測噪聲vk。

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

為了準確模擬仿真，需要對理想量測信息添加掃描機構溫漂和定位噪聲所帶來的誤差，這里對量測信息添加了18μrad的掃描機構噪聲誤差；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表達式即可得量測噪聲方差矩陣。因此綜合考慮測量誤差和外界環(huán)境干擾，仿真中針對量測信息添加了方差為0.001225的高斯白噪聲。

同時設系統(tǒng)的狀態(tài)噪聲，即系統(tǒng)在估計運動目標過程中的誤差。過程噪聲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，選擇模型與量測值即實際運動目標越匹配。由于掃描機構定位精度達10μrad量級，因此此處設最大方位角狀態(tài)標準差 ，最大俯仰角狀態(tài)標準差 ，那么。

，同理將 和 帶入Qk表達式即可的得到過程噪聲的方差矩陣。

量測噪聲反應的是系統(tǒng)固有噪聲，此處擬取量測噪聲值大小分別為0.055°、0.035°和0.015°，則此時量測噪聲對應方差分別為0.003025，0.001225及0.000225，當量測噪聲分別為這三個值時，算法運行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 量測噪聲方差為0.003025時濾波前后角度誤差對比

圖3 量測噪聲方差為0.001225時濾波前后角度誤差對比

圖4 量測噪聲方差為0.000225時濾波前后角度誤差對比

圖5 三種量測噪聲下濾波后角度誤差對比

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

過程噪聲是數據的擾動，反應的是系統(tǒng)模型選擇匹配程度。此處擬取過程噪聲方差分別為9×10-4，9×10-5及9×10-6，分別對應過程噪聲為0.03°、0.0095°和0.003°當量測噪聲分別為這三個值時，算法運行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 過程噪聲方差為9×10-4時濾波前后角度誤差對比

圖7 過程噪聲方差為9×10-5時濾波前后角度誤差對比

圖8 過程噪聲方差為9×10-6時濾波前后角度誤差對比

圖9 三種過程噪聲下濾波后角度誤差對比

圖6、7和8分別是過程噪聲方差分別為9×10-4，9×10-5及9×10-6時，濾波前后角度誤差對比圖?？梢钥闯觯^程噪聲越小，濾波前曲線幅值基本一致，因此濾波前角度數據包含誤差相同，但濾波后曲線明顯平滑，角度誤差明顯減小。圖9為三種過程噪聲下濾波后角度誤差對比圖，由圖9可知，在三種過程噪聲下，過程噪聲越小，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。在實際情況下，運動模型多種多樣，不同模型的過程噪聲不同，因此需要根據具體模型進行測量統(tǒng)計得此模型下算法的過程噪聲值。

5.2 運行次數對KF算法的影響

KF算法在算法運算開始階段由于人為設置噪聲和初值，與真實值并不完全匹配，因此需要在一定的運動次數之后才能較為理想的預測運動目標的運動軌跡。

此處選擇算法過程噪聲方差為9×10-6，量測噪聲方差為0.001225，運行次數200次，此時得到濾波前后角度誤差如圖10所示。

圖10 算法運行200次濾波前后角度誤差

圖10為算法運行200次后濾波前后角度誤差對比圖，并對前50次濾波后角度誤差結果進行了詳細顯示。由圖10可知，濾波算法剛開始時，由于所設定的初始狀態(tài)X0和初始估計誤差方差P0為人為設定，無法做到準確設定，此時在前30次濾波曲線波動起伏較大。但在之后的每次預判進行中，都是在之前的預判值和測量值的基礎上進行的，在每次預判過后，P（k）不斷的自我修正，同時用下一時刻的量測值來修正當前做出的下一時刻的位置預判。因此之后曲線趨勢基本與濾波前信號誤差匹配，但是濾波角度誤差減小。

因此在進行KF濾波應用時，算法運行較多次數，可以有效降低濾波誤差。

6 結束語

根據系統(tǒng)對應目標，分析了匹配的運動模型，通過分析運動模型特點，分析了對kalman濾波算法的應用及其在智能可視高空作業(yè)防墜物聯網系統(tǒng)中的具體實現情況，包括算法運行次數、算法運算環(huán)境、算法中系統(tǒng)的噪聲分析，并仿真分析了不同噪聲設置和不同算法運算次數對算法效果的影響。所得結果表明kalman濾波算法確實能夠有效實現跟蹤勻速直線運動目標的目的，對研制智能可視高空作業(yè)防墜物聯網系統(tǒng)具有重要的指導意義。