Kalman Filter for a Particular Class of Dynamic Object Images

Cover Page

Cite item

Full Text

Abstract

We discuss the problem of estimating the state of a dynamic object by using observed images generated by an optical system. The work aims to implement a novel approach that would ensure improved accuracy of dynamic object tracking using a sequence of images. We utilize a vector model that describes the object image as a limited number of vertexes (reference points). Upon imaging, the object of interest is assumed to be retained at the center of each frame, so that the motion parameters can be considered as projections onto the axes of a coordinate system matched with the camera's optical axis. The novelty of the approach is that the observed parameters (the distance along the optical axis and angular attitude) of the object are calculated using the coordinates of specified points in the object images. For estimating the object condition, a Kalman-Bucy filter is constructed on the assumption that the dynamic object motion is described by a set of equations for the translational motion of the center of mass along the optical axis and variations in the angular attitude relative to the image plane. The efficiency of the proposed method is illustrated by an example of estimating the object's angular attitude.

About the authors

V. A Soifer

S.P. Korolev Samara National Research University

Email: soifer@ssau.ru
Moscow Hgw. 34

V. A Fursov

S.P. Korolev Samara National Research University

Email: fursov@ssau.ru
Moscow Hgw. 34

S. I Kharitonov

S.P. Korolev Samara National Research University

Email: prognoz2007@gmail.com
Moscow Hgw. 34

References

  1. Laplante P.A., Neill C.J. A class of Kalman filters for real-time image processing // Proceedings of the Real-Time Imaging VII conference. Santa Clara: SPIE, 2003. pp. 22–29.
  2. Schneider F., Easterbrook S.M., Callahan J.R., Holzmann G.J. Validating requirements for fault tolerant systems using model checking // Proceedings of the Third IEEE International Symposium on Requirements Engineering: RE'98. 1998. pp. 4–13.
  3. Biemond J., Riesek J., Gerbrands J. A fast Kalman filter for images degraded by both blur and noise // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1983. vol. 31. no. 5. pp. 1248–1256.
  4. Xie X., Sudhakar R., Zhuang H. Real-time eye feature tracking from a video image sequence using Kalman Filter // IEEE Transactions on Systems, Man, and Cybernetics 1995. vol. 25. no. 12. pp. 1568–1577.
  5. Lippiello V., Siciliano B., Villani L. A new method of image features pre-selection for real-time pose estimation based on Kalman filter // Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2002. vol. 1. pp. 372–377.
  6. Горбачев В.А., Калугин В.Ф. Разработка алгоритма многообъектного трекинга с необучаемыми признаками сопоставления объектов // Компьютерная оптика. 2023. Т. 47. № 6. С. 1002–1010. doi: 10.18287/2412-6179-CO-1275.
  7. Cao K., Li J., Song R., Li Y. HELM-AD: Hierarchical and efficient attitude determination framework with adaptive error compensation module based on ELM network // ISPRS Journal of Photogrammetry and Remote Sensing. 2023. vol. 195. pp. 418–431. doi: 10.1016/j.isprsjprs.2022.12.010.
  8. Al Bitar N., Gavrilov A. A new method for compensating the errors of integrated navigation systems using artificial neural networks // Measurement. 2021. vol. 168. no. 108391.
  9. Chen C., Xiong R., Yang R., Shen W., Sun F. State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter. Journal of Cleaner Production. 2019. vol. 234. pp. 1153–1164. doi: 10.1016/j.jclepro.2019.06.273.
  10. Cui Z., Kang L., Li L., Wang L., Wang K. A combined state-of-charge estimation method for lithium-ion battery using an improved BGRU network and UKF // Energy. 2022. vol. 259. no. 124933.
  11. Астафьев А.В., Титов А.В., Жизняков А.Л., Демидов А.А. Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей // Компьютерная оптика. 2021. Т. 45. № 2. С. 277–285. doi: 10.18287/2412-6179-CO-826.
  12. Baoa T., Zhao Y., Zaidia S.A.R., Xiea S., Yang P., Zhang Z.. A deep Kalman filter network for hand kinematics estimation using sEMG // Pattern Recognition Letters. 2021. vol. 143. pp. 88–94. doi: 10.1016/j.patrec.2021.01.001.
  13. Chen K., Yu J. Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach // Applied Energy. 2014. vol. 113. pp. 690–705. doi: 10.1016/j.apenergy.2013.08.025.
  14. Din F. Combined state and least squares parameter estimation algorithms for dynamic systems // Applied Mathematical Modelling. 2014. vol. 38. no. 1. pp. 403–412. doi: 10.1016/j.apm.2013.06.007.
  15. Ding F. State filtering and parameter estimation for state space systems with scarce measurements // Signal Processing. 2014. vol. 104. pp. 369–380. doi: 10.1016/j.sigpro.2014.03.031.
  16. Zhu X.-Z., Cabecinhas D., Xie W., Casau P., Silvestre C., Batista P., Oliveira P. Kalman–Bucy filter-based tracking controller design and experimental validations for a quadcopter with parametric uncertainties and disturbances // International Journal of Systems Science. 2023. vol. 54(1). pp. 17–41. doi: 10.1080/00207721.2022.2096939.
  17. Ionov I., Boldyrikhin N., Cherckesova L., Saveliev V. Filtering grayscale images using the Kalman filter // E3S Web of Conferences. 2022. vol. 363. doi: 10.1051/e3sconf/202236303004.
  18. Jwo D.-J., Biswal A. Implementation and Performance Analysis of Kalman Filters with Consistency Validation // Mathematics. 2023. vol. 11(3). no. 521. doi: 10.3390/math11030521.
  19. Piovoso M., Laplante P.A. Kalman filter recipes for real-time image processing // Real-Time Imaging. 2003. vol. 9. no. 6. pp. 433–439. doi: 10.1016/j.rti.2003.09.005.
  20. Василюк Н.Н. Коррекция вращательного смаза в изображениях звёзд, наблюдаемых астроинерциальным датчиком ориентации на фоне дневного неба // Компьютерная оптика. 2023. Т. 47. № 1. С. 79–91. doi: 10.18287/2412-6179-CO-1141.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».