自适应标定

2024-07-19

自适应标定（精选三篇）

自适应标定篇1

汽车是一种最常用的交通工具, 随着技术的发展, 具有自动巡航、自动泊车等功能的智能车已经开始得到了广泛地研究和应用。作为智能机器人[1]和车辆工程的一个交叉研究领域, 国内外越来越多的企业和科研院校加入了此项研究。在国内, 国防科技大学、浙江大学、清华大学等都在积极研究, 而在国外MIT率先研究出了第一台完全自主的智能车。其中视觉技术[2,3]又是智能车技术中的关键技术。其中涉及到图像数据的获取、摄像头的标定、图像处理和特征信息的提取等。

而图像阈值是图像处理中一个重要的参数, 但其值会根据光线等因素的不同而不同。本文提出可一种自适应图像阈值的算法, 解决了在实际的环境中, 由于受到光线等因素的影响而带来的阈值的变化。

2 视觉智能车辆的道路图像采集

2.1 道路特征信息的提取

本文设计的视觉智能车辆采用CMOS摄像头作为传感器。CMOS摄像头由感光处理芯片方阵排列的感光元组成, 当外部图像经镜头折射聚焦到感光芯片上时, 灰度信息转化为电压信息存储在这些感光元中, 在时钟脉冲的作用下这些电压信息顺序输出到信号线上。为了实现序列图像的同步顺序传输, 在扫描过程中加入了场同步和行同步信号。

现在国内通用的视频信号是PAL制信号, 摄像头传送的信号也都是PAL制。PAL制信号的时序如图1所示。摄像头的工作原理[4]是:以隔行扫描的方式采集图像上的点, 当扫描到某点时, 就通过图像传感芯片将该点处图像的灰度转换成与灰度对应的电压值, 然后将此电压通过视频信号端输出。当扫描完一行, 视频信号就输出一个低于最低视频信号电压的电平 (凹槽) 并保持一段时间, 这就是扫描换行的标志, 称为行同步脉冲。然后开始扫描新的一行, 直到扫描完该场的视频信号, 随后出现场消隐区。在该复合消隐脉冲中, 场同步脉冲持续时间远大于其它消隐脉冲, 它是扫描换场信号, 标志着新一场的到来。场消隐区恰好跨在上一场的结尾和下一场的开始部分, 等场消隐区过去, 下一场的视频信号才开始到来。摄像头每秒分奇偶场, 共扫描50幅图像。

本设计使用的CMOS摄像头型号为JK309B, 该摄像头的视频信号是320线, 这320行又分为奇偶场, 即每场图像只有160行。摄像头分奇偶两场, 每秒共扫描50幅图像。当一场结束后, 扫描点会从本场最后一行到下场的第一行, 这段时间场消隐区间如图1所示。场消隐区间又分为前复合消隐脉冲, 场同步脉冲, 行同步脉冲。场同步脉冲标志着下一场的到来, 场同步脉冲后第一个行同步脉冲信号后就开始新一场的开始。如图2所示, 是JK309B的视频信号在示波器中的显示波形, 根据测试同步脉冲有1.3us前无效时间和6.2us的后无效时间, 后无效信号后就是有效的图像信号, 通过ARM芯片对其进行采集。一行结束后, 再进行新一行的扫描, 如此循环, 直到320行结束。

2.2 图像采集系统的硬件系统

CMOS视频信号采样的关键是能检测出场同步和行同步信号, 否则ARM处理器将无法区分同步信号和实际图像信息信号。采用视频信号分离芯片能够识别出通用的PAL制视频信号中的场同步脉冲, 行同步脉冲和消隐脉冲, 并将其分离出来, 同时还能分辨出奇偶场信息。本设计选用了视频信号NI公司的芯片LM1881[5]。

CMOS视频信号首先经过滤波电路, 通过一个电容耦合接LM1881管脚2, 经芯片分离后管脚1输出行同步信号CS, 作为中断信号输入到ARM处理器中, 管脚3输出场同步信号VS, 是一个宽度约为230us的低电平, 也作为中断信号输入到ARM处理器中。管脚7 (O/E) 输出是奇偶场信息, 低电平表示偶场, 高电平表示奇场。分离后的信号如图3所示。具体的视频分离和采集电路如图4所示。

3 自适应图像阈值算法与分析

3.1 自适应图像阈值算法

阈值就是以某个色阶作为基准, 把所有比基准亮的像素转换为白色, 把所有比基准暗的像素转换为黑色, 从而将灰度或彩色图像转换为高对比度的黑白图像。因为视觉智能车在现场运行过程中面临的光线环境是未知的, 而对于后续的图像处理, 设置一个合适的阈值很重要, 故需动态选择区分黑白的阈值, 在陌生光线环境下对阈值进行自动的标定为以后图像处理的二值化和边缘检测提供保证。如图5是在示波器上观测的正常光线情况下白色道路黑色指引线的波形图, 黑色位置凹下去, 左右白色的位置是高度相似的;如图6在光线不理想 (偏暗) 时在示波器上观察到的一种情况, 这时左边的白色值比右边的白色值低 (称为左肩低右肩高) , 这样对于边缘的提取干扰非常的大。

有一种已被使用的方法[6]能解决光线不好的情况下, 因为在光线不好导致图像通常都会出现凸起的情形, 如图6所示.这时黑线提取算法出错几率会大大增加, 为了避免这种情况发生, 可以根据图像的变化趋势将阈值的附加上一个修正值。在左边的阈值加上一个数值, 右边的阈值则减去一个数值。修正值的计算可以大致采用如下式子算出:

为了解决这个问题, 本文提出了一种自适应光线的动态阈值的设定方法。其具体算法过程如图7所示:首先进入陌生环境先进行图像数据的采集存入二维数组ccd_test[row][line]中, 其次求出各行图像数据中图像采样值的最小差存入一维数组ccd_result中, 根据从远到近的加权系数得到自适应的阈值。然后再根据系统计算出来的阈值, 作为后续算法的参数R_th, 具体算法如下式:

其中, Ki为加权系数, 越近权值越大, 因为得到的数据越清晰。

3.2 实验与结果

通过具体实验结果如表1所示, 使用固定的阈值方法, 对光线的变化比较敏感, 抗干扰能力较为弱, 而根据一般处理处理方法校正, 在光线弱的时候效果较好, 但是在光强的时候效果比较差。用本文的自适应阈值方法, 在光线变化时能较好的工作, 抗干扰能力较强, 说明该算法是可行的。

4 结束语

本文为了解决视觉智能车在现场环境中, 光线不同从而导致固定的阈值不能适应图像处理的问题, 提出了一种自适应图像阈值的标定方法, 该算法采用智能车辆在现场环境中动态标定阈值的方法, 使智能车辆的视觉系统的抗光干扰性能得到了一定程度的提高。并且通过实验结果的分析, 证明该方法有一定的可行性。

摘要：视觉技术已经广泛地应用于智能车巡航系统中, 其中图像处理是提取道路信息的重要途径, 而图像阈值是其中一个重要的参数。文章提出一种自适应图像阈值的算法, 解决了在实际环境中, 由于受到光线等因素影响而带来的阈值变化, 实验证明效果良好。

关键词：视觉智能车,自适应,图像阈值

参考文献

[1]蔡自兴.智能控制及移动机器人研究进展[J].中南大学学报 (自然科学版) , 2005, 36 (5) :721-726.

[2]GN DeSouza, AC Kak.Vision for Mobile Robot Navigation:A Survey[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24 (2) :237-267.

[3]MH Li, BR Hong, ZS Cai, SH Piao, QC Huang.Novel indoor mobile robot navigation using monocular vision[J].Engineering Applications of Artificial Intelligence, 2008, 21:485-497.

[4]俞斯乐.电视原理[M].北京:国防工业出版社, 2005.

[5]National semiconductor.LM1881.datasheet[EB/OL].http://www.ti.com/lit/ds/symlink/lm1881.pdf, 2006.

数据有增加图表自适应篇2

如需利用柱形图展示员工的工作业绩，当员工人数增加或减少时，柱形图的个数实现自动进行相应的变化，即增加或减少（图1）。在一般操作中，实例中柱形图的数值系列的数据源是由手动选取的B2：B9，水平（分类）轴标签的数据源也是手动选取的A2：A9，这些数据源都是固定不变的。要想实现上述效果，需要将这两个数据源更改为可变的表达式。

用Excel 2013打开数据表，点击“公式→定义名称”，在弹出窗口的名称处输入“分类轴”，引用位置处输入“=OFFSET（$A$2，，，COUNTA（$A：$A）-1，1）”；以同样的方式再定义一个名称为“数值轴”的名称，引用位置处输入“=OFFSET（$B$2，，，COUNTA（$A：$A）-1，1）”（图2）。

数据源名称定义完成后，就该修改柱形图的两个数据源了。

右击柱形图，选择“选择数据”，在弹出的窗口中点击“图例项（系列）”下的“编辑”按钮，在弹出的窗口系列值处输入“Sheet1！数值轴”（ Sheet1这要根据数据表的名称而定）；点击“水平（分类）轴标签”下的“编辑”按钮，在弹出的窗口中输入“=Sheet1！分类轴”（图3）。

自适应标定篇3

关键词：鲁棒自适应卡尔曼滤波,平稳时间序列,陀螺漂移,趋势项,建模

惯导系统作为精确制导武器上核心系统,其精度直接影响到武器的打击精度。要提高惯导系统的精度,目前最有效的方法是对误差进行标定并加以补偿。当飞行器竖立在发射台上时会受到各种干扰因素的影响,比如阵风干扰,补偿这种干扰现阶段比较有效的作法是,首先建立起阵风干扰下平台漂移误差模型,然后选用合适的滤波算法对数据进行处理,以期达到较好的效果。但是在实际计算中,普通的卡尔曼滤波在数据处理方面是基于小误差情况,也就是平台在工作过程中没有受到大的影响,这种条件并不适用于本文所研究的情况,所以必须要选用一种收敛效果好的滤波算法,鲁棒自适应卡尔曼滤波就满足这种要求。它能够在线估计干扰误差,并且在建模时就考虑了模型本身所带来的误差并进行补偿,使数据处理达到较理想的效果。

近年来,时序分析方法被越来越多地应用到惯导系统漂移误差建模中, 本文首先利用ARMA(2,1)模型建立起阵风干扰下平台漂移模型,然后利用鲁棒自适应卡尔曼滤波对数据进行处理取得了比较好的效果。

1 数据分析

1.1 数据采集

香农定理:采样频率必须大于信号最高频率的两倍。这一定理是信号采集的依据,本文所采样的间隔为0.1 s,采样时长为60 s,这样就得到了600个数据,如图1所示。

1.2 数据平稳性检验

陀螺在生产安装过程中,由于各种因素的影响会产生安装误差,这就导致了陀螺漂移数据表现出一定的趋向性,所以需要对其进行平稳性检验。

常用的检验方法有参数和非参数分析法两类,本文采用逆序检验法属于后者,检验结果表明,陀螺仪的漂移数据存在趋势项,不满足平稳性要求。

2 陀螺漂移数据建模

2.1 趋势项的提取

对于趋势项:

$\begin{array}{l} D_{1} (t) = β_{0} + β_{1} t + β_{2} t^{2} + β_{3} t^{3} + β_{4} t^{- 1} + \\ β_{5} t^{- 2} + β_{6} t^{\frac{1}{2}} + β_{7} t^{\frac{- 1}{2}} (1) \end{array}$

在实际测试中的趋势不一定如此复杂,通常取两三项即可,采用逐步回归法进行因子舍取,

令t=1,2,…,N,可得矩阵方程

x=βA+ε;

$x = [\begin{matrix} x_{1} & x_{2} & \dots & x_{Ν} \end{matrix}]^{Τ}$ ;

$β = [\begin{matrix} β_{0} & β_{1} & \dots & β_{7} \end{matrix}]^{Τ}$ ;

$\begin{array}{l} A = \\ [\begin{matrix} 1 & 1 + \frac{1}{Ν} & (1 + \frac{1}{Ν})^{2} & \dots & (1 + \frac{1}{Ν})^{- 1 / 2} \\ 1 & 1 + \frac{2}{Ν} & (1 + \frac{2}{Ν})^{2} & \dots & (1 + \frac{2}{Ν})^{- 1 / 2} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ 1 & 1 + \frac{Ν}{Ν} & (1 + \frac{Ν}{Ν})^{2} & \dots & (1 + \frac{Ν}{Ν})^{- 1 / 2} \end{matrix}] 。 \end{array}$

参数β的最小二乘估计式为:

$β = (A^{Τ} A)^{- 1} A^{Τ} x$

结果表明,漂移信号含有一阶线性趋势项

2.2 正态性检验

正态性检验就是检验时序的3阶矩(偏态系数ζ)和4阶矩(峰态系数v)是否满足正态随机变量的概率密度函数,即ζ=0,v=3,经检验陀螺漂移数据满足正态性要求。

2.3 平稳时间序列建模

本文采用ARMA(2,1)模型对漂移数据建模其算法如下:

$[\begin{array}{l} φ_{1} \\ φ_{2} \\ ⋮ \\ φ_{n} \end{array}] = [\begin{array}{l} θ_{1} \\ θ_{2} \\ ⋮ \\ θ_{n} \end{array}] + [\begin{matrix} 1 & 0 & \dots & 0 \\ - θ_{1} & 1 & \dots & 0 \\ ⋮ & ⋮ & ⋱ & ⋮ \\ - θ_{n - 1} & - θ_{n - 2} & \dots & 1 \end{matrix}] [\begin{array}{l} Ι_{1} \\ Ι_{2} \\ ⋮ \\ Ι_{n} \end{array}] (4)$

$[\begin{array}{l} Ι_{n + 1} \\ Ι_{n + 2} \\ ⋮ \\ Ι_{n + m} \end{array}] = [\begin{matrix} Ι_{n} & Ι_{n - 1} & Ι_{n - 2} & \dots & Ι_{n - m + 1} \\ Ι_{n + 1} & Ι_{n} & Ι_{n - 1} & \dots & Ι_{n - m + 2} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ Ι_{n + m - 1} & Ι_{n + m - 2} & Ι_{n + m - 3} & \dots & Ι_{n} \end{matrix}] [\begin{array}{l} θ_{1} \\ θ_{2} \\ ⋮ \\ θ_{m} \end{array}] (5)$

经过matlab计算,得到如下的模型:

$x_{(t)} = 0.133 9 \bar{x}_{(t - 1)} - 0.681 7 \bar{x}_{(t - 2)} + a_{(t)} + 0.802 7 a_{(t - 1)} (6)$

3 鲁棒自适应卡尔曼滤波

3.1 滤波方程建立

基于上述模型写出如下状态空间模型:

${\begin{cases} X_{(t + 1)} = Φ X_{(t)} + Γ W_{(t)} \\ Ζ_{(t)} = Η X_{(t)} + V_{(t)} \end{cases} (7)$

式(7)中,W(k),V(k)的统计特性为:E(W(t))=0,E(V(t))=0;E(V(t)VT(t))=Qtδtj,E(W(t)WT(t))=Rtδtj,E(V(t)WT(t))=0。δtj是荻拉克利函数。

$δ_{t j} = {\begin{matrix} 0 ‚ & t \neq j ； \\ 1 ‚ & t = j 。 \end{matrix}$

系统的状态为: $X_{(t)} = [\overset{⌢}{x}_{(t)} \overset{⌢}{x}_{(t - 1)}]^{Τ}$ ,过程噪声为:W(t)=[a(t)a(t-1)]T。

$\begin{array}{l} 式中的系数为 ∶ Φ = [\begin{matrix} 0.133 9 & - 0.681 7 \\ 1 & 0 \end{matrix}] ‚ Γ = \\ [\begin{matrix} 1 & 0.802 7 \\ 0 & 1 \end{matrix}] 。 \end{array}$

系统的输出为Z(t)=x(t),则输出方程系数H=[1 0]。

在这个模型中,把需要辨识的漂移角设为一个状态变量,然后通过参数辨识的方法把它估计出来。

3.2 鲁棒自适应卡尔曼滤波

考虑上述的线性离散随机系统,假设其是带模型误差系统,即真实系统是如式(8)。

${\begin{cases} X (t + 1) = (Φ + Δ Φ) X (t) + Γ w (t) \\ Ζ (t) = (Η + Δ Η) X (t) + v (t) \end{cases} (8)$

式(8)中状态转移矩阵误差ΔΦ和观测矩阵误差ΔH是未知的,但Φ和H是已知的。因此,既使噪声统计是已知的,对带模型误差系统进行常规卡尔曼滤波也会使滤波器性能变坏。为了补偿模型误差,将真实系统写为:

${\begin{cases} X (t + 1) = Φ X (t) + ε (t) \\ Ζ (t) = Η X (t) + η (t) \end{cases} (9)$

式(9)中定义虚拟模型噪声ε(t)和虚拟观测噪声η(t)为

${\begin{cases} ε (t) = Δ Φ X (t) + Γ (t) w (t) \\ η (t) = Δ Η X (t) + v (t) \end{cases} (10)$

虚拟噪声ε(t)补偿了状态模型误差ΔΦX(t),虚拟噪声η(t)补偿了观测方程误差ΔHX(t)。通常模型误差ΔΦ,ΔH相对于Φ,H而言是较小的,因此可近似假设虚拟噪声ε(t),η(t)是带未知时变噪声统计的相互独立的白噪声。

$\begin{array}{l} E ε (t) = q (t), cov [ε (t), ε (j)] = Q (t) ； \\ E η (t) = r (t), cov [η (t), η (j)] = R (t) 。 \end{array}$

对真实系统的滤波问题转化为带未知时变噪声系统的自适应卡尔曼滤波问题,得到如下鲁棒自适应卡尔曼滤波公式:

给定初值: $\overset{⌢}{X} (0 | 0) ‚ Ρ (0 | 0) ‚ r (0) ‚ Q (0) ‚ \overset{⌢}{q} (0) ‚ b 。$

dt=(1-b)/(1-bt+1) (11)

$\begin{array}{l} \overset{⌢}{X} (t + 1 | t + 1) = \overset{⌢}{X} (t + 1 | t) + Κ (t + 1) \times \\ ε (t + 1) (12) \end{array}$

$\begin{array}{l} \overset{⌢}{X} (t + 1 | t) = Φ \overset{⌢}{X} (t | t) + Γ \overset{⌢}{q} (t) (13) \\ ε (t + 1) = Ζ (t + 1) - Η \overset{⌢}{X} (t + 1 | t) - \overset{⌢}{r} (t) (14) \\ Κ (t + 1) = Ρ (t + 1 | t) Η^{Τ} \\ [Η Ρ (t + 1 | t) Η^{Τ} + \overset{⌢}{R} (t)]^{- 1} (15) \\ Κ (t + 1) = Ρ (t + 1 | t) Η^{Τ} \\ [Η Ρ (t + 1 | t) Η^{Τ} + \overset{⌢}{R} (t)]^{- 1} (16) \\ Ρ (t + 1 | t) = Φ Ρ (t | t) Φ^{Τ} + Γ \overset{⌢}{Q} (t) Γ^{Τ} (17) \\ Ρ (t + 1 | t + 1) = [Ι - Κ (t + 1) Η] Ρ (t + 1 | t) (18) \\ \overset{⌢}{q} (t + 1) = (1 - d_{t}) \overset{⌢}{q} (t) + \\ d_{t} [\overset{⌢}{X} (t + 1 | t + 1) - Φ \overset{⌢}{X} (t | t)] (19) \\ \overset{⌢}{Q} (t + 1) = (1 - d_{t}) \overset{⌢}{Q} (t) + \\ d_{t} [Κ (t + 1) ε (t + 1) ε^{Τ} (t + 1) Κ^{Τ} (t + 1) + \\ Ρ (t + 1 | t + 1) - Φ Ρ (t | t) Φ^{Τ}] (20) \\ \overset{⌢}{r} (t + 1) = (1 - d_{t}) \overset{⌢}{r} (t) + \\ d_{t} [Ζ (t + 1) - Η \overset{⌢}{X} (t + 1 | t)] (21) \\ \overset{⌢}{R} (t + 1) = (1 - d_{t}) \overset{⌢}{R} (t) + d_{t} [ε (t + 1) \\ ε^{Τ} (t + 1) - Η Ρ (t + 1 | t) Η^{Τ}] (22) \end{array}$

其中,T为转置,I为单位矩阵,b是遗忘因子(通常取值为0.95≤b≤0.995)。以上就构成了自适应卡尔曼滤波器,交替运用式(11)～式(22)就可计算出状态和噪声统计特性的估计。

3.3 数据处理结果

将处理后的平稳时间序列作为系统输出输入到上述滤波器中,交替运用公式可得出如图3所示的数据处理结果。

从图3中可以看出,图3所得到数据明显比图2平滑了许多,为了更好F 说明问题,表1给出了数据处理前后的方差值,方差大时说明数据较分散,方差小时说明数据较集中。

从表1中可以看出,滤波后数据方差比滤波小了一个数量级,说明滤波效果较好,所得的数据可信,鲁棒自适应卡尔曼滤波在陀螺大干扰情况下能够取得很好的效果。

4 结论

本文首先利用ARMA(2,1)模型建立起阵风干扰下平台漂移模型,并且将其用状态空间的形式描述,通过模型适用性检验得知这个模型能够满足数据处理要求。在对数据处理时,考虑到普通卡尔曼滤波对大干扰情况下数据处理效果不好而且需要预知系统干扰的方差等信息,本文选用的鲁棒自适应卡尔螺滤波可以在线估计系统噪声的方差和协法差,而且在对大干扰数据处理的情况下取得了较好的效果,实际实验数据表明,经过滤波后的数据的方差可以比原始数据方差小一个数量级,满足了标定系数计算精度要求。

参考文献

[1]杨叔子,吴雅,等.时间序列分析的工程应用.武汉:华中理工大学出版社,1992

[2]武丽花,凌林本.三浮陀螺仪漂移模型的建立及MATLAB仿真.中国惯性技术学报,2004;12(6):75—78

[3]李纪光,刘锡敬.MATLAB在液浮陀螺随机漂移建模中的应用.中国舰船研究,2008;4(3):50—53

[4]李璐,孙纯祥.三浮陀螺随机漂移数据建模.压电与声光,2011;6(3):378—381

本文来自 360文秘网(www.360wenmi.com)，转载请保留网址和出处

【自适应标定】相关文章：

系统自适应05-06

煤质自适应05-14

空间自适应05-15

自适应定位05-27

温度自适应05-28