智能手機姿態(tài)參數(shù)濾波方法對比

張博 王鵬 楊容浩

摘 要：智能手機作為一種普及的移動設(shè)備，因具有攝影、定位與定姿功能，為其應(yīng)用于數(shù)字攝影測量提供了必要保障。該文則針對智能手機姿態(tài)傳感器原始數(shù)據(jù)包含噪聲且具有振蕩性的問題，參考濾波理論，設(shè)計實驗，對比分析低通濾波法、卡爾曼濾波法、最小二乘濾波法以及組合方法對智能手機姿態(tài)數(shù)據(jù)處理效果的差異，并探究拍攝姿態(tài)與傳感器精度的關(guān)系。結(jié)果表明：先低通濾波再卡爾曼濾波最后最小二乘濾波法的組合方法對數(shù)據(jù)噪聲處理效果最佳并可有效消除數(shù)據(jù)振蕩性；手機正向姿態(tài)拍攝影像時傳感器感應(yīng)精度高于其他姿態(tài)精度。

關(guān)鍵詞：智能手機 姿態(tài)參數(shù) 濾波

中圖分類號：TP39 文獻標(biāo)識碼：A 文章編號：1674-098X（2015）12（b）-0010-04

Abstract：The popularity of smart phones as a mobile device， it should have photography， positioning and attitude determination function for its measurement used in digital photography to provide the necessary protection. Aiming smartphones attitudes noisy and oscillation issues， referencing filter theory， a series of experiments were designed to compare the difference among the low pass filtering， the Kalman filtering， the least squares filtering method about handle effect of smartphone attitude data， and the relationship of gesture and shoot sensor accuracy was ascertained. The results show： the effect of the combination method of low-pass filtering， Kalman filtering least squares filtering was the best， and sensor accuracy is the highest when the phone attitude is orthogonal.

Key Works：Smart phones；Attitude；Filter

目前，智能手機作為一種新型且普及的移動設(shè)備，不僅能夠獲取高分辨率影像、實現(xiàn)實時定位，還可利用姿態(tài)傳感器獲得實時姿態(tài)數(shù)據(jù)。因此，將智能手機作為一種便捷靈活，易于使用的新型攝影測量平臺，可為傳統(tǒng)攝影測量硬件造價昂貴、體積龐大[1-3]等問題提供解決途徑，深具實際意義與應(yīng)用價值。

在數(shù)字攝影測量中，相機姿態(tài)參數(shù)的質(zhì)量是影響后期成果正確性與精度的重要因素之一。與傳統(tǒng)攝影測量設(shè)備不同，智能手機的姿態(tài)參數(shù)可通過對內(nèi)置加速度計、陀螺儀等設(shè)備的實時數(shù)據(jù)積分運算后獲得，進而實現(xiàn)設(shè)備簡化，降低經(jīng)費投入，同時增加設(shè)備可用性。但由于智能手機的實時數(shù)據(jù)不斷變化，積分結(jié)果并不穩(wěn)定；同時因“陀螺漂移”現(xiàn)象，測量誤差也隨時間不斷累加。因此實得的姿態(tài)參數(shù)多為一組隨時間不斷振蕩且包含噪聲的數(shù)據(jù)集合而非單一值，不滿足實際需求。因此，對智能手機姿態(tài)數(shù)據(jù)進行去噪處理，確定唯一的姿態(tài)參數(shù)值十分必要。

為獲得高質(zhì)量的手機姿態(tài)參數(shù)，該文參考濾波理論、設(shè)計實驗并測試分析低通濾波法、卡爾曼濾波法、最小二乘濾波法以及組合方法等共計7種方法對智能手機姿態(tài)數(shù)據(jù)去噪效果的差異，并在此基礎(chǔ)上分析5種典型拍攝姿態(tài)對傳感器感應(yīng)精度的影響。最終確定最佳的手機姿態(tài)數(shù)據(jù)濾波處理方法與拍攝姿態(tài)。

1 姿態(tài)描述與處理方法

1.1 姿態(tài)傳感器

智能手機姿態(tài)傳感器為加速度計、陀螺儀等一系列傳感器的統(tǒng)稱[4-5]。內(nèi)置系統(tǒng)通過同時獲取加速度計、陀螺儀等設(shè)備的數(shù)據(jù)進行積分計算，從而解算出手機的瞬時姿態(tài)參數(shù)。在搭載安卓系統(tǒng)的智能手機中，姿態(tài)參數(shù)通過手機坐標(biāo)系與傳感器角度進行描述。

（1）手機坐標(biāo)系：此坐標(biāo)系以手機固件中心為原點，X軸沿屏幕平面水平向右，Y軸垂直向上，Z軸垂直屏幕正面向外，如圖1所示。特別地，上述坐標(biāo)軸向、大小相對手機恒定，不隨手機放置姿態(tài)改變。

（2）姿態(tài)傳感器角度：由姿態(tài)傳感器獲得的Azimuth、Pitch和Roll角度，具體含義如表1所示。

1.2 濾波方法

針對姿態(tài)數(shù)據(jù)振蕩且包含噪聲的特點，研究基于下述4種方法展開。

（1）低通濾波法：將一維高斯低通濾波算子與獲得的姿態(tài)數(shù)據(jù)進行卷積運算以實現(xiàn)姿態(tài)數(shù)據(jù)的去噪[6]。

（2）卡爾曼濾波法：以卡爾曼濾波實現(xiàn)姿態(tài)數(shù)據(jù)的估計值與量測值進行數(shù)據(jù)更新，排除數(shù)據(jù)噪聲干擾[7]。

（3）最小二乘濾波法：利用此方法，將離散的姿態(tài)數(shù)據(jù)擬合為一條隨時間變化的直線，消除姿態(tài)數(shù)據(jù)的振蕩性[8]。

（4）組合方法：即上述三種基本方法的按一定順序組合而得到的一系列方法的總稱。

2 實驗分析

2.1 實驗設(shè)計

為探究智能手機姿態(tài)數(shù)據(jù)結(jié)果精度與濾波方法、設(shè)備精度的關(guān)系，設(shè)計實驗如下。

實驗一：不同濾波方法對比。該實驗采用不同的濾波方法，處理正面拍攝影像的姿態(tài)數(shù)據(jù)，比較各濾波方法的處理結(jié)果，確定最佳的濾波處理方法。

實驗二：不同拍攝姿態(tài)影響分析。該實驗采用“實驗一”確定的最佳濾波處理方法，處理不同拍攝姿態(tài)數(shù)據(jù)，比較處理結(jié)果，確定不同拍攝姿態(tài)與傳感器數(shù)據(jù)精度之間的關(guān)系。

2.2 實驗準(zhǔn)備

采用搭載安卓系統(tǒng)的智能手機小米M3為實驗平臺，利用SDK（Software Development Kit）技術(shù)編寫手機程序，實現(xiàn)智能手機拍照實姿態(tài)參數(shù)的自動化解算與相關(guān)處理，其具體執(zhí)行過程如圖2所示。其中，拍攝棋盤標(biāo)定板影像，旨在獲得像控點，為拍攝姿態(tài)參考值解算提供依據(jù)。

2.3 不同濾波方法對比

為確定最優(yōu)的濾波方法，該文設(shè)計實驗如下：首先將筆記本電腦按屏幕近乎垂直桌面的方式放置并全屏展示標(biāo)定板影像；其次從屏幕正面，固定手機姿態(tài)連續(xù)拍攝5張標(biāo)定板影像，并同時不間斷地記錄一組拍攝時姿態(tài)傳感器的數(shù)值；然后，通過OpenCV空間后方交會解算功能[9-10]，獲得每張影像拍攝時姿態(tài)參數(shù)，求其平均后作為參考值；最后對獲取的一組姿態(tài)數(shù)據(jù)記錄值利用低通濾波、卡爾曼濾波、最小二乘濾波法以及組合方法（如表2所示）進行濾波處理，分析比較各種方法處理結(jié)果的均值、標(biāo)準(zhǔn)差與極差。

表2中各濾波方法的處理結(jié)果如表3、圖3所示。在圖3中，橫軸表示傳感器記錄的Azimuth數(shù)據(jù)值（單位：°），縱軸表示記錄值對應(yīng)時間序號，Pitch、Roll處理結(jié)果規(guī)律與Azimuth相似，該文不予累述。該實驗中Azimuth、Pitch、Roll的參考值分別為-68.3805°、-0.2174°、-84.8215°。

由表3、圖3可知，直接獲取的傳感器姿態(tài)數(shù)據(jù)振蕩幅度較大且變化情況沒有明顯規(guī)律，這與既有理論與前期分析相吻合。

利用單一濾波方法處理時，低通濾波法處理的結(jié)果，由于所用的濾波內(nèi)核尺寸遠小于姿態(tài)數(shù)據(jù)振蕩周期，雖振幅降低但仍保留振蕩性；最小二乘濾波法處理后，姿態(tài)數(shù)據(jù)振蕩性消失，但受噪聲干擾，其期望與參考值相差較大；卡爾曼濾波處理后，姿態(tài)數(shù)據(jù)振幅降低，且由于數(shù)據(jù)不足前幾組數(shù)據(jù)出現(xiàn)異常值。

利用組合方法處理時，先低通濾波再最小二乘濾波法處理后，其姿態(tài)數(shù)據(jù)振蕩性消失，期望與參考值差異較??；先低通濾波再卡爾曼濾波處理后，其姿態(tài)數(shù)據(jù)僅振幅降低，且標(biāo)準(zhǔn)差較大；先卡爾曼濾波再最小二乘法處理后，姿態(tài)數(shù)據(jù)振蕩性消失，但因異常值導(dǎo)致其期望與參考值相差較大；先低通濾波再卡爾曼濾波最后最小二乘濾波法處理后，姿態(tài)數(shù)據(jù)振蕩性消失、離散程度降低、其期望與參考值的差異相對最小。

綜上所述，先低通濾波再卡爾曼濾波最后最小二乘濾波法的組合方法是該文所述方法中最佳的濾波處理方法。

2.4 不同拍攝姿態(tài)影響實驗

為探究不同拍攝姿態(tài)對傳感器感應(yīng)精度的影響，確定最佳拍攝姿態(tài)，該文設(shè)計實驗如下：首先，在不同姿態(tài)下（如表4所示）獲取標(biāo)定板影像并記錄姿態(tài)數(shù)據(jù)，每一種姿態(tài)的拍攝要求與“實驗一”相同；其次，利用“實驗一”得出的最佳方法處理獲取的姿態(tài)數(shù)據(jù)，最后以O(shè)penCV所提供的解算值為參考，對比不同姿態(tài)下姿態(tài)參數(shù)精度的差異。

表4中各實驗的結(jié)果如表5所示。

由表5分析可知，當(dāng)智能手機沿Y軸或Z軸旋轉(zhuǎn)時所獲取的姿態(tài)數(shù)據(jù)，經(jīng)“實驗一”最優(yōu)方法處理后，雖姿態(tài)數(shù)據(jù)的振蕩性消失，離散程度減小，但其期望與空間后方交會參考值相差較，姿態(tài)數(shù)據(jù)的精度低；而當(dāng)智能手機處于正向姿態(tài)即Y軸數(shù)據(jù)值接近0°，Z軸數(shù)據(jù)值接近-90°時，姿態(tài)數(shù)據(jù)里處理后與參考值相差較小，說明手機姿態(tài)對設(shè)備感應(yīng)精度存在一定程度的影響，且當(dāng)手機處于正向姿態(tài)時，其影響相對較小。

3 結(jié)語

姿態(tài)參數(shù)的獲取與處理是數(shù)字攝影測量中基本且關(guān)鍵的研究問題。該文在實現(xiàn)智能手機姿態(tài)數(shù)據(jù)實時獲取與處理功能的基礎(chǔ)上，針對姿態(tài)數(shù)據(jù)包含噪聲且振蕩的特點，以低通濾波、卡爾曼濾波、最小二乘濾波法為基礎(chǔ)，設(shè)計實驗，對比分析了不同濾波方法、不同拍攝姿態(tài)對智能手機姿態(tài)參數(shù)質(zhì)量的影響，確定了最佳的姿態(tài)數(shù)據(jù)濾波方法與拍攝姿態(tài)，實驗結(jié)果表明：該文所使用的濾波方法均可在一定程度上實現(xiàn)智能手機姿態(tài)數(shù)據(jù)的去噪，增加姿態(tài)數(shù)據(jù)精度；先低通濾波再卡爾曼濾波最后最小二乘濾波法的組合方法，所處理的姿態(tài)數(shù)據(jù)的最終結(jié)果精度高、離散度小，為該次研究中的最佳智能手機姿態(tài)數(shù)據(jù)處理方法。

由于手機傳感器硬件限制，不同的拍攝姿態(tài)確會對智能手機姿態(tài)參數(shù)的精度產(chǎn)生影響。相比于其它姿態(tài)，正向姿態(tài)對姿態(tài)參數(shù)精度的影響相對較小。

參考文獻

[1]王佩軍，徐亞明.攝影測量學(xué)（測繪工程專業(yè)）[M].武漢：武漢大學(xué)出版社，2005.

[2]張祖勛.數(shù)字攝影測量的發(fā)展與展望[J].地理信息世界，2004，2（3）：1-5.

[3]張祖勛，張劍清.數(shù)字攝影測量學(xué)]M].武漢：武漢測繪科技大學(xué)出版社，1996.

[4]關(guān)東升.Android開發(fā)案例驅(qū)動教程[M].北京：機械工業(yè)出版社，2011.

[5]李寧.Android應(yīng)用開發(fā)實戰(zhàn)[M].北京：機械工業(yè)出版社，2012.

[6]田顏鋒，劉曉剛，馬彪，等.航空重力數(shù)據(jù)的預(yù)濾波處理[J].測繪科學(xué)技術(shù)學(xué)報，2010（4）：255-258.

[7]王冰，隋立芬，馬成，等.利用GPS/陀螺組合測姿的矩陣卡爾曼濾波算法[J].測繪科學(xué)技術(shù)學(xué)報，2013（5）：461-464.

[8]嚴(yán)劍鋒，鄧喀中，邢正全.基于最小二乘擬合的三維激光掃描點云濾波[J].測繪通報，2013（5）：43-46.

[9]Bradski G，Kaehler A.Learning OpenCV：Computer vision with the OpenCV library[M].OReilly Media，Inc.，2008.

[10]Laganiere R.OpenCV2計算機視覺編程手冊[M].北京：科學(xué)出版社，2013.