İnsan kinematik verilerinin kalman filtresi kullanarak iyileştirilmesi

Abstract

İnsan hareketinin algılanması, tanınması ve saklanması; yapılan işin doğruluğunun ölçülmesi veya iyileştirilmesi için büyük öneme sahiptir. İnsanın hareketi esnasındaki davranışlarının incelenmesi için birtakım analizler yapılmaktadır. Bu süreçte ilk ve en önemli aşama hareketin sayısallaştırılma kısmıdır. Sayısallaştırma, hareketin bilgisayarın da anlayacağı şekilde rakamlarla ifade edilmesidir. Sayısal veri elde edilirken, verinin gerçek ölçümlere yakınlığı son derece önemlidir. Sensör teknolojilerinin gelişmesiyle, vücuda takılan algılayıcıların yanı sıra derinlik haritası çıkaran algılayıcılar, görüntü işleme yazılımlarıyla da desteklenerek insan hareketlerini 3B modellenebilmesine imkân sağlamaktadır. Birçok elektronik sistemde olduğu gibi hareket yakalama algılayıcılarında da ölçüm hataları gözlenebilmektedir. Bu hataların giderilmesi ve kabul edilebilir seviyeye indirilebilmesi için farklı filtreler ve algoritmalar geliştirilmesi gerekmektedir. Bazen de algılayıcılardan gelen veri akışı kısa süreliğine kesintiye uğrayabilmektedir. Bu durumlarda da tahmin algoritmaları kullanılması gerekmektedir. Kalman Filtresi (KF) önceki verilere göre sonraki veriyi tahmin edebilen güçlü bir algoritmadır. Bu çalışmada kişilerin gerçek vücut uzunlukları ölçülmüş, aynı uzunluklar insan hareket algılayıcısından elde edilen eklem koordinatlarına göre hesaplanmış ve gerçek vücut uzunlukları ile karşılaştırılmıştır. Bu iki değer için ortalama mutlak hata oranları hesaplanmış ve hata oranının yüksek olduğu gözlemlenmiştir. Elde edilen ölçüm hatalarını minimize edebilmek ve daha gerçekçi ölçümlere ulaşabilmek için, bu sisteme özel bir filtre tasarlanması gerekmektedir. Ölçüm hatalarını optimum hale getirebilmek için en yaygın kullanılan filtrelerden biri Kalman Filtresi'dir. KF, doğrusal sistemlerdeki hataları düzeltmelerde çok güçlü olmakla beraber, doğrusal olmayan sistemlere de genişletilmiş kalman filtresi (GKF) ile çözüm üretebilmektedir. Bu çalışmanın amacı insan hareket algılayıcısından gerçek zamanlı ölçülen veriler için kalman ve genişletilmiş kalman filtresi tasarlanarak, gerçek verilere çok daha yakın değerler üretilmesidir. İnsan hareketleri, doğrusal olmayan bir yapıya sahip olduğundan GKF uygulandığında ölçüm hatalarının kabul edilebilir seviyelere indiği gözlemlenmiştir. Performans değerlendirmesi için ortalama mutlak hataya bakıldığında; Kinect cihazı ile yapılan ölçümlerde %19,962 hata oranı, Kalman filtresi kullanılarak %14,002 hata oranı, genişletilmiş kalman filtresinde %7,693 olarak hesaplanmıştır. Bu sayede kişilerin gerçek ölçümleri alınmaksızın sadece bir algılayıcı ve geliştirilen yazılım aracılığıyla adaptasyonu kolay, zaman ve mali açıdan tasarruf sağlanan, gerçek zamanlı ve doğru ölçüm yapabilen insan hareket yakalama sistemi geliştirilmiştir.

The detection, recognition and storage of human movement; It is of great importance for measuring or improving the accuracy of the work done. Some analyzes are made to examine the behavior of people during their movements. The first and most important stage is the digitization part of the movement. While obtaining numerical data, the proximity of the data to the actual measurements is extremely important. With the development of sensor technologies, in addition to the sensors worn on the body and depth map sensors are allowing 3D modeling of human movements, also supported with image processing software. Measurement errors can be observed in motion capture sensors as in many electronic systems. Different filters and algorithms must be developed in order to eliminate these errors and reduce them to an acceptable level. Sometimes the data flow from the sensors may be interrupted for a short time. In this case, estimation algorithms should be used. Kalman Filter (KF) is a powerful algorithm that can predict next data based on previous data. In this study, the real body lengths of the individuals were measured, the same lengths were calculated according to joint coordinates obtained from the human motion sensor and compared with their actual body lengths. Average absolute error rates were calculated for these two values and it was observed that the error rate was high. In order to minimize the measurement errors obtained and to reach more realistic measurements, a special filter should be designed for this system. One of the most commonly used filters to optimize measurement errors is Kalman Filter. Although KF is very powerful in correcting errors in linear systems, it can also produce solutions for nonlinear systems with extended Kalman filter (GKF). The aim of this study is to design a Kalman and Extended Kalman filter for real-time measured data from a human motion sensor, and produce values much closer to real data. Since human movements have a non-linear structure, it has been observed that measurement errors decrease to acceptable levels when GKF is applied. Mean absolute percentage error was used for performance evaluation; It was calculated as 19.962% error rate in measurements made with Kinect device, 14.002% error rate using Kalman filter, and 7.693% in Extended Kalman filter. In this way, a human motion capture system, which is easy to adapt, saves time and money, and can perform real-time and accurate measurements, has been developed through only one sensor and the software developed without taking actual measurements of the persons.