Vous êtes sur la page 1sur 51

Filtre de Kalman pour le suivi

Version alpha
(powerpoint+tableau noir)

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 1

Le suivi ?
Suivre = infrer le mouvement d'un objet partir d'une
squence d'images.
Applications :

Laboratoire dInformatique
et dImagerie Industrielle

Capture du mouvement :
Enregistrement des mouvements pour restitution ( avatars)
ou analyse (Mouvement danc (S. Boukir))
Reconnaissance partir du mouvement : caractriser un objet
partir de son dplacement (lent ou rapide, rectiligne ou sinueux)
(aqu@thque)
Suivi d'objet pour l' identifier : recherche d' attributs
discriminants (aqu@thque)
Surveillance :
-dtection d'intrusion
-dtection de mouvements inhabituels : prvention d'accidents dans
les aroports par identifications de motifs (squences) rptitifs.
Militaire : dtection du mouvement et prdiction de la position
Laurent Mascarilla

Filtre de Kalman 2

Introduction
Exemple 1 :
Estimer la position

(centre de gravit) dun objet sur une image

Une 1re mthode (dtection de contour)


Une 2me mthode (seuillage)

Comment tenir compte, au mieux, des 2 infos ?


-Les 2 sont aussi prcises :
-une seule fiable : la prendre seule
-Entre les 2 : moyenne pondre
Laboratoire dInformatique
et dImagerie Industrielle

Comment pondrer ?
Laurent Mascarilla

Filtre de Kalman 3

Pondration ?
prcision poids

imprcision
variance
prcision 1/variance

Laboratoire dInformatique
et dImagerie Industrielle

Choix des distributions (et des variances) ?


exprience , modle : Baysien
Laurent Mascarilla

Filtre de Kalman 4

gain
innovation

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 5

Pondration

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 6

Exemple 2 :
Estimer la position

(centre de gravit) dun objet sur une image

Une seule mthode


prdiction partir dun modle de dplacement

Imprcision sur la vitesse

Sans observations la variance augmente chaque image !!


Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 7

Exemple 3 :
Estimer la position

(centre de gravit) dun objet sur une image

Une 1re mthode (dtection de contour)


Une 2me mthode
prdiction partir dun modle de dplacement

Comment tenir compte, au mieux, des 2 infos ?

On prdit la position puis on corrige par lobservation


Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 8

Suivre !
Faire du suivi cest rsoudre essentiellement 3 problmes :

Prdire : nous avons les observations aux instants (= images) 0t-1


que peut-on prvoir t ?
Associer les donnes (data association) : parmi toutes les
observations linstant t lesquelles nous renseignent effectivement sur
ltat de l' objet ? (problme de distraction de lalgorithme)
Corriger : prise en compte simultane de l' observation linstant t et
de la prdiction.

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 9

Modles espace-tat
Ces modles font la distinction entre les variables :
Observes ( le signal) = mesures
Caches (tat interne) = tats
Constitus de :
quations de mesure :
-variables observes = variables caches + bruit
bruit d'observation (de mesure)
-variables caches = variables caches + bruit
bruit de processus (d' innovation)

Laboratoire dInformatique
et dImagerie Industrielle

Hypothses complmentaires :
-les 2 quations sont linaires
-les bruits sont :
-Blancs (le plus souvent gaussien)
=Indpendants entre eux et avec les variables dtats
Laurent Mascarilla

Filtre de Kalman 10

Rappels de probabilits
Dfinition des probabilits conditionnelles :

Bayes

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 11

Bayes

C'est une forme couramment utilise en statistiques baysiennes :

Laboratoire dInformatique
et dImagerie Industrielle

Hypothse

mEsure (evidence)

Laurent Mascarilla

Information contextuelle
Filtre de Kalman 12

Bayes 2

Probabilit a posteriori
Probabilit a posteriori

= Constante de normalisation
Car indpendante de lhypothse

Vraisemblance de lobservation

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 13

Distribution prdictive

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 14

Quelques rappels sur les distributions


normales
ENTIEREMENT DETERMINEE PAR MOYENNE ET
VARIANCE

Quelques proprits :

Le produit de 2 distributions normales est normal

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 15

Quelques rappels sur les distributions


normales
ENTIEREMENT DETERMINEE PAR MOYENNE ET
VARIANCE

MOYENNE = MODE = MEDIANE

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 16

Quelques rappels sur les distributions


normales

Quelques proprits :

Le produit de 2 distributions normales est normal

avec
Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 17

Position du problme
Notations :

tat
observations

Pour chercher la meilleure approximation de ltat xt, on peut :


Prdire : utiliser les observations passes
Lisser : utiliser les observations passes,prsentes et futures
filter : utiliser les observations passes et prsentes

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 18

Markov
Hypothse Markovienne :
Ltat courant ne dpend que de ltat prcedent
Lobservation courante ne dpend que de ltat courant

Cest une hypothse trs (toujours ?) faite en suivi.


- Peu sembler restrictive mais pas tant que a en fait :
ltat courant contient linformation des tapes prcdentes

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 19

Prdiction/correction
On cherche ltat courant sachant les observations de linstant 0 t
Bayes 2

Par hypothse
ne dpend que de
Connu par hypothse

Distribution prdictive

?
Par hypothse
ne dpend que de

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 20

Prdiction/correction
Do le schma trs simple ( rcursif ) et trs gnral :

t t-1
On peut propager la probabilit conditionnelle a posteriori (si on la connat t=0)
Mais le problme nest pas simple dans le cas gnral :
forme et paramtres (sil existe une forme paramtrique) dterminer
Dans le cas gnral : mthode dchantillonnage + Monte-Carlo
i.e. Condensation (filtrage particulaire) en t.i.
Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 21

Un cas particulier
Comme le cas gnral est difficile, on fait des hypothses :
On connat la distribution (modle) et ses paramtres a priori t=0
On sait comment ltat interne (cach) produit lobservation :
Cest une fonction linaire
Distributions normales + fonction linaire => normales
Distributions normales normales rcursivement (produit)

Laboratoire dInformatique
et dImagerie Industrielle

Laurent Mascarilla

Filtre de Kalman 22

R u d olf E m il K A L M A N
-N en 1930 en Hongrie
-Etudiant a u M I T ( 1 9 5 3- 54)
-Thse en 1957 (Universit de Colu m bia)
-Article fondateur pour le filtre 1 9 6 0

Kalman, R.E. A new approach to linear


ltering and prediction problems. Transactions of the

ASME - Journal of Basic Engineering , 82 (Series


D):35-45, 1960.
M o d le espace-tat
-Actuelle m e n t la retraite

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 3

Filtre de KAL M A N (discret)


Esti m e un tat

linstant

tats non observs


directe m e nt

O b s e r v a tio n s

linstant
,

L e s m a t r i c e s Q e t R s o n t fix e s pour linstant

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 4

Filtre de KAL M A N (discret)


,
donc
,
donc

Il faut en esti m er la m o y e n n e e t la covariance

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 5

Filtre de KAL M A N
Prdiction de la moyenne
t =0
Prdiction de la covariance

t + 1

Calcul du gain

M . a.j. de la m o y e n n e

M . a.j. d e l a c o v a r i a n c e

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 6

Filtre de Kal m a n
Remarques :
Les matrices A,B,Q,R et P sont dfinies se m i-positives :

la for m e

est pr frable (car toujours d e f. Positive) la for m e :

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 7

Filtre de Kal m a n
Filtre optimal rcursif de traite m e nt de donnes :

Du point de vue des probabilits (Bayes) utilise lense m ble


des infor m a tions
Distributions nor m ales : m o y e n n e = m o d e = m d i a n e
Cest le m e illeur estimateur ponctuel
L e m m e rsultat peut-tre obtenu en cherchant lesti m a t e u r
de max. de vraise m b l a n c e ( B L U E = B e st Linear Unbiased Esti m a t o r )
Rcursif :
Utilise les d o n n e s t et les rsultats t-1
st o c k a g e m i n i m a l d e d o n n e s
Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 8

E x e m ple
Esti m a tion dune constante (50 tirages) :
Peu sensible

R opti m al

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 2 9

E x e m ple
Esti m a tion dune constante (50 tirages) :

Q d oit tre choisi


p e tit

Laboratoire dInformatique
et dImagerie Industrielle

Le filtre colle aux d o n n e s


L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 0

E x e m ple
Esti m a tion dune constante (50 tirages) :

Convergence ralentie

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 1

E x e m ple
Esti m a tion dune constante (50 tirages) :

Colle au donnes

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 2

E v olution d u g ain
D crot trs rapide m e nt

Laboratoire dInformatique
et dImagerie Industrielle

I n d p e n d a n t des observations
L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 3

E v olution de P
D crot trs rapide m e nt

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 4

E v olution de P
D crot trs rapide m e nt
I n d p e n d a n t des observations

Laboratoire dInformatique
et dImagerie Industrielle

K et P peuvent tre calculs hors ligne


L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 5

E x e m ple 2d
Un objet en m o u v e m e n t sur un plan 2d vitesse constante (plus bruit)

O n o b s e r v e s e u l e m e n t la position :

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 6

E x e m ple 2d

Ellipses = P
Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 7

Filtre de KAL M A N a d a ptatif


q u a t i o n s e s p a c e - tat :
,
,

sont fixs initiale m e n t


donc
sont indpendants du tem p s

Les algorith m e s qui esti m e n t ces tats chaque instant sont dits
a d a p t a tifs

Il nexiste pas dalgorith m e o p ti m a l dans le cas gnral

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 8

Filtre de KAL M A N a d a ptatif


q u a t i o n s e s p a c e - tat :

toujours fix initiale m e n t


A d a p t a tif
,
,

En utilisant linn o v a tion

S o m m e d e g a u s siennes

En prenant lesprance :

Laboratoire dInformatique
et dImagerie Industrielle

e.s.b
L a u r e n t M a s c a rilla

Filtre de K a l m a n 3 9

Filtre de KAL M A N a d a ptatif


En prenant la variance :
S o m m e v.a. i n d e p.

V(AX)=A.V(X).AT
donc

esti m a tion

Laboratoire dInformatique

p e u t-tre esti m classique m ent

et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 0

Filtre de KAL M A N a d a ptatif

Remarques :
- le filtre nest plus opti m al
- Q est parfois fix une valeur faible puis dcroissante- > 0
Attention : on place alors toute la confiance dans la prdiction

Laboratoire dInformatique

- si on utilise ces esti m a t e u r s il faut stocker la squence com p l te


on peut les mettre jour itrative m e n t :
s c h m a itratif sur la m o y e n n e e t la variance
- il existe de no m b r e u s e s variantes qui estim e T O U S l e s p a r a m tres :
Q,R mais aussi A et B probl m e s de stabilit ?

et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 1

Z o n e de recherche
K a l m a n utilise u n m o d l e e t d e s o b s e r v a t i o n s.
Probl m e : En traite m e n t di m a g e c o m m ent trouver lobjet ?
Le filtre d e Kalm a n ne dit rien sur la faon dobtenir les mesures
m a i s il peut nous guider..
?

t+1

Classique m e nt fait en 2 tapes :


-prselection (gating) des objets = z o n e d e r e c h e r c h e
-choix de lobjet le plus probable = Probabilistic Data Association (PD A )
Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 2

A s s o ciatio n d e d o n n e s
On utilise les innovations

Distance de M a h alanobis
entre une prdiction et
une observation
O n d fini la z o n e d e r e c h e r c h e par la distance la prdiction

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 3

A s s o ciatio n d e d o n n e s

Il faut fixer un seuil sur d 2 = so m m e de n carr de v.a. norm a l e s


Chi2 n d.d.l.
risque (ex: 5 % ,10 % )

Rgion critique :

d02
Laboratoire dInformatique
et dImagerie Industrielle

On rejette une observation si d 2 est trop grand .


L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 4

A s s o ciatio n d e d o n n e s

En rsu m :
la zone de recherche est dfinie par une distance (de M a h alanobis)
m a xi m ale (cf. chi2) autour de la prdiction
R d u c tion du te m p s de calcul

Zone ellipsodale

prdiction

Laboratoire dInformatique
et dImagerie Industrielle

Distance m a x.
L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 5

Filtre de KAL M A N t e n d u
Filtre d e Kalm a n o p t i m a l d a n s l e c a s lin a i r e G a u s s i e n :
- b r u i t s g a u s s i e n s + f o n c, t i o n s l i n a i r e s .
- Dans le cas o les fonctions de mesures et dtats ne sont plus
linaire il ne peut pas sappliquer (pas de formulation matricielle pour
A,B)

Utiliser une approxi m a tion de Taylor pour les fonctions


autour de la moyenne (prdite ou corrige)

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 6

Linarisatio n
Sries de Taylor
- en 1D :

au premier ordre

- en nD :

J a c o b i e n de f

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 7

Linarisatio n
avec

Jacobien

E x e m ple :

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 8

Filtre de KAL M A N t e n d u
Esti m e un tat

linstant
,

O b s e r v a tio n s

linstant
,

f et g s o n t d e s
fonctions non linaires drivables

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 4 9

Linarisatio n
h

avec

E s p e r a n c e n u lle
D o lq u a tio n linaire

A
Idem pour g
Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 5 0

Filtre de KAL M A N t e n d u
Prdiction de la moyenne
t =0
Prdiction de la covariance
t

t + 1

Calcul du gain

M . a.j. de la m o y e n n e

M . a.j. d e l a c o v a r i a n c e

Laboratoire dInformatique
et dImagerie Industrielle

L a u r e n t M a s c a rilla

Filtre de K a l m a n 5 1

Vous aimerez peut-être aussi