INPE-12979-PRE/8256

REDES NEURAIS E FILTRO DE KALMAN PARA

RASTREAMENTO DE ALVOS COM TRAJETRIAS
TRIDIMENSIONAIS







Cassiano Rodrigo Silva*



*Bolsista UNESP





Relatrio Final de Projeto de Iniciao Cientfica (PIBIC/CNPq/INPE), orientado pelo
Dr. Jos Ernesto de Arajo Filho






INPE
So Jos dos Campos
2005











Redes Neurais e Filtro de Kalman para Rastreamento
de Alvos com Trajetrias Tridimensionais





RELATRIO FINAL DE PROJ ETO DE INICIAO CIENTFICA
(PIBIC/CNPq/INPE)










Bolsista: Cassiano Rodrigo Silva (FEG/UNESP)
ele04335@feg.unesp.br

Orientador: Jos Ernesto de Arajo Filho (LIT/INPE)
ernesto@lit.inpe.br







Junho de 2005

1
NDICE


NDICE DAS FIGURAS .....................................................................................................................3
1 INTRODUO.............................................................................................................................4
1.1 OBJ ETIVO DO TRABALHO ....................................................................................................5
1.2. DESENVOLVIMENTO REALIZADO ....................................................................................6
2 SISTEMAS INTELIGENTES NA IDENTIFICAO DE ALVOS MVEIS..........................9
3 REDES NEURAIS KOHONEN E FILTRO DE KALMAN......................................................13
3.1. IMPLEMENTANDO REDES NEURAIS E O FILTRO DE KALMAN .........................................15
Predio ou Propagao no Tempo...................................................................................... 17
Atualizao ou Correo da Estimativa................................................................................ 17
3.2. EXEMPLOS DA VALIDAO DO ALGORITMO .................................................................20
4 RESULTADOS E DISCUSSES...............................................................................................22
4.1 RASTREAMENTO DO OBJ ETO SOBRE A RETA.....................................................................22
4.2 RASTREAMENTO DO OBJ ETO COM TRAJ ETRIA LOGARTMICA.........................................23
4.3 RASTREAMENTO DO OBJ ETO COM TRAJ ETRIA SENOIDAL ...............................................24
4.4 RASTREAMENTO DE MLTIPLOS OBJ ETOS-ALVO ..............................................................25
5 5 CONCLUSES......................................................................................................................31
5.2 SUGESTES PARA TRABALHOS FUTUROS .........................................................................31
6 REFERNCIAS BIBLIOGRFICAS ........................................................................................33

2

NDICE DAS FIGURAS

Figura 1- Rastreamento com Falha no Treinamento......................................................................7
Figura 2 - Rastreamento bem sucedido no treinamento.................................................................7
Figura 3 - Esquema geral de rastreamento.....................................................................................9
Figura 4 - Curva padro de treinamento da rede neural Kohonen. ..............................................16
Figura 5 - Curva de treinamento da rede neural Kohonen utilizada neste projeto.......................16
Figura 6 Predio e atualizao dos estados no Filtro de Kalman............................................17
Figura 7 - Convergncia da Matriz de Covarincia, P.................................................................18
Figura 8 - Fluxograma do algoritmo de Kohonen e Filtro de Kalman.........................................19
Figura 9 - Nuvem de pontos e posies iniciais dos neurnios na Reta. .....................................20
Figura 10 - Nuvem de pontos e posies iniciais dos neurnios no Logaritmo...........................20
Figura 11 - Nuvem de pontos e posies iniciais dos neurnios no Seno. ..................................21
Figura 12 - Resultado do Rastreamento com Trajetria Retilnea...............................................23
Figura 13 - Resultado do Algoritmo com Trajetria Logartmica. ..............................................24
Figura 14 - Resultado do Algoritmo com Trajetria Senoidal.....................................................25
Figura 15 - Dois Objetos com Trajetrias Diferentes. .................................................................26
Figura 16 - Rastreamento Mal Sucedido com Dois Objetos........................................................27
Figura 17 - Trs Objetos com Trajetrias Diferentes...................................................................28
Figura 18 - Rastreamento Mal Sucedido de Trs Objetos. ..........................................................28
Figura 19 - Rastreamento Bem sucedido de Dois Objetos...........................................................29
Figura 20 - Rastreamento Bem sucedido de Trs Objetos...........................................................30

3
1 INTRODUO


A identificao e rastreamento de alvos mveis com trajetrias tridimensionais utilizando
Redes Neurais Artificiais e o Filtro de Kalman apresenta neste trabalho. Para a identificao da
trajetria do objeto-alvo foram utilizadas redes neurais artificiais do tipo Kohonen, enquanto o
filtro de Kalman empregado para predizer o comportamento futuro do movimento.
As redes neurais tm sido utilizadas para solucionar diversos problemas de engenharia como,
por exemplo, em processamento digital de imagens e robtica e processamento digital de sinais.
Redes neurais artificiais so tcnicas computacionais que utilizam como modelo o
funcionamento do crebro humano, onde os neurnios so treinados de forma a responder
somente aos padres de entrada, podendo ser utilizadas no reconhecimento de padres sem a
necessidade de um treinamento prvio. As principais caractersticas que tornam desejveis o
estudo e o uso das redes neurais artificiais so a capacidade das mesmas de aprender atravs da
experincia, a capacidade de se adaptar a situaes adversas e a sua tolerncia a rudos. No
campo das redes neurais existem diferentes tcnicas de treinamento dos neurnios. Redes
neurais supervisionadas - por exemplo, feed-forward, back-propagation. requerem que o
usurio fornea os dados de sada desejada e os dados de entrada para que a rede neural realize o
treinamento. Redes neurais no-supervisionadas outra tcnica de treinamento no qual os
neurnios no necessitam que o usurio fornea uma sada para a rede.Mas neste trabalho foram
utilizadas tcnicas de aprendizado no supervisionado do tipo Kohonen.
Conhecida tambm como Camada de Kohonen, nesta rede os neurnios disputam entre si
pelo treinamento de suas sinapses, apresentando desta forma um aprendizado competitivo. Esta
caracterstica competitiva fornece rede neural tambm a classificao de redes neurais do tipo
winner-takes-all. Nas redes Kohonen o neurnio vencedor treinado e tem sua sinapse alterada
aproximando, a cada passo de treinamento, seus valores dos padres de entrada. Neste trabalho,
estas tcnicas so utilizadas na identificao do objeto-alvo em seqncias de imagens e
seqncia de sinais eltricos, e na identificao do movimento de forma que os neurnios sejam
treinados para se aproximarem dos objetos-alvo (rastreamento), que neste caso so os padres de
entrada. Adicionalmente, os neurnios perdedores tambm recebem um treinamento; tm seu
peso alterado de forma contrria do neurnio vencedor. Eles afastam-se do objeto-alvo,
reduzindo assim, a chance de atrapalharem o neurnio rastreador. Visto que as redes neurais
Kohonen geram suas prprias sada a partir dos padres de entrada, elas funcionam como um
sistema dinmico de tal forma que a entrada (p.ex., padres, alvos etc) e a sada (sinapses
treinadas) do sistema esto disponveis para anlise do comportamento dinmico e para serem
4
utilizados em sistemas em tempo real.. Assim, o filtro de Kalman utilizado para estimar a sada
da rede em um instante posterior quele em que h o treinamento da rede Kohonen. Em casos
em que o neurnio vencedor alterado (h uma falha no rastreamento) o filtro de Kalman
utilizado para estimar a posio futura do alvo, e corrigir um possvel erro de trajetria da rede
neural.
A funo do Filtro de Kalman estimar os estados futuros de um sistema dinmico, e para
isso baseia-se nos estados anteriores medidos neste sistema e O Filtro de Kalman realiza o
processo de estimao em duas fases: (1) Predio, ou propagao no tempo, e (2) Atualizao,
ou correo das estimativas. Na fase de predio, o filtro utiliza os estados anteriores do sistema
medidos para propagar no tempo uma estimativa a priori do estado futuro e uma matriz de
covarincia de erro. As estimativas a priori do estado futuro e da covarincia de erro so
chamadas de predio. Na fase de atualizao, as sadas do sistema se tornam disponveis e o
filtro as utiliza como parmetros para corrigir a predio dos estados e a matriz de covarincia
de erro, gerando uma estimao a posteriori (corrigida) dos estados do sistema. O filtro realiza
este processo diversas vezes reduzindo, a cada passo, o erro de estimativa. Em algumas
aplicaes o Filtro de Kalman tem sido utilizado como o sistema que se comporta como o
prprio rastreador, mas, neste trabalho, o Filtro de Kalman uma ferramenta complementar na
qual ir auxiliar no rastreamento realizado pela rede neural.

1.1 Objetivo do Trabalho

Neste trabalho foram utilizadas tcnicas de Redes Neurais Artificiais como ferramenta para
realizar o rastreamento de alvos mveis com trajetrias tridimensionais com o objetivo de
analisar o comportamento da mesma. Com o objetivo de auxiliar o rastreamento da rede neural,
o filtro de Kalman foi utilizado. Para a tarefa de rastreamento foram utilizadas redes neurais do
tipo Kohonen que, com aprendizado no supervisionado, treinada quando os padres de
entrada so fornecidos entrada da rede. A vantagem das redes neurais Kohonen que a mesma
no necessita de um treinamento prvio, podendo ser treinada quando os padres aparecem na
entrada da rede, realizando assim um rastreamento em tempo real. J uma rede neural do tipo
back-propagation necessitaria que informssemos a ela as sadas desejadas, para poder realizar
o treinamento.
A pesquisa foi feita atravs de estudo de livros, apostilas e artigos publicados por
pesquisadores da rea, para formar uma base de conhecimento sobre redes neurais. Aps isto,
foram implementados alguns algoritmos com o intuito de observar na prtica o funcionamento
das redes neurais. Depois deste estudo sobre redes neurais, foi realizada uma pesquisa sobre o
5
Filtro de Kalman. Tambm foi pesquisado em livros e artigos e depois alguns algoritmos
selecionados foram implementados para se observar seu funcionamento e a reduo do erro de
estimao. Para tal pesquisa, foram utilizadas as seguintes bibliotecas: (1) Instituto Nacional de
Pesquisas Espaciais; (2) Universidade Estadual Paulista Campus Guaratinguet. Os artigos e
peridicos foram pesquisados na internet, como as bases de dados: (1) Web of Science
www.webofscience.com , e (2) Capes www.periodicos.capes.gov.br. Em sites de busca: (1)
yahoo (Brasil) www.yahoo.com.br, e robs de busca: (1) radix www.radix.com.br, (2) uol
www.radaruol.com.br, e (3) google www.google.com; o rob (Metamquina) de busca
www.metaminer.com; (4) scirus www.scirus.com; (5) J arbas www.jarbas.com.br. Foram
feitas pesquisas tambm nas bibliotecas eletrnicas, via internet, da Universidade de So Paulo
(USP) e da Universidade Estadual de Campinas (Unicamp).

1.2. Desenvolvimento Realizado

Na primeira fase do projeto foram implementados algoritmos de redes neurais para realizar o
rastreamento de alvos mveis utilizando o software Matlab. A fim de simular uma situao real
no qual seriam utilizados sensores eltricos de posio para obter medidas discretas no tempo da
posio do alvo, foram utilizados conjuntos de pontos para representar o objeto-alvo.
Inicialmente, a validao se deu com pontos estticos e a rede neural foi treinada de forma a se
aproximar do ponto, identificando os padres. Assim, foi possvel verificar a identificao do
objeto-alvo pela rede neural, realizada pela sua convergncia para o conjunto de pontos. Aps
esta implementao, foram simuladas trajetrias para este conjunto de pontos, descritas por
funes matemticas na seguinte seqncia: (1) Reta; (2) Funo Logartmica e (3) Funo
Senoidal. Em todos os casos foi observado que a rede neural realizou o rastreamento com
sucesso, conseguindo identificar a forma da trajetria do objeto-alvo. Foram simuladas, tambm,
movimentos com mltiplos objetos-alvo de forma a se cruzarem e assim acrescentar um grau de
dificuldade maior para a validao do sistema ao mesmo tempo em que se verificou a
possibilidade de condies reais para este tipo de aplicao.
Ao utilizar-se somente a rede neural kohonen para a identificao da trajetria , foi observado
que os neurnios realizavam o rastreamento com algumas falhas. A Figura 1 ilustra esta situao.
Estas falhas se davam quando as trajetrias dos objetos se cruzavam, ou quando um alvo se
aproximava de mais de um neurnio, o que confundia os neurnios rastreadores.
6

Figura 1- Rastreamento com Falha no Treinamento

Como uma tentativa de minimizar estes efeitos indesejveis, o Filtro de Kalman foi
incorporado rede neural como uma ferramenta auxiliar com a inteno de estimar a posio
futura do neurnio rastreador e para que no ocorresse s falhas no rastreamento. Pelos testes
realizados, pode ser observado que o Filtro de Kalman realizou uma estimativa satisfatria da
posio da rede neural, identificando seu comportamento dinmico (Figura 2).

Figura 2 - Rastreamento bem sucedido no treinamento.

Atravs dos testes foi possvel analisar a importncia, para o sucesso do treinamento, das
7
condies ou posies iniciais dos neurnios, da quantidade de neurnios a serem treinados e da
posio dos alvos a serem identificados. Atravs dos testes com pontos mveis pode-se tambm
analisar a influncia da mudana de posio e do cruzamento dos alvos durante o rastreamento.
8
2 SISTEMAS INTELIGENTES NA
IDENTIFICAO DE ALVOS MVEIS


A identificao de alvos mveis pode ser representada, de um modo geral, como mostrada na
Figura 3. Neste artigo a nfase no rastreamento do objeto-alvo e na identificao de sua
trajetria.

Segmentao do Objeto
Classificao do Objeto
Rastreamento do alvo
Identificao da trajetria
Descrio Semntica
Deteco
do Objeto
Rastreamento
do Objeto
Alvo
Compreenso
do Movimento


Figura 3 - Esquema geral de rastreamento.

A identificao, ou rastreamento de alvos mveis, tem sido de grande interesse de
pesquisadores para aplicao em diversas reas, como por exemplo, em sistemas de vigilncia
utilizados para segurana de algum local ou utilizao de radar. Nos rastreamentos em tempo
real, o algoritmo deve realizar o rastreamento em cada instante de tempo, ou a cada amostragem
realizada por um conjunto de sensores eltricos de posio.
Atualmente, vrios pesquisadores tm utilizado tcnicas de inteligncia artificial combinadas
s mtodos de processamento digital de imagens para o reconhecimento de padres e
rastreamento de alvos em seqncia imagens. Entre as tcnicas de inteligncia artificial
utilizadas, destacamos: redes neurais artificiais, lgica difusa, sistemas baseados em regras e
sistemas hbridos.
9
O objetivo, neste caso, gerar algoritmos que possam identificar a trajetria do alvo. Wu e
Lin [2] utilizaram redes neurais artificiais em conjunto com sistemas nebulosos como um
mtodo de rastreio num campo aproximado de um alvo em movimento. A rede neural do tipo
feedforward foi empregada por Schram, VanderLinden, Krose e Groen [3] na identificao de
alvos estacionrios e mveis para o controle de robs atravs do uso de derivadas no tempo da
posio do alvo e do manipulador. Gaudiano, Zalama e Coronado [4] utilizam uma rede neural
como controlador de um rob mvel. Esse controlador aprende de forma autnoma a indicar as
distncias percorridas de forma direta e inversa pelo rob atravs de um ciclo de treinamento
no-supervisionado. Como o aprendizado constante e no-supervisionado, perturbaes, ou
rudos, significativas (como a mudana da planta do rob) levam a uma recalibrao interna
gradual de forma automtica do controle do rob. Nas simulaes realizadas, o rob foi capaz de
rastrear alvos estacionrios e mveis de forma correta dentro do erro mnimo estabelecido,
graas tolerncia a rudos da rede neural. Um sistema de composio de dados para uma
cmera situada no brao do rob SCORBOT-ER VII foi apresentado por Chen e Hsueh [5]. O
sistema capaz de realizar o rastreamento visual e a interceptao de alvos mveis utilizando
uma rede neural Elman. A rede neural Elman usualmente uma rede neural de duas camadas (a
camada de entrada e a camada de sada, no possuindo a camada escondida) com um retorno de
realimentao (feedback) da camada de sada para a camada de entrada. Nesta abordagem, o
valor da sada armazenado para ser processado no passo seguinte juntamente com a prxima
entrada. Assim, se duas redes Elman idnticas (com os mesmos valores para os pesos)
receberem uma mesma entrada em um dado passo, suas sadas podero ser diferentes devido a
estados de retorno diferentes. Ma e Teng [6] exploram o problema do rastreamento de um alvo
mvel em um campo aproximado usando redes neurais nebulosas . O alvo mvel irradia ondas
de banda curta que incidem sobre uma srie de sensores passivos. A posio do alvo
encontrada atravs de vrios estimadores de ngulo e distncia. Yu e Azimi-Sadjadi [7]
desenvolveram uma rede neural para a classificao de alvos explorando o comportamento
dinmico do alvo. Yang e Meng [8] propem uma rede neural artificial para a gerao de
trajetrias em um ambiente no-estacionrio. A rede usada para gerar trajetrias livres de
colises, evitar obstculos em forma de U e rastrear alvos mveis em ambientes com obstculos.
Cameron, Grossberg e Guenther [9] utilizam uma RNA que recebe como entrada uma
imagem e a posio do ponto de onde se est visualizando a imagem. Como sada rede fornece
a representao da direo, da profundidade do cenrio e da localizao de objetos mveis.
Essas representaes so usadas para a navegao em simulaes envolvendo o desvio de
obstculos e o rastreamento de um alvo mvel. Existem abordagens para a deteco e
rastreamento de alvos inspirados em tcnicas de rastreamento encontrados nos sistemas visuais
10
de organismos vivos. Missler e Kamangar [10] apresentam uma rede neural artificial que detecta
e rastreia um objeto se movendo dentro de seu campo de viso. O trabalho inspirado em
funes de processamento observadas no sistema visual das moscas. A rede capaz de detectar
mudanas de intensidade de luz, determinar a movimentao de um alvo e fornecer as
informaes necessrias para realizar o rastreamento.
Dror, Florer, Rios e Zagaeski [11] realizaram estudos sobre a utilizao de uma rede neural
para reconhecimento de padres que recebe dados em um formato similar ao do sonar de um
morcego. A rede foi utilizada com sucesso no reconhecimento de rostos e para determinar a
velocidade de um alvo que se movia em direo cmera. Navabi e Agarwal [12] apresentam
um modelo artificial de organizao de resposta neural de retina que pode servir como um
quadro para a anlise da resposta dinmica em redes neurais artificiais, especialmente nos
sistemas visuais. A filtragem de um sinal com rudos, medido da sada de um conversor A/D no
muito preciso, com rudos internos foi realizada por Pereira, Guilherme A. S.[15] atravs da
filtragem linear utilizando para o mesmo o Filtro de Kalman. Wann e Thomopoulos [27]
utilizam uma rede neural artificial de aprendizado no-supervisionado no desenvolvimento de
um sistema de composio de dados. Os dados so aplicados em problemas de deteco de alvos
em um sistema multicanal de indicao de alvos mveis. As caractersticas dos dados recebidos
de trs canais de radares diferentes so extradas atravs de tcnicas de processamento de sinais
digitais. Shams [30] utiliza redes neurais no rastreamento de alvos utilizando sensores passivos.
Cada sensor fornece o ngulo formado pela linha estimada entre o alvo e o sensor. A partir dos
dados de todos os sensores, a rede neural capaz de estimar a posio dos alvos. A rede neural
proposta uma rede auto-associativa chamada de mdulos elsticos mltiplos. D. Willett, C.
Busch, e F. Seibert [43] utilizaram redes neurais do tipo Kohonen para realizar um algoritmo
rpido para fazer anlise de imagens. Este algoritmo poderia ser aplicado nas reas mdicas para
segmentar objetos anatmicos, tais como tumores cerebrais de dados de ressonncia magntica.
Pode tambm ser aplicado a classificaes de imagens de satlite.
Danil Prokhorov [44] desenvolveu um modo auxiliar para o treinamento de redes neurais
recorrentes, pelo fato de elas estarem sendo utilizadas para uma ampla variedade de aplicaes
prticas e abstratas. Prokhorov realizou o treinamento da rede neural baseando-se no Filtro de
Kalman Estendido. H.D. Cheng, X. H. J iang, Y. Sun,e J ingli Wang [45] fizeram um resumo das
tcnicas de segmentao de imagens coloridas que so utilizadas para realizar sua anlise
atravs de redes neurais. Gary Bradski e Stephen Grossberg utilizaram uma famlia de redes
neurais auto-organizveis chamada VIEWNET para realizar o reconhecimento de objetos
tridimensionais a partir de seqncias de suas visualizaes bidimensionais. Sung-Bae Cho [46]
utilizou um mtodo hbrido que combinava algoritmos genticos com redes neurais para realizar
11
reconhecimento de padres. O algoritmo produziu melhores resultados que alguns mtodos
convencionais. Vrias aplicaes de rastreamento se referem a imagens digitais, como descrito
anteriormente.
Mas, e se quisermos representais tais imagens tridimensionalmente? Para o campo de
representao de imagens digitais tridimensionais Sargur N. Srihari [47] fez um levantamento
dos mtodos de representao de dados espaciais tridimensionais. A representao
tridimensional de imagens digitais encontrada numa variedade de problemas, tais como
tomografia computadorizada, modelagem biolgica e viso computacional. Assim podemos
realizar rastreamento de objetos em imagens de uma forma tridimensional. Rajani Srinivasan e
J ason M. Kinser [48] apresentaram uma tcnica humana de reconhecimento de imagens
utilizando uma rede neural do tipo pulse-coupled. A tcnica funciona da seguinte maneira:
Nossos olhos renem informaes sobre diferentes pontos de interesse dentro da imagem e
assimila esta informao para identific-la. Estes pontos so geralmente as bordas ou cantos dos
segmentos dentro da imagem. Este tipo de rede neural tem a habilidade de segmentar a imagem,
onde as bordas e cantos dos segmentos so similares aos pontos reunidos pelos olhos. A
aplicao conseguiu reconhecer um caractere escrito mo.
Brijnesh e Wysotzki [49] apresentaram um fundamento terico para aprendizado competitivo
no domnio de grficos de um modo conexionista. Eles programaram um modelo de rede neural
para aprendizado competitivo no domnio de grficos.
Em [50] foi proposto um rastreamento utilizando redes neurais e o filtro de Kalman. Eram
retiradas medidas de um radar, estas medidas representavam as coordenadas da posio do alvo.
Este radar realizava medies em coordenadas esfricas, ou seja, media o raio, ou alcance r, o
ngulo de azimuth , e o ngulo de elevao . Estas medidas eram passadas para um Filtro de
Kalman, o qual realizava as estimativas. Estas estimativas continham um certo erro, os quais
eram passados para uma rede neural do tipo Back-Propagation. Esta rede neural reduzia os
erros, e o sistema adicionava a sada da rede neural com os estados estimados do filtro de
Kalman, obtendo assim um rastreamento mais preciso. O algoritmo realizava estimativas da
posio, velocidade e acelerao do alvo. Simulaes mostraram que o algoritmo se mostrou
eficiente, realizava um rastreamento preciso, em tempo real, e com baixo custo computacional.
12
3 REDES NEURAIS KOHONEN E FILTRO DE KALMAN


Aqui dada uma teoria e implementao de um algoritmo baseado em tcnicas de redes
neurais artificiais do tipo Kohonen, e em tcnicas de filtragem linear, o Filtro de Kalman, para
identificar e rastrear a trajetria de um alvo qualquer que pode ser fixo ou mvel. A teoria
considerada j sendo dada uma idia de como aplicar a rede o filtro em conjunto para realizar o
rastreamento.
As Redes Neurais Kohonen so um tipo de rede neural de aprendizado no supervisionado,
que identificam e agrupam os padres de entrada a partir de sua proximidade geomtrica, ou
seja, o quo prximos esto os padres de entrada dos pesos dos neurnios. Existem as redes
neurais com aprendizado supervisionado e no supervisionado. As redes supervisionadas
possuem como uma das caractersticas, o fato de precisarmos informar uma sada para a rede, ou
seja, os valores desejados na sada da rede. Assim, o treinamento deste tipo de rede baseado
nestes valores informados pelo usurio.
A vantagem que as redes Kohonen nos oferece que a mesma no necessita que seja
fornecida a sada esperada para um dado padro de entrada. Apenas com a apresentao dos
dados de entrada rede, esta gera sua prpria sada e treina os neurnios alterando seus pesos de
forma a agrupar os dados de entrada que so similares, o que conhecido como agrupamento.
As redes Kohonen so, muitas vezes, chamadas de redes neurais de aprendizado competitivo, ou
sem professor, winner-takes-all. Este nome se d pelo fato de que, quando os padres de entrada
so apresentados rede, os neurnios disputam entre si pelo treinamento de seus pesos, ou seja,
realizada uma disputa em toda a rede para determinar qual (is) neurnio(s) ter (o) seus pesos
alterados de forma a se aproximar dos dados de entrada. Uma rede neural do tipo Back-
Propagation, por exemplo, necessita que informemos os padres de entrada e a sada desejada
rede. Com esta caracterstica das redes neurais Kohonen, necessrio apenas informar rede os
padres de entrada, e a mesma realiza processo de determinao do neurnio que ter o peso
alterado, e treina o mesmo para agrupar os padres de entrada. A cada padro de entrada
apresentado rede, apenas um neurnio treinado para agrup-los, e este neurnio
denominado neurnio vencedor. O neurnio vencedor o que est mais prximo dos padres de
entrada, portanto, o mais apto a ser treinado para o dado agrupamento. Pensando em
rastreamento no espao fsico, temos um alvo e as coordenadas da posio deste alvo serviro
como valores de entrada para a rede neural. A partir destes determinado o neurnio vencedor,
e este neurnio o que est mais prximo, geometricamente, deste alvo, sendo assim o mais
apto a ser treinado para rastrear este alvo, pois j que est mais prximo, converge mais rpido.
13
A funo do Filtro de Kalman realizar a estimao dos estados futuros de um sistema
dinmico. Tcnicas de filtragem linear tm sido muito utilizadas por pesquisadores de vrios
pases, sendo o Filtro de Kalman uma das mais conhecidas. A funo do Filtro de Kalman , a
partir de estados anteriores, gerar uma estimativa dos estados futuros de um sistema dinmico.
Basicamente, este filtro realiza o processo de estimao em duas fases: (1) Predio, ou
propagao no tempo, e (2) Atualizao, ou correo dos estados a partir da medida atual
disponvel. Uma caracterstica interessante deste filtro que o mesmo suporta rudos do ripo
branco Gaussiano, ou seja, de mdia zero. Estes rudos so originados de dispositivos de
medio, como um sensor eltrico de posio, por exemplo. O que precisamos informar ao filtro
so os estados anteriores do sistema, a covarincia de erro inicial dos estados e os rudos de
processo e de medio. Todos estes parmetros so armazenados em matrizes e vetores para que
sejam manipulados ao mesmo tempo. Este filtro baseia-se na Teoria da Probabilidade, e possui
equaes que realizam a estimao dos estados futuros de um sistema dinmico, e reduz a
covarincia de erro de estimao. Na fase de predio, o filtro realiza a propagao no tempo da
estimativa dos estados do sistema e da matriz covarincia de erro. Neste momento, possumos
uma estimativa dos estados do sistema com um certo erro. J na fase de atualizao, a medida
correta dos estados do sistema se tornam disponveis, com os devidos rudos de medio. Tendo
isto disponvel, o filtro corrige os estados estimados e a covarincia de erro baseando-se nas
medidas disponveis. O filtro realiza este processo vrias vezes, reduzindo a covarincia de erro
e estimando um valor cada vez mais prximo dos estados do sistema. Fazendo isso, o filtro de
Kalman converge para os estados reais do sistema dinmico, e a partir deste momento, as
estimativas dos estados futuros se tornam muito mais precisas. exatamente quando o filtro
realiza a convergncia que ele aplicado rede neural.
Observando as caractersticas descritas acima, podemos analisar como estas duas ferramentas
podem ser combinadas de forma a realizar um rastreamento. Para um dado padro de entrada,
que so as coordenadas da posio do alvo, a rede neural Kohonen realiza a competio entre os
neurnios e determina qual ser o neurnio vencedor. Feito isto, esta treina o neurnio para cada
dado nos padres de entrada, alterando os pesos dos neurnios de forma a aproxim-los dos
padres de entrada. Com este processo, os neurnios so aproximados dos dados de entrada. Se
este padro de entrada representar um objeto-alvo no espao, os neurnios iro se aproximar
deste objeto, realizando o rastreamento e identificando a trajetria do mesmo.
No caso deste objeto ser mvel, ou seja, alterar sua posio no espao, e conseqentemente,
os valores dos padres de entrada, o neurnio vencedor ter seu peso treinado novamente de
forma a se aproximar deste novo padro de entrada. Se tivermos N mudanas no padro de
entrada, o neurnio ser treinado para cada uma das N mudanas, realizando assim, um
14
rastreamento, ou seja, o mesmo ir identificar a trajetria do objeto no espao. Quando existirem
mais de um padro de entrada, mais de um neurnio ser treinado, sendo cada neurnio
pertencente a um destes. No caso destes objetos se cruzarem em suas trajetrias, pode ocorrer
uma confuso entre os neurnios, resultando em uma troca de rastreamento, ou seja, os
neurnios mudam de objeto-alvo, passando a rastrear o outro objeto que se aproximou. Se
olharmos para o caminho que o neurnio percorreu, conseguimos identificar a trajetria do(s)
alvo(s). Porm, com este problema da troca de rastreamento, os neurnios podem perder os
alvos, no rastre-los mais, e assim no conseguimos identificar as trajetrias dos alvos.
Uma possvel soluo para este problema est no Filtro de Kalman. Sendo a rede neural um
sistema dinmico, seus estados (posio X, Y e Z do neurnio no futuro passo de treinamento)
podem ser estimados pelo Filtro de Kalman. Na primeira fase do filtro, uma estimativa dos
estados, ou posio futura da rede neural gerada, baseada na posio anterior da mesma e
chamada de estimativa a priori. Quando o neurnio treinado, os dados atualizados na sada da
rede esto disponveis, os quais representam as coordenadas da posio da rede neural, e o filtro
utiliza estas medidas para corrigir os estados estimados e a covarincia de erro da estimativa.
Estes estados corrigidos so denominadas estimativas a posteriori.
Deste modo, o Filtro de Kalman nos indica as coordenadas da posio futura da rede neural.
Estas estimaes do filtro so utilizadas pela rede neural como um dos parmetros de
treinamento da rede. Tendo esta informao a mais, a chance de os neurnios se enganarem
bem menor. Esta a forma como um rastreamento realizado quando combinadas s
ferramentas Redes Neurais Kohonen e Filtro de Kalman.

3.1. Implementando Redes Neurais e o Filtro de Kalman

Como dito anteriormente, as redes neurais Kohonen realizam um agrupamento dos padres
de entrada em classes, sendo assim, denominada uma rede Classificadora. Quando um padro de
entrada apresentado rede, esta entrada
k
x ter uma sada da rede neural, sendo que
, e para essa sada, somente um neurnio est ativo, ou seja, est recebendo
treinamento, ento: . Mas o que acontece com os outros neurnios da rede? A curva
padro de treinamento da rede Kohonen winner-takes-all a mostrada na Figura 4. Nesta curva, o
neurnio vencedor recebe um treinamento e os outros tambm recebem, de acordo com a
distncia do neurnio vencedor. A curva utilizada neste projeto representada na Figura 5. Nesta
curva, o neurnio vencedor recebe um treinamento e os demais recebem um treinamento
contrrio ao vencedor, de forma a se afastar do mesmo.
k
y
{ 1, 1}
k
i
y +
(
k
j
y = +1)
15

reas de excitao
reas de inibio


Neurnio
Vencedor
Neurnios
Perdedores
Figura 4 - Curva padro de treinamento da rede
neural Kohonen.
Figura 5 - Curva de treinamento da rede neural
Kohonen utilizada neste projeto.

O j-simo neurnio ativo indica que a entrada
k
x pertence classe j . Deste modo, a rede
neural classifica os padres de entrada em classes. Neste projeto, as entradas so
tridimensionais, ento: . Para cada entrada, um neurnio vencedor
selecionado, sendo:
] , , [
3 2 1
k k k k
x x x x =
j
w

2 2
,
k j k i
x w x w i < j
(1)

Com estes dados, a rede neural treina o neurnio vencedor de forma a aproxim-lo das
entradas com a seguinte equao:
j
w

) ( + = anterior anterior novo W X W W

(2)

sendo: o Passo de Treinamento da Rede Neural (Learning Rate).

A rede neural treinada desta maneira para cada padro de entrada, ou seja para cada
coordenada das posies do alvo, realizando assim o rastreamento.

A funo do Filtro de Kalman neste projeto estimar a posio futura da rede neural
baseando-se em estados anteriores (Figura 6) e fazer com que o rastreamento seja corrigido pelo
filtro.
16
X
Xk+
1
=Xk+
1
+K*(Z - C*Xk+
1
)
k+
1
=
*X
k
+
*U
k
+W
k

Xk+
1
Xk+
1
=Xk+
1
+K*(Z - C*Xk+
1
)
=
*X
k
+
*U
k
+W
k

Figura 6 Predio e atualizao dos estados no Filtro de Kalman.

Visto que o Filtro de Kalman realiza a estimativa em duas fases , as equaes do filtro so:
Predio ou Propagao no Tempo

W U * GAMMA X * PHI X k k k 1 k + + = + (3)

T T
k 1 k G * Q * G PHI * P * PHI P + = +
(4)

Sendo: X
k
o vetor que contm os estados anteriores
X
k+1
o vetor que contm os estados estimados a priori
P
k+1
a matriz de covarincia de erro estimado a priori
Atualizao ou Correo da Estimativa

R) C * P * 1/(C * C * P K
T
1 k 1 k + = + +
(5)

) X * C - (Z * K X X 1 k 1 k 1 k + + + + =
(6)

P * C) * K - (1 P 1 k 1 k + + =
(7)

sendo: K o ganho de Kalman
Z o vetor que contm as medidas reais dos estados
X
k+1
o vetor de estados corrigidos ou estimados a posteriori
P
k+1
a matriz covarincia de erro corrigida

As matrizes C, W, G e Q so rudos de processo e de medio, PHI a matriz que reporta o
estado anterior ao estado futuro da rede neural, e U uma entrada de controle opcional.

17
m
m
m
m
media
P
P
P

1

2
2

3

3
4
4
2 1 4 > > > 3
P


Figura 7 - Convergncia da Matriz de Covarincia, P.

Antes do treinamento e da determinao do neurnio vencedor da rede neural, todas as
entradas e todos os neurnios devem ser normalizados, ou seja:
2 2
1, ,
k i
x w k = = i
(8)

Isto obtido da seguinte forma [13]:

2
max{ },
k
M x k =
(9)

sendo M, o mximo da norma de X.
A normalizao de
k
x obtida atravs do aumento da dimenso de
k
x em uma unidade, com
a introduo de uma nova componente:

2 1/2
1
1
( ( )
n
k k
n i
i
x M x
+
=
=

)
k
(10)

e o uso como entrada do vetor
1/2
1 2 1
' [ , ,..., , ]
k k k k
n n
x M x x x x

+
= , que tem norma unitria. Os
neurnios tambm devem ter seus valores normalizados atravs do mesmo processo.
Para todos os valores dos padres de entrada, a rede neural treinada, sendo que em cada
passo de treinamento, o neurnio vencedor treinado de forma a se aproximar do alvo, e os
demais se afastam. O parmetro que define o quanto o neurnio vai se aproximar do valor de
entrada o Learning Rate. O Filtro de Kalman aplicado a cada passo de treinamento do
neurnio na rede neural. O fluxograma do algoritmo para um melhor entendimento do processo
mostrado na Figura 8:
18
Incio

Inicializar w i de
maneira aleatria
( )


Inicializar valores das
matrizes do Filtro de
Kalman



2 2
max{ ( ) , ( ) } M w i x k = , , i k



) ( )* ( ( ) 4 , ( i w i w M i w =

M
i w i w i w i w
i sinapse
)] 4 , ( ), 3 , ( ), 2 , ( ), 1 , ( [
) ( =

1 l =

s
n
k l >




Kalman de Filtro pelo Estimao

k 1 k U * GAMMA X * PHI X + = +
( ) sinapse( ) medida( ) u i i l =
) sinapse(i) - ) (medida(l + sinapse(i) = sinapse(i)
: p/ neurnio do o Treinament
( ) sinapse( ) w i M i =
1 l l + =
M
l x l x l x l x
l medida
)] 4 , ( ), 3 , ( ), 2 , ( ), 1 , ( [
) ( =
)) ( )* ( ( ) 4 , ( l x l x M l x =
Kalman de Filtro do estimao da Correo

) X * C - (Z * K X X 1 k 1 k 1 k + + + + =
Fim










Figura 8 - Fluxograma do algoritmo de Kohonen e Filtro de Kalman.
19
3.2. Exemplos da Validao do Algoritmo

Nesta seo, so mostrados trs exemplos de rastreamento com trajetrias simuladas por
equaes matemticas diferentes. Nestes exemplos, o algoritmo foi validado com um conjunto
de pontos se deslocando sobre as seguintes trajetrias: Reta, Logaritmo Natural e Seno, como
um alvo mvel. A gerao de pontos foi feita ao redor de alguns pontos escolhidos sobre as
trajetrias. A inteno destes pontos simular o caso em que medidas so retiradas de sensores
eltricos de posio, e representadas por estes pontos.
Na tentativa de observar o comportamento da rede neural, estes conjuntos de pontos foram
fornecidos como valores de um padro de entrada para a mesma. Trs neurnios foram criados
em posies aleatrias para disputarem entre si no rastreamento do objeto. A Figura 9 mostra
pontos azuis como os valores dos padres de entrada, denominada aqui como nuvem de pontos,
o ponto original est em vermelho, e as posies iniciais dos neurnios foram representados
como pequenas estrelas. A Figura 10 e a Figura 11 mostram os padres de entrada, ponto sobre a
curva e posies iniciais dos neurnios como na Figura 9, porm com trajetrias simuladas pelas
curvas Logaritmo e Seno, respectivamente.
Figura 9 - Nuvem de pontos e posies iniciais dos
neurnios na Reta.
Figura 10 - Nuvem de pontos e posies iniciais dos
neurnios no Logaritmo.
20

Figura 11 - Nuvem de pontos e posies iniciais dos neurnios no Seno.

Os passos para o treinamento da rede neural com o filtro de Kalman esto descritos abaixo:

1. So estabelecidas condies iniciais para os pesos dos neurnios de forma aleatria
i
w
2. estabelecido um quociente de aprendizado para os pesos. Inicialmente, foi definido
=0,01. Posteriormente este parmetro foi sendo variado, para analisar sua influncia no
treinamento da rede;
3. So estabelecidas condies iniciais para as matrizes do Filtro de Kalman, baseado nos
dados do sistema dinmico em questo, ou seja, a Rede Neural;
4. Normalizam-se as entradas e os pesos de forma que, fique como a equao (8). Os resultados
da normalizao sero os vetores sinapses (no caso dos pesos dos neurnios) e os vetores
medidas (no caso dos padres de entrada);
5. Dado uma entrada, calculado um neurnio vencedor, o qual possui a maior varivel interna
u (i), que ser o neurnio que mais se aproxima da posio atual da entrada;
6. O peso do neurnio vencedor dever ser atualizado da seguinte forma:
sinapse(i) =sinapse(i) + (medida(po) sinapse(i))
sendo que i representa o ndice da sinapse vencedora e po a entrada apresentada para a
rede, ambas normalizadas no passo 4;
7. Realiza-se a correo da estimativa do Filtro de Kalman com a equao (6);
8. Retorna-se ao passo 4, at que todas as entradas tenham sido apresentadas rede.
21
4 RESULTADOS E DISCUSSES


Na seo anterior, os baricentros das classes foram gerados a partir de funes ,
determinando-se funes diferentes para cada baricentro, e a partir da foram gerados pontos
prximos a cada baricentro. Nesta seo, aps cada etapa de treinamento da rede, o baricentro
ser atualizado, gerando outros conjuntos de pontos que sero apresentados rede para um novo
treinamento, e, em cada atualizao, o conjunto de pontos atual normalizado. Com o
treinamento, a posio do neurnio vencedor informada ao Filtro de Kalman, o qual realiza a
correo da estimao da mesma. As condies iniciais dos neurnios nesse novo treinamento
sero iguais s condies finais do treinamento anterior, ou seja, o neurnio vencedor
inicializado de forma aleatria somente antes de qualquer treinamento.
( ) f x
Aqui, o algoritmo ser validado de forma a realizar a identificao da trajetria do objeto
alvo pela rede neural e a estimao da posio do neurnio vencedor pelo Filtro de Kalman.
Sero simuladas trs trajetrias distintas. As trajetrias so as descritas na seo anterior, com as
equaes das seguintes curvas: Reta, Logaritmo e Seno, como mostrado na Figura 9, na Figura 10,
e na Figura 11, respectivamente.

4.1 Rastreamento do Objeto Sobre a Reta

A primeira simulao de rastreamento feita foi a do objeto alvo se movendo com uma
trajetria segundo uma reta. A Figura 9 mostra a evoluo dos pontos sobre a trajetria. Foram
gerados os pontos para cada baricentro sobre a reta, para que fique explcita a trajetria no qual
o objeto alvo se desloca. Em torno destes baricentros foram criados conjuntos de pontos para
representar medidas retiradas de sensores eltricos de posio. A cada passo, o parmetro T
foi incrementado em 1 para que os pontos pudessem se deslocar sobre a reta em questo, e o
baricentro foi atualizado de acordo com a seguinte funo:

T Z(T) T * 2 Y(T) T X(T) = = =
(11)

Foram utilizadas funes vetoriais onde T um parmetro, que aqui representa o tempo.
Pela teoria desenvolvida na seo 3, o neurnio vencedor deve ser capaz de realizar o
rastreamento dos pontos, enquanto os perdedores devem se afastar do neurnio vencedor. J o
Filtro de Kalman deve estimar as coordenadas da posio futura da rede neural.
22
A Figura 12 mostra o resultado do rastreamento. As estrelas pretas representam as condies
iniciais das sinapses, os pontos em vermelho representam os baricentros e os traos azuis
representam o treinamento das sinapses. Os pontos em azul representam a nuvem de pontos e a
linha tracejada em vermelho representa a estimao do Filtro de Kalman.
Pela figura, podemos observar que a rede neural realiza o rastreamento do objeto alvo
corretamente, enquanto o Filtro de Kalman faz a estimativa da mesma, como se havia previsto.
Pode ser observado que, no incio, o filtro de Kalman possui estimativas com um certo grau de
erro mas, conforme aplicado, ele converge para a rede neural.

Figura 12 - Resultado do Rastreamento com Trajetria Retilnea.

4.2 Rastreamento do Objeto com Trajetria Logartmica

Nesta simulao, o rastreamento ser a do objeto alvo se movendo com uma trajetria
segundo uma funo logartmica. A Figura 6 mostra a evoluo dos pontos sobre a trajetria.
Foram gerados os pontos para cada baricentro sobre a reta, para que fique explcita a trajetria
no qual o objeto alvo se desloca, como no caso anterior.
A cada passo, o baricentro foi incrementado para que os pontos pudessem se deslocar sobre a
funo logartmica. O baricentro foi atualizado de acordo com a seguinte funo:

23
T Z(T) LN(T) Y(T) T X(T) = = =
(12)

A Figura 13 mostra o resultado da validao do algoritmo, e, a partir da mesma podemos
analisar o comportamento do sistema.

Figura 13 - Resultado do Algoritmo com Trajetria Logartmica.

Pela figura, vemos que tanto a rede neural quanto o Filtro de Kalman se comportam como
havamos previsto. O fato de a trajetria utilizada ser curva pode prejudicar um pouco o
desempenho do filtro de Kalman, mas como neste caso a curva suave, o filtro obteve um bom
comportamento, convergindo para a rede neural.

4.3 Rastreamento do Objeto com Trajetria Senoidal

Nesta simulao, o rastreamento ser a do objeto alvo se movendo com uma trajetria
segundo uma funo senoidal. A Figura 10 mostra a evoluo dos pontos sobre a trajetria desta
simulao. Observe que esta figura foi gerada como a anterior, de forma que as mesmas
caractersticas se aplicam aqui, exceto a forma da trajetria. A funo utilizada foi a seguinte:

T T) Z( (T) Sen Y(T) T X(T) = = =
(13)
24

A Figura 14 mostra os resultados do sistema. Apesar de esta ter sido uma trajetria com
grandes variaes de direo, a rede neural e o Filtro de Kalman obtiveram um desempenho
satisfatrio. Pela figura podemos observar que o filtro perde um pouco a convergncia nas
regies com grandes variaes de direo, ou seja, nos chamados extremos da funo. J nas
partes de subida e descida, onde a trajetria aproximadamente retilnea, o filtro obtm um bom
desempenho.
A inteno destas trs simulaes foi verificar o comportamento do sistema para o
rastreamento de um objeto com tipos diferentes de trajetrias, desde movimentos suaves a
movimentos com grandes variaes no espao.

Figura 14 - Resultado do Algoritmo com Trajetria Senoidal.

4.4 Rastreamento de Mltiplos Objetos-alvo

Nos trs exemplos anteriores, o algoritmo obteve bons resultados. Todavia, pode acontecer
que, durante o cruzamento das trajetrias, os neurnios se confundam e no realizem um bom
rastreamento. Nesta seo so simuladas trajetrias com mais de um objeto, dadas por diferentes
funes vetoriais. Vamos validar o algoritmo em duas situaes diferentes: Uma com duas e
outra com trs trajetrias diferentes.
25
Na validao com duas trajetrias, as funes utilizadas para simul-las foram as seguintes:
T (T) Z1 1 ) ( * 2 Y1(T) 1 X1(T) = + = + = T sen T
(14)
T Z2(T) T * 0,3 Y2(T) T X2(T) = = =
(15)

A evoluo dos baricentros e das nuvens mostrada na Figura 15. mostrada a posio de
cada objeto em todos os instantes de tempo para que se possa observar as trajetrias descritas
por eles. Aqui o filtro de Kalman foi aplicado somente para convergir para a rede, e no foi
utilizado como auxlio para a rede neural. A idia ver o que acontece nos cruzamentos quando
o rastreamento feito somente com a rede neural.

Figura 15 - Dois Objetos com Trajetrias Diferentes.

O resultado obtido est na Figura 16. Analisando-a podemos ver que o rastreamento no
bom. Isto se deve ao fato de os dois neurnios rastreadores se aproximarem no cruzamento das
trajetrias. Como o objeto se aproxima de outro neurnio, este passa a ser o neurnio rastreador
deste alvo, enquanto o mesmo acontece com o outro, ou seja, h uma troca no rastreamento.
Com esta troca, no conseguimos identificar as trajetrias dos dois alvos.
26

Figura 16 - Rastreamento Mal Sucedido com Dois Objetos.

O mesmo processo foi realizado com uma simulao de trs alvos. Novamente, a idia aqui
observar o desempenho da rede neural rastreando sozinha, e a convergncia do filtro de Kalman.
Nestes casos, as funes vetoriais utilizadas foram as seguintes:

T ) Z1(T 1 sen(T) * 2 Y1(T) T 1 X1(T) = + = + =
(16)

T ) Z2(T T * 0,3 Y2(T) T X2(T) = = =
(17)

T ) Z(T 1,5 - log(T) * 2 Y3(T) 8 T X3(T) = = + =
(18)

A evoluo dos baricentros e das nuvens mostrada na Figura 17. Foram mostrados os trs
alvos se deslocando.
Como pode ser observado na Figura 18, o treinamento dos neurnios vencedores no foi bom.
Houve troca de neurnios rastreadores, e no conseguimos identificar a trajetria dos alvos. O
motivo o mesmo do caso anterior.
Assim, percebe-se que a ocorrncia de cruzamento entre os alvos um fator que pode levar a
falhas no rastreamento.
Outro fator importante para determinar o sucesso no rastreamento o salto dado pelas nuvens
a cada intervalo de iteraes. Quanto menor o deslocamento das nuvens, mais fcil se torna o
rastreamento.
27

Figura 17 - Trs Objetos com Trajetrias Diferentes.



Figura 18 - Rastreamento Mal Sucedido de Trs Objetos.

Atravs de diversas simulaes foi possvel confirmar que a posio inicial dos neurnios
crtica para o sucesso do treinamento [13]. Uma forma de minimizar esse problema seria
28
aumentar o nmero de neurnios a serem treinados, esperando-se que dessa forma sempre exista
um deles prximo o suficiente a uma classe para ser atrado apenas por ela. Desta forma, existe
um neurnio prximo ao ponto que ser treinado para fazer o rastreamento, enquanto todos os
outros sero afastados do neurnio rastreador.
Como o filtro de Kalman realizou a convergncia desejada, podemos aplic-lo como um dos
parmetros de treinamento para a rede neural. Aqui, os estados futuros estimados pelo filtro
servem como alguns dos padres de entrada para o treinamento da rede neural. A seguir
analisamos o efeito do filtro de Kalman na rede neural nos casos de dois e trs alvos que
geraram os erros mostrados anteriormente. Os mesmos rastreamentos de dois e trs objetos
mostrados anteriormente so mostrados agora com o filtro de Kalman nas Figura 19 e Figura 20.


Figura 19 - Rastreamento Bem sucedido de Dois Objetos.
29

Figura 20 - Rastreamento Bem sucedido de Trs Objetos.
30
5 5 CONCLUSES


Este projeto tem por objetivo estudar e desenvolver um algoritmo para rastreamento de alvos
mveis utilizando redes neurais Kohonen e o Filtro de Kalman.
Foi realizado um estudo sobre redes neurais, os tipos existentes, formas de treinamento,
aplicaes, e foi pesquisado em artigos, o que j existe de projetos sobre o assunto com esta
abordagem.
Foram realizadas tambm pesquisas sobre o Filtro de Kalman e sua utilizao, para assim
poder-se implementar a rede neural em conjunto com o filtro de Kalman para obter um
algoritmo rpido e eficiente para satisfazer os seus fins.
Foram simulados casos com somente um alvo mvel, e foi observado que a rede neural
realizava o rastreamento, enquanto o filtro de Kalman realizava as estimativas das coordenadas
da posio futura da rede neural e convergia para a mesma. Em casos simulados com mais de
um alvo mvel observou-se que, nos cruzamentos das trajetrias, ocorriam trocas de neurnios
rastreadores, o que prejudicava o rastreamento.
Aps isto, as estimativas do Filtro de Kalman foram utilizadas como alguns dos padres de
entrada para a rede neural, com a inteno de corrigir o rastreamento nos cruzamentos dos alvos.
Atravs da anlise dos resultados das simulaes, foi observado que, com o uso do filtro de
Kalman, os problemas de rastreamento no ocorriam, sendo que a rede neural conseguia realizar
o rastreamento mesmo quando na presena de mais de um alvo mvel.
Outro parmetro importante que foi observado na rede neural, a taxa de aprendizagem, ou
Learning Rate. Testes foram realizados com diversos valores para a mesma situao de
rastreamento. Foi observado que, com valores muito baixos, como 0,01, o rastreamento fica
ruim, pois o passo dado pela rede muito pequeno, ento o neurnio mal consegue alcanar o
alvo. Quando aumentamos o valor da taxa de aprendizagem, o rastreamento melhora, sendo que
o passo dado pelo neurnio maior e ele consegue alcanar o alvo com facilidade.
5.2 Sugestes Para Trabalhos Futuros

Outros trabalhos podem ser realizados utilizando as ferramentas ou at mesmo a idia
empregada aqui. A utilizao das mesmas, pode ser feita com variaes nas pesquisas e nas
implementaes. Seguem-se aqui algumas sugestes:
31

1. Estudo terico e implementao prtica de formas variadas do Filtro de Kalman, como o
Filtro de Kalman Estendido, Filtro de Kalman-Bucy e outras variaes. O Filtro de
Kalman Estendido trata de sistemas no lineares, o que interessante nos casos de alvos
com trajetrias com grandes variaes de direo.
2. O estudo e implementao de tipos diferentes de redes neurais, como back-propagation,
perceptron, e outras para testar seus desempenhos para o problema de rastreamento.
3. Utilizao de diferentes tcnicas de inteligncia artificial, como a lgica fuzzy,
combinadas com a rede neural para realizar o rastreamento.
32
6 REFERNCIAS BIBLIOGRFICAS

[1] Krose, Ben; Smagt, Patrick Van Der An Introduction to Neural Networks, eighth
edition.
[2] Wu, S. J ., Lin, C. T., Global Optimal Fuzzy Tracker Design Based on Local Concept
Approach, IEEE Transaction On Fuzzy Systems, 10 (2): 128-143, 2002.
[3] Schram, G., vanderLinden, F.X., Krose, B.J .A., Groen, F.C.A., Visual tracking of moving
objects using a neural network controller, Robotics And Autonomous Systems, 18 (3):
293-299 AUG 1996.
[4] Gaudiano, P., Zalama, E., Coronado, J .L., An unsupervised neural network for low-level
control of a wheeled mobile robot: Noise resistance, stability, and hardware
implementation, IEEE Transactions On Systems Man And Cybernetics Part B-
Cybernetics, 26 (3): 485-496 J UN 1996.

[5] Chen, Y. M., Hsueh, C.S., Complementary Data Fusion in Vision-guide and Control of
Robotic Tracking, Robotica, 19: 53-58 Part 1, 2001.
[6] Ma, C.W., Teng, C.C., Tracking a near-field moving target using fuzzy neural
networks, Fuzzy Sets And Systems, 110 (3): 365-377 MAR 16 2000.
[7] Yu, X., Azimi-Sadjadi, M.R., Neural network directed bayes decision rule for moving
target classification, IEEE Trans. on Aerospace and Electronic Systems, 36 (1): 176-188,
2000.
[8] Yang, S. X., Meng, M., Neural Network Approaches to Dynamic Collision-Free
Trajectory Generation, IEEE Transaction on System Man and Cybernetic Part B-
Cybernetics, 31 (3): 302-318, 2001.
[9] Cameron, S., Grossberg, S., Guenther, F.H., A self-organizing neural network
architecture for navigation using optic flow, Neural Computation, 10 (2): 313-352, 1998.
[10] Missler, J .M., Kamangar, F.A., A Neural-Network For Pursuit Tracking Inspired By
The Fly Visual-System, Neural Networks, 8 (3): 463-480 1995.
[11] Dror, I. E., Florer, F. L., Rios, D., Zagaeski, M., Using Artificial Bat Sonar Neural
Networks for Complex Pattern Recognition: Recognizing Faces and the Speed of a
Moving Target, Biological Cybernetics, 74 (4): 331-338, 1996.
[12] Navabi, H., Agarwal, A., Adaptative Response Organizer Network for Space-time
Patterns in Low Level Vision, Neural Networks, 11 (5): 825-836, 1998.
[13] Calba, Luis P., Introduo Computao Neuronal, IX Congresso Brasileiro de
Automao, 1992, Vitria, ES. Mini-curso 2. p. 25-38.
[14] Yi Li, Songde Ma, Hanqing Lu, Human posture recognition using multi-scale
morphological method and Kalman motion estimation, Proceedings of the IEEE
International Conference on Pattern Recognition, 1998, pp. 175-177.
[15] Pereira, Guilherme A. S., Filtro de Kalman: Teoria e Aplicaes, CPDEE - UFMG
[16] Nascimento J r.,C. L.; Yoneyama, Takashi Inteligncia Artificial em Controle e
Automao, Ed. Edgard Blucher ltda, 2000.
[17] Kovcs, Zsolt L. Redes Neurais Artificiais: Fundamentos e Aplicaes, 2
a
ed So
Paulo: Edio Acadmica, 1996.
[18] Masters, Timothy Pratical Neural Network Recipes in C++, Academic Press.
33
[19] LiMin Fu Neural Networks in Computer Intelligence, University of Florida,
Gainesvile.
[20] Rojas, Ral Neural Networks: A Systematic Introduction, Springer.
[21] Balakrishnan, S. N.; Weil, R.D. Neurocontrol: A Literature Survey, Elsevier Science
Ltd, 1996.
[22] Agbinya, J ohnson I.; Rees, David Multi-Object Tracking in Video, Academic Press,
1999.
[23] Matthews, N.D., Na, P.E., Charnley, D., Harris, C.J ., Vehicle detection and recognition in
greyscale imagery, Control Engineering Practice, 4 (4): 473-479 APR 1996.
[24] Kocjancic, R., Zupan, J . Application of a feed-forward artificial neural network as a
mapping device, J ournal Of Chemical Information And Computer Sciences, 37 (6): 985-
989 Nov-Dec 1997.
[25] Tipping, M.E., Lowe, D., Shadow targets: A novel algorithm for topographic
projections by radial basis functions, Neurocomputing, 19 (1-3): 211-222 Mar 1998.
[26] Amoozegar, F., Neural-network-based target tracking state-of-the-art survey, Optical
Engineering, 37 (3): 836-846, 1998.
[27] Wann, C.D., Thomopoulos, S.C.A., Application of self-organizing neural networks to
multiradar data fusion, Optical Engineering, 36 (3): 799-813, 1997.
[28] Cameron, S., Grossberg, S., Guenther, F.H., A self-organizing neural network
architecture for navigation using optic flow, Neural Computation, 10 (2): 313-352, 1998.
[29] Yu, N., Wu, H., Wang, R.S., Morphological neural networks with applications to image
target detection, Chinese J ournal Of Electronics,10 (1): 85-90, 2001.
[30] Shams, S. Neural Network Optimization for Multi-Target Multi-Sensor Passive
Tracking, procedings of the IEEE, vol. 84, No. 10, October, 1996.
[31] Gurney, K., Neural Nets, Dpt. Human Sciences, Brunel University, Uxbridge, Middx, UK.
[32] Fu, LiMin, Neural Networks in Computer Intelligence, c1994 by McGraw-Hill, Inc.
[33] J unior, B.M., Anido, R.O., Object Detection with Multiple Cameras, CAPES and
PRONEX-SAI, grant number 2346.
[34] Fioretti, S., Signal processing in movement analysis (a state-space approach), Ancona:
Elsevier Science B.V., c1996.
[35] Fagiani, C., An Evaluation of Tracking Methods for Human-Computer Iteration,
Senior Thesis 2002, Boston College Computer Science Department.
[36] Roux, J . Le, An introduction to Kalman filter, University of Nice, 3 janiver 2003.
[37] avusoglu, M.C., Tendick, F., Kalman Filter Analysis for Quantitative Comparison of
Sensory Schemes in Bilateral Teleoperation Systems, Presence, December 2002.
[38] Welch, G., Bishop, G., An Introduction to the Kalman Filter, Copyright 2001 by ACM,
Inc. Disponvel em: http://www.cs.unc.edu/~welch.
[39] Gelb, A., Applied Optimal Estimation, M.I.T. Press 1996.
[40] Brown, R.G., Hwang, P.Y.C., Wiley, J ., and Sons, Introduction to Random Signals and
Applied Kalman Filtering, Inc. New York, 1992.
[41] Shet, K.C., Rao, B.V., An Overview Of The Kalman Algorithm, International J ournal Of
Electronics, 59 (6). 657-665 Dec. 1985.
34
[42] Garcia, Francis, Filho, J os E. de A., - Estudo de Redes Neurais Artificiais na
Identificao de Alvos Mveis em Processamento Digital de Imagens, LIT, INPE, Maio
de 2003.
[43] Willet, D., Busch, C., Siebert, F., - Fast Image Analysis Using Kohonen Maps,
Darmstadt Computer Graphics Center.
[44] Feldkamp, L. A., Prokhorov, D. V., Eagen, C. F., Yuan, F. Enhanced Multi-Stream
Kalman Filter Training for Recurrent Networks, For Research Laboratory, Michigan,
USA.
[45] Cheng, H.D., J iang, X.H., Sum, Y, Wang, J . Color image segmentation: advances and
prospects, Department of Computer Science, Utah State University, Logan, USA.
[46] Cho, Sung-Bae Pattern Recognition With Neural Networks Combined by Genetic
Algorithm, Department of Computer Science, Yonsei University, Seoul, South Korea.
[47] Srihari, S. N., Representation of Three-Dimensional Digital Images, Department of
Computer Science, State University of New York at Buffalo.
[48] Srinivasan, R., Kinser, J . M. A Foveating Fuzzy Scoring Target Recognition System,
Center for Applied Optical Sciences, Department os Physics, Alabama A&M University.
[49] Brijnesh, J . J ain, Wysotzki, Fritz, Competitive Winner-Takes-All Clustering in the
Domain of Graphs, Department of Computer Science, Technical University of Berlim,
Germany.
[50] Vaidehi, V., Chitra, N., Chokkalingam, M., Krishnan, C.N. Neural Network Aided
Kalman Filtering for multitarget target applications, School of Instrumentation and
Electronics, Madras Institute of Tecnologi, India. 20 May 1999.
35