FILTRAGEM DE SINAIS DO ACELERÔMETRO PELA DIFUSÃO ANISOTRÓPICA

Marco A. A. de Melo1,2, Hae Yong Kim1

1
Universidade de São Paulo, Escola Politécnica;
Av. Prof. Luciano Gualberto, tr. 3, 158, 05508-900;
São Paulo, SP, Brasil.
2
Centro Universitário UniFEI, Dept. Eng. Elétrica;
Av. Humberto A. de Castelo Branco, 3142, 09850-901;
São Bernardo do Campo, SP, Brasil.

E-mails: [email protected], [email protected]

Abstract⎯ In this paper, we propose to use the anisotropic diffusion to filter ADXL202E acceleration sensor signals, used in ve-
hicular navigation systems. Motor vibration noise and small collisions suffered by vehicle degrade the original signal. The goal is
to restore the original signal, eliminating the noise. Usually, a linear filter is used in this task. We show that the anisotropic diffu-
sion is much more effective than linear filters in this application. We also describe an automatic procedure to choose an adequate
parameter of the filter.

Keywords⎯ Anisotropic diffusion, nonlinear filter, acceleration sensor, signal restauration, robust statistics.

Resumo⎯ Neste artigo, propomos o uso da difusão anisotrópica para filtrar os sinais do sensor de aceleração ADXL202E, usado
em sistemas de navegação veicular. Os ruídos causados pelas vibrações do motor e pequenas colisões sofridas pelo veículo de-
gradam o sinal do acelerômetro. O objetivo é restaurar o sinal original, eliminando o ruído. Normalmente, um filtro linear é utili-
zado nesta tarefa. Mostraremos que a difusão anisotrópica é muito mais eficaz do que os filtros lineares para esta aplicação. Tam-
bém descrevemos como escolher automaticamente o parâmetro adequado do filtro.

Palavras-Chave⎯ Difusão anisotrópica, filtro não linear, sensor de aceleração, restauração de sinais, estatística robusta.

1 Introdução exemplo, em (Lyon, 1987), o espaço de escala foi

usado para o reconhecimento de voz.
Os sensores de aceleração são usados em várias a- Perona e Malik (Perona, 1990) propuseram
plicações como monitoramento de sistemas mecâni- substituir o filtro linear (difusão isotrópica) pela
cos, alarmes, periféricos de computadores, detecto- difusão anisotrópica na obtenção de sinais/imagens
res de velocidade, etc. (Shih, 2001). Os sinais desses em escalas grossas do espaço de escala. Com isso,
sensores costumam estar contaminados por ruídos inauguraram um amplo campo de pesquisa associa-
causados por diferentes interferências. do à difusão anisotrópica (ou espaço de escala não
O filtro linear (do tipo Butterworth de quinta linear). Para imagens, a difusão anisotrópica é am-
ordem) é normalmente utilizado para filtrar esses plamente utilizada para restauração, segmentação e
ruídos, provavelmente devido à sua popularidade e detecção de arestas. A difusão anisotrópica também
facilidade de projeto (Ramsden, 2003). Infelizmen- é utilizada com sucesso para filtrar sinais. Em
te, um filtro linear altera os instantes e as amplitudes (Krim, 1999), a difusão anisotrópica de Perona e
dos eventos no sinal, obrigando o usuário a assumir Malik foi usada para elaboração de um filtro esto-
um compromisso entre a filtragem de ruído e a dis- cástico aplicado em sinais sintetizados artificialmen-
torção do sinal tolerada. Além do filtro Butterworth, te, contaminados por uma grande variedade de tipos
outros filtros mais complexos podem ser usados de ruído. Em (Shih, 2003) foi implementado um
para filtrar sinais de sensores. Por exemplo, Gobbo filtro wavelet baseado na difusão anisotrópica, para
et al. (Gobbo, 2001) usaram o filtro de Kalman em fazer uma difusão anisotrópica seletiva em freqüên-
sinais de sensores de posição e ângulo de um siste- cia. Ambos os trabalhos têm como objetivo filtrar
ma de controle de pêndulo invertido. Basseville e ruído, usando sinais “step jump” (semelhantes à
Nikiforov (Basseville, 1993) usaram um filtro base- onda quadrada) unidimensionais sintetizados artifi-
ado em algoritmo de detecção abrupta para monito- cialmente, com pouca ou nenhuma semelhança com
ramento de sinais sísmicos. Em geral, esses filtros os sinais de sensores de aceleração.
têm custo computacional elevado, inviável em mui- Neste trabalho, propomos primeiro usar a difu-
tas aplicações simples. são anisotrópica para filtrar sinais reais do sensor de
O espaço de escala é uma teoria que lida com o aceleração, e em segundo como calcular os parâme-
problema de multiresolução. Essa teoria foi formu- tros do filtro proposto. Os resultados experimentais
lada originariamente por Witkin (Witkin, 1983) e obtidos usando sinais do acelerômetro ADXL202E
utiliza filtros lineares gaussianos para obter si- mostram que a difusão anisotrópica consegue remo-
nais/imagens em escalas grossas. Essa teoria é muito ver o ruído sem deslocar os instantes de ocorrência e
utilizada para processar imagens, mas também en- as amplitudes dos eventos do sinal, preservando a
contra aplicações em processamento de sinais. Por informação útil contida no sinal (Melo, 2004).
 Na formulação de difusão não linear de Perona D obtendo 0,304s. Convertendo esses dados em ve-
e Malik, existe uma função chamada parada-na- locidades, obtemos respectivamente 19,4 mph e 20,2
aresta (edge stopping function) g(.), que controla a mph, o que é coerente com a velocidade anterior
intensidade da difusão de acordo com o valor do conhecida de 20 mph. A filtragem é necessária para
gradiente do ponto que deve sofrer a difusão. A fun- que somente a informação útil, isto é os pontos A,
ção parada-na-aresta possui um parâmetro de escala B, C e D, sejam processados, ignorando os ruídos.
σ que, em conjunto com o valor do gradiente, indica
se a difusão deve ser forte ou fraca. A correta esco-
lha da função parada-na-aresta e escala afetam de
forma decisiva o resultado da filtragem do sinal.
Neste artigo, fazemos um estudo comparativo
de várias funções de parada-na-aresta para filtragem
de sinais de acelerômetro, para determinar a mais
adequada. Além disso, mostramos como determinar
automaticamente uma escala σ conveniente. Para
isso, experimentamos duas abordagens: a estatística
robusta e aquela utilizada em sistemas de transmis-
são de informação por pulsos contaminados por ruí-
do gaussiano. Comparamos os erros obtidos usando
essas duas estratégias com a escala σ determinada
manualmente para obter o erro mínimo, o que per-
mite escolher a melhor estratégia.

2 O Problema

Figura 1. – Sinal do eixo X (horizontal, paralelo à superfície da

Descrevemos nesta seção o caso de aplicação do terra) do acelerômetro instalado em automóvel, usado para o
acelerômetro de dois eixos ADXL202E no sistema cálculo da velocidade (retirado de Shih, 2001).
de navegação do automóvel, com base na descrição
de (Shih, 2001). Isto ajudará a compreender o pro-
blema que queremos resolver.
O acelerômetro está instalado num automóvel e
os sinais do sensor são usados para completar a in-
formação proveniente do sistema de posicionando
global (GPS). Os sinais de rádio dos satélites GPS 3 Difusão Anisotrópica
são de alta freqüência, o que acarreta alta diretivida-
de e pode ocasionar a perda do sinal no receptor Perona e Malik apresentam sua equação não linear
GPS quando, por exemplo, o veículo está sobre um discreta de difusão anisotrópica em (Perona, 1990):
túnel ou numa área de sombra. Quando os dados do λ
GPS não estão confiáveis ou ausentes, o sinal do I st +1 = I st + ∑ g (∇I s,p )∇I s,p , i ≥ 0
|η s| p∈ηs
(1)
sensor de aceleração é utilizado para calcular a ve-
locidade do veículo. Esta velocidade é usada pelo onde:
sistema de navegação para determinar o desloca- • I s0 é o sinal original no ponto s e I st é o valor
mento do veículo a partir do ponto em que o sinal
do sinal discretizado na iteração t no ponto s.
GPS foi perdido, calcular a posição atual do veículo
e fazer com que o sistema de navegação prossiga • λ∈[0,1] é um constante escalar que controla a
funcionando. taxa de difusão.
O principal problema no sinal fornecido pelo • ηs é o conjunto de vizinhos do ponto s.
acelerômetro é o ruído, de modo que é necessário • |ηs| é o número de vizinhos de s, geralmente
usar um filtro para discriminar a informação do ruí- dois para sinais e quatro para imagens.
do. A figura 1 mostra o sinal do eixo X do acelerô- Perona e Malik aproximaram o gradiente ∇I s , p
metro ADXL202E num carro que viaja na velocida-
de de 20 mph. À primeira vista, parece que A e B ( p ∈ η s ) do sinal como:
são colisões correlacionadas, isto é, sofridas pelas ∇I s , p = I p − I s (2)
rodas dianteiras e traseiras ao atravessar um mesmo
obstáculo. Entretanto, tB - tA = 0,076 segundos, o Listamos a seguir três possíveis funções parada-
que resulta numa velocidade de 81 mph (sabe-se que na-aresta g. Duas foram propostas por Perona e Ma-
a distância entre os eixos é de 9 pés). Esta informa- lik e a terceira por Black et al. (Black, 1998). Esta
ção é comparada com a última velocidade conheci- terceira função está baseada em estatística robusta e
da, chegando à conclusão de que eventos A e B não por isso espera-se que seja melhor que as outras, que
podem estar correlacionados. Então A e C são em- foram projetadas sem uma base teórica sólida.
parelhados obtendo tC - tA = 0,317s, assim como B e
 A primeira função de Perona e Malik: 5 Funções Parada-na-Aresta
1
g1 ( x ) =
5x 2 (3) Inicialmente, iremos analisar o efeito da escolha da
1+ 2 função parada-na-aresta e da escala na filtragem de
σ um sinal semelhante ao do acelerômetro, gerado
A segunda função de Perona e Malik: artificialmente e contaminado com ruído gaussiano.
⎡ − 2,5 x 2 ⎤ O uso de um sinal artificial facilita o cálculo do
g 2 ( x) = exp ⎢ ⎥ (4)
2 erro cometido pelo filtro, pois neste caso dispomos
⎣⎢ σ ⎦⎥
do sinal sem ruído correspondente com o qual o
A função “Tukey’s biweight” proposta por sinal filtrado pode ser comparado. Usando um sinal
Black: real do acelerômetro, não há como calcular o erro,
⎧⎡ 2 pois não temos acesso ao sinal sem ruído.
x2 ⎤
⎪⎪⎢1 − 2 ⎥ , x ≤ σ O erro entre o sinal filtrado e o sinal sem ruído
g 3 ( x) = ⎨⎢ σ ⎥ (5)
⎣ ⎦ foi calculado usando a Raiz da Média Quadrática
⎪
⎪⎩0, caso contrário (RMS):
As constantes 5 e 2,5 foram inseridas para nor- 1
RMS(S , R ) = ∑ (S − Rn ) (8)
2
malizar as funções g1 e g2 e facilitar a comparação N
n

das três funções. Para isso, foram calculadas as fun- onde:

ções de influência ψ das três funções parada-na- • Sn é a amostra n do sinal filtrado.
aresta g: ψ ( x) = xg ( x) . As duas constantes foram • Rn é a amostra n do sinal original sem ruído.
escolhidas de forma a deixar as três funções de in- • N é o número total de amostras dos sinais.
fluência terem o máximo local no mesmo ponto
A figura 2 mostra o sinal original sem ruído ge-
x = 0,2 . rado artificialmente e a figura 3 mostra esse sinal
contaminado com ruído gaussiano com desvio-
padrão de 0,2315. O sinal original e o sinal com
4 Determinação da Escala ruído foram amostrados em 50 Hz. O erro RMS
entre os dois sinais é 0,2314. Portanto, se o erro de
Como vimos na seção anterior, as funções parada- algum sinal filtrado for maior que esse valor, esse
na-aresta dependem de um parâmetro de escala σ. filtro estará introduzindo mais erro, em vez de ate-
Testamos duas maneiras de calcular automaticamen- nuar o ruído. As escalas σ1 e σ2 foram calculadas e
te esta escala a partir do sinal ruidoso I. são respectivamente 0,198 e 0,463.
A primeira, denominada escala robusta, está ba-
seada em estatística robusta e foi proposta por
(Black, 1998):
σ1 = 1,4826 MAD(∇I )
[
= 1,4826 median I ∇I − median I ( ∇I )] (6)

onde “MAD” denota o desvio absoluto mediano

e a constante deriva do fato de que MAD de uma
distribuição normal com média zero e variância uni-
tária é 1/1,4826 = 0,6745 (Heikkilä, 2003). Calcu-
lamos a escala robusta usando a aproximação do
gradiente dada por (2).
A segunda forma de calcular a escala provém da
Figura 2. – Sinal teste sem ruído, gerado artificialmente.
análise utilizada em sistemas de transmissão de pul-
sos contaminados por ruído gaussiano, onde a in-
formação está contida na amplitude e na posição dos
pulsos (Carlson, 1986). Esta análise pode ser aplica-
da ao sinal do acelerômetro, pois também neste caso
a informação está presente na amplitude e no instan-
te dos pulsos. Carlson sugere usar o limiar de detec-
ção de pulso maior ou igual a duas vezes o desvio
padrão do ruído gaussiano σn. Neste trabalho, testa-
mos a seguinte escala:
σ 2 = 2σ n (7)

Figura 3. – Sinal teste com ruído gaussiano.

 Os erros obtidos com a filtragem do sinal por
difusão anisotrópica usando as funções parada-na-
aresta g1, g2 e g3 são mostrados nas tabelas 1 e 2. Na
tabela 1 foram feitas 50 iterações da equação (1) e
na tabela 2 foram feitas 100 iterações. Para cada
função, são mostrados 3 erros obtidos usando as
escalas σ1, σ2 e a escala ótima σ* escolhida manu-
almente para obter o menor erro RMS.
Conforme esperado, em ambos os casos o me-
nor erro foi obtido usando a função de Tukey. A
função de Perona-Malik g2 também gerou erros bai-
xos, bastante próximos aos de Tukey. A figura 4
mostra o sinal filtrado com a melhor qualidade. Po-
de-se notar que a informação útil foi preservada, ao Figura 4. – O sinal filtrado com o menor erro RMS (0,07957) foi
obtido usando função de Tukey g3, com escala ótima σ*=0,593.
mesmo tempo em que os ruídos indesejáveis foram
A escala ótima estava bastante próxima de σ2=0,463 obtida au-
eliminados. tomaticamente.
Utilizando a função g1, os erros aumentaram de
50 para 100 iterações (tabelas 1 e 2 para as escalas
fixas σ1 e σ2). Isto é causado pela não-convergência
do processo de difusão anisotrópica, quando se utili-
za a função g1. Neste caso, se o número de iterações
for muito grande, o sinal filtrado convergirá para um
sinal com amplitude constante. A figura 5 mostra
esse processo, onde os pulsos tiveram os picos de-
cepados após 100 iterações.
Por outro lado, utilizando a função g3 os erros
diminuíram ligeiramente (para as escalas fixas σ1,
σ2 e σ*) quando o número de iterações aumentou. O
processo de difusão anisotrópica usando g3 converge
para um sinal otimamente filtrado, de forma que a
saída não se altera após um número suficiente de
Figura 5. – O sinal filtrado pela difusão anisotrópica usando
iterações. A função g2 é muito parecida com g3, mas
função de Perona e Malik g1 apresenta alta distorção quando o
mesmo assim observa-se um pequeno aumento de número de iterações é grande (100 iterações e escala σ2 = 0,463).
erro ao aumentar o número de iterações (para σ2).
A partir da tabela 2, podemos extrair as seguin-
tes regras empíricas para calcular a escala ótima σ*
da difusão anisotrópica utilizando a função g3:
0,593
σ* = σ1 = 3,00 × σ1 (9) A figura 6 mostra o sinal filtrado pelo filtro li-
0,198
near Butterworth passa-baixas de quinta ordem, com
freqüência de corte de 5 Hz. Variamos a freqüência
0,593 de corte até encontrar aquela onde o erro era míni-
σ* = σ 2 = 1,28 × σ 2 (10)
0,463 mo. O sinal filtrado mostra uma forte distorção, alte-
rando a amplitude e o instante de ocorrência dos
Tabela 1. – Erro RMS obtido filtrando o sinal da figura 3 pela picos do sinal. Esta distorção está refletida na alta
difusão anisotrópica com 50 iterações, com diferentes funções taxa de erro RMS obtido (0,66135), mais que 8 ve-
parada-na-aresta e diferentes escalas. zes maior do que o menor erro obtido com a difusão
Perona-Malik Perona-Malik Tukey anisotrópica (0,07957) e maior até que o erro do
g1 (eq. 4) g2 (eq. 5) g3 (eq. 6)
σ1 = 0,198 0,12103 0,19114 0,22150 sinal ruidoso original (0,2314).
σ2 = 0,463 0,19084 0,11196 0,10764 Também testamos o desempenho do filtro linear
0,10565 0,09269 0,08968 média móvel. Este filtro passa-baixas é bastante
Escala ótima σ*.
(σ* = 0,142) (σ* = 0,374) (σ* = 0,594) popular devido a sua simplicidade (Sayers, 1997).
Consiste em calcular a média aritmética dos valores
Tabela 2. – Erro obtido com 100 iterações. dos pontos vizinhos:
Perona-Malik Perona-Malik
g1 (eq. 4) g2 (eq. 5)
Tukey
g3 (eq. 6)
S n = [Qn −1 + Qn + Qn +1 ] 3 (11)
σ1 = 0,198 0,13658 0,18285 0,22145 onde Sn é o sinal filtrado e Qn é o sinal original
σ2 = 0,463 0,26024 0,12009 0,10351 com ruído. O erro RMS obtido foi 0,15449.
0,10303 0,09393 0,07957
Escala ótima σ*.
(σ* = 0,099) (σ* = 0,382) (σ* = 0,593)
Figura 6. – Sinal filtrado pelo Butterworth com freqüência de Figura 8. – Sinal filtrado pela difusão anisotrópica usando a fun-
corte (5 Hz) apresentou erro RMS de 0,66135, mais que 8 vezes ção parada-na-aresta de Tukey, 100 iterações, e σ = 0,648.
maior que o menor erro da difusão anisotrópica.

6 Aplicação dos Filtros

Nesta seção, mostraremos os resultados obtidos pela

filtragem de sinal real do acelerômetro. A qualidade
da filtragem deverá ser avaliada apenas visualmente,
pois não é possível calcular o erro RMS, uma vez
que não dispomos do sinal original sem ruído. O
sinal original está mostrado na figura 7 e foi forne-
cido pela Analog Devices. As escalas σ1 e σ2 calcu-
ladas a partir desse sinal foram respectivamente Figura 9. – Sinal obtido pelo filtro Butterworth com freqüência de
0,1927 e 0,506. Usando equações (9) e (10), obte- corte de 5 Hz.
mos os valores candidatos para a escala ótima de
0,578 e 0,648, respectivamente. A figura 8 mostra o
sinal filtrado usando a função g3 com escala 7 Conclusões
σ=0,648. A filtragem limpou fortemente o sinal,
permitindo inclusive distinguir duas colisões na re- A difusão anisotrópica foi aplicada com sucesso
gião final do sinal, difíceis de serem visualizadas no para filtrar os sinais provenientes do sensor de ace-
sinal original. leração ADXL202E. Mostramos que os filtros linea-
A figura 9 mostra o sinal filtrado pelo filtro But- res não são adequados nesta aplicação, pois distor-
terworth, de quinta ordem, com freqüência de corte cem a amplitude e a posição dos pulsos, que consti-
de 5 Hz. Observamos que esta filtragem elimina as tuem a informação útil do sinal do sensor. Testamos
informações contidas na amplitude e no instante de três funções parada-na-aresta e concluímos que a
ocorrência dos pulsos. função de Tukey, proposta para ser usado na difusão
anisotrópica por Black et al., é o mais adequado.
Mostramos como é possível calcular automatica-
mente uma escala adequada para a difusão anisotró-
pica.

Agradecimentos

Gostaríamos de agradecer ao Centro Universitário

UniFEI, que disponibilizou recursos para este traba-
lho; aos alunos do grupo de DSP do UniFEI, Fer-
nando Monteiro e Roberto Borges Kerr Junior; à
Analog Devices, representada no Brasil pela Alpha-
tec, por ceder os dados reais do acelerômetro; e ao
CNPq pelo apoio financeiro parcial deste trabalho
Figura 7. – Sinal original do sensor ADXL202E. através do processo 300689/1998-5.
 Referências Bibliográficas Melo, M. A. A. (2004). Filtragem de sinais do
Acelerômetro pela Difusão Anisotrópica.
Basseville, M. and Nikiforov, I. V. (1993). Detec- Dissertação de Mestrado, Departamento de En-
tion of Abrupt Changes: Theory and Application. genharia de Sistemas Eletrônicos, Escola Poli-
Prentice-Hall, Englewood Cliffs, NJ. técnica da USP.

Black, M. J; Sapiro, G; Marimont, D. H. and Hee- Perona, P. and Malik, J. (1990). Scale-Space and
ger, D. (1998). Robust Anisotropic Diffusion. Edge Detection Using Anisotropic Diffusion.
IEEE Transaction on Image Processing, Vol. 7, IEEE Trans. Pattern Anal. Machine Intell, Vol.
No. 3; pp. 421-432. 12; No. 7; pp. 629–634.

Carlson, A. B. (1986). Communication Systems, Ramsden, E. and Dix, C. (2003). “Low-Pass Filter-
Probability, Random Variables and Random ing for Vibration Sensors” - Sensor Technology
Signal Principles. McGra-Hill. and Design, Sensormag 2003, Article 3; pp. 1-8.

Gobbo, D. D; Napolitano, M; Famouri, P. and Inno- Sayers, M. W. and Karamihas, S. M. (1997). The
centi, M. (2001). Experimental Application of Little Book of Profiling, Basic Information about
Extended Kalman Filtering for Sensor Valida- Measuring and Interpreting, Road Profiles.
tion. IEEE Transaction on Control Systems
Shih, C. C. A. and Liao, H. Y. M. (2003). A New
Technology, Vol. 9, No. 2; pp. 376-380.
Iterated Two-Band Diffusion Equation: Theory
Heikkilä, J. (2003). Robust Regression, Graduate and its Application. IEEE Transaction on Image
Course on Advanced Statistical Signal Process- Processing, Vol. 12, No. 4; pp. 466-476.
ing. Information Processing Laboratory, De-
partment of Electrical Engineering, P.O. Box Shih, P. and Weinberg, H. (2001). “A Useful Role
4500, 90014 University of Oulu, [email protected]. for the ADXL202 Dual-Axis Accelerometer in
Speedometer-Independent Car Navigation Sys-
Krim, H. and Bao, Y. (1999). A Stochastic Diffu- tems” – Analog Devices, Analog Dialogue, Vol.
sion Approach to Signal Denoise. IEEE Interna- 35, No. 4; pp. 1-3.
tional Conference on ICASSP '99, Vol. 4; pp.
Witkin, A. P. (1983). “Scale Space Filtering: A New
1773-1776.
Approach to Multi-Scale Description” - Int. Joint
Lyon, R. F. (1987). Speech Recognition in Scale Conf. Artificial Intell; pp. 1019-1021.
Space. IEEE International Conference on IC-
ASSP '87, Vol. 12; pp. 1265-1268.