一欧元滤波器(OneEuroFilter)

引言

在查阅人脸关键点防抖动相关资料时，留意到一篇2012发布的防止抖动滤波器-----一欧元滤波器

链接

论文：
Casiez, G., Roussel, N., & Vogel, D. (2012). 1€ filter: a simple speed-based low-pass filter for noisy input in interactive systems. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 2527–2530). ↩︎
http://www.lifl.fr/~casiez/publications/CHI2012-casiez.pdf

在线Demo：
http://www.lifl.fr/~casiez/1euro/InteractiveDemo/

简介：
https://jaantollander.com/post/noise-filtering-using-one-euro-filter/

1. 介绍

本文探讨了 1€ 滤波器，这是一种用于过滤噪声实时信号的简单但功能强大的算法。文章侧重于算法的实际实现，涵盖了算法的数学基础、伪代码实现和简单、纯 Python 实现。要了解过滤器的工作原理和方式，我们建议阅读原始文章 1。

2. 1€ Filter

1€ 滤波器是用于实时过滤噪声信号的低通滤波器。它也是一个只有两个可配置参数的简单过滤器。时间 $T_i$ 处的信号表示为 $X_i$，滤波后的信号表示为值 ${\hat{X}}_i$。滤波器使用指数平滑

$$\begin{array}{c}{\hat{X}}_1=X_1\\ {\hat{X}}_i=\alpha X_i+(1-\alpha ){\hat{X}}_{i-1},i\ge 2\end{array}$$

其中平滑因子 $\alpha \in [0,1]$ 不是一个常数，而是自适应的，即使用有关信号变化率（速度）的信息动态计算。自适应平滑因子旨在平衡抖动与滞后的权衡，因为人们对低速时的抖动敏感，而对高速时的滞后更敏感。平滑因子定义为：

$$\alpha =\frac{1}{1+\frac{\tau }{T_e}}$$

其中 $T_e$ 是根据样本之间的时间差计算得出的采样周期
$$T_e=T_i-T_{i-1}$$

$\tau$ 是使用截止频率计算的时间常数
$$\tau =\frac{1}{2\pi f_C}.$$

截止频率 $f_C$ 随着变化率（即速度）的增加而线性增加
$$f_C=f_{C_{\min }}+\beta \left|{\hat{\dot{X}}}_i\right|$$

其中 $f_{C_{\min }}>0$ 是最小截止频率，$\beta >0$ 是速度系数，${\hat{X}}_i$ 是过滤后的变化率。我们定义变化率 ${\hat{X}}_i$ 作为信号的离散导数
$$\begin{array}{c}{\dot{X}}_1=0\\ {\dot{X}}_i=\frac{X_i-{\hat{X}}_{i-1}}{T_e},i\ge 2\end{array}$$

然后使用具有恒定截止频率 $f_{C_d}$ 的指数平滑 (1) 对其进行滤波，默认情况下 $f_{C_d}=1$ 。

3. 调整过滤器

模型中有两个可配置参数，最小截止频率 $f_{C_{\min }}$ 和速度系数 $\beta$。降低最小截止频率会降低慢速抖动。增加速度系数会减少速度滞后。

参考：

https://jaantollander.com/post/noise-filtering-using-one-euro-filter/