Filtros Basados en la Transformada de Fourier
Angel Romero
Department of Electrical Engineering
Universidad Politécnica Salesiana
Quito-Ecuador
aromeror5@est.ups.edu.ec
Abstract— This article discusses the existing filters that are
related to the Fourier transform, most filters are shown with the
reduction of sounds from different ambient sounds, it is also used
for the identification of the speed of a lens with the matched filter
3 -D, the tracking of objects with the correlation filter, as well as
vehicle flow detection based on artificial vision with
homomorphic filtering. In addition, a Wiener filter based on the
signal / echo relationship (SER) a priori is used as the gain
function to achieve a compensation between the reduction of
musical noise and the computational load for real-time
operations. Said filters are applied after the acquisition of the
signals, being therefore signal processing methods, where the
main objective is the improvement of the signal to noise ratio. As
the calculations related to the Fourier transform, they are
performed only once, being used by a computational entity.
Finally, we obtain filters whose values please their objective. The
experimental results show that it exceeds the state of the arts in
both tracking accuracy and computational efficiency.
Keywords—Fast Fourier transformation, power harmonic
filters, electrical system harmonics, finite analog-to-digital
conversion, fast Fourier transform, correlation filter, convolution,
homomorphic filtering, stereophonic acoustic echo suppression
I. INTRODUCCIÓN
E ste documento proporciona una breve introducción a
algunos métodos de diseño de filtro digital. En
particular, presentamos una transformación basada
en la transformada de Fourier en sí misma, en lugar de ir a
través de la forma exponencial de series de Fourier y las
implicaciones de periodicidad subyacentes.[1] Continuando
con la serie de Fourier podemos decir que es de vital
importancia para varios campos, en particular para el de las
comunicaciones. Sin embargo, el uso de las técnicas basadas en
el análisis de Fourier en circuitos eléctricos, en los últimos años
ha ido de caída. Ahora que es necesario enfrentar una fracción
cada vez más grande de uso de energía global que proviene de
equipos que emplean suministros de potencia modulados por
pulsos, el tema de los armónicos en los sistemas de potencia y
la electrónica de potencia se está convirtiendo con mucha
rapidez en un problema serio, incluso en plantas de generación
de gran escala. Sólo con el análisis basado en las series de
Fourier se comprenden los problemas implícitos y las
soluciones posibles.[2]
Ahora basándose en la descripción de los filtros se puede decir
que son utilizados para obtener la mejora de un sonido de
audio, para el arreglo de imágenes seguimiento de objetivos,
también se puede aplicar un filtro para la detección del flujo
vehicular y [3]mediciones del contenido armónico de corriente
y voltaje en un tiempo.
Otro de los filtros importantes se puede decir el arreglo de una
señal de sonido de audio con interferencia alta.[4] Para poner a
prueba experimentalmente este filtro se toma un sistema de
teleconferencia estéreo[5] que proporciona una presencia más
realista, ya que los oyentes pueden distinguir quién está
hablando, utilizando la información espacial. Los
compensadores de eco acústico deberían utilizarse en dichos
sistemas de manos libres para reducir los ecos no deseados que
resultan del acoplamiento entre el altavoz y el micrófono.[6]
II. USO DE TRANSFORMADA DE FOURIER Y FILTROS BASADOS
EN MODELOS PARA MEDIR ARMÓNICOS VARIABLES EN EL
TIEMPO
Este filtro contiene las técnicas de medición utilizadas para
obtener el contenido armónico de las mediciones de corriente o
voltaje. En primer lugar, se describe la cadena de señal del
extremo frontal, cuya salida se supone que es una secuencia de
datos digitales. Luego, se discuten tres métodos para producir
el contenido de la señal armónica en base a este flujo de datos
digital muestreado. [7]
El primer método es la conocida Transformada Rápida de
Fourier (FFT). El segundo es una técnica basada en modelos.
Estos dos métodos son esencialmente filtros de Respuesta de
Impulso Finito (FIR) y Respuesta de Impulso Infinito (IIR),
una propiedad importante a considerar al aplicarlos a señales
no estacionarias (es decir, señales en las que el contenido
armónico varía en el tiempo). El análisis Wavelet se menciona
brevemente como un tercer método, que indica la existencia y
el potencial de técnicas de análisis más avanzadas.[7]
Las siguientes secciones tratan sobre técnicas para
determinar los fasores de voltaje o de corriente en base a un
cuadro de muestras de corriente y voltaje consecutivas.
Primero, se destaca la bien conocida Transformada de Fourier
(FT). A continuación, las técnicas basadas en modelos se
describen y se comparan con el FT. Finalmente, se hace
referencia a las técnicas basadas en wavelets.[7]
III. IDENTIFICACIÓN DE LA VELOCIDAD DEL OBJETIVO USANDO
EL FILTRO COMBINADO 3-D CON LA OPTIMIZACIÓN DE NELDER-
MEAD
El uso del filtro combinado 3-D para reducir el desorden de
fondo de una secuencia de imágenes para la detección de
objetivos. Este filtro es desarrollado con la transformada de
Fourier para cuando se detecte un objetivo a una velocidad alta,
la imagen si es bastante ruidosa o maximizada, se la pasa a
través de dicho filtro 3-D Si el objetivo está en una secuencia
de imagen muy ruidosa, esta propiedad se puede usar para
encontrar la velocidad por la que viaja el objetivo. Sin
embargo, esto requiere probar una gran cantidad de vectores de
velocidad hasta que se encuentre el que tiene la relación señal /
ruido más alto de la imagen filtrada[8]
El filtro 3-D Matched es un algoritmo de filtrado basado en
la Transformada de Fourier rápida para reducir el ruido
aleatorio relativo a la energía de un objetivo en movimiento.
Una aplicación para esto incluye buscar misiles o cometas con
cámaras terrestres apuntando hacia el cielo. Sin embargo, para
que el filtro dé resultados óptimos, se requieren la velocidad y
la dirección del objetivo. Un diagrama de bloques del filtro
implementado es el siguiente:
Figura. 1 Diagrama de bloque del filtro combinado
IV. SUPRESIÓN ESTEREOFÓNICA DEL ECO ACÚSTICO BASADA EN
EL FILTRO WIENER EN EL DOMINIO DE LA TRANSFORMADA DE
FOURIER DE CORTA DURACIÓN
Recientemente, se presentó un algoritmo de supresión de
eco acústico de baja complejidad (AES) basado en el método
de modificación espectral[6], [9]. A continuación, se presentó
un método AES multicanal con la suposición de que los
clientes utilizan una configuración de micrófono y altavoz
razonablemente simétrica[10]. Sin embargo, esta suposición no
se puede realizar en la práctica.
Inspirado por los métodos AES[11], proponemos un nuevo
enfoque de supresión de eco acústico estereofónico (SAES) en
el dominio de la transformada de Fourier de corta duración
(STFT) sin el preprocesamiento. [12]El espectro de eco se
estima a partir de las señales estéreo a través de dos funciones
de ponderación. El eco no deseado se suprime mediante la
técnica de modificación espectral mientras se mantiene la señal
del extremo cercano, lo que permite la comunicación de dúplex
completo. La función de ganancia óptima se obtiene para
reducir el ruido musical y retener la baja carga de cálculo. El
buen rendimiento del nuevo método se evalúa mediante
simulaciones.[6]
En nuestro primer experimento, comparamos la tasa de
convergencia inicial y la capacidad de seguimiento de los dos
algoritmos en la situación de conversación única con, los
resultados se presentan en la Fig.2, donde (a) muestra la señal
fuente, y (b) y (c) muestra los ERLE y las señales de salida,
respectivamente. De la Fig. 2 (b) y (c) observamos que la tasa
de convergencia del algoritmo propuesto es más rápida que el
algoritmo FDAF. El comportamiento de convergencia rápida
del nuevo método puede provenir principalmente de las
soluciones de bucle abierto de las funciones de pesaje. Un
cambio instantáneo de las respuestas al impulso de la sala de
recepción se introduce después de 15s desde el inicio del
proceso. Como se puede ver, el algoritmo propuesto también
podría retransmitir la verdadera ruta de eco rápidamente.
Figura. 2 Tasa de convergencia y comparación de velocidad de
seguimiento entre el FDAF y el algoritmo propuesto.
V. REDES DE TRANSFORMACIÓN DE FOURIER RÁPIDAS PARA EL
SEGUIMIENTO DE OBJETOS BASADO EN EL FILTRO DE
CORRELACIÓN
El seguimiento de objetos tiene como objetivo la estimación
de la ubicación y el tamaño del objetivo en una secuencia de
imágenes para una consulta determinada, que es uno de los
temas más desafiantes en la visión por computadora.[13] Se ha
aplicado en muchas aplicaciones tales como robótica,
videovigilancia, análisis de movimiento humano e interacción
humano-computadora (HCI)[14]. El seguimiento por
detección consiste en crear un clasificador discriminativo que
distingue el objetivo del fondo circundante. Típicamente,
captura la posición objetivo al detectar la mejor posición de
coincidencia usando un clasificador. En los últimos años, se
han propuesto muchos métodos de seguimiento por detección
y se ha demostrado un excelente rendimiento de seguimiento.
Se propusieron métodos de impulso en línea [2] para
actualizar el modelo discriminativo en línea. Se propuso el
aprendizaje de instancias múltiples (MIL)[15] y el rastreo-
aprendizaje-detección (TLD) para actualizar modelos de
rastreo robustos al ruido. Struck[16] minimizó el objetivo de
producción estructurada para la localización, lo que logró un
buen rendimiento de seguimiento con una formulación
elegante.
VI. DETECCIÓN DE FLUJO VEHICULAR BASADO EN VISIÓN
ARTIFICIAL
Este filtro está basado en los mismos principios que el filtro
anterior, Una vez que los candidatos son identificados, se
procede a su clasificación, para ello es necesario contar con
una descripción de cómo es un carro o un peatón [17]. Es
importante escoger características apropiadas para realizar la
comparación con los objetos candidatos, ya que de esto
depende en gran medida una clasificación exitosa. La
detección y clasificación de vehículos se realiza con cambios
en la escena, usando un algoritmo de detección de movimiento
invariante a las condiciones de iluminación para obtener los
objetos candidatos; a continuación a estos candidatos se les
extrae sus características mediante el concepto de descriptores
de Fourier[18]. Por último, se realiza la clasificación de los
objetos en peatones o vehículos, a través de una red neuronal
feed-forward y se lleva un registro de aciertos para realizar el
rastreo hasta que desaparezcan de la escena, permitiéndonos
así el análisis de las escenas de tráfico
CONCLUSIÓN
Determinamos que los filtros basados en la transformada de
Fourier son importantes en la recuperación de señales
digitales, esto se aplica a diversos filtros con diferentes
objetivos, pero el proceso a través de la transformada de
Fourier es la misma.
REFERENCES
[1] G. James, Advanced Modern Engineering
Mathematics, 4 ed. England: PEARSON
EDUCATION S.A., 2011.
[2] W. H. Hayt, J. E. Kemmerly, and S. M. Durbin,
ANAISIS DE CIRCUITOS EN INGENIERIA, 7 ma.
México: McGRAW-HILL/INTERAMERICANA
EDITORES, S.A. DE C.V., 2007.
[3] S. Das, B. Majumder, I. Pan, A. Gupta, and S. Das, “A
new Fractional Fourier transform based design of a
band-pass FIR filter for power feedback in nuclear
reactors under noisy environment,” 2011 Int. Conf.
Emerg. Trends Electr. Comput. Technol. ICETECT
2011, pp. 655–660, 2011.
[4] D. C. Frau, D. Novák, J. C. P. Cortés, G. A. García, V.
Eck, C. S. Mengual, and L. Alcón, “Reducción del
ruido en señales electrocardiográficas mediante la
transformada Wavelet.”
[5] J. Marín, P. Muñoz, and F. Ibarguen,
“RECONOCIMIENTO DE COMANDOS DE VOZ
USANDO LA TRANSFORMADA WAVELET Y
MÁQUINAS DE VECTORES DE SOPORTE,” p. 6,
2006.
[6] F. Yang, M. Wu, and J. Yang, “Stereophonic acoustic
echo suppression based on wiener filter in the short-
time fourier transform domain,” IEEE Signal Process.
Lett., vol. 19, no. 4, pp. 227–230, 2012.
[7] J. Van Den Keybus, J. Driesen, R. Belmans, and S.
Member, “Using Fourier Transform and Model Based
Filters to Measure Time-Varying Harmonics,” pp. 1–
5.
[8] M. Ward, “Target velocity identification using 3-D
Matched Filter with Nelder-Mead optimization,” IEEE
Aerosp. Conf. Proc., no. 805, 2011.
[9] Praveen N, Ranjitha S, and H. N. Suresh, “A
frequency-domain adaptive filter (FDAF) prediction
error method and ARLS for speech echo cancellation,”
in 2016 2nd International Conference on Applied and
Theoretical Computing and Communication
Technology (iCATccT), 2016, pp. 182–187.
[10] Y. Tong and Y. Gu, “A modified a priori SER for
acoustic echo suppression using wiener filter,” in 2016
IEEE International Workshop on Acoustic Signal
Enhancement (IWAENC), 2016, pp. 1–4.
[11] C. M. Lee, J. W. Shin, and N. S. Kim, “Stereophonic
Acoustic Echo Suppression Incorporating Spectro-
Temporal Correlations,” IEEE Signal Process. Lett.,
vol. 21, no. 3, pp. 316–320, Mar. 2014.
[12] C. K. Alexander and M. Sadiku, Fundamentos de
circuitos eléctricos (5a. Ed.) - Alexander, Charles K.,
Sadiku, Matthew NO - Google Books. México D.F.:
McGraw Hiill, 2006.
[13] F. Santamaría, C. A. Cortés, and F. J. Román, “Uso de
la transformada de ondeletas (wavelet transform) en la
reducción de ruidos en las señales de campo eléctrico
producidas por rayos,” Inf. Tecnol., vol. 23, no. 1, pp.
65–78, 2012.
[14] Z. He, Z. Zhang, and C. Jung, “Fast Fourier Transform
Networks for Object Tracking Based on Correlation
Filter,” IEEE Access, vol. 3536, no. c, pp. 1–1, 2018.
[15] S. Sternig, M. Godec, P. M. Roth, and H. Bischof,
“TransientBoost: On-line boosting with transient
data,” in 2010 IEEE Computer Society Conference on
Computer Vision and Pattern Recognition -
Workshops, 2010, pp. 22–27.
[16] S. Hare, S. Golodetz, A. Saffari, V. Vineet, M.-M.
Cheng, S. L. Hicks, and P. H. S. Torr, “Struck:
Structured Output Tracking with Kernels,” IEEE
Trans. Pattern Anal. Mach. Intell., vol. 38, no. 10, pp.
2096–2109, Oct. 2016.
[17] D. Roller, K. Daniilidis, and H. H. Nagel, “Model-
based object tracking in monocular image sequences
of road traffic scenes,” Int. J. Comput. Vis., vol. 10,
no. 3, pp. 257–281, Jun. 1993.
[18] E. García and V. Batlle, “Descriptores de Fourier para
identificación y posicionamiento de objetos en
entornos 3D,” XXV Jornadas automática; …, no.
December, 2004.