Preview

Известия Юго-Западного государственного университета

Расширенный поиск

Метод и алгоритм выделения динамических объектов с подвижной платформы из изображений, полученных в разных спектральных диапазонах и данных лидара

https://doi.org/10.21869/2223-1560-2020-24-3-121-136

Полный текст:

Аннотация

Цель исследования. В современных автоматических системах сбора информации все чаще используются автономные мобильные устройства, данные с которых могут быть получены в опасных для здоровья человека условиях с территориально удаленных мест, в сложной метеорологической обстановке, в режиме круглосуточного наблюдения. Для автономной работы подобных устройств необходимо использовать методы и алгоритмы, позволяющие строить карту местности, осуществлять привязку мобильной платформы на ней, определять маршрут к целевой точке, выделять препятствия на маршруте следования, производить корректировку маршрута с учетом обнаруженных препятствий.
Методы. В статье предложен метод и алгоритм выделения динамических объектов с подвижной платформы, основанный на анализе данных, полученных от мультиспектральной камеры, что позволяет осуществлять выделение препятствий, таких, как водные, растительного происхождения, техногенного характера и т.д. со снижением вычислительной сложности. Для повышения точности определения координат обнаруженных объектов используется лазерный дальномер.
Результаты. Рассмотрены известные методы распознавания мультиспектральных изображений, приведен их сравнительный анализ. Предложен метод и алгоритм выделения динамических объектов с подвижной платформы из изображений, полученных в разных спектральных диапазонах и данных лидара. Проведены экспериментальные исследования, позволяющие подтвердить адекватность математического обоснования метода, снизить погрешность вычисления координат объекта, на удалении до 100 метров до объекта, RMSE - 0,447%, MAPE - 0,397, повысить быстродействие, на выделение объекта и определение его координат было затрачено 0,04 секунды.
Заключение. В статье проведен анализ современных методов распознавания мультиспектральных изображений, представлены принципы, на которых основан каждый метод, приведены достоинства и недостатки. Разработан метод и алгоритм, позволяющие выделять статические и динамические препятствия на маршруте следования подвижной платформы, по последовательности изображений, полученных в разных спектральных диапазонах. В ходе экспериментальных исследований, подтверждены работоспособность предложенных решений и соответствие заданным требованиям точности и достоверности.

Об авторах

И. Е. Чернецкая
Юго-Западный государственный университет
Россия

Чернецкая Ирина Евгеньевна, доктор технических наук, профессор кафедры вычислительной техники

ул. 50 лет Октября 94, г. Курск 305040



С. В. Спевакова
Юго-Западный государственный университет
Россия

Спевакова Светлана Викторовна, аспирант кафедры вычислительной техники

ул. 50 лет Октября 94, г. Курск 305040



Д. В. Применко
Юго-Западный государственный университет
Россия

Применко Дмитрий Владимирович, аспирант кафедры вычислительной техники

ул. 50 лет Октября 94, г. Курск 305040



Список литературы

1. Хафизов Р. Г., Охотников С. А. Распознавание непрерывных комплекснозначных контуров изображений // Известия высших учебных заведений. Приборостроение. 2012. Т. 55. №. 5.

2. Дегтярев С.В., Спеваков А.Г., Типикин А.П. Определение координат движущихся объектов стереоскопической системой технического зрения // Телекоммуникации. 2004. № 8. С. 35 -36.

3. Ширабакина Т. А., Спеваков А. Г. Стереоскопическая оптико-электронная система определения параметров динамических объектов в реальном времени //Датчики и системы. 2004. №. 6. С. 65-67.

4. Спевакова С. В. Построение маршрута мобильного робота на основе анализа мультиспектральных данных // Интеллектуальные и информационные системы. Интеллект-2019. Тула, 2019. С. 334-337.

5. Спеваков А. Г., Рубанов А. Ф. Стереоскопическая оптико-электронная система слежения // Известия высших учебных заведений. Приборостроение. 2005. Т. 48. № 2. С. 62-67.

6. Спеваков А. Г. Метод выделения движущихся объектов // Известия ЮгоЗападного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2013. №. 1. С. 233-237.

7. Davison A. J. et al. MonoSLAM: Real-time single camera SLAM // IEEE transactions on pattern analysis and machine intelligence. 2007. Т. 29. №. 6. P. 1052-1067.

8. Newcombe R. A. et al. KinectFusion: Real-time dense surface mapping and tracking // 10th IEEE International Symposium on Mixed and Augmented Reality. IEEE, 2011. P. 127-136.

9. Kerl C., Sturm J., Cremers D. Dense visual SLAM for RGB-D cameras. In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, Chicago, IL, USA, 14–18 September 2014. P. 2100–2106.

10. Jiang G. et al. A simultaneous localization and mapping (SLAM) framework for 2.5 D map building based on low-cost LiDAR and vision fusion // Applied Sciences. 2019. Vol. 9. № 10. P. 2105.

11. Антюфеев В. И., Быков В. Н. Сравнительный анализ алгоритмов совмещения изображений в корреляционно-экстремальных системах навигации летательных аппаратов //Авиационно-космическая техника и технология. 2008. №. 1. С. 70-78.

12. Зубарев Ю.Б., Сагдуллаев Ю.С., Сагдуллаев Т.Ю. Спектрозональные методы и системы в космическом телевидении // Вопросы радиоэлектроники. Серия техника телевидения. 2009. Вып. 1. С. 47−64.

13. Бондаренко М. А., Дрынкин В. Н. Оценка информативности комбинированных изображений в мультиспектральных системах технического зрения // Программные системы и вычислительные методы. 2016. №. 1. С. 64-79.

14. Krishnamoorthy S., Soman K. P. Implementation and comparative study of image fusion algorithms // International Journal of Computer Applications. 2010. Vol. 9. № 2. P. 25-35.

15. Калуцкий И.В., Матюшин Ю.С., Спевакова С.В. Анализ современных статических методов биометрической идентификации // Известия Юго-Западного государственного университета. 2019. Т. 23, № 1. С. 84-94. https://doi.org/10.21869/2223-1560-2019-23-1-84-94.

16. Бехтин Ю. С., Емельянов С. Г., Титов Д. В. Теоретические основы цифровой обработки изображений встраиваемых оптико-электронных систем. Курск, 2016.

17. Пат. 2714603 Российская Федерация. Подвижное стереоскопическое устройство выделения динамических объектов / Спевакова С.В., Калуцкий И.В.; заявитель и патентообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Юго-Западный государственный университет». №2018147106; опубл. 18.02.2020, Бюл. №5.

18. Spevakova S. V., Matiushin I. S., Spevakov A. G. Detecting objects moving in space from a mobile vision system // Radio Electronics, Computer Science, Control. 2019. № 4. Р. 103-110.

19. Kalutskiy I., Spevakova S., Matiushin I. Method of Moving Object Detection from Mobile Vision System // 2019 International Russian Automation Conference (RusAutoCon). IEEE, 2019. Р. 1-5.


Для цитирования:


Чернецкая И.Е., Спевакова С.В., Применко Д.В. Метод и алгоритм выделения динамических объектов с подвижной платформы из изображений, полученных в разных спектральных диапазонах и данных лидара. Известия Юго-Западного государственного университета. 2020;24(3):121-136. https://doi.org/10.21869/2223-1560-2020-24-3-121-136

For citation:


Cherneckaya I.E., Spevakova S.V., Primenko D.V. Method and Algorithm for Recognition Dynamic Objects from a Mobile Platform, from Images Obtained in Different Spectral Ranges and Lidar Data. Proceedings of the Southwest State University. 2020;24(3):121-136. (In Russ.) https://doi.org/10.21869/2223-1560-2020-24-3-121-136

Просмотров: 71


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2223-1560 (Print)
ISSN 2686-6757 (Online)