Б.А. Скороход, П.В. Жиляков, А.В. Стаценко, С.И. Фатеев
Севастопольский государственный университет, РФ, г. Севастополь, ул. Университетская, 33
E-mail: boris.skorohod@mail.ru, yany@mail.ru, lex00x1@mail.ru, fateev-si@ya.ru
DOI: 10.33075/2220-5861-2020-4-101-110
УДК 004.9:004.41
Реферат:
В настоящее время ведутся интенсивные исследования, направленные на разработку удаленно управляемых и автономных подводных роботов, использующих системы технического зрения. Типичными примерами задач, решаемых с помощью них, являются: мониторинг окружающей среды; обнаружение объектов и препятствий; сближение робота с объектом; выполнение операций с предметами. В этой статье рассматриваются задачи построения изображений рабочего пространства подводного робота, предназначенного для выполнения операций с предметами по информации, поступающей с установленной на нём стереокамеры. Кроме того, в рамках этого же подхода могут быть получены оценки положения центров изображений камер, позволяющие учесть для повышения точности в алгоритмах обработки изображений присутствие водонепроницаемой оболочки. Предложены и тестированы на реальных данных робастные алгоритмы построения 3D изображений рабочего пространства робота, основанные на перспективной модели камер и совместном использовании методов триангуляции и кластеризации. Для повышения точности в алгоритмах обработки изображений учитывается присутствие водонепроницаемой оболочки. Верификация разработанных алгоритмов проводилась на реальных данных.
Ключевые слова: подводные роботы, стереозрение, перспективная модель камеры, 3D реконструкция рабочего пространства подводного робота, кластеризация.
Для цитирования: Скороход Б.А., Жиляков П.В., Стаценко А.В., Фатеев С.И. Алгоритмы построения 3D изображений объектов в задачах подводной робототехники // Системы контроля окружающей среды. 2020. Вып. 4 (42). C. 101–110.
СПИСОК ЛИТЕРАТУРЫ
- Dario L., Kallasi F., Aleotti J., Oleari F. and Caselli S. Underwater vehicle for pipe manipulation tasks // Computers & Electrical Engineering. 2017. Vol. 58 February. P. 560–571.
- Bonin F., Burguera A., Oliver G. Imaging Systems for Advanced Underwater // Vehicles Journal od Maritime Research. 2011. Vol. VIII (1). P. 65–86.
- Долин Л.С., Левин И.М. Теория подводной видимости // Фундаментальная и прикладная гидрофизика. 2015. Т. 8, № 2. С. 22–35.
- Schechner Y., Karpel N. Clear underwater vision // In Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Washington, DC, USA, 27 June–2 July 2004. P. 536–543.
- Drap P., Seinturier J., Scaradozzi D. Photogrammetry for virtual exploration of underwater archeological sites // In Proceedings of the 21st International Symposium, CIPA 2007: AntiCIPAting the Future of the Cultural Past, Athens, Greece, 1–6 October 2007. P. 1–6.
- Анализ точности построения 3d координат рабочего пространства подводного робота / Б.А. Скороход, П.С. Жиляков, А.В. Стаценко [и др.] // Системы контроля окружающей среды. 2020. № 3 (41). С. 163–170.
- Скороход Б.А., Стаценко А.В., Фатеев С.И. Влияние предобработки и алгоритмов выбора ключевых точек в задаче одновременной 3d реконструкции подводных объектов и построения траектории движения камеры // Системы контроля окружающей среды. 2019. № 2 (36). С. 30–36.
- Hartley R., Zisserman A. Multiple View Geometry in Computer Vision. Cambridge University Press, 2003. Computers. 655 p. 110
- Szeliski R. Computer Vision. Springer, 2010. 655 p.
- Стаценко А.В., Фатеев С.И. Программа нахождения пар соответствующих точек на подводных изображениях // Свидетельство о государственной регистрации программы для ЭВМ № 2019663217. Заявитель и правообладатель ФГАОУ ВО Севастопольский государственный университет (RU). №2019661991; Опубл. 11.10.2019. Реестр программ для ЭВМ. 1 с.
- Воронцов К.В. Алгоритмы кластеризации и многомерного шкалирования. М.: МГУ, 2007.
- Ester M. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise / M. Ester, H.-P. Kriegel, J. Sander, X. Xu // Third AAAI Conference on Human Computation and Crowdsourcing. 2015.
- Arthur D., Vassilvitskii S. kmeans++: The Advantages of Careful Seeding // SODA ’07: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms. New Orleans, LA, January 2007. P. 1027–1035.
- Torr P.H.S., Zisserman A. MLESAC: A New Robust Estimator with Application to Estimating Image Geometry // Computer Vision and Image Understanding. 2000.