Алгоритмы построения 3D изображений объектов в задачах подводной робототехники

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.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. 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.
  2. Bonin F., Burguera A., Oliver G. Imaging Systems for Advanced Underwater // Vehicles Journal od Maritime Research. 2011. Vol. VIII (1). P. 65–86.
  3. Долин Л.С., Левин И.М. Теория подводной видимости // Фундаментальная и прикладная гидрофизика. 2015. Т. 8, № 2. С. 22–35.
  4. 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.
  5. 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.
  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.
  7. 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.
  8. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision. Cambridge University Press, 2003. Computers. 655 p. 110
  9. Szeliski R. Computer Vision. Springer, 2010. 655 p.
  10. 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.
  11. Воронцов К.В. Алгоритмы кластеризации и многомерного шкалирования. М.: МГУ, 2007.
  12. 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.
  13. 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.
  14. Torr P.H.S., Zisserman A. MLESAC: A New Robust Estimator with Application to Estimating Image Geometry // Computer Vision and Image Understanding. 2000.

Loading