Методы навигации по данным аэроландшафта для малых БЛА

Цель исследования. БПЛА получили широкое распространение в  таких сферах деятельности, как военная, разведывательная, исследовательская. Как следствие, остро стоит вопрос их применения в условиях радиоэлектронной борьбы, наличия различных помех как техногенного характера, так и естественного.

Таким образом, возрастает необходимость навигации БПЛА по визуальным данным.  

Цель – исследование основных негативных факторов, влияющих на качество изображений аэрофотосъемки, и методов их устранения для построения корректного ортофотоплана для визуальной навигации БПЛА.

Методы. Предложены математические методы для устранения негативных искажений на снимках камеры БПЛА с помощью различных подходов трансформации изображений. После применения этих методов к исходным изображениям получаются исправленные версии, используемые для построения тайлового покрытия. Тайловое покрытие, созданное на основе обработанных снимков, обеспечивает непрерывное и единое покрытие территории, собранное во время полета БПЛА. Это позволяет получать точные координаты снимков и объектов на них.

Результаты – анализ основных методов устранения негативных факторов, искажающих изображения при аэрофотосъемке для визуальной навигации БПЛА, а также краткий обзор самих методов визуальной навигации.

Заключение. Для успешной реализации визуальной навигации БПЛА необходимо применить ряд методов по преобразованию изображений аэрофотосъемки, а также применение определенных алгоритмов для визуальной навигации. Сделан вывод, что помимо применения математических и программных алгоритмов также потребуется анализ и исследование необходимых вычислительных мощностей для применения всего аппаратно-программного комплекса на борту БПЛА с учетом его массогабаритных свойств.

1. Степанов Д. Н. Математические модели получения стереоизображений с двухзеркальных катадиоптрических систем с учётом дисторсии объективов // Компьютерная оптика. 2019. Т. 43, № 1. С. 105–114.

2. Никитин В. Н., Семенцов А. В. Калибровка камер по снимкам плоского тест-объекта // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2014. № 2. С. 71–80.

3. Zhang Yu-Jin. Camera Calibration // 3-D Computer Vision. Springer, 2023. P. 37–65.

4. Ramalingam S., Sturm P. A Unifying Model for Camera Calibration // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, is. 7. P. 1309–1319.

5. Camera calibration using multiple unordered coplanar chessboards / L. Grammatikopoulos, K. Adam, E. Petsa, G. Karras // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Strasbourg, France, 2019. Vol. XLII-2/W18. P. 59–66.

6. Автоматическая калибровка системы видеокамер и лидаров для автономных мобильных комплексов / Ю. Б. Блохинов, Е. Э. Андриенко, К. К. Казахмедов, Б. В. Вишняков // Компьютерная оптика. 2021. Т. 45, № 3. С. 382–393.

7. Жимбуева Л. Д., Дамдинова Т. Ц. Исследование факторов, влияющих на дисторсию оптических систем цифровых камер // Вестник Восточно-Сибирского государственного университета технологий и управления. 2015. Т. 53, № 2. С. 38–42.

8. Глаголев В. М. Описание и программное устранение дисторсии объективов // Известия Тульского государственного университета. Технические науки. 2017. Вып. 9, ч. 2. С. 188–194.

9. Холопов И. С. Алгоритм упрощенной компенсации дисторсии при проецировании видеоизображения на асферические отображающие поверхности априорно неизвестной формы // Цифровая обработка сигналов. 2014. № 3. С. 57–61.

10. Rong J., Huang S., Shang Z., Ying X. Radial Lens Distortion Correction Using Convolutional Neural Networks Trained with Synthesized Images // Computer Vision – ACCV. 13th Asian Conference on Computer Vision, Taipei, Taiwan, November 20–24. Springer, 2016. P. 35–49.

11. Холопов И. С. Алгоритм коррекции проективных искажений при маловысотной съёмке // Компьютерная оптика. 2017. T. 41, № 2. С. 284–290.

12. Золотухин Ю. Н., Нестеров А. А. Управление угловым положением летательного аппарата // Автометрия. 2015. Т. 51, № 5. С. 35–41.

13. Алпатов Б. А., Ершов М. Д., Фельдман А. Б. Aлгоритм обработки изображений для системы комбинированного видения летательного аппарата // Цифровая обработка сигналов. 2015. № 3. С. 8–14.

14. Белов Ю. С., Рыбкин С. В. Математические модели геометрических преобразований изображений в задаче анализа видеопоследовательностей // Электронный журнал: наука, техника и образование. 2015. № 3. С. 15–24.

15. Захлебин А. С. Методика построения ортофотопланов местности с помощью беспилотного квадрокоптера, оснащенного навигационным геодезическим приемником // Доклады Томского государственного университета систем управления и радиоэлектроники. 2021. Т. 24, № 3. C. 44–49.

16. An accurate real-time uav mapping solution for the generation of orthomosaics and surface models / A. Kern, P. Fanta-Jende, P. Glira, F. Bruckmüller, C. Sulzbachner // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Strasburg, France, 2021. Vol. XLIII-B1. P. 165–171.

17. Tanathong S., Smith A. P., Remde S. SurfaceView: Seamless and Tile-Based Orthomosaics Using Millions of Street-Level Images From Vehicle-Mounted Cameras // IEEE Transactions on Intelligent Transportation Systems. 2022. Vol. 23, is. 4. P. 3482–3497.

18. Gómez-Candón D., De Castro A. I., Lopez-Granados F. The accuracy of mosaics from unmanned aerial vehicle (UAV) imagery for precision agriculture purposes in wheat // Precision Agriculture. 2014. Vol. 15. P. 44–56.

19. Pagliari D., Pinto L., Sona G. Experimental analysis of different software packages for orientation and digital surface modelling from UAV images // Earth. Sci. Inform. 2014. Vol. 7. P. 97–107.