Detection of image objects for autonomous localisation of unmanned aerial vehicles and map formation of the surrounding space

Viktor Yu. Tsviatkou; Viyaleta V. Rabtsevich; Ma Jun; Mikhail I. Zorko

Авторы

Виктор Юрьевич Цветков Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь
Виолетта Викторовна Рабцевич Стормнэт текнолоджис, пр. Независимости, 168, корп. 2, 220141, г. Минск, Беларусь
Ma Цзюнь Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь
Михаил Иванович Зорько Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

Ключевые слова:

одновременная локализация и картографирование, волновая сегментация изображений, выращивание областей, идентификация объектов изображений, детекторы точек, детекторы линий

Поддерживающие организации

Работа выполнена при финансовой поддержке Белорусского республиканского фонда фундаментальных исследований и Национального фонда естественных наук Китая (проект Т25КИ-054 «Технология многокамерной локализации и построения карты открытого пространства»).

Аннотация

Рассмотрена задача автономной локализации беспилотного летательного аппарата и построения карты его окружения. Показана низкая устойчивость детекторов ключевых точек к изменению погодных и временных условий формирования изображений окружающего пространства по сравнению с устойчивостью детекторов линий. Для повышения устойчивости локализации беспилотных летательных аппаратов в качестве ключевых объектов идентификации предложено использовать однородные по яркости области изображений (сегменты). Разработан алгоритм сегментации по локальным минимумам градиента яркости полутоновых изображений, получаемых из исходных цветных изображений окружающего пространства беспилотного летательного аппарата. Для выравнивания скоростей роста областей локальных минимумов предложен алгоритм волновой сегментации с автоматическим остановом, основанный на определении новых начальных и дополнительных точек роста областей с помощью монотонно изменяющегося порога, а также на учете скорости изменения градиента яркости вдоль траектории роста области в критерии останова. Показано, что предложенные алгоритмы обеспечивают более устойчивую локализацию областей при изменении погодных и временных условий формирования изображений по сравнению с известными алгоритмами выделения линий и ключевых точек.

Биографии авторов

Виктор Юрьевич Цветков, Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

доктор технических наук, профессор; заведующий кафедрой инфокоммуникационных технологий факультета информационной безопасности
Виолетта Викторовна Рабцевич, Стормнэт текнолоджис, пр. Независимости, 168, корп. 2, 220141, г. Минск, Беларусь

преподаватель
Ma Цзюнь, Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

ассистент кафедры инфокоммуникационных технологий факультета информационной безопасности
Михаил Иванович Зорько, Белорусский государственный университет информатики и радиоэлектроники, ул. П. Бровки, 6, 220013, г. Минск, Беларусь

ассистент кафедры инфокоммуникационных технологий факультета информационной безопасности

Библиографические ссылки

Ince OF, Kim J-S. TIMA SLAM: tracking independently and mapping alto-gether for an uncalibrated multi-camera system. Sensors. 2021;21(2):409. DOI: 10.3390/s21020409.2.
Hu Z, Fang H, Zhong R, Wei S, Xu B, Dou L. GMP-SLAM: a real-time RGB-D SLAM in dynamic environments using GPU dynamic points detection method. IFAC-PapersOnLine. 2023;56(2):5033–5040. DOI: 10.1016/j.ifacol.2023.10.1282.
Li D, Shi X, Long Q, Liu S, Yang W, Wang F. DXSLAM: a robust and efficient visual SLAM system with deep features. In: Institute of Electrical and Electronics Engineers. 2020 IEEE/RSJ International conference on intelligent robots and systems (IROS); 2020 October 24 – 2021 January 24; Las Vegas, USA. [S. l.]: Institute of Electrical and Electronics Engineers; 2020. p. 4958–4965. DOI: 10.1109/IROS45743.2020.9340907.
Matsuki H, Scona R, Czarnowski J, Davison AJ. CodeMapping: real-time dense mapping for sparse SLAM using compact scene representations. IEEE Robotics and Automation Letters. 2021;6(4):7105–7112. DOI: 10.1109/LRA.2021.3097258.
Dai W, Zhang Y, Li P, Fang Z, Scherer S. RGB-D SLAM in dynamic environments using point correlations. IEEE Transactions on Pattern Analysis & Machine Intelligence. 2022;44(1):373–389. DOI: 10.1109/TPAMI.2020.3010942.
Favorskaya MN. Deep learning for visual SLAM: the state-of-the-art and future trends. Electronics. 2023;12(9):1–29. DOI: 10.3390/electronics12092006.
Wang S, Hu Q, Zhang X, Li W, Wang Y, Zheng E. LVID-SLAM: a lightweight visual-inertial SLAM for dynamic scenes based on semantic information. Sensors. 2025;25(13):4117. DOI: 10.3390/s25134117.
Sun Y, Wang Q, Yan C, Feng Y, Tan R, Shi X, et al. D-VINS: dynamic adaptive visual-inertial SLAM with IMU prior and semantic constraints in dynamic scenes. Remote Sensing. 2023;15(15):3881. DOI: 10.3390/rs15153881.
Zhu D, Liu P, Qiu Q, Wei J, Gong R. BY-SLAM: dynamic visual SLAM system based on BEBLID and semantic information extraction. Sensors. 2024;24(14):4693. DOI: 10.3390/s24144693.
Al-Furaiji OJM, Nguyen AT, Tsviatkou VYu. A new approach of finding local extrema in grayscale images based on space-oriented masks. Engineering Letters. 2020;28(2):586–593.
Gonzalez RC, Woods RE. Digital image processing. 3rd edition. Delhi: Pearson; 2008. 976 p.
Adams R, Bischof L. Seeded region growing. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994;16(6):641–647. DOI: 10.1109/34.295913.
Fan M, Lee TCM. Variants of seeded region growing. IET Image Processing. 2015;9(6):478–485. DOI: 10.1049/iet-ipr.2014.0490.
Fan J, Zeng G, Body M, Hacid MS. Seeded region growing: an extensive and comparative study. Pattern Recognition Letters. 2005;26(8):1139–1156.
Lowe DG. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision. 2004;60(2):91–110.
Bay H, Tuytelaars T, van Gool L. SURF: speeded up robust features. In: Leonardis A, Bischof H, Pinz A, editors. Proceedings of the 9th European conference on computer vision; 2006 May 7–13; Graz, Austria. Part 1. Berlin: Springer Verlag; 2006. p. 404–417 (Lecture notes in computer science; volume 3951).