1. На главную
  2. Электронные версии
  3. Сенсорные системы
  4. T. 34, № 1, 2020

Сенсорные системы, 2020, T. 34, № 1, стр. 32-43

Поиск точки схода для динамической калибровки внешних параметров монокулярной камеры при условии прямолинейного движения

М. П. Абрамов 1, 2, *, О. С. Шипитько 1, А. С. Григорьев 1, Е. И. Ершов 1

1 Институт проблем передачи информации им. А.А. Харкевича РАН
127051 Москва, Большой Каретный переулок, д. 19, Россия

2 Московский физико-технический институт (национальный исследовательский университет)
141701 Московская обл., г. Долгопрудный, Институтский пер., д. 9, Россия

* E-mail: abramov@visillect.com

Поступила в редакцию 07.10.2019
После доработки 24.10.2019
Принята к публикации 06.11.2019

Аннотация

В работе предлагается метод динамического определения углов тангажа и рыскания камеры, установленной на мобильном беспилотном аппарате (МБПА). Предложенный метод основывается на определении точки схода по единичному изображению при условии движения параллельно прямолинейным объектам (краям зданий, дорожной разметке), находящимся в поле видимости. В работе продемонстрировано, что средняя абсолютная ошибка определения углов поворота камеры для предложенного метода составляет 0.65°, что сопоставимо с современными методами динамической внешней калибровки. На основе данных, полученных с беспилотного автомобиля, использующего детекцию дорожной разметки для определения собственного положения, проведено дополнительное исследование применимости предложенного метода. Установлено, что при величине ошибки определения углов в 0.65° точность позиционирования падает на 0.01 м при длине маршрута порядка 70 м, что допустимо для большинства прикладных задач.

Ключевые слова: динамическая калибровка, калибровка внешних параметров камеры, точка схода, мобильные беспилотные аппараты, беспилотные транспортные средства

DOI: 10.31857/S0235009220010023

Список литературы

  1. Абрамов М.П., Шипитько О.С., Лукоянов А.С., Панфилова Е.И., Кунина И.А., Григорьев А.С. Система позиционирования внутри зданий мобильной робототехнической платформы на основе детекции краев. Сенсорные системы. 2019. Т. 33. № 1. С. 30–43. https://doi.org/10.1134/S0235009219010025

  2. Овчинкин А.А., Ершов Е.И. Алгоритм определения положения пучка эпиполярных линий для случая прямолинейного движения камеры. Сенсорные системы. 2018. Т. 32. № 1. С. 42–49. https://doi.org/10.7868/S0235009218010079

  3. Форсайт Д., Понс Ж. Камеры-обскуры. Компьютерное зрение. Современный подход. ИД Вильямс М.: 2004. С. 40–44.

  4. Bell T., Xu J., Zhang S. Method for out-of-focus camera calibration. Applied optics. 2016. V. 55 (9). P. 2346–2352. https://doi.org/10.1364/AO.55.002346

  5. Borji A. Vanishing point detection with convolutional neural networks. arXiv preprint arXiv:1609.00967. 2016.

  6. Brady M.L. A fast discrete approximation algorithm for the radon transform. SIAM Journal on Computing. 1998. V. 27 (1). P. 107–119. https://doi.org/10.1137/S0097539793256673

  7. Bui T.H., Nobuyama E., Saitoh T. A texture-based local soft voting method for vanishing point detection from a single road image. IEICE TRANSACTIONS on Information and Systems. 2013a. V. 96 (3). P. 690–698. https://doi.org/10.1587/transinf.E96.D.690

  8. Bui T.H., Saitoh T., Nobuyama E. Road area detection based on texture orientations estimation and vanishing point detection. The SICE Annual Conference 2013. Nagoya. IEEE. 2013b. P. 1138–1143.

  9. Canny J. A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence. 1986. V. PAMI-8 (6). P. 679–698. https://doi.org/10.1109/TPAMI.1986.4767851

  10. Chaudhury K., DiVerdi S., Ioffe S. Auto-rectification of user photos. In 2014 IEEE International Conference on Image Processing (ICIP). Paris. IEEE. 2014. P. 3479–3483. https://doi.org/10.1109/ICIP.2014.7025706

  11. Dubská M., Herout A., Havel J. PClines–line detection using parallel coordinates. In CVPR 2011. Colorado Springs. IEEE. 2011. P. 1489–1494. https://doi.org/10.1109/CVPR.2011.5995501

  12. Fasano G., Accardo D., Tirri A.E., Moccia A., De Lellis E. Sky region obstacle detection and tracking for vision-based uas sense and avoid. Journal of Intelligent & Robotic Systems. 2016. V. 84 (1–4). P. 121–144. https://doi.org/10.1007/s10846-015-0285-0

  13. Godha S. On-road obstacle detection system for driver assistance. Asia Pacific Journal of Engineering Science and Technology. 2017. V. 3 (1). P. 16–21.

  14. Harris C.G., Stephens M. A combined corner and edge detector. Alvey vision conference. 1988. V. 15. P. 10–52.

  15. Kunina I.A., Teplyakov L.M., Gladkov A.P., Khanipov T.M., Nikolaev D.P. Aerial images visual localization on a vector map using color-texture segmentation. Tenth International Conference on Machine Vision (ICMV 2017). Viena. International Society for Optics and Photonics. 2018. V. 10696. P. 106961T. https://doi.org/10.1117/12.2310138.

  16. Lee T.S. Image representation using 2d gabor wavelets. IEEE Transactions on pattern analysis and machine intelligence. 1996. V. 18 (10). P. 959–971. https://doi.org/10.1109/34.541406

  17. Lezama J., Grompone von Gioi R., Randall G., Morel J.-M. Finding vanishing points via point alignments in image primal and dual domains. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. P. 509–515.

  18. Lu X., Yaoy J., Li H., Liu Y. 2-line exhaustive searching for real-time vanishing point estimation in manhattan world. Winter Conference on Applications of Computer Vision (WACV). Santa Rosa. IEEE. 2017. P. 345–353. https://doi.org/10.1109/WACV.2017.45.

  19. Mur-Artal R., Montiel J.M.M., Tardos J.D. Orb-slam: a versatile and accurate monocular slam system. IEEE transactions on robotics. 2015. V. 31 (5). P. 1147–1163. https://doi.org/10.1109/TRO.2015.2463671

  20. Nikolaev D.P., Karpenko S.M., Nikolaev I.P., Nikolayev P.P. Hough transform: underestimated tool in the computer vision field. Proceedings of the 22th European Conference on Modelling and Simulation. 2008. V. 238. P. 246.

  21. Nistér D., Naroditsky O., Bergen J. Visual odometry. Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2004. Washington. IEEE, 2004. V. 1. P. 1–10. https://doi.org/10.1109/CVPR.2004.1315094.

  22. Rasmussen C. Grouping dominant orientations for ill-structured road following. Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. Washington. IEEE, 2004. V. 1. P. 1–9. https://doi.org/10.1109/CVPR.2004.1315069.

  23. Stockman G., Shapiro L.G. Computer Vision. Prentice Hall PTR, Upper Saddle River, NJ, USA, 2001. 196 p.

  24. Von Gioi R.G., Jakubowicz J., Morel J.-M., Randall G. Lsd: a line segment detector. Image Processing On Line. 2012. V. 2. P. 35–55. https://doi.org/10.5201/ipol.2012.gjmr-lsd

  25. Wang Y., Dahnoun N., Achim A. A novel system for robust lane detection and tracking. Signal Processing. 2012. V. 92 (2). P. 319–334. https://doi.org/10.1016/j.sigpro.2011.07.019

  26. Wilcox R.R. Introduction to robust estimation and hypothesis testing. Academic press. 2011. 690 p.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Сенсорные системы

Архивы выпусков Информация о журнале Отправить рукопись в журнал