В.П. Федосов1, Р.Р. Ибадов2, С.Р. Ибадов3

1-3 Институт радиотехнических систем и управления, Южный Федеральный Университет (г. Таганрог, Россия)

Постановка проблемы. В настоящее время беспилотные летательные аппараты (БПЛА) активно применяются для решения межотраслевых задач, таких как фото-и видеосъемка окружающего пространства, дистанционный анализ окружающих объектов, доставка грузов, контроль состояния транспортных магистралей и добывающих комплексов. Также БПЛА используются на аварийных участках, где присутствие людей сопряжено с угрозой для жизни. Поскольку во всех перечисленных областях необходима хорошая ориентация в пространстве, имеет большое практическое значение ориентирование БПЛА в условиях городской инфраструктуры. Например, для безаварийного вождения БПЛА большое значение имеет определение расстояния до препятствий (карты глубины изображений) и построение траектории их облета, что является актуальным для точного ориентирования БПЛА в городской инфраструктуре.

Цель. Предложить модифицированный метод постобработки карты глубины изображений для задач безаварийного вождения БПЛА в городской инфраструктуре.

Результаты. Рассмотрены существующие методы и алгоритмы преобразования из 2D-сигналов в 3D-сигналы в системах анализа и отображения изображений. Проведено исследование метода постобработки карты глубины изображений и предложена его модификация. Для оценки эффективности разработанного метода постобработки выполнен сравнительный анализ карт глубины для различных тестовых изображений, полученных оригинальным методом и его модификацией. Получены среднеквадратические погрешности для предложенного и оригинального методов постобработки для рассмотренных тестовых изображений.

Практическая значимость. Представленный модифицированный метод постобработки карты глубины изображений позволяет строить более четкие карты глубины изображений, что обеспечивает более точную ориентацию БПЛА в городской инфраструктуре.

Федосов В.П., Ибадов Р.Р., Ибадов С.Р. Модифицированный метод постобработки карты глубины изображений для задач безаварийного вождения беспилотных летательных аппаратов в городской инфраструктуре // Радиотехника. 2023. Т. 87. № 9.
С. 113−123. DOI: https://doi.org/10.18127/j00338486-202309-10

1. Wang X., Pan Y., Lun D.P.K. Stereoscopic image reflection removal based on Wasserstein Generative Adversarial Network // IEEE International Conference on Visual Communications and Image Processing (VCIP). IEEE. 2020. P. 148-151.
2. Lu S.P., You J., Ceulemans B., Wang M., Munteanu A. Synthesis of Shaking Video Using Motion Capture Data and Dynamic
   3D Scene Modeling // 25th IEEE International Conference on Image Processing (ICIP). IEEE. 2018. P. 1438-1442.
3. Yu Z., Mizuno K., Asada A., Tabeta S., Fujimoto Y., Shimada T. Research on Fish Classification by Using High-Resolution Acoustic Video Camera-ARIS and 3-D Fish Model Simulator // OCEANS-MTS/IEEE Kobe Techno-Oceans (OTO). IEEE. 2018. P. 1-4.
4. Liu Z., Li X., Luo P., Loy C.C., Tang X. Deep learning markov random field for semantic segmentation // IEEE transactions on pattern analysis and machine intelligence. 2017. V. 40. № 8. P. 1814-1828.
5. Yan S., Wu C., Wang L., Xu F., An L., Guo K., Liu Y. Ddrnet: Depth map denoising and refinement for consumer depth cameras using cascaded cnns // Proceedings of the European conference on computer vision (ECCV). 2018. P. 151-167.
6. Godard C., Mac Aodha O., Brostow G.J. Unsupervised monocular depth estimation with left-right consistency // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 270-279.
7. Fu H., Gong M., Wang C., Batmanghelich K., Tao D. Deep ordinal regression network for monocular depth estimation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. P. 2002-2011.
8. Fan Z., Ohashi T., Hayashi T. Make 3D Cable Model from Single RGB Image // 10th International Congress on Advanced Applied Informatics (IIAI-AAI). IEEE. 2021. P. 482-485.
9. Zhao H., Shi J., Qi X., Wang X., Jia J. Pyramid scene parsing network // Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 2881-2890.
10. Karsch K., Liu C., Kang S.B. Depth transfer: Depth extraction from videos using nonparametric sampling // Dense Image Correspondences for Computer Vision. Springer, Cham. 2016. P. 173-205.
11. Xia K., Yin H., Zhang Y. Deep semantic segmentation of kidney and space-occupying lesion area based on SCNN and ResNet models combined with SIFT-flow algorithm // Journal of medical systems. 2019. V. 43. № 1. P. 1-12.
12. Ибадов Р.Р., Федосов В.П., Ибадов С.Р. Восстановление дефектов и слепой зоны на изображениях подстилающей поверхности для бортовых радиолокационных систем картографирования на основе доплеровского обужения луча // Известия Южного федерального университета. Технические науки. 2020. № 6(216). С. 4-52.
13. Ibadov R.R., Fedosov V.P., Ibadov S.R. The method of spatial-temporal reconstruction of dynamic images based on a geometric model with contour and texture analysis // IOP Conference Series: Materials Science and Engineering. IOP Publishing. 2021.
    V. 1029. № 1. P. 012093.
14. Fedosov V.P., Ibadov R.R., Ibadov S.R. Restoration of the Lost Area of the Underlying Surface Image Using the Saliency Map // 2021 Radiation and Scattering of Electromagnetic Waves (RSEMW). IEEE. 2021. P. 447-450.
15. Дидюк А.Я., Иванкин Е.Ф., Понькин В.А. Оценка точности измерения параметров объектов по изображению // Радио-техника. 2010. Т. 74. № 8. С. 90-95.