Расчетное прогнозирование в задаче идентификации стереоизображений

Введение. Рассмотрены вопросы повышения эффективности и достоверности идентификации стереоизображений за счет расчетного прогнозирования положения и размеров зоны неопределенности, в которой заведомо находится искомая точка соответствия. Метод. На одном из стереоизображений выбирается контрольная точка, для которой требуется найти точку соответствия на втором стереоизображении. По известным параметрам стереоскопической телевизионной системы и координатам контрольной точки с помощью предложенного в работе математического аппарата рассчитываются координаты границ зоны неопределенности на втором стереоизображении. Вторая точка соответствия находится с использованием поисковой процедуры путем сопоставления одинаковых малых областей с центрами в контрольной точке на первом стереоизображении и в точках зоны неопределенности на втором. Сопоставление производится по критерию минимума квадратического рассогласования интенсивностей. Необходимой априорной информацией для реализации метода являются предельные высоты отображаемого на стереоизображениях рельефа. Основные результаты. Получены соотношения линейных размеров на плоском рельефе и на изображении, формируемом по принципу центрального проецирования. Выведены соотношения, позволяющие расчетным путем получить координаты точек соответствия и стереоскопического рассогласования для стереоизображений плоского рельефа. Для стереоизображений объемного рельефа приведены расчетные формулы определения границ зоны неопределенности на втором стереоизображении, в пределах которой осуществляется поиск точки соответствия. Корректность и работоспособность полученных соотношений подтверждены компьютерным моделированием. Обсуждение. Ограничение размеров области поиска посредством расчетного прогнозирования зоны неопределенности позволяет уменьшить вычислительные и временные затраты на поисковую процедуру. За счет этого повышается эффективность идентификации точек стереоизображений и уменьшается вероятность ложной идентификации.

1. Луманн Т., Робсон С., Кайл С., Бом Я. Ближняя фотограмметрия и 3D-зрение / пер. с англ. М.: ЛЕНАНД, 2018. 704 с.

2. Назаров А.С. Фотограмметрия: пособие для студентов вузов / 2-е изд., перераб. и доп. Минск: ТетраСистемс, 2010. 400 с.

3. Pepe M., Costantino D., Alfio V.S., Vozza G., Cartellino E. A novel method based on deep learning, GIS and geomatics software for building a 3D city model from VHR satellite stereo imagery // ISPRS International Journal of Geo-Information. 2021. V. 10. N 10. P. 697. https://doi.org/10.3390/ijgi10100697

4. Ma Y., Li Q., Chu L., Zhou Y., Xu C. Real-time detection and spatial localization of insulators for UAV inspection based on binocular stereo vision // Remote Sensing. 2021. V. 13. N 2. P. 230. https://doi.org/10.3390/rs13020230

5. Ding J., Yan Z., We X. High-accuracy recognition and localization of moving targets in an indoor environment using binocular stereo vision // ISPRS International Journal of Geo-Information. 2021. V. 10. N 4. P. 234. https://doi.org/10.3390/ijgi10040234

6. Albanwan H., Qin R. A comparative study on deep-learning methods for dense image matching of multi-angle and multi-date remote sensing stereo-images // The Photogrammetric Record. 2022. V. 37. N 180. P. 385–409. https://doi.org/10.1111/phor.12430

7. Fan R., Wang H., Cai P., Wu J., Bocus M.J., Qiao L., Liu M. Learning collision-free space detection from stereo images: Homography matrix brings better data augmentation // IEEE/ASME Transactions on Mechatronics. 2022. V. 27. N 1. P. 225–233. https://doi.org/10.1109/tmech.2021.3061077

8. Yang G., Liao Y. An improved binocular stereo matching algorithm based on AANet // Multimedia Tools and Applications. 2023. V. 82. N 26. P. 40987–41003. https://doi.org/10.1007/s11042-023-15183-6

9. Han Y., Pan C., Cheng Z., Xu Y. A PTV-based feature-point matching algorithm for binocular stereo photogrammetry // Measurement Science and Technology. 2023. V. 34. N 12. P. 125602. https://doi.org/10.1088/1361-6501/acf875

10. Wei H., Meng L. An accurate stereo matching method based on color segments and edges // Pattern Recognition. 2023. V. 133. P. 108996. https://doi.org/10.1016/j.patcog.2022.108996

11. Якасова Н.В. Алгоритмы поиска регулярных объектов на изобра жениях // Образовательные ресурсы и технологии. 2016. № 2. С. 277–281.

12. Фаворская М.Н., Тупицын И.В. Метод повышения устойчивости сопоставлений на стереоизображениях // Механика, управление и информатика. 2012. № 3(9). С. 139–144.

13. Chen M., Duan Z., Lan Z., Yi S. Scene reconstruction algorithm for unstructured weak-texture regions based on stereo vision // Applied Sciences. 2023. V. 13. N 11. P. 6407. https://doi.org/10.3390/app13116407

14. Liu C.W., Wang H., Guo S., Bocus M.J., Chen Q., Fan R. Stereo matching: fundamentals, state-of-the-art, and existing challenges // Autonomous Driving Perception: Fundamentals and Applications. Springer Nature Singapore, 2023. P. 63–100. https://doi.org/10.1007/978-981-99-4287-9_3

15. Фаворская М.Н., Тупицын И.В. Иерархический метод поиска соответствующих точек на стереоизображениях // Вестник Сибирского государственного Аэрокосмического университета имени академика М.Ф. Решетнёва. 2012. № 1(41). С. 62–67.

16. Степанов Д.Н. Методики сопоставления особых точек в задаче визуальной навигации БПЛА // Вестник Южно-Уральского госу дарственного университета. Серия: Вычислительная математика и информатика. 2015. Т. 4. № 4. С. 32–47. https://doi.org/10.14529/cmse150402

17. Гошин Е.В., Фурсов В.А. Метод согласованной идентификации в задаче определения соответственных точек на изображении // Компьютерная оптика. 2012. Т. 36. № 1. С. 131–135.

18. Орлов В.П., Шариков Е. Алгоритм нахождения и классификации особых точек объекта на основе детектора Харриса // Нано индустрия. 2017. № S(74). С. 171–178.

19. Гук А.П., Алтынцев М.А. Автоматическая идентификация соот ветственных точек на аэроснимках лесных массивов // Вестник СГУГиТ. 2017. Т. 22. № 4. С. 68–77.

20. Загорский М.Ю., Богданов В.Л., Гарманов В.В., Королева В.П., Рябов Ю.В. Математическая модель снимков стереопары и алго ритм восстановления рельефа местности на ее основе // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 3. С. 36–51.

21. Самойленко М.В. Векторно-матричный метод восстановления пространственных координат точки в общем случае стереосъем ки // Научно-технический вестник информационных технологий, механики и оптики. 2018. Т. 18. № 6. С. 954–960. https://doi.org/10.17586/2226-1494-2018-18-6-954-960

22. Самойленко М.В. Влияние асимметрии интенсивности на ошиб ку идентификации стереоизображений // Измерительная техника. 2023. № 5. С. 22–28. https://doi.org/10.32446/03681025it.2023-5-22-28