Преобразование координат объектов с изображения в пикселях в мировые координаты с использованием Python и Unity


Авторы

Гатаулин А. Д.*, Бабчинецкий С. Г.**

Санкт-Петербургский государственный университет аэрокосмического приборостроения, ул. Большая Морская, 67, Санкт-Петербург, 190000, Россия

*e-mail: aleksandrgataulin745@gmail.com
**e-mail: lnpt@guap.ru

Аннотация

В статье приводится описание разработки и реализации алгоритма преобразования координат объектов, зафиксированных на изображении от камеры, установленной на беспилотном летательном аппарате, а также разработки симуляции на движке Unity для проверки написанного алгоритма и верификации полученных мировых координат.
Целью данной работы является разработка и реализация алгоритма преобразования координат в пикселях объектов в мировые географические координаты форматов EPSG3857 (Google Mercator) и EPSG4326 (WGS84), которые являются наиболее распространенными в современном мире. Разрабатываемый алгоритм позволит вычислять географические координаты обнаруживаемых объектов, зная их координаты в пикселях и географические координаты беспилотного летательного аппарата, имеющего датчик GPS для мониторинга его местоположения.
В работе используются математические основы преобразования координат, а также язык программирования Python для выполнения основных математических операций и игровой движок Unity для симуляции процесса полета беспилотного летательного аппарата и передачи снимков с камеры в Python-скрипт. На движке Unity построена сцена для тестирования алгоритма. С помощью языка C# происходит сбор необходимой для вычисления координат информации и передается на микросервис, запущенный на Flask и обрабатывающий изображения с помощью нейронной сети, которая обучена на задачу детекции дорожных повреждений.
Работа выполнена с использованием известных и простых в изучении библиотек и программных средств, имеющих достаточно учебных пособий для быстрой реализации проекта. Также используются технологии компьютерного зрения и машинного обучения, что подчеркивает актуальность и научную новизну проводимого исследования.
Реализация алгоритма позволяет эффективно обрабатывать данные, получаемые от беспилотных систем, и расширяет возможности их применения в геоинформационных и исследовательских задачах. Разработанный алгоритм может быть использован в различных областях, включая навигацию, картографию, геоинформационные системы, а также в исследованиях, связанных с беспилотными системами и аэрофотосъемкой.

Ключевые слова:

беспилотные летательные аппараты, преобразование координат, географические координаты, EPSG3857, EPSG4326, машинное обучение, Unity, Python, симуляция полета, нейронные сети

Библиографический список

  1. Джавадов Н.Г., Агаев Ф.Г., Гусейнов Г.А., Зульфугарлы П.Р. Вопросы оценки выполнимости задач, поставленных перед беспилотными летательными аппаратами // Труды МАИ. 2022. № 127. URL: https://trudymai.ru/published.php?ID=170350. DOI: 10.34759/trd-2022-127-20
  2. Олькина Д.С. Алгоритм семантической сегментации изображений для решения задачи позиционирования летательного аппарата на земной поверхности // Труды МАИ. 2023. № 130. URL: https://trudymai.ru/published.php?ID=174617. DOI: 10.34759/trd-2023-130-18
  3. Gumelar O. et al. Remote sensing image transformation with cosine and wavelet method for SPACeMAP Visualization // IOP Conference Series: Earth and Environmental Science. IOP Publishing, 2020, vol. 500, no. 1, pp. 012079. DOI: 10.1088/1755-1315/500/1/012079
  4. Harris C. R. et al. Array programming with NumPy // Nature, 2020, vol. 585, no. 7825, pp. 357-362. DOI: 10.1038/s41586-020-2649-2
  5. Juliani A. et al. Unity: A general platform for intelligent agents // arXiv preprint arXiv:1809.02627, 2018. URL: https://doi.org/10.48550/arXiv.1809.02627
  6. Ненашев В.А., Афанасьева В.И., Залищук А.А. и др. Формирование трехмерных моделей местности на основе лидарной съемки для выявления структурных изменений земной поверхности // Труды МАИ. 2023. № 131. URL: https://trudymai.ru/published.php?ID=175921. DOI: 10.34759/trd-2023-131-15
  7. Преснецов А.М., Тюрин А.П. Разработка программно-аппаратного комплекса для мониторинга производственной деятельности с использованием нейросети YOLOv8 // Интеллектуальные системы в производстве. 2023. Т. 21. № 2. С. 140-151. DOI: 10.22213/2410-9304-2023-2-140-151
  8. He Y. et al. Bounding box regression with uncertainty for accurate object detection // Proceedings of the ieee/cvf conference on computer vision and pattern recognition, 2019, pp. 2888-2897. DOI: 10.1109/CVPR.2019.00300
  9. Калиниченко Г.А., Скороход С.В. Анализ преобразования изображения из локальной системы координат в систему координат камеры // XXXVII Международная научно-практическая конференция «Actual scientific research 2018» (Москва, 27 апреля 2018 года): сборник трудов. – М.: Научный центр "Олимп", 2018. – С. 143-145.
  10.  Czogalla O., Naumann S. Pedestrian guidance for public transport users in indoor stations using smartphones // 2015 IEEE 18th International Conference on Intelligent Transportation Systems, IEEE, 2015, pp. 2539-2544. DOI: 10.1109/ITSC.2015.403
  11.  Полянцева К.А. Высоконагруженная платформа для агрегации и анализа неструктурированных данных о состоянии дорожного полотна // Автоматизация в промышленности. 2022. №. 5. С. 32-37. DOI: 10.25728/avtprom.2022.05.09
  12.  Zaretska I., Kulankhina O., Mykhailenko H., Butenko T. Consistency of UML Design // International Journal of Information Technology and Computer Science, 2018, vol. 10, no. 9, pp. 47-56. DOI: 10.5815/ijitcs.2018.09.06
  13.  Наугольных Е.А., Бартоломей И.Л. Аэрофотосъемка с БПЛА для обследования искусственных сооружений на автомобильных дорогах // Модернизация и научные исследования в транспортном комплексе. 2022. Т. 1. С. 323-325.
  14.  Жигалов К.Ю. Использование игровых визуализаторов графики в современных геоинформационных системах // Cloud of Science. 2016. Т. 3. № 1. С. 71-80.
  15.  Vuksanovic I.P., Sudarevic B. Use of web application frameworks in the development of small applications // 2011 Proceedings of the 34th International Convention MIPRO, IEEE, 2011, pp. 458-462.
  16.  Кузнецова С.В. Особенности кросс-платформенной разработки мобильных приложений с использованием Xamarin // Труды МАИ. 2022. № 125. URL: https://trudymai.ru/published.php?ID=168193. DOI: 10.34759/trd-2022-125-21
  17.  Ngo H.H. Vehicle-detection-based traffic density estimation at road intersections // International Journal of Open Information Technologies, 2023, vol. 11, no. 7, pp. 39-46.
  18.  B.K. Choi, J.Uk. Park, K. Min Roh, S.J. Lee. Comparison of GPS receiver DCB estimation methods using a GPS network // Earth, Planets and Space, 2013, vol. 65, no. 7, pp. 707-711. DOI: 10.5047/eps.2012.10.003
  19.  N. Ravi, S. Naqvi, M. El-Sharkawy. BIoU: An Improved Bounding Box Regression for Object Detection // Journal of Low Power Electronics and Applications, 2022, vol. 12, no. 4, pp. 51. DOI: 10.3390/jlpea12040051
  20.  OPENCV. Получить координаты мировой системы координат из координат пикселей. URL: https://russianblogs.com/article/9367131104/#_11  


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход