Исследование автономной навигации беспилотных летательных аппаратов на основе корреляционных методов сравнения изображений

Автономная навигация беспилотных летательных аппаратов (БПЛА) является одной из ключевых задач в современной аэрокосмической индустрии. В особенности для малоразмерных БПЛА задача автономной навигации становится еще более сложной из-за ограничений по вычислительным ресурсам и возможностям сенсорных систем. Оптимизация методов навигации для таких условий является актуальной проблемой, требующей решений, которые могут обеспечить высокую производительность при минимальных затратах ресурсов. Основной целью служит повышение эффективности автономной навигации малоразмерных БПЛА за счет использования корреляционных методов для сравнения изображений. Достижение этой цели связано с разработкой и оценкой алгоритмов, которые позволяют обеспечить высокую скорость и точность навигации при ограниченных вычислительных ресурсах. В работе использованы методы автокорреляционной функции, корреляции Пирсона, метод на основе индекса структурного сходства изображений и простой нейронной сети для задачи сравнения изображений.

Решение. Исследование показало, что подход на основе автокорреляции демонстрирует наилучшую производительность в условиях слабых вычислительных ресурсов. Он обеспечивает высокую скорость обработки полного изображения и показывает оптимальные результаты по точности обнаружения. В сравнении с другими представленными в работе методами, автокорреляционный подход способен работать не только с зашумлением «эталонной» карты, но и использовать в качестве обнаруженной области и альтернативные области с измененными паттернами.

Научная новизна работы определяется в проведении систематического сравнения различных методов применительно к задаче сравнения изображений для малоразмерных БПЛА с ограниченными вычислительными ресурсами. В отличие от известных работ в области построения корреляционно-экстремальных систем, данное исследование ориентировано на использование «эталонной карты» и искомой области, представляющих собой два разных изображения одного и того же участка местности, взятых из различных источников. Это ключевое различие, так как большинство методов не обладает высокой эффективностью обработки таких изображений, на которых паттерны могут значительно варьироваться.

Практическая значимость разработанного алгоритма состоит в том, что предложенный метод на основе автокорреляции может использоваться разработчиками систем управления автономных малоразмерных БПЛА для снижения вычислительной нагрузки и повышения скорости обработки данных.

1. Бондарев А.Н., Киричек Р.В. Обзор беспилотных летательных аппаратов общего пользования и регулирования воздушного движения БПЛА в разных странах // Информационные технологии и телекоммуникации. 2016. Т. 4. № 4. С. 13‒23. EDN:YLNEPH

2. Sozzi M., Kayad A., Marinello F., Taylor J., Tisseyre B. Comparing vineyard imagery acquired from Sentinel-2 and Unmanned Aerial Vehicle (UAV) platform // Oeno One. 2020. Vol. 54. Iss. 2. PP. 189‒197. DOI:10.20870/oeno-one.2020.54.1.2557

3. Pastonchi L., Di Gennaro S.F., Toscano P., Matese A. Comparison between satellite and ground data with UAV-based information to analyse vineyard spatio-temporal variability // Oeno One. 2020. Vol. 54. Iss. 4. PP. 919‒934. DOI:10.20870/oeno-one.2020.54.4.4028

4. Lu Z., Liu F., Lin X. Vision-based localization methods under GPS-denied conditions // arXiv:2211.11988. 2022. DOI:10.48550/arXiv.2211.11988

5. Lu K., Xu R., Li J., Lv Y, Lin H., Liu Y. A Vision-Based Detection and Spatial Localization Scheme for Forest Fire Inspection from UAV // Forests. 2022. Vol. 13. Iss. 3. P. 383. DOI:10.3390/f13030383

6. Nassar A., Amer K., ElHakim R., ElHelw M. A Deep CNN-Based Framework for Enhanced Aerial Imagery Registration with Applications to UAV Geolocalization // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPR, Salt Lake City, USA, 18‒22 June 2018). 2018. PP. 1513‒1523.

7. Zhang T., Liu C., Li J., Pang M., Wang M. A New Visual Inertial Simultaneous Localization and Mapping (SLAM) Algorithm Based on Point and Line Features // Drones. 2022. Vol. 6. Iss. 1. P. 23. DOI:10.3390/drones6010023

8. Cheng C., Wang X., Li X. UAV image matching based on surf feature and harris corner algorithm // Proceedings of the 4th International Conference on Smart and Sustainable City (ICSSC, Shanghai, China, 5‒6 June 2017). IET, 2017. DOI:10.1049/cp.2017.011

9. Zhao J., Zhang X., Gao C., Qiu X., Tian Y., Zhu Y., Cao W. Rapid Mosaicking of Unmanned Aerial Vehicle (UAV) Images for Crop Growth Monitoring Using the SIFT Algorithm // Remote Sensing. 2019. Vol. 11. Iss. 10. P. 1226. DOI:10.3390/rs11101226

10. Jiang S., Jiang W., Guo B., Li L., Wang L. Learned Local Features for Structure from Motion of UAV Images: A Comparative Evaluation // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021. Vol. 14. PP. 10583‒10597. DOI:10.1109/JSTARS.2021.3119990

11. Fan J., Yang X., Lu R., Li W., Huang Y. Long-term visual tracking algorithm for UAVs based on kernel correlation filtering and SURF features // The Visual Computer. 2023. Vol. 39. PP. 319‒333. DOI:10.1007/s00371-021-02331-y

12. Tsai C. H., Lin Y. C. An accelerated image matching technique for UAV orthoimage registration // ISPRS Journal of Photogrammetry and Remote Sensing. 2017. Vol. 128. PP. 130‒145. DOI:10.1016/j.isprsjprs.2017.03.017

13. Lee K.W., Park J.K. Comparison of UAV Image and UAV LiDAR for Construction of 3D Geospatial Information // Sensors & Materials. 2019. Vol. 31. Iss. 10. PP. 3327–3334. DOI:10.18494/SAM.2019.2466

14. Lin Y. C., Cheng Y.T., Zhou T., Ravi R., Hasheminasab S.M., Flatt J.E., et al. Evaluation of UAV LiDAR for Mapping Coastal Environments // Remote Sensing. 2019. Vol. 11. Iss. 24. P. 2893. DOI:10.3390/rs11242893

15. Bandini F., Sunding T.P., Linde J., Smith O., Jensen I.K., Köppl C.J., Butts M., Bauer-Gottwein P. Unmanned Aerial Sys-tem (UAS) observations of water surface elevation in a small stream: Comparison of radar altimetry, LIDAR and photo-grammetry techniques // Remote Sensing of Environment. 2020. Vol. 237. P. 111487. DOI:10.1016/j.rse.2019.111487

16. Ezuma M., Anjinappa C.K., Semkin V., Guvenc I. Comparative Analysis of Radar Cross Section Based UAV Classification Techniques // arXiv:2112.09774. 2021. DOI:10.48550/arXiv.2112.09774

17. Palubinskas G. Image similarity/distance measures: what is really behind MSE and SSIM? // International Journal of Image and Data Fusion. 2017. Vol. 8. Iss. 1. PP. 32‒53. DOI:10.1080/19479832.2016.1273259

18. Ullah A., Elahi H., Sun Z., Khatoon A., Ahmad I. Comparative Analysis of AlexNet, ResNet18 and SqueezeNet with Diverse Modification and Arduous Implementation // Arabian Journal for Science and Engineering. 2022. Vol. 47. PP. 2397‒2417. DOI:10.1007/s13369-021-06182-6