АЛГОРИТМ РАСЧЕТА ПОЛОЖЕНИЯ И СКОРОСТИ ДВИЖЕНИЯ ОБЪЕКТОВ НА ПЛОСКОСТИ ПО ДАННЫМ С МОНОКУЛЯРНОЙ КАМЕРЫ

Автор: Н. А. Водичев, Д. А. Гаврилов, А. В. Леус, В. А. Ефремов, И. В. Холодняк, В. А. Зуев, М. М. Паршиков, А. Ю. Троегубов, Н. В. Герштейн, В. Е. Лаухин, А. Е. Антипов

Журнал: Научное приборостроение @nauchnoe-priborostroenie

Рубрика: Математические методы и моделирование в приборостроении

Статья в выпуске: 2, 2025 года.

Бесплатный доступ

В статье представлен алгоритм автоматического расчета матрицы гомографии, предназначенный для оценки скорости движения погрузчиков в складских условиях. Предложенный алгоритм использует видеопоток с камер наблюдения для преобразования координат объектов из перспективного изображения в метрическое пространство, что позволяет определять положения погрузчиков в реальных единицах измерения. В алгоритме реализована автоматическая калибровка на основе распознавания поддонов с известными размерами и использования характеристик камеры. Предложен алгоритм автоматического подбора параметров монокулярной системы для случая, если они заранее неизвестны. Проведен эксперимент с использованием реальных видеозаписей, демонстрирующий применимость предложенного алгоритма для мониторинга логистических процессов и повышения эффективности управления складским транспортом. Эксперимент показал, что при расчете средней скорости движения погрузчиков 98% полученных значений попадают в погрешность ±1 км/ч.

Еще

Вычисление скорости, компьютерное зрение, нейронные сети, матрица гомографии

Короткий адрес: https://sciup.org/142244855

IDR: 142244855

Список литературы АЛГОРИТМ РАСЧЕТА ПОЛОЖЕНИЯ И СКОРОСТИ ДВИЖЕНИЯ ОБЪЕКТОВ НА ПЛОСКОСТИ ПО ДАННЫМ С МОНОКУЛЯРНОЙ КАМЕРЫ

  • 1. Vodichev N. et al. Real-time distance estimation algorithm for objects in warehouse based on monocular camera data for an autonomous unmanned forklift // The European Physical Journal Special Topics. Springer, 2025. P. 1–13. DOI: 10.1140/epjs/s11734-024-01452-4
  • 2. Hua S., Kapoor M., Anastasiu D.C. Vehicle tracking and speed estimation from traffic videos // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. 2018. P. 153–160. DOI: 10.1109/CVPRW.2018.00028
  • 3. Fernández L.D., Hernández M.A., Garcı́ aD.I. Visionbased vehicle speed estimation: A survey // IET Intelligent Transport Systems. Wiley Online Library, 2021. Vol. 15, no. 8. P. 987–1005. DOI: 10.1049/itr2.12079
  • 4. Маликова Т., Соловьева Е., Радочинская А. Автоматизация рабочего цикла погрузчика на механизированном контейнерном терминале // АЭРОКОСМИЧЕСКОЕ ПРИБОРОСТРОЕНИЕ И ЭКСПЛУАТАЦИОННЫЕ ТЕХНОЛОГИИ. Четвертая Международная
  • научная конференция. Том Часть 1. Санкт-Петербург, 2023. С. 220–224. URL: https://elibrary.ru/item.asp?id=53731491&pff=1
  • 5. Wang F. et al. Efficient stereo visual simultaneous localization and mapping for an autonomous unmanned forklift in an unstructured warehouse // Applied Sciences. MDPI, 2020. Vol. 10, no. 2. P. 698. DOI: 10.3390/app10020698
  • 6. Jung E.-J. et al. Localization for an unmanned forklift in a refrigerated warehouse // 13th International Conference on Ubiquitous Robots and Ambient Intelligence (URAI). IEEE, 2016. P. 53–55. DOI: 10.1109/URAI.2016.7734019
  • 7. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. Nature Publishing Group UK London, 2015. Vol. 521, no. 7553. P. 436–444. DOI: 10.1038/nature14539
  • 8. Dubská M. et al. Fully automatic roadside camera calibration for traffic surveillance // IEEE Transactions on Intelligent Transportation Systems. IEEE, 2014. Vol. 16, no. 3. P. 1162–1171. DOI: 10.1109/TITS.2014.2352854
  • 9. Dubská M., Herout A., Sochor J. Automatic camera calibration for traffic understanding // BMVC. 2014. Vol. 4. P. 8. DOI: 10.5244/C.28.42
  • 10. Sochor J., Juránek R., Herout A. Traffic surveillance camera calibration by 3d model bounding box alignment for accurate vehicle speed measurement // Computer Vision and Image Understanding. Elsevier, 2017. Vol. 161. P. 87–98. DOI: 10.1016/j.cviu.2017.05.015
  • 11. Luvizon D.C., Nassu B.T., Minetto R. A video-based system for vehicle speed measurement in urban roadways // IEEE Transactions on Intelligent Transportation Systems. IEEE, 2016. Vol. 18, no. 6. P. 1393–1404. DOI: 10.1109/TITS.2016.2606369
  • 12. Grents A., Varkentin V., Goryaev N. Determining vehicle speed based on video using convolutional neural network // Transportation Research Procedia. Elsevier, 2020. Vol. 50. P. 192–200. DOI: 10.1016/j.trpro.2020.10.024
  • 13. Vakili E., Shoaran M., Sarmadi M.R. Single-camera vehicle speed measurement using the geometry of the imaging system // Multimedia Tools and Applications. Springer, 2020. Vol. 79, no. 27. P. 19307–19327. DOI: 10.1007/s11042-020-08761-5
  • 14. Neamah S.B., Karim A.A. Real-time traffic monitoring system based on deep learning and yolov8 // Aro-the scientific journal of koya university. 2023. Vol. 11, no. 2. P. 137–150. DOI: 10.14500/aro.11327
  • 15. Dubrofsky E. Homography estimation // Diplomovápráce. Vancouver: UniverzitaBritskéKolumbie. 2009. Vol. 5.
  • 16. Ultralytics YOLO11 [Электронный ресурс]. 2023. URL: https://github.com/ultralytics/ultralytics (дата обращения: 18.03.2024).
  • 17. Terven J., Córdova-Esparza D.-M., Romero-González J.-A. A comprehensive review of yolo architectures in computer vision: From yolov1 to yolov8 and yolo-nas // Machine learning and knowledge extraction. MDPI, 2023. Vol. 5, no. 4. P. 1680–1716. DOI: 10.3390/make5040083
  • 18. Aharon N., Orfaig R., Bobrovsky B.-Z. Bot-sort: Robust associations multi-pedestrian tracking // arXiv preprint. 2022. Id. arXiv:2206.14651. DOI: 10.48550/arXiv.2206.14651
Еще
Статья научная