Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
SVEUĈILIŠTE U ZAGREBU
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
DIPLOMSKI RAD br. 267
MJERENJE I REGULACIJA RELATIVNOG
POMAKA KORIŠTENJEM KAMERE
Marko Smokrović
Zagreb, lipanj 2011.
Sadržaj
1. Uvod ................................................................................................................ 1
2. Opis problema ................................................................................................. 3
3. Metodologija .................................................................................................... 5
3.1. Kalibracija kamere ..................................................................................... 6
3.2. Detekcija vrhova korištenjem Harrisovog detektora ................................ 10
3.3. Preklapanje toĉaka interesa korištenjem korelacijske metode ................ 14
3.4. 2D homografija ........................................................................................ 17
3.5. Matrice homografije ................................................................................. 19
3.6. Estimacija matrice homografije iz parova podudarnih toĉaka .................. 22
3.6.1. DLT algoritam ................................................................................... 22
3.7. RANSAC algoritam za uklanjanje pogrešnih podudarnih parova ............ 26
3.7.1. Primjena RANSAC algoritma za raĉunanje matrice homografije ...... 28
3.8. Mjerenje relativnog 3D pomaka ............................................................... 29
4. Rezultati ......................................................................................................... 32
4.1. Rezultati kalibracije GoPro kamere ......................................................... 32
4.2. Prikaz detektiranih vrhova Harrisovim detektorom .................................. 35
4.3. Prikaz pronaĊenih podudarnih parova toĉaka ......................................... 36
4.4. Rezultat obrade podudarnih parova RANSAC algoritmom ...................... 37
4.5. Rezultati mjerenja relativnog 3D pomaka ................................................ 39
5. Primjena na dinamiĉko pozicioniranje ............................................................ 46
5.1. Matematiĉki model podvodnog vozila...................................................... 46
5.1.1. Kinematiĉki model ............................................................................. 47
5.1.2. Dinamiĉki model ............................................................................... 48
5.1.3. Spregnuti model u xy ravnini ............................................................ 52
5.1.4. Nespregnuti model u xy ravnini......................................................... 53
5.2. Struktura regulatora................................................................................. 54
5.3. Model simulacije i simulacijski rezultati ................................................... 56
6. Zakljuĉak ........................................................................................................ 61
7. Literatura ........................................................................................................ 62
1
1. Uvod
Mjerenje relativnog pomaka korištenjem kamere predstavlja jedan od mogućih
naĉina relativne navigacije u odnosu na objekt, te općenito navigacije koja se
može primijeniti, izmeĊu ostaloga, i za dinamiĉko pozicioniranje podvodnih vozila.
Ideja metode je praćenje pomaka znaĉajki u nizu slika morskog dna na temelju
kojih se odreĊuje relativni pomak podvodnog vozila. Ukoliko je iz slika moguće
izdvojiti kvalitetne znaĉajke, tada proces odreĊivanja relativnog pomaka ne bi
trebao predstavljati problem. Prednosti kamere su njezina vrlo široka upotreba na
podvodnim vozilima i mala cijena.
Slike korištene za odreĊivanje pomaka mogu se odmah koristiti i za primjenu u
morskoj biologiji i arheologiji. Iz izdvojenih slika moguće je stvoriti foto mozaik ĉija
je prednost prostorna povezanost fotografija u odnosu na korištenje samo video
snimki ili fotografija. O primjeni foto mozaika u morskoj biologiji i arheologiji može
se više pronaći u [11]. Izdvojene slike pružaju mogućnost neinvazivnog pregleda
karakteristika staništa morskih organizama [9], te mogućnost pretraživanja
arheoloških nalazišta s ciljem odreĊivanja veliĉine i disperzije pronaĊenih
fragmenata. Analizom teksture moguća je i klasifikacija morskog dna [10].
Korištenje kamere u podvodnim primjenama zbog slabe vidljivosti ograniĉeno je
na malu udaljenost od morskog dna, a nedostatak je i velika raĉunska složenost
potrebna za obradu slike. Morske struje koje uzrokuju nestatiĉnost morske flore, te
prisutnost životinja u gibanju znatno otežavaju ili u potpunosti onemogućavaju
pronalazak nepromjenjivih znaĉajki unutar slike, tako da vrsta morskog dna
ograniĉava mogućnost korištenja kamere za odreĊivanje pomaka.
Metodu odreĊivanja pomaka kamerom moguće je usporediti sa metodama koje
ukljuĉuju korištenje DVL1-a. DVL je senzor koji korištenjem Dopplerovog efekta
omogućuje odreĊivanje brzine podvodnog vozila emitirajući ultrazvuĉne signale iz
ĉetiri snopa usmjerena prema morskom dnu pod kutem od 30° od vertikalne osi
instrumenta [12]. Ukoliko se vozilo giba, dolazi do promjene frekvencije
ultrazvuĉnih valova odbijenih od dna na temelju koje se odreĊuje brzina. U odnosu
na korištenje kamere prednost DVL-a je mogućnost rada na većoj udaljenost od
1 eng. Doppler Velocity Logger
2
dna, neosjetljivost na zamućenje vode i nije mu potreban izvor osvjetljenja.
Nedostatak predstavlja njegova veliĉina koja je relativno velika za primjene na
malim ronilicama, te visoka cijena.
Rad je podijeljen na 4 poglavlja.
Poglavlje 2: Opis problema i moguće metode njegova rješavanja.
Poglavlje 3: Korištena metodologija za rješavanje problema mjerenja pomaka.
Opisan je postupak ispravljanja distorzije slike na temelju parametara kamere
dobivenih kalibracijom. Naveden je postupak rada Harrisovog detektora vrhova i
korelacijske metode za pronalazak podudarnih vrhova iz izdvojenih slika video
okvira. Definirana je ravninska homografija i postupak estimacije matrice
homografije na temelju dobivenih parova podudarnih toĉaka. Opisan je robustan
algoritam RANSAC za odbacivanje pogrešno odreĊenih parova podudarnih
toĉaka. Na kraju je navedena metoda odreĊivanja pomaka na temelju prethodno
odreĊenih parametara.
Poglavlje 4: Rezultati mjerenja relativnog pomaka. Kalibracijom GoPro kamere
odreĊeni su unutrašnji parametri kamere i prikazane su prisutne distorzije slike.
Pomoću dobivene matrice kamere i koeficijenata distorzije provodi se postupak
ispravljanja slika. Ruĉno je snimljen pomak kamere iznad morskog dna, te su na
dvije izdvojene slike iz video okvira prikazani vrhovi odreĊeni Harrisovim
detektorom vrhova, podudarni parovi odreĊeni korelacijskom metodom i odbaĉeni
parovi RANSAC algoritmom. Iz izdvojenih slika snimljenog pomaka na temelju
metode opisane u poglavlju 3. odreĊen je relativan pomak.
Poglavlje 5: Moguća primjena mjerenja relativnog pomaka za dinamiĉko
pozicioniranje ronilice. Opisan je matematiĉki model ronilice, te njegovo
pojednostavljenje. Na temelju raspregnutog modela ronilice u xy ravnini i
modelske funkcije odreĊeni su parametri dva I-PD regulatora za regulaciju
pomaka u x i y smjeru. Djelovanjem sile poremećaja na simulacijski model
prikazani su dobiveni odzivi pomaka.
3
2. Opis problema
Korištenjem podvodnog vozila opremljenog kamerom usmjerenom prema
morskom dnu potrebno je mjeriti relativan pomak. Ideja je pronalazak i
iskorištavanje vizualnih znaĉajki morskog dna. Prepoznavanjem istih obilježja
izmeĊu video okvira te poznavanjem parametara kamere i visine od dna moguće
je odrediti pomak kamere, odnosno podvodnog vozila.
Podvodne slike su vrlo nezahvalne za obradu zbog nedostatka svjetla na većim
dubinama ili nagle promjene sunĉevog osvjetljenja zbog refleksije i loma od
nemirne površine vode na manjim dubinama, loše vidljivosti i nedostatka dobro
definiranih kontura. Zahtjevom za bolje osvjetljenje ronilice ili za osjetljivijom
kamerom riješio bi se problem nedostatka osvjetljenja na većim dubinama.
Kamerom dobivene slike posjeduju izobliĉenja koja je potrebno ispraviti kako bi se
omogućilo mjerenje relativnog pomaka. Medij u kojem se nalazi objektiv donosi
dodatno izobliĉenje, tako da slike iz zraka nemaju istu distorziju kao i one slikane u
vodi. Kalibracijom kamere dobivaju se parametri kojima se slike mogu ispraviti.
Zbog razliĉitih izobliĉenja koje donosi medij kalibraciju je potrebno provesti u vodi.
Pošto se za mjerenje relativnog pomaka koristi jedna kamera, udaljenost od dna
odreĊuje se laser sustavom ili altimetrom. Iako postoje metode estimacije 3D
toĉaka u prostoru samo na temelju izdvojenih slika iz video okvira korištenjem
epipolarne geometrije (prisutne kod stereovizije), rezultati zbog šuma nisu vrlo
pouzdani, [19]. Parametre relativnog pomaka moguće je odrediti nakon detekcije
istih obilježja na paru slika izdvojenih iz video okvira.
Metoda detekcije istih obilježja
Postupak pronalaska istih obilježja izmeĊu video okvira podijeljen je na:
Detekciju znaĉajki - izdvajanje lokacija na slici koje posjeduju obilježja na
temelju kojih će ih biti moguće na isti naĉin izdvojiti i u nadolazećoj slici
video okvira.
Proces pronalaska podudarnih znaĉajki – koristeći karakteristike okoline
izdvojenih lokacija raĉuna se mjera sliĉnosti kojom se odreĊuju mogući
podudarni parovi lokacija na dvije uzastopne slike video okvira.
4
Za detekciju znaĉajki najĉešće se koriste detektori vrhova ĉiji su izlaz lokacije,
odnosno koordinate piksela koji predstavljaju vrhove. Vrhovi se odreĊuju na
temelju razlike intenziteta susjednih piksela slike. Oni pikseli ĉija je razlika
intenziteta sa svim susjedima veća od postavljenog praga izdvajaju se kao
potencijalni vrhovi. Primjer takvih detektora su Moravecov i Harrisov koji su
obraĊeni u poglavlju 3. Primjer jednostavnog detektora znaĉajki predstavlja
metoda koja koristi Cannyev detektor rubova [13]. Nakon obrade slike Cannyevim
detektorm ostaju samo glavne konture slike. Vrh tada predstavlja presjek dva
ruba.
Pronalazak podudarnih znaĉajki predstavlja glavni korak za odreĊivanje pomaka
podvodnog vozila. Najĉešće su korištene korelacijske metode i mjere udaljenosti
koje su prikladne za primjene u stvarnom vremenu, [3]. Takve metode temelje se
na analizi intenziteta crno- bijelog uzorka oko toĉaka interesa. Predložene su i
metode za poboljšavanje rezultata korelacije korištenjem analize teksture, [13].
Kada izdvojeni dio slike ima veliku varijaciju intenziteta crno- bijele boje, tada je
dominantno svojstvo tog uzorka tekstura. Definirane su razliĉite mjere analize
teksture temeljene na srednjoj vrijednosti i devijaciji, prostornom rasporedu piksela
i spektru teksture. Korištenjem analize teksture poboljšani su rezultati korelacijske
metode.
OdreĎivanje parametara pomaka
Za mogućnost estimacije gibanja potrebna su dva seta podudarnih toĉaka. Ukoliko
se pretpostavi da je morsko dno ravnina za mjerenje relatinog pomaka moguće je
koristiti ravninsku homografiju koja preslikava toĉke izmeĊu dvije ravnine, [6].
Predložena je i metoda koja koristi epipolarnu geometriju, [19]. Navedena metoda
omogućuje estimaciju 3D pomaka iz dva razliĉita pogleda statiĉne scene bez
dodatne informacije o udaljenosti kamere od promatranog objekta.
5
3. Metodologija
Odabrana metodologija za rješavanje problema relativnog pomaka prikazana je na
slici 3.1.1. Nakon preuzimanja slike iz video okvira provodi se ispravljanje slike sa
parametrima koji su dobiveni kalibracijom kamere. Nad slikom se provodi detekcija
vrhova Harrisovim detektorom, a nakon izdvajanja vrhova korelacijskom metodom
se pronalaze podudarni parovi. Iz dva seta podudarnih toĉaka RANSAC
algoritmom se odbacuju pogrešno odreĊeni parovi, te se na temelju preostalih
provodi izraĉun matrice homografije. Preslikavanjem centra slike dobivenom
homografijom odreĊuje se 2D translacija unutar slike, te se uz poznatu fokalnu
udaljenost odreĊenu kalibracijom i poznate mjerene udaljenost od dna odreĊuje
3D pomak.
Kamera
Korekcija distorzije
(parametri dobiveni
kalibracijom)
Trenutna slika Prethodna slika
Detekcija vrhova
(Harris detektor)
Poklapanje toĉaka interesa
(korelacijska metoda)
2D pomak iz matrice
homografije
Mjerenje dubine
(altimetar)
3D pomak
Preuzmi
iduću sliku
Slika
Ravnina - morsko dno
Slika 3.1.1.: Prikaz dijagrama toka izvršavanja algoritma za mjerenje relativnog
pomaka
6
3.1. Kalibracija kamere
Iz 2D slike je moguće dobiti informacije o mjeri prostora samo ako je ta slika
dobivena idealnom kamerom koja u stvarnosti ne postoji. Svaka kamera zbog
nesavršenosti optike i senzora daje manje ili više izobliĉenu sliku. Umjeravanjem,
odnosno kalibracijom parametara kamere moguće je ispraviti izobliĉenja i dobiti
informacije o mjeri prostora iz 2D slika. Postoje razliĉite metode geometrijske
kalibracije kamere, a mogu se podijeliti na
metode pri kojima se koristi kalibracijski objekt poznatih dimenzija
Kalibracijski objekt predstavlja predmet sa pravilnim jasno oznaĉenim
znaĉajkama poznatih dimenzija. Najĉešće se koriste kalibracijski kavez,
ravnina i štap. Kalibracijski kavez je 3D objekt, obiĉno kocka ĉije su stranice
šahovske ploĉe. Dovoljan je samo jedan pogled na objekt za proraĉun
kalibracijskih parametara. Kalibracijska ravnina je ravninski uzorak,
najĉešće šahovska ploĉa ili pravilno razmješteni kružići crne boje. Za
proraĉun kalibracijskih parametara su potrebna najmanje dva pogleda na
objekt s razliĉitom orijentacijom kamere ili ravnine. Kalibracijski štap ima
oznaĉene tri toĉke na poznatim udaljenostima. Rotacijom štapa oko jedne
fiksne toĉke dobivaju se pogodne slike za kalibraciju.
autokalibracijske metode.
Autokalibracijske metode ne koriste kalibracijski objekt, već samo pomak
kamere u statiĉnoj sceni. Intriziĉni parametri se utvrĊuju iz niza
nekalibriranih slika s nepoznatim pomakom kamere. Metoda koristi princip
odabira toĉaka interesa koje zatim pretražuje u sekvencama slika nakon
pomaka kamere, te parametre odreĊuje korištenjem homografije ili
epipolarne geometrije. Dovoljno je pronaći podudarnost izmeĊu tri slike
kako bi se mogli odrediti intrinziĉni i ekstrinziĉni parametri. Ovom metodom
nije moguće dobiti pouzdane rezultate pošto postoji veliki broj parametara
koje je potrebno estimirati, [14].
Za kalibraciju GoPro kamere je odabrana metoda pri kojoj se koristi ravninski
uzorak šahovske ploĉe kao kalibracijski objekt. Ravninski uzorak je jednostavan
za izradu i jeftin. Dovoljno je ispisati uzorak poznatih dimenzija te ga zalijepiti na
ravnu plohu. Slike potrebne za kalibraciju dobivaju se promjenom pozicije i/ili
7
orijentacije kamere ili ravninske plohe. Cilj geometrijske kalibracije kamere je
odreĊivanje parametara koji opisuju preslikavanje 3D toĉaka prostora na 2D sliku.
Fiziĉki parametri kamere su podijeljeni na unutrašnje ili intrinziĉne i vanjske ili
ekstrinziĉne parametre. Kalibracijom se odreĊuju optimalne vrijednosti navedenih
parametara iz razliĉitih pogleda na poznatu ravninu.
Postupak kalibracije
1. Slikaj ravninski uzorak šahovske ploĉe mijenjajući poziciju i orijentaciju
kamere ili uzorka.
2. Odredi ishodište koordinatnog sustava svijeta na ravninskom uzorku, te
izdvoji vrhove kvadrata uzorka. Koordinate uzorka u koordinatnom sustavu
svijeta su poznate iz dimenzija kvadrata, te su poznate i u koordinatnom
sustavu slike (koordinate izdvojenih piksela).
3. Odredi vanjske i unutrašnje parametre na temelju izdvojenih koordinata iz
prethodnog koraka.
4. Optimiraj parametre minimizirajući kriterij.
Proces kalibracije odvija se u dva koraka: nakon poĉetne inicijalizacije slijedi
nelinearna optimizacija parametara, [5]. U inicijalizacijskom koraku raĉunaju se
parametri bez ukljuĉenih koeficijenata distorzije, dok se nelinearnom optimizacijom
minimizira pogreška (LS metodom) nad svim parametrima. U nastavku slijede
definicije unutrašnjih parametara koji su potrebni za ispravljanje slike, dok se
detaljan proces kalibracije ( [5], [15], [16] ), odnosno koraci 3. i 4. prethodnog
postupka, izostavlja.
Unutrašnji parametri:
Fokalna udaljenost – duljina od fokusa do glavne ravnine u jedinicama
horizontalnih i vertikalnih piksela prikazana je vektorom f dimenzije 2 1 .
Centar slike- zbog nesavršenosti procesa proizvodnje leće, centar slike ne mora
biti središnji piksel senzora. Centar slike je predstavljen vektorom c dimenzije 2 1
.
8
Koeficijent iskošenja- definiran je kutem c izmeĊu koordinatnih osi piksela.
Prema tome, dozvoljeno je da pikseli budu i oblika paralelograma. Koeficijent
iskošenja, koji je uveden zbog nedovoljno savršenog procesa proizvodnje
senzora, se danas rijetko koristi.
Distorzije- odstupanje od idealnog modela projekcije gdje se ravne linije scene
projiciraju u ravne linije na projekcijskoj ravnini. Ispravljaju se radijalna i
tangencijalna distorzija.
Radijalna distorzija može biti baĉvasta i jastuĉasta. Kod baĉvaste slika je
najveća u centru te se smanjuje prema rubovima, dok je kod jastuĉaste
obrnuto. Radijalna distorzija se povećava udaljavanjem od centra prema
periferiji slike.
Slika 3.1.2.: Utjecaj radijalne distorzije na mrežu pravaca (bačvasta- lijevo,
jastučasta- desno)
Tangencijalna distorzija nastaje kada položaj leće i senzora kamere nisu
centrirani. Na današnjim kamerama tangencijalna distorzija nije znaĉajno
izražena, tako da je moguće i zanemariti.
Distorzije su prikazane vektorom k dimenzije 5 1, pri ĉemu su tri parametra
namijenjena ispravljanju radijalne, a ostala dva tangencijalne distorzije.
Definicija unutrašnjih parametara
Koristeći navedene unutrašnje parametre toĉka P u prostoru koordinata kamere
cXX [ c c cX Y Z ] T projicirat će se na ravninu slike na sljedeći naĉin. Ukoliko je
normalizirana toĉkasta projekcija
9
c
cn
n c
c
X
Zx x
y Y y
Z
(3.1.1)
Uz 2 2 2r x y , nova normalizirana toĉka uz ukljuĉenu distorziju bit će
2 4 6
1 2 5(1 )d n
d n
x xk r k r k r d
y y (3.1.2)
pri ĉemu je d tangencijalni vektor distorzije
2 2
3 4
2 2
3 4
2 ( 2 )
( 2 ) 2
k xy k r xd
k r y k xy (3.1.3)
1k , 2k i 5k su koeficijenti radijalne distorzije, a 3k i 4k su koeficijenti tangencijalne
distorzije. Konaĉne koordinate piksela T
p px y projekcije toĉke P na ravninu
slike bit će:
1 1
p d
p d
x x
y K y (3.1.4)
Gdje je K matrica kamere
1 1 1
2 20
0 0 1
cf f c
K f c (3.1.5)
Omjer fokalnih udaljenosti 2 1f f je razliĉit od 1ukoliko pikseli nisu kvadratnog
oblika.
Algoritam za ispravljanje slike:
Kalibracijom su odreĊeni unutrašnji parametri: fokalna udaljenost, centar slike,
koeficijent iskošenja, te radijalna i tangencijalna distorzija koji su dovoljni za
ispravljanje bilo koje slike dobivene istom kamerom.
1. Na temelju dimenzija slike m n konstruiraj niz od m n koordinata slike
[ 1s sx y ] T pri ĉemu su koordinate cjelobrojne vrijednosti iz intervala
10
sx [0, 1m ] i sy [0, 1n ], te ih transformiraj u koordinate koordinatnog
sustava kamere jednadžbom
1
1 1
n s
n s
x x
y K y (3.1.6)
2. Korištenjem jednadžbi (3.1.2) i (3.1.3) , te koordinata odreĊenih u
prethodnom koraku izraĉunaj nove koordinate uz ukljuĉenu distorziju.
3. Izraĉunaj konaĉne koordinate piksela T
p px y koristeći jednadžbu (3.1.4).
4. Iz konaĉnih koordinata piksela odreĊenih u prethodnom koraku izdvoji one
koji se nalaze unutar dimenzija poĉetne slike, te vrijednost intenziteta
odredi interpolacijom meĊu najbližim pikselima.
3.2. Detekcija vrhova korištenjem Harrisovog detektora
Harrisov detektor vrhova predstavlja nadogradnju Moravecovog detektora vrhova
koji se temelji na odreĊivanju srednje promjene intenziteta slike, [1]. Prozorom se
zahvaća odreĊeni dio slike, te se njegovim pomicanjem u razliĉitim smjerovima
omogućuje odreĊivanje razlike intenziteta u odnosu na prozor u poĉetnom
položaju.
Razmatraju se tri sluĉaja:
1. Približno konstantan intenzitet unutar prozora
2. Prozor obuhvaća rub
3. Prozor obuhvaća vrh ili toĉku
U prvom sluĉaju promjena intenziteta bit će vrlo mala u svim smjerovima. U
drugom sluĉaju promjena intenziteta prilikom pomicanja prozora duž ruba bit će
puno manja u odnosu na promjenu prilikom pomicanja prozora okomito na smjer
pružanja ruba. U trećem sluĉaju pomicanjem prozora u svim smjerovima rezultirat
će velikom promjenom intenziteta.
11
Unutar 2D crno-bijele slike intenziteta I pomiĉe se prozor w za udaljenost
( , ).x y Suma kvadrata razlike intenziteta E dana je izrazom
2
,
( , ) ( , )( ( , ) - ( , ))x y
E x y w x y I x x y y I x y (3.2.1)
Moravecov detektor vrhova podrazumijeva ĉetiri pomaka pravokutnog prozora w ,
( , )x y = (1,0), (1,1), (0,1), (-1,1) , ĉija je vrijednost jedan unutar podruĉja kojeg
obuhvaća, a nula izvan. Prilikom odabira vrha Moravecov detektor pronalazi
minimalni E izmeĊu osnovnog prozora i njegova ĉetiri pomaka, te zatim na temelju
pretpostavljene graniĉne razine intenziteta meĊu izdvojenim kanditatima pronalazi
lokalne maksimume koji predstavljaju vrhove.
Nedostaci detektora su:
1. Prisutnost šuma zbog korištenja pravokutnog prozora sa dvije vrijednosti.
2. Rezultat nije uniforman u svim smjerovima jer se koriste pomaci prozora od
45°.
3. Lažne vrhove predstavljaju izdvojeni rubovi zbog korištenja minimuma od E.
Harrisov detektor vrhova je riješio navedene probleme:
1. Umjesto pravokutnog binarnog prozora uvodi se Gaussova funkcija prozora
2 2
2( , ) exp
2
x yw x y . (3.2.2)
2. Umjesto razmatranja pomaka prozora od 45°, u obzir se uzimaju svi mali
pomaci korištenjem Taylorovog razvoja prvog reda
( , ) ( , )xI I
I x x y y I x yyx y
. (3.2.3)
Uvrštavanjem jednadžbe (3.2.3) u jednadžbu (3.2.1) slijedi
2
,
( , ) ( , )x y
xI IE x y w x y
yx y (3.2.4)
korištenjem jednakosti 2 Tu u u slijedi
12
,
( , ) ( , )x y
E x y w x y [ x y ]
I
xI Ix
I yx y
y
(3.2.5)
( , )E x y [ x y ]
2 2
2
2 2,
2
( , )x y
I I
xx x yw x y
yI I
x y y
(3.2.6)
3. Kako bi se izbjegla osjetljivost na rubove uvodi se nova mjera za odabir
vrhova. Iz izraza (3.2.6) vidljivo je da se promjena E može prikazati kao
( , )E x y [ x y ]x
My
(3.2.7)
pri ĉemu je M simetriĉna matrica dimenzija 2x2
2
2,
( , )x x y
x y x y y
I I I A BM w x y
I I I B C (3.2.8)
gdje su xI i yI parcijalne derivacije intenziteta po varijablama x i y.
Novu mjera za odreĊivanje vrhova predstavlja analiza svojstvenih vrijednosti 1 i
2 matrice M . Matrica M je simetriĉna i pozitivno definitna ( 1 2, 0 ), te njezine
svojstvene vrijednosti odreĊuju dimenzije poluosi elipse koja je opisana
jednadžbom (3.2.7). Unutar prostora ( 1 2, ) moguće je izdvojiti podruĉja koja
odreĊuju tri stanja:
1. Ukoliko su obje vlastite vrijednosti male radi se o podruĉju približno
konstantnog intenziteta
2. Ukoliko je jedna vlastita vrijednost puno veća od druge radi se o rubu
3. Ukoliko su obje vlastite vrijednosti velike radi se o vrhu
Povećanjem kontrasta slike za faktor p obje vlastite vrijednosti će se
proporcionalno povećati za faktor 2p .
13
1
2
2 1
1 2
podruĉje
rubova
1 2
1 2
podruĉje
vrhova
podruĉje
rubova
podruĉje
konstantnog
intenziteta
Slika3.2.1.: Prikaz područja koje određuju svojstvene vrijednosti matrice M
Uz podjelu prostora na podruĉja rubova i vrhova uvodi se i brojĉana mjera R kao
funkcija vlastitih vrijednosti. Kako bi se izbjego raĉunanje vlastitih vrijednosti
matrice M u izraĉunu mjere R koristi se determinanta i trag matrice M.
2
1 2det( )M AC B (3.2.9)
tr 1 2( )M A C (3.2.10)
Predložena je sljedeća mjera
det( ) (R M k tr 2( ))M (3.2.11)
2 2 2
1 2 1 2( ) ( ) ( )R k AC B k A C , (3.2.12)
pri ĉemu je k empirijski dobivena konstanta iznosa 0.04 0.15k .
R je pozitivan u podruĉju vrhova, a negativan u podruĉju rubova. U podruĉju
približno konstantnog intenziteta vrijednost R-a je relativno malog iznosa, a prijelaz
u to podruĉje odreĊuje se odabirom vrijednosti praga. Vrhovi se odabiru kao
lokalni maksimumi toĉaka u 3x3 ili 5x5 dimenziji susjedstva. Pikseli predstavljaju
rubove ako je mjera R negativna i ako predstavljaju lokalne minimume u x ili y
smjeru.
14
Prednost Harrisovog detektora vrhova je neosjetljivost na rotaciju, male promjene
osvjetljenja te mala raĉunska složenost. Nedostatak je osjetljivost na veće
promjene skaliranjem i promjene kontrasta.
Pregled algoritma:
1. Izraĉunaj parcijalne derivacije intenziteta slike xI i yI po varijablama x i y
kao 1D konvoluciju sa koeficijentima kojima se aproksimira prva derivacija,
[2].
2. Izraĉunaj produkte derivacija za svaki piksel .x xA I I , .x yB I I , .y yC I I i
provedi fitraciju Gaussovom funkcijom, odnosno izraĉunaj matricu M.
3. Izraĉunaj mjeru det( ) (R M k tr 2( ))M
4. Provedi odabir najboljih kandidata za vrhove postavljanjem graniĉne
vrijednosti praga za mjeru R i provedi NMS2
NMS predstavlja algoritam za lokalnu potragu maksimuma unutar prozora
dimenzija (2 1) (2 1)r r gdje je r radijus prozora unutar kojeg se traži lokalni
maksimum. Lokalni maksimum predstavlja piksel koji ima najveću pridjeljenu
mjeru R meĊu susjednim pikselima unutar odabranog prozora.
3.3. Preklapanje točaka interesa korištenjem korelacijske
metode
Jednom kada su odreĊene toĉke interesa iz dvije uzastopne slike potrebno je
pronaći metodu kojom će se odrediti i izdvojiti podudarne toĉke . Intuitivna i
najĉešće korištena metoda kod estimacije gibanja objekata u 3D prostoru koje se
projicira na 2D sliku je bazirana na korelacijskoj tehnici.
Korelacijska metoda se temelji na analizi intenziteta crno-bijelih uzorka slike oko
toĉaka interesa, te na pronalasku najsliĉnijih raĉunanjem mjere korelacije meĊu
prozorima koji obuhvaćaju potencijalne parove interesnih toĉaka. Definiranjem
prozora ( , )w x y radijusa r oko toĉke interesa ( , )x y izdvaja se uzorak dimenzija
2 eng. non-maximal suppression
15
(2 1) (2 1)r r . Prozorima istih dimenzija obuhvaćaju se sve interesne toĉke u
obje promatrane slike. Za svaki prozor iz prve slike raĉuna se mjera korelacije sa
svakim prozorom iz druge slike. Kako bi se smanjila raĉunska složenost i ubrzao
algoritam moguće je pretpostaviti maksimalni radijus oko toĉke iz prve slike kojim
će se obuhvatiti potencijalni podudarni parovi u drugoj slici. Na taj se naĉin mjera
korelacije raĉuna samo za toĉke koje se nalaze unutar definiranog radijusa.
Potencijalni podudarajući prozori '( , )x yw x d y d su od referentnog pomaknuti za
cjelobrojne vrijednosti piksela xd i yd . Nakon izraĉuna korelacijskih mjera za jednu
toĉku iz prve slike sa svim toĉkama iz druge silke, za podudarni par se odabire
ona toĉka iz druge slike koja je sa toĉkom iz prve slike dala najveću vrijednost
korelacijske mjere.
Korelacijski estimatori su u odnosu na derivacijske manje osjetljivi na šum ,te ne
uzrokuju aliasing kao derivacijski uslijed većeg pomaka izmeĊu slika, [3]. Najĉešće
korištene korelacijske mjere za kvadratne uzorke su križna korelacija CC3
odreĊena jednadžbom (3.3.1) i njezine normalizirane verzije NCC4 i ZNCC5
odreĊene jednadžbama (3.3.2) i (3.3.3).
1 2
,
( , ) ( , )r
x y
i j r
CC I x i y j I x i d y j d (3.3.1)
1 2
, 2 2
1 2
, ,
( , ) ( , )
( , ) ( , )
rx y
r ri j r
x y
i j r i j r
I x i y j I x i d y j dNCC
I x i y j I x i d y j d
(3.3.2)
1 1 2 2
, 2 2
1 1 2 2
, ,
( ( , ) )( ( , ) )
( ( , ) ) ( ( , ) )
rx y
r ri j r
x y
i j r i j r
I x i y j i I x i d y j d iZNCC
I x i y j i I x i d y j d i
(3.3.3)
Gdje je r radijus prozora koji odreĊuje njegovu dimenziju (2 1) (2 1)r r , 1I i 2I
su intenziteti piksela na prvoj, odnosno drugoj slici, ( , )x yd d je pomak prozora na
drugoj slici, a 1i i 2i su srednje vrijednosti intenziteta na prvoj, odnosno drugoj
3 eng. cross correlation
4 eng. normalised cross correlation
5 eng. zero mean normalised cross correlation
16
slici. Standardna CC korelacijska metoda je osjetljiva na šum, pa se najĉešće
koristi njezina normalizirana verzija NCC ili ZNCC.
Uz korelacijsku metodu postoje i metode koje se temelje na mjeri razlike
intenziteta. Neke od najĉešće korištenih metoda su suma razlike apsolutnih
vrijednosti intenziteta SAD6, suma kvadrata razlike apsolutnih vrijednosti
intenziteta SSD7, te njihove inaĉice sa srednjom vrijednošću razlike intenziteta
jednakom nula (ZSAD i ZSSD) i inaĉice sa lokalnim skaliranjem intenziteta (LSAD
i LSSD). Za podudarajuće uzorke, kod metode koja se temelji na mjeri razlike
intenziteta, odabiru se ona dva prozora ĉija je vrijednost mjere minimalna.
1 2
,
( , ) ( , )r
x y
i j r
SAD I x i y j I x i d y j d (3.3.4)
2
1 2
,
( ( , ) ( , ))r
x y
i j r
SSD I x i y j I x i d y j d (3.3.5)
1 1 2 2
,
( , ) ( , )r
x y
i j r
ZSAD I x i y j i I x i d y j d i (3.3.6)
2
1 1 2 2
,
( ( , ) ( , ) )r
x y
i j r
ZSSD I x i y j i I x i d y j d i (3.3.7)
11 2
, 2
( , ) ( , )r
x y
i j r
iLSAD I x i y j I x i d y j d
i (3.3.8)
2
11 2
, 2
( , ) ( , )r
x y
i j r
iLSSD I x i y j I x i d y j d
i (3.3.9)
Analizu robusnosti mjere korelacije i razlike intenziteta na razliĉite tipove šuma i
distorzije slike moguće je pronaći u [4]. Eksperimentima su se korelacijske metode
pokazale prikladnima za praktiĉne primjene u stvarnom vremenu, [3].
6 eng. sum of absolute diferences
7 eng. sum of square differences
17
Pregled algoritma:
Ulazni podaci algoritma su dvije slike, koordinate interesnih toĉaka sa obje slike,
radijus kojim se odreĊuje željena dimenzija prozora i udaljenost kojim će se
ograniĉiti potraga podudarajućih prozora radi smanjenja raĉunske složenosti i
ubrzanja algoritma ukoliko se može pretpostaviti maksimalni mogući pomak.
1. Konstruiraj korelacijsku matricu tako da retci odgovaraju indeksima
interesnih toĉaka u prvoj slici, a stupaci odgovaraju indeksima interesnih
toĉaka u drugoj slici. Inicijaliziraj poĉetnu vrijednost matrice na ,
odnosno pretpostavi da interesne toĉke nemaju nikakvu sliĉnost.
2. Uzimaj u obzir samo znaĉajke koje se mogu obuhvatiti prozorom, odnosno
odbaci one koje su za manje od radijusa udaljene od ruba slika. Za svaku
izdvojenu znaĉajku u prvoj slici generiraj prozor. Izdvoji znaĉajke koje se
nalaze u poĉetno pretpostavljenom radijusu potrage u drugoj slici za svaku
znaĉajku iz prve slike. Tada za svaku izdvojenu znaĉajku iz druge slike
generiraj prozor i izraĉunaj elemente korelacijske matrice.
3. Iz korelacijske matrice pronaĊi maksimume unutar redaka i stupaca, te
konzistentna poklapanja u oba smjera. Retkom i stupcem svake od
izdvojenih znaĉajki iz korelacijske matrice povezani su indeksi sliĉnih
uzorke iz prve i druge slike.
3.4. 2D homografija
Mjerenje relativnog pomaka predstavlja estimaciju pomaka kamere, odnosno
odreĊivanja njezine rotacije i translacije na temelju dva razliĉita pogleda na objekt.
Ako je promatrani objekt ravna ploha pomak kamere se može dobiti iz matrice
homografije koja povezuje promatrana dva pogleda.
2D homografija ili projekcijska transformacija predstavlja preslikavanje toĉke iz
jedne u drugu ravninu .
18
Teorem: Preslikavanje 2 2:h je projekcijska transformacija ako i samo ako
postoji ne singularna matrica H dimenzija 3 3 tako da za svaku toĉku
predstavljenu vektorom m vrijedi ( )h m Hm .
Svaka toĉka iz 2 je predstavljena vektorom homogenih koordinata m koje se
dobiju tako da se 2D toĉki ( , )x y dodaje treća koordinata ( , ,1)x y . Na taj naĉin je
omogućen povratak iz homogenog prikaza toĉke samo uklanjanjem posljednje
koordinate. Homogene koordinate ( , ,1)x y i ( , , )kx ky k za 0k predstavljaju istu
toĉku, odnosno toĉke su jednake i ako se razlikuju za faktor skaliranja k .
Koordinate ( , )x y dobiju se iz homogenih ( , , )kx ky k dijeljenjem sa faktorom
skaliranja k .
Projekcijska transformacija homogene koordinate m u homogenu koordinatu 'm
korištenjem ne singularne matrice homografije H dana je sljedećim izrazom, [6]
'm Hm , (3.4.1)
odnosno
11 12 13
21 22 23
31 32 33
'
'
'
x h h h x
y h h h y
w h h h w
(3.4.2)
Projekcijska transformacija se ne mijenja ako se matrica H pomnoži sa faktorom
skaliranja koji je razliĉit od nule. Odnosno, matrica H je homogena jer je jedino
bitan omjer njezinih elemenata. Postoji 8 neovisnih omjera jer se matrica sastoji od
9 elemenata, pa projekcijska transformacija posjeduje 8 stupnjeva slobode.
Homografija se sastoji od grupe transformacija (dvije ili više transformacija se
mogu izraziti kao jedna transformacija).
19
SLIKA 1 SLIKA 2C1C2
M1
m1
m1'
m1'=Hm1
Slika 3.4.1: Primjer projekcijske transformacije između dvije slike
3.5. Matrice homografije
3.5.1. Transformacije izometrije
Izometrija predstavlja transformaciju ravnine pri ĉemu je oĉuvana Euklidska
udaljenost. Definirana je kao, [6]
cos sin
' sin cos0 1
0 0 1
x
E yT
tR t
m H m m t m (3.5.1)
pri ĉemu je 1 . Za 1 oĉuvana je orijentacija i transformacija je Euklidska,
dok je za 1 orijentacija suprotna (zrcaljenje). R je rotacijska ortogonalna
matrica
( T TR R RR I ) dimenzija 2 2 , a t je vektor translacije. Posebni sluĉajevi su
postojanje samo translacija ( R I ) i postojanje samo rotacije ( 0t ).
Euklidska transformacija posjeduje tri stupnja slobode, jednu za rotaciju i dvije za
translaciju. Transformacija je definirana ako su poznata tri parametra, te je
moguće izraĉunati iz dva para podudarnih toĉaka. Invarijantna je za duljinu
(udaljenost izmeĊu dviju toĉaka), površinu i kut (kut izmeĊu dvije linije).
20
3.5.2. Transformacije sličnosti
Transformacija sliĉnosti predstavlja izometriju sa dodanim faktorom skaliranja koji
je uniforman u svim smjerovima. Ukoliko je izometrija Euklidska transformacija
sliĉnosti je sljedećeg oblika, [6]
cos sin
' sin cos0 1
0 0 1
x
S yT
s s tsR t
m H m m s s t m , (3.5.2)
pri ĉemu je s faktor skaliranja.
Transformacija sliĉnosti posjeduje ĉetiri stupnja slobode, dva za translaciju, jedan
za rotaciju i jedan za skaliranje.
Transformacija je definirana ako su poznata ĉetiri parametra, te je moguće
izraĉunati iz dva para podudarnih toĉaka. Invarijantna je za omjer duljina i kut.
3.5.3. Afine transformacije
Afina transformacija je ne singularna linearna transformacija oblika, [6]
11 12
21 22'0 1
0 0 1
x
A yT
a a tA t
m H m m a a t m (3.5.3)
Posjeduje šest stupnjeva slobode koji odgovaraju broju nepoznatih elemenata
matrice, te je moguće izraĉunati iz tri para podudarnih toĉaka.
Kako bi se bolje prikazao geometrijski utjecaj ne singularne matrice A ona se
rastavlja na dvije transformacije, rotaciju i skaliranje koje nije uniformno u svim
smjerovima. Matrica A se može prikazati kao
( ) ( ) ( )A R R DR (3.5.4)
gdje su ( )R i ( )R matrice rotacija za kut , odnosno , a D je dijagonalna
matrica oblika
1
2
0
0D (3.5.5)
Dekompozicija slijedi direktno iz SVD8 algoritma
( )( ) ( ) ( ) ( )T T TA UDV UV VDV R R DR (3.5.6)
8 eng, Singular Value Decomposition
21
Matrica A je rastavljena na rotaciju za kut , skaliranje u rotiranim x i y
smjerovima za faktor 1 , odnosno 2 , rotaciju za kut , te konaĉno i rotaciju za
kut . Ne uniformni faktor skaliranja unosi još dva stupnja slobode u odnosu na
transformaciju sliĉnosti. To su kut koji odreĊuje smjer skaliranja i omjer faktora
skaliranja 1 2/ . Skaliranje u ortogonalnim smjerovima pri kutu prikazano je na
slici desno.
rotacija deformacija
( )R ( ) ( )R DR
Slika 3.5.1.: Geometrijski prikaz transformacija dobivenih dekompozicijom
Afina transformacija je invarijantna za paralelne linije, omjer duljina segmenata
paralelnih linija i omjer površina.
Singularna dekompozicija (SVD)
Singularna dekompozicija (SVD) je jedna od najĉešće korištenih metoda
dekompozicija matrica kod preodreĊenih sustava jednadžbi (broj jednadžbi veći je
od broja nepoznanica). Za proizvoljnu matricu A dimenzija m n pri ĉemu je
m n rezultati dekompozicije su:
- matrica U sa ortogonalnim stupcima ( TUU I ) dimenzija m n
- dijagonalna pozitivno semidefinitna matrica D dimenzija n n
- ortogonalna matrica V dimenzija n n
Vrijedi:
TA UDV (3.5.7)
Princip rada SVD algoritma može se pronaći u [7].
22
3.5.4. Projekcijske transformacije
Projekcijska transformacija je već prikazana kao općeniti prikaz 2D homografije.
Definirana je kao, [6]
11 12
21 22
1 2
'
x
P yT
a a tA t
m H m m a a t mv
v v
(3.5.8)
U odnosu na afinu transformaciju projekcijska posjeduje vektor v koji uzrokuje
nelinearne efekte projekcije. Transformacija izmeĊu dvije ravnine može biti
izraĉunata na temalju ĉetiri para podudarnih toĉaka od kojih tri ne smiju biti
kolinearne. Invarijantna je za križni omjer ĉetiri kolinearne toĉke.
3.6. Estimacija matrice homografije iz parova podudarnih
točaka
Estimacija matrice homografije predstavlja izraĉun projekcijske transformacije na
temelju para podudarnih toĉaka sa dvije projekcijske plohe, odnosno slike. Ukoliko
su poznate koordinate odreĊenog broja podudarnih toĉaka 'i im m izmeĊu dvije
slike, potrebno je izraĉunati matricu homografije H dimenzija 3 3 tako da za
svaki i vrijedi 'i im Hm .
Broj toĉaka koji je potreban za izraĉun matrice homografije ovisi o njezinom broju
stupnjeva slobode. Pošto projekcijska transformacija ima 8 stupnjeva slobode,
ukupno je protebno 8 toĉaka (4 para podudarnih toĉaka).
3.6.1. DLT9 algoritam
DLT predstavlja linearni algoritam za odreĊivanje matrice homografije na temelju
seta od najmanje ĉetiri para podudarnih toĉaka. Transformacija koja povezuje
podudarne homogene toĉke im [ i i ix y w ] T 'im [ ' ' 'i i ix y w ] T jednadžbom
'i im Hm može se prikazati u obliku vektorskog produkta, [6]
' 0i im Hm (3.6.1)
Pri ĉemu je matrica H oblika
9 eng. Direct Linear Transformation
23
1
1 2 3
2
4 5 6
3
7 8 9
T
T
T
h h h h
H h h h h
h h h h
(3.6.2)
Izraz za vektorski produkt je tada
3 2
1
1 3
2 1
' '
' ' '
' '
T T
i i i
T T
i i i i i i
T T
i i i i
y h m w h m
m Hm w h m x h m
x h m y h m
(3.6.3)
Kako je jT T j
i ih m m h za 1,2,3j prethodne jednadžbe se mogu zapisati u
sljedećem obliku
1
2
3
0 ' '
' 0 ' 0
' ' 0
T T T
i i i i
T T T
i i i i i
T T T
i i i i
w m y m h
Ah w m x m h
y m x m h
(3.6.4)
Pri ĉemu je matrica A dimenzija 3 9 , a vektor h 9 1.
Iako u izrazu postoje tri jednadžbe, samo su dvije linearno nezavisne. Prema tome
svaki par podudarnih toĉaka daje dvije jednadžbe. Uz postojanje ĉetiri para
podudarnih toĉaka dobiva se set jednadžbi 0iAh pri ĉemu je iA dimenzija 12 9 ,
te ima rang 8 tako da je moguće odrediti rješenje za vektor h .
Ukoliko postoji više od ĉetiri para podudarnih toĉaka 'i im m set jednadžbi
0iAh
je preodreĊen (broj jednadžbi veći je od broja nepoznanica). Ako su
koordinate toĉaka egzaktno odreĊene matrica iA će još uvijek imati rang 8, stoga
postoji rješenje za vektor h . Zbog postojanja šuma mjerenje koordinata nije
egzaktno, te neće biti moguće pronaći toĉno rješenje preodreĊenog sustava
jednadžbi. Umjesto pronalaska toĉnog rješenja moguće je minimizacijom
odreĊene kriterijske funkcije tražiti aproksimaciju rješenja. UvoĊenjem dodatnog
uvjeta 1h izbjegava se moguće rješenje 0h . Vrijednost norme može biti bilo
koja jer faktor skaliranja ne utjeĉe na matricu H . Pošto jednadžba 0iAh nema
egzaktno rješenje, minimizira se norma iAh uz uvjet 1h . Problem je identiĉan
pronalasku minimuma kvocijenta iAh h . Rješenje je vlastiti vektor od TA A sa
najmanjom vlastitom vrijednošću, što je ekvivalentno pronalasku singularnog
vektora koji odgovara najmanjoj singularnoj vrijednosti od A . Prikazom matrice A
24
u obliku TA UDV norma koju je potrebno minimizrati postaje TUDV h . Uzima se
T TUDV h DV h i Th V h Potrebno je minimizirati TDV h uz uvjet 1TV h .
Ako se uvede Ty V h , zadatak se svodi na minimizaciju Dy uz uvjet 1y .
Pošto je D dijagonalna matrica sa elementima ĉija se vrijednost smanjuje duž
dijagonale rješenje minimizacije je vektor ĉiji su svi elementi jednaki 0 osim
posljednjeg koji je jednak 1 y [0 0 ... 1 ] T . Kako je x Vy tražena vrijednost h
je posljednji stupac matrice V .
Pregled DLT algoritma:
Za 4n broj parova 2D podudarnih toĉaka im [ i i ix y w ] T
'im [ ' ' 'i i ix y w ] T odreĊuje se 2D matrica homografije H tako da vrijedi
jednadžba 'i im Hm .
1. Za svaki podudarni par toĉaka izraĉunaj matricu iA
2. Spoji n matrica iA u jednu dimenzija 2 9n
3. Provedi singularnu dekompoziciju (SVD rastav) matrice A kao TA UDV .
Traženo rješenje h je singularni vektor koji odgovara najmanjoj singularnoj
vrijednosti. Ako je u rastavu D dijagonalna matrica s pozitivnim elementima
ĉije vrijednosti opadaju duž dijagonale, tada je rješenje h posljednji stupac
matrice V .
4. Presloži vektor h tako da se dobije matrica homografije H .
Normalizacija
Rezultat DLT algoritma ovisi o koordinatnom sustavu u kojem su izražene
podudarne toĉke. Korištenjem navedenog algoritma može se dobiti rezultat koji
nije invarijantan na transformacije sliĉnosti slike. Korištenjem normalizacije koja se
sastoji od translacije i skaliranja koordinata slike dobivaju se bolji rezultati prilikom
izraĉuna matrice 2D homografije. Normalizacija se provodi prije korištenja DLT
algoritma.
25
Prvi korak normalizacije je translacija svih koordinata tako da se centroid
koordinata dovede u ishodište, na svakoj slici odvojeno. Koordinate su skalirane
tako da je u prosjeku toĉka m oblika m [ x y w ] T , pri ĉemu svaka od
koordinata x , y i w ima istu srednju vrijednost. Potom se provodi uniformno
skaliranje koordinata tako da je prosjeĉna udaljenost toĉke m od ishodišta
jednaka 2 . To znaĉi da je prosjeĉna koordinata jednaka [1 1 1] T .
Transformacija uniformnog skaliranja se može prikazati u tri koraka:
1. Translacija toĉaka tako da im je centroid u ishodištu.
2. Toĉke su skalirane tako da im je srednja udaljenost od ishodišta 2 .
3. Primjena prethodna dva koraka na svaku od dvije slike odvojeno.
Bez normalizacije tipiĉna toĉka m ima puno veće vrijednosti koordinata x i y u
odnosu na w . Ukoliko je toĉka m [100 100 1] T tada su elementi 'xx , 'xy , 'yx i
'yy matrice A reda veliĉine 410 , elementi 'xw , 'yw ,... su reda 210 , a element
'w w je jednak 1. Zamjenom matrice A sa normaliziranom matricom A neki
elementi su povećani, a neki smanjeni tako da je suma kvadrata razlike promjena
minimalna, a rang matrice je ostao 8. Povećanje elementa 'w w za 100 znaĉi
veliku promjenu koordinata slike, dok povećanje elementa 'xx za 100 ima puno
manji utjecaj na promjenu koordinata. To je glavni razlog zbog kojeg elementi
matrice A moraju imati sliĉnu vrijednost, te zbog kojeg se provodi normalizacija.
Normalizacijom se postižu znatno bolji rezultati DLT algoritma, tako da postupak
normalizacije postao njegov sastavni dio.
Pregled DLT algoritma uz uključenu normalizaciju:
Za 4n broj parova 2D podudarnih toĉaka im [ i i ix y w ] T
'im [ ' ' 'i i ix y w ] T odreĊuje se 2D matrica homografije H tako da vrijedi
jednadžba 'i im Hm .
26
1. Normalizacija toĉaka im : Izraĉunaj transformaciju sliĉnosti T koja
translacijom i skaliranjem prevodi toĉke im u nove normalizirane toĉke im
tako da je centroid toĉaka ishodište (0,0) T i da je srednja udaljenost od
ishodišta 2 .
2. Normalizacija toĉaka 'im : Izraĉunaj transformaciju sliĉnosti 'T koja
translacijom i skaliranjem prevodi toĉke 'im u nove normalizirane toĉke 'im
tako da je centroid toĉaka ishodište (0,0) T i da je srednja udaljenost od
ishodišta 2 .
3. Standardni DLT algoritam: Provedi ranije opisani standardni DLT algoritam
nad podudarnim toĉkama 'i im m kako bi se dobila matrica homografije
H .
4. Denormalizacija: Izraĉunaj denormaliziranu matricu homografije 1'H T HT
3.7. RANSAC algoritam za uklanjanje pogrešno odreĎenih
podudarnih parova
Pogrešno odreĊeni parovi podudarnih toĉaka negativno bi utjecali na toĉnost
odreĊene matrice homografije, stoga ih je potrebno detektirati i ne uzimati u obzir
prilikom raĉunanja matrice homografije DLT algoritmom. Jedan od naĉina je
korištenje robusnog estimatora RANSAC10, [6].
RANSAC algoritam omogućuje pronalazak modela na temelju seta podataka S u
kojem se nalaze i pogrešno odreĊeni podaci.
Općeniti prikaz algoritma:
1. Metodom sluĉajnog odabira odaberi s podataka iz seta podataka S na
temelju kojih stvori model.
2. Odredi set podataka iS koji se nalaze unutar graniĉne vrijednosti t modela.
iS je privremeni set ispravnih podataka iz seta S .
10
eng. RANdom SAmple Consensus
27
3. Ukoliko je broj ispravnih podataka (set iS ) veći od graniĉne vrijednosti T ,
reestimiraj model koristeći samo podatke iz seta iS i završi algoritam.
4. Ukoliko je broj ispravnih podataka (set iS ) manji od graniĉne vrijednosti T
vrati se na toĉku 1 algoritma.
5. Nakon N pokušaja odaberi najveći set iS (najviše ispravnih podataka), te
reestimiraj model koristeći odabrani set.
Broj pokušaja N se odreĊuje tako da se sa vjerojatnošću p osigura da barem
jedan od s sluĉajnih uzoraka nije pogrešno odreĊen. Najĉešće se odabere
0.99p . Ako je w vjerojatnost da je bilo koji podatak toĉno odreĊen, tada je
1 w vjerojatnost da je pogrešno odreĊen. Potrebno je najmanje N odabira
podataka koji se dobije iz relacije (1 sw ) 1N p , tako da je
log(1 )
log(1 (1 ) )s
pN (3.7.1)
Adaptivno odreĊivanje broja pokušaja N predstavlja njegovo smanjivanje u
svakom koraku u kojem se pronaĊe manja vjerojatnost pogrešno odreĊenih
podataka.
Adaptivni algoritam je oblika:
Dok je _N broj pokušaja
1. Odaberi set podataka S iz kojeg na temelju modela izdvoji set ispravnih
podataka iS .
2. Izraĉunaj vjerojatnost _ _
1_ _
broj ispravnih podataka
ukupan broj podataka
3. Odredi N iz izraza (3.7.1)
4. Povećaj _broj pokušaja za 1.
28
3.7.1. Primjena RANSAC algoritma za računanje matrice homografije
Set podataka S sastoji se od podudarnih parova toĉaka. Veliĉina uzorka s je 4,
jer je za odreĊivanje matrice homografije potrebno ĉetiri para podudarnih toĉaka.
Broj pokušaja N odreĊuje se adaptivno.
Na temelju odabranog uzorka od 4 toĉke DLT algoritmom se odreĊuje matrica
homografije koja se koristi za raĉunanje simetriĉne pogreške geometrijske
udaljenosti prikazane na slici.
H
H-1
Slika 1 Slika 2
m
m'd d'
Slika: Prikaz simetrične pogreške geometrijske udaljenosti
Simetriĉna pogreška geometrijske udaljenosti predstavlja sumu kvadrata
Euklidske udaljenosti 'd izmeĊu mjerene toĉke 'm i toĉke Hm u koju se preslikala
toĉka m iz prve slike i udaljenosti d izmeĊu mjerene toĉke m i toĉke 1 'H m u koju
se preslikala toĉka 'm iz druge slike. Pogreška je prikazana sljedećim izrazom
2 1 2( , ') ( ', )i i i ic d m H m d m Hm (3.7.2)
Izraĉunom pogreške za sve podudarne parove moguće je odbaciti sve toĉke koje
se nalaze izvan predviĊene graniĉne vrijednosti t . Izbacivanjem pogrešno
odreĊenih podudarnih parova u svakom koraku ostaje set iS toĉno odreĊenih
parova. Nakon N pokušaja izdvaja se set podataka sa najvećim brojem toĉno
odreĊenih parova te se iz njega raĉuna matrica homografije.
29
RANSAC algoritam za računanje matrice homografije glasi:
1. Odredi set S podudarnih parova toĉaka korištenjem željene metode.
2. Ponavljaj sljedeće N puta, pri ĉemu je N odreĊen adaptivnim algoritmom
metodom sluĉajnog odabira odaberi 4 para podudarnih toĉaka iz
seta S na temelju kojih korištenjem DLT algoritma izraĉunaj matricu
homografije H .
izraĉunaj simetriĉnu pogrešku geometrijske udaljenosti za sve
parove podudarnih toĉaka iz seta S koristeći matricu homografije
odreĊenu u prethodnom koraku.
konstruiraj set iS izbacivanjem parova toĉaka ĉija je simetriĉna
pogreška geometrijske udaljenosti veća ili jednaka od proizvoljno
definirane graniĉne vrijednosti t .
3. Odaberi najveći set iS (set koji posjeduje najveći broj toĉno odreĊenih
parova podudarnih toĉaka), te izraĉunaj matricu homografije H koristeći
samo odabrani set podataka.
3.8. Mjerenje relativnog 3D pomaka
Mjerenje relativnog 3D pomaka obavlja se korištenjem poznatog 2D pomaka slike i
poznate udaljenosti od stvarnog prostora, [18]. Uz pretpostavku da je morsko dno
ravnina i uz stabilnost ronilice u stupnjevima slobode valjanja i naginjanja moguće
je dobiti 2D pomak slike korištenjem matrice homografije. Valjanje ili naginjanje
ronilice izazvalo bi perspektivno iskrivljenje slike koje bi moglo uzrokovati detekciju
lažnog pomaka. Udaljenosti centra kamere od ravnine morskog dna dobiva se iz
altimeta. Shematski prikaz naĉina odreĊivanja pomaka prikazan je na slici 3.8.1.
30
m m'Z
f
M
C C'
d
DX
Y
Z
XY
Slika I Slika I'
Slika 3.8.1.: Određivanje 3D pomaka ronilice
Nakon što je nad slikama I i I' provedena korekcija distorzije, pronalazak vrhova
Harris detektorom i podudarnih toĉaka korelacijskom metodom, na temelju
pronaĊenih podudarnih parova odreĊuje se matrica homografije H .
Koordinata centra slike I (toĉka m na slici 3.8.1.) predstavlja projekciju centra
kamere na ravninu slike. Toĉka m sa slike I uslijed pomaka ronilice preslikava se
u toĉku 'm na slici I'. Koordinate toĉke 'm dobiju se iz izraĉunate matrice
homografije kao
'm Hm (3.8.1)
Iz poznatih koordinata m i 'm odreĊuje se udaljenost d u pikselima
'd m m (3.8.2)
'
'
1 1 1
x
y
d x x
d y y (3.8.3)
Poznavanjem fokalne duljine kamere f u pikselima i udaljenosti od dna Z u
metrima moguće je koristiti sljedeću geometrijsku relaciju
f Z
d D (3.8.4)
pri ĉemu je D pomak u globalnom koordinatnom sustavu koji se može rastaviti na
komponente
31
x x
ZD d
f (3.8.5)
y y
ZD d
f (3.8.6)
Negativni predznak y komponente pomaka D je zbog usklaĊivanja koordinatnog
sustava slike sa globalnim koordinatnim sustavom. Poznavanjem xD i yD
komponenata pomaka u globalnom koodinatnom sustavu uz poznatu visinu od
dna Z poznat je i 3D pomak ronilice.
32
4. Rezultati
Primjenom metoda i algoritama iz prethodnog poglavlja u programskom paketu
Matlab, uz korištenje funkcija [17] i kalibracijskog alata [5], implementirana je
metoda odreĊivanja relativnog pomaka koja se ne odvija u stvarnom vremenu.
Unutrašnji parametri kamere koji se koriste za ispravljanje slika i odreĊivanje 3D
pomaka dobiveni su kalibracijom GoPro kamere. Ruĉno je snimljen pomak kamere
iznad morskog dna, te je provedena implementirana metoda kojom su dobiveni
pomak u xyz koordinatnom sustavu. Na dvije izdvojene slike iz video okvira
prikazani su vrhovi odreĊeni Harrisovim detektorom vrhova, podudarni parovi
odreĊeni korelacijskom metodom i odbaĉeni parovi RANSAC algoritmom.
4.1. Rezultati kalibracije GoPro kamere
Kalibracija GoPro kamere provedena je korištenjem kalibracijskog alata za Matlab
[5]. Kalibracija se temelji na 48 podvodnih slika šahovske ploĉe prikazanih na slici
4.1.1.
Slike korištene pri kalibraciji
Slika 4.1.1.: Podvodne slike korištene za kalibraciju kamere
33
Slika 4.1.2.: Prikaz radijalne komponente distorzije kamere
Slika4.1.3.: Prikaz tangencijalne komponente distorzije kamere
0 100 200 300 400 500 600 700 800
0
50
100
150
200
250
300
350
400
450
10
10
10
10
10
10
20
20
20
20
20
20
30
30
30
30
30
30
40
40
40
40
40
40
50
50
50
50
50
50
60
60
60
60
60
70
70
70
70
70
80
80
80
90
90
Radijalna komponenta distorzije
0 100 200 300 400 500 600 700 800
0
50
100
150
200
250
300
350
400
450
0.1
0.1
0.1
0.1
0.2
0.2
0.2
0.2
0.3
0.3
0.3
0.3
0.4
0.4
0.4
0.5
0.5
0.6
Tangencijalna komponenta distorzije
34
Slika 4.1.4.: Cjelokupan model distorzije uz dobivene unutrašnje parametre
kamere
Na prethodnim slikama svaka strelica predstavlja pomak piksela koji je uzrokovan
distorzijom leće, križić predstavlja središte slike, a kružić centar. Na kutovima slike
iz grafa radijalne distorzije vidljiva je maksimalna distorzija, odnosno pomak od 90
piksela. Na grafu tangencijalne distorzije maksimalan pomak iznosi 0.6 piksela.
Tangencijalna komponenta distorzije je puno manja od radijalne, te na graf
cjelokupnog distorzijskog modela koji je prikazan na slici 4.1.4. ima vrlo mali
utjecaj. Zbog toga je tangencijalnu komponentu moguće iskljuĉiti iz modela
distorzije. Koeficijent iskošenja iznosi 0.001c , odnosno kut izmeĊu osi piksela
je 90.0572°.
Matrica kamere iznosi
1 1 1
2 2
465.8693 -0.4645 429.8673
0 0 465.7729 252.5761
0 0 1 0 0 1
cf f c
K f c (4.1.1)
Pogreška piksela = [0.7872, 0.8286]
Fokalna duljina = (465.869, 465.773)
Centar slike = (429.867, 252.576)
Koeficijent iskošenja = -0.0009971
Radijalni koeficijenti = (-0.2847, 0.1037, -0.01954)
Tangencijalni koeficijenti = (0.0002571, -0.00041)
+/- [1.357, 1.329]
+/- [1.58, 1.119]
+/- 0.0005817
+/- [0.0043, 0.005709, 0.002114]
+/- [0.0002891, 0.000261]
0 100 200 300 400 500 600 700 800
0
50
100
150
200
250
300
350
400
450
10
10
10
10
10
10
20
20
20
20
20
20
30
30
30
30
30
30
40
40
40
40
40
40
50
50
50
50
50
50
60
60
60
60
60
70
70
70
70
70
80
80
80
90
90
Cjelokupan model distorzije
35
Matrica kamere i koeficijenti distorzije potrebni su za ispravljanje slika. Na slici
4.1.5. prikazane su dvije slike korištene pri kalibraciji i njihove ispravljene inaĉice.
Slika 4.1.5.: Izvorne slike GoPro kamere (lijevo) i ispravljene (desno)
4.2. Prikaz detektiranih vrhova Harrisovim detektorom
Rezultati obrade dvije uzastopne slike (I i I') preuzete iz video snimke kamere u
pokretu iznad morskog dna prikazani su na slikama 4.2.1 i 4.2.2. Harrisovim
detektorom vrhova uz graniĉnu vrijednost praga za mjeru R postavljenu na 17
odreĊeno je 113 vrhova na slici I i 82 vrha na slici I'. Vrhovi su na slikama 4.2.1 i
4.2.2 oznaĉeni crvenim plusevima.
36
Slika 4.2.1: Detektirani vrhovi prve slike I označeni crvenim plusevima
Slika 4.2.2.: Detektirani vrhovi druge slike I' označeni crvenim plusevima
4.3. Prikaz pronaĎenih podudarnih parova točaka
ProvoĊenjem korelacijske metode nad izdvojenim vrhovima uz veliĉinu prozora w
11 11 piksela, odnosno uz radijus prozora 5 piksela dobiveno je ukupno 68
37
podudarnih parova vrhova. Na slici 4.3.1 su prikazane zbrojene slike I i I' sa
oznaĉenim podudarnim parovima koji su povezani zelenom linijom. Vrhovi sa slike
I su oznaĉeni crvenim, a vrhovi sa slike I' zelenim plusevima.
100 200 300 400 500 600 700 800
50
100
150
200
250
300
350
400
450
Slika 4.3.1.: Zbrojene slike I i I' sa podudarnim točkama spojenim zelenim linijama
4.4. Rezultat obrade podudarnih parova RANSAC algoritmom
Na slici 4.4.1. su crvenim linijama oznaĉeni podudarni parovi koji su nakon obrade
RANSAC algoritmom izbaĉeni iz poĉetnog seta parova. RANSAC algoritmom za
raĉunanje matrice homografije odreĊen je set iS koji posjeduje najveći broj toĉno
odreĊenih podudarnih parova toĉaka na temelju kojeg je odreĊena matrica
homografije. Na slici 4.4.2. prikazane su zelenim linijama povezane podudarne
toĉke seta iS . Ukupno je odbaĉeno 7 parova toĉaka iz poĉetnog seta S . Korištena
je graniĉna vrijednosti pogreške 0.008t ĉija vrijednost ovisi o broj izdvojenih
parova toĉaka. Zbog toga što morsko dno nije ravnina RANSAC algoritmom mogu
biti odbaĉeni i neki od ispravo odreĊenih parova. Korištenjem ovog algoritma
osigurava se izbacivanje potpuno pogrešno odreĊenih podudarnih parova koji bi
utjecali na pogrešno odreĊivanje matrice homografije.
38
100 200 300 400 500 600 700 800
50
100
150
200
250
300
350
400
450
Slika 4.4.1: Podudarni parovi točaka bez obrade RANSAC algoritmom (68 parova)
100 200 300 400 500 600 700 800
50
100
150
200
250
300
350
400
450
Slika 4.4.2: Podudarni parovi točaka obrađeni RANSAC algoritmom ( 61 par)
39
4.5. Rezultati mjerenja relativnog 3D pomaka
Korištenjem GoPro kamere ĉiji su intrinziĉni parametri dobiveni kalibracijom u
potpoglavlju 4.1. snimljen je pomak pri udaljenosti od 35 cm iznad morskog dna.
Na dno je položeno uže sa zabilježenom duljinom kako bi bila moguća provjera
rezultata.
Dimenzija slika je 848 480 piksela, fokalna daljina i centar slike su dobiveni
kalibracijom te iznose 465f i (430,253)c , te je udaljenost od dna 0.35 m.
Na slici 4.5.1. je prikazano 26 izdvojenih slika iz video snimke ĉijom je obradom
dobivena putanja prikazana u xy ravnini na slici 4.5.2. i u xyz globalnom
koordinatnom sustavu na slici 4.5.3. Putanja je prikazana plavom linijom, a 26
mjesta na kojima se nalazio centar kamere prilikom prolaza su oznaĉena rozim
zvjezdicama. PrijeĊena udaljenost od 0.6 m dobivena obradom odgovara mjerenoj
vrijednosti sa oznaĉenog užeta.
Slike korištene pri kalibraciji
1
26
Slika 4.5.1.: Izdvojene slike iz video snimke korištene za izračun pomaka
40
-0.2 0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
x[m]
y[m
]
1
Slike korištene pri kalibraciji
26
Slika 4.5.2.: Putanja u xy ravnini
0
0.5
1
00.1
0.20.3
0.40.5
0.6
0
0.1
0.2
0.3
0.4
0.5
z[m
]
y[m] x[m]
1
Slike korištene pri kalibraciji
26
Slika 4.5.3.: Putanja u globalnom koordinatnom sustavu
41
Poĉetni položaj ronilice smješten je u ishodište koordinatnog sustava u xy ravnini.
Nakon obrade prve dvije slike koje odreĊuju poĉetni segment uz odreĊeni pomak
odreĊuje se i kut zaošijanja na sljedeći naĉin
i atan2 1 1
180( , )i i i ix x y y . (4.5.1)
Pošto atan2 funkcija daje rezultate na intervalu , ] nakon pretvorbe u
stupnjeve na dobivene negativne vrijednosti kuta dodaje se vrijednost 360°,
tako da je konaĉni kut zaošijanja na intervalu [0,360 >. Na slici 4.5.4. prikazan je
pomak u xy ravnini uz oznaĉen kut zaošijanja.
-0.025 -0.02 -0.015 -0.01 -0.005 0 0.005 0.01 0.015 0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
x[m]
y[m
]
1
1x2x
2y
1y 2
2 1y y
2 1x x
Slika 4.5.4.: Prikaz kuta zaošijanja
Tablica I: Vrijednosti kuta zaošijanja i pomaka iz provedenog prvog eksperimenta
Segment Pomak [m]
1 7.5854 0.0377
2 357.9708 0.0384
3 352.6132 0.0350
4 352.2756 0.0139
5 3.6412 0.0372
6 356.5222 0.0046
42
7 348.9814 0.0156
8 347.2184 0.0172
9 341.8114 0.0324
10 349.5381 0.0297
11 357.7244 0.0343
12 357.0280 0.0167
13 358.9744 0.0252
14 358.1437 0.0210
15 355.5737 0.0390
16 355.7082 0.0505
17 358.9857 0.0235
18 5.1680 0.0187
19 1.8468 0.0198
20 7.1572 0.0199
21 12.6052 0.0192
22 12.8513 0.0162
23 11.6139 0.0158
24 355.9829 0.0175
25 1.1555 0.0188
Ukupni pomak
[m] 0.6177
Na temelju dobivenih rezultata, putanje prikazane na slikama 4.5.2. i 4.5.3. i
vrijednosti pomaka iz tablice I., moguće je zakljuĉiti kako opisana i primijenjena
metoda mjerenja relativnog pomaka daje zadovoljavajuće rezultate prilikom
gibanja uz malu promjenu kuta zaošijanja . Dobivena je oĉekivana ravna putanja
s manjim odstupanjima koja su prisutna zbog ruĉnog naĉina snimanja.
Djelotvornost algoritma za veću promjenu kuta zaošijanja isprobana je sintetiĉki
zato jer je kamera ruĉna i nije opremljena kompasom ĉija bi mjerenja omogućila
provjeru rezultata. Slike iz prehodnog eksperimenta, poĉevši od druge, su
zarotirane za kut koji se linearno povećava. Tako da je druga slika zarotirana za
14.4°, treća za 2*14.4°,..., a zadnja slika za 25*14.4°, odnosno 360°. Na slici 4.5.5.
nalaze se zarotirane slike ĉijom je obradom dobivena putanja u xy ravnini
prikazana na slici 4.5.6., a u globalnom koordinatnom sustavu na slici 4.5.7.
43
Slike korištene pri kalibraciji
1
26
5
Slika 4.5.5.: Zarotirane slike iz prethodnog eksperimenta korištene za izračun
pomaka
-0.2 -0.18 -0.16 -0.14 -0.12 -0.1 -0.08 -0.06 -0.04 -0.02 0-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
x[m]
y[m
]
Slike korištene pri kalibraciji
26
Slike korištene pri kalibraciji
1
Slike korištene pri kalibraciji
5
Slika 4.5.6.: Putanja u xy ravnini
44
-0.2
-0.15
-0.1
-0.05
0
-0.2
-0.1
0
0.1
0.2-1
-0.5
0
0.5
1
1.5
z[m
]
x[m]y[m]
Slike korištene pri kalibraciji
26
Slike korištene pri kalibraciji
1
Slike korištene pri kalibraciji
5
Slika 4.5.7.: Putanja u globalnom koordinatnom sustavu
Tablica II: Vrijednosti kuta zaošijanja i pomaka iz provedenog drugog
eksperimenta
Segment Pomak [m]
1 350.6488 0.0375
2 325.2373 0.0386
3 306.0161 0.0357
4 286.8108 0.0154
5 288.5979 0.0384
6 259.0599 0.0068
7 246.4889 0.0179
8 232.6647 0.0191
9 213.5404 0.0338
10 208.0984 0.0318
11 201.8156 0.0355
12 190.9390 0.0179
13 176.7300 0.0258
14 162.8653 0.0211
15 142.9470 0.0382
16 128.2033 0.0486
17 119.6655 0.0221
18 112.4483 0.0171
19 92.6974 0.0177
20 82.7634 0.0177
21 71.4243 0.0168
22 54.7320 0.0139
45
23 37.0467 0.0133
24 3.4274 0.0157
25 354.0225 0.0177
Ukupni pomak
[m] 0.6142
Iz dobivenih rezultata, putanje na slikama 4.5.6. i 4.5.7. i vrijednosti pomaka i kuta
zaošijanja iz tablice II., vidi se oĉekivana promjena kuta zaošijanja od 360°, te
ukupan pomak od 0.61 m koji je isti u oba sluĉaja.
46
5. Primjena na dinamičko pozicioniranje
OdreĊivanje relativnog pomaka moguće je iskoristiti za dinamiĉko pozicioniranje
podvodnog vozila. Matematiĉki model podvodnog vozila je nelinearan i spregnut,
te ga je potrebno pojednostaviti kako bi se omogućilo projektiranje regulatora. Uz
raniju pretpostavku stabilnosti vozila u valjanju i naginjanju, gibanje vozila se
razmatra samo u xy ravnini. Ronilica bi trebala zadržavati poĉetni položaj neovisno
o utjecaju vanjskih poremećaja (valovi, vjetar, morske struje) korištenjem mjerenja
dobivenih obradom slike. Na temelju raspregnutog modela gibanja u x i y smjeru
projektirana su dva I-PD regulatora ĉiji su parametri odreĊeni korištenjem
modelske binomne funkcije.
5.1. Matematički model podvodnog vozila
Matematiĉkim modelom definirana su statiĉka i dinamiĉka svojstva plovila
Statiĉka svojstva definiraju objekt u mirovanju ili gibanju konstantnom brzinom,
dok dinamiĉka svojstva definiraju sile koje uzrokuju gibanje plovila. Varijable koje
se koriste pri definiranju matematiĉkog modela su: pozicije i orijentacije, linearne i
kutne brzine, te sile i momenti. Model se razmatra u 6 stupnjeva slobode jer je
potrebno 6 parametara za odreĊivanje pozicije i orijentacije plovila. Navedene
varijable su prikazane u tablici III.
Tablica III: SNAME11 notacija korištena kod plovnih i podvodnih vozila
Stupanj
slobode Opis gibanja
Sile i
momenti
( )
Linearne i kutne
brzine ( )
Pozicije i
orijentacije ( )
1 U smjeru x osi (napredovanje) X u x
2 U smjeru y osi (zanošenje) Y v y
3 U smjeru z osi (poniranje) Z z
4 Rotacija oko x osi (valjanje) K p
5 Rotacija oko y osi (naginjanje) M q
6 Rotacija oko z osi (zaošijanje) N r
11
eng. The Society of Naval Architects and Marine Engineers
47
5.1.1. Kinematički model
Analiza gibanja podvodnog vozila sa 6 stupnjeva slobode omogućena je
definiranjem mobilnog i fiksnog koordinatnog sustava. Mobilni koordinatni sustav
0 0 0x y z vezan je uz vozilo tako da je njegovo ishodište najĉešće smješteno u toĉki
težišta tijela, dok je fiksni (ili inercijalni) koordinatni sustav xyz vezan uz Zemlju.
Fiksni koordinatni sustav se koristi za definiranje pozicije i orijentacije vozila ( ) ,
dok se mobilni koordinatni sustav koristi za izražavanje linearnih i kutnih brzina
( ).Gibanje podvodnog vozila u potpunosti može biti opisano pomoću vektora ,
i , gdje predstavlja vektor sila i momenata koji uzrokuju gibanje podvodnog
vozila, a definirani su u mobilnom koordinatnom sustavu. Na Slici 5.1.1. su
prikazani vektori opisa gibanja:
U fiksnom koordinatnom sustavu
[ 1 2,T T ] T , gdje su 1 [ , ,x y z ] T pozicije, a 2 [ , , ] T orijentacije.
U mobilnom koordinatnom sustavu
[ 1 2,T T ] T , gdje su 1 [ , ,u v w ] T linearne, a 2 [ , ,p q r ] T kutne brzine.
[ 1 2,T T ] T , gdje su 1 [ , ,X Y Z ] T sile, a 2 [ , ,K M N ] T momenti.
Slika 5.1.1.: Prikaz mobilnog i fiksnog koordinatnog sustava ronilice
48
Kinematiĉki model povezuje brzine u mobilnom koordinatnom sustavu ( ) i brzine
( ) u fiksnom koordinatnom sustavu. Model opisuje sljedeća jednadžba, [20]:
( )J (5.1.1)
1 2 3 31 1
3 3 2 22 2
( ) 0
0 ( )
J
J (5.1.2)
Gdje su )( 21J i )( 22J matrice transformacija ĉije su vrijednosti jednake:
1 2
cos cos sin cos cos sin sin sin sin cos cos sin
( ) sin cos cos cos sin sin sin cos sin sin sin cos
sin cos sin cos cos
J (5.1.3)
2 2
1 sin tan cos tan
( ) 0 cos sin
0 sin / cos cos / cos
J
(5.1.4)
5.1.2. Dinamički model
Dinamiĉki model povezuje sile koje djeluju na podvodno vozilo ( ) i brzine gibanja
vozila ( ) .Podvodno vozilo sa 6 stupnjeva slobode može biti opisano sa
nelinearnom dinamiĉkom jednadžbom, [20]:
( ) ( ) ( ) EM C D g (5.1.5)
Gdje je
M matrica inercije sa ukljuĉenom dodanom masom
( )C matrica Coriolisovih i centripetalnih izraza sa ukljuĉenom dodanom
masom
)(D matrica hidrodinamiĉkog prigušenja
)(g vektor gravitacijskih sila i momenata
vektor sila (uzrokovanih propulzijom) i momenata
E vektor sila poremećaja (valovi, vjetar, morske struje)
49
Matrica inercije
Matrica inercije M sastoji se od sume matrice inercije ĉvrstog tijela ( )RBM i
matrice dodanih masa ( )AM : RB AM M M . Dodana masa predstavlja tlaĉne sile
i momente koji su nastali kao posljedica prisilnog harmoniĉkog gibanja vozila, a
proporcionalni su akceleraciji samog tijela podvodnog vozila, [20].
je oblika
3 3
0
0 0 0
0 0 0
0 0 0( )
0( )
0
0
G G
G G
G GG
RB
G G x xy xzG
G G yx y yz
G G zx zy z
m mz my
m mz mx
m my mxmI mS rM
mz my I I ImS r I
mz mx I I I
my mx I I I
(5.1.6)
Gdje je m masa vozila, Gr [ , ,G G Gx y z ] T vektor težišta tijela , zxI ... momenti
inercije, , ,xy xz yzI produkti inercije, 33I matrica identiteta i )( GrS asimetriĉna matrica
oblika
3 2
3 1
2 1
0
( ) 0
0
S .
Ako je brzina gibanje ronilice mala i ako ronilica ima tri ravnine simetrije, tada je
matrica dodanih masa dijagonalna:
, , , , ,A u w p q rM diag X Y Z K M N (5.1.7)
gdje su elementi oblika uX koeficijenti uz derivaciju brzine koja je zapisana u
indeksu. Primjerice, hidrodinamiĉka dodana masa sile AY uzduž y-osi prema
akceleraciji u u smjeru osi x se zapisuje kao uYY uA , gdje je uYYu
/ .
Nedijagonalne elemente matrice inercija moguće je izbjeći ukoliko se mobilni
koordinatni sustav smjesti u težište tijela. Tada će vektor Gr biti [ , ,G G Gx y z ] T 0 , te
ukoliko se osi poklapaju sa osima inercije, tenzor inercije 0I će biti dijagonalan.
Tada je konaĉni oblik matrice inercije:
RBM
50
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
u
w
RB A
x p
y q
z r
m X
m Y
m ZM M M
I K
I M
I N
(5.1.8)
Matrica Coriolisovih i centripetalnih izraza
Matrica Coriolis i centripetalnih izraza sastoji se od sume matrica Coriolis i
centripetalnih sila ĉvrstog tijela RBC , te matrice dodane mase, odnosno matrice
hidrodinamiĉkih Coriolis i centripetalnih sila AC , [20].
RBC je oblika
0 0 0 ( ) ( ) ( )
0 0 0 ( ) ( ) ( )
0 0 0 ( ) ( ) ( )( )
( ) ( ) ( ) 0
( ) ( ) ( ) 0
G G G G
G G G G
G G G G
RB
G G G G yz xz z yz xy y
G G G G yz xz z xz
m y q z r m x q w m x r v
m y p w m z r x p m y r u
m z p v m z q u m x p y qC
m y q z r m y p w m z p v I q I p I r I r I p I q
m x q w m z r x p m z q u I q I p I r I
( ) ( ) ( ) 0
xy x
G G G G yz xy y xz xy x
r I q I p
m x r v m y r u m x p y q I r I p I q I r I q I p
(5.1.9)
AC je oblika
0 0 0 0
0 0 0 0
0 0 0 0( )
0 0
0 0
0 0
w
w u
u
A
w r q
w u r p
u q p
Z w Y v
Z w X u
Y v X uC
Z w Y v N r M q
Z w X u N r K p
Y v X u M q K p
(5.1.10)
Koristeći identiĉne uvjete za dobivanje konaĉnog oblika matrice inercije slijedi:
51
0 0 0 0 ( ) ( )
0 0 0 ( ) 0 ( )
0 0 0 ( ) ( ) 0( ) ( ) ( )
0 ( ) ( ) 0 ( ) ( )
( ) 0 ( ) ( ) 0 ( )
( ) ( ) 0 ( ) ( ) 0
w
w u
u
RB A
w z r y q
w u z r x p
u y q x p
m Z w m Y v
m Z w m X u
m Y v m X uC C C
m Z w m Y v I N r I M q
m Z w m X u I N r I K p
m Y v m X u I M q I K p
(5.1.11)
Matrica hidrodinamičkog prigušenja
Matrica hidrodonamiĉkog prigušenja definirana za ĉvrsto tijelo koje se giba kroz
fluid je realna, asimetriĉna i pozitivna. Uzroci hidrodinamiĉkog prigušenja su
potencijalno prigušenje zbog prisilnih oscilacija tijela, trenje površinskog sloja
vozila, valovi kod plovnih vozila i sila uzrokovana oscilatornim protokom.
Prigušenje podvodnog vozila koje se giba velikom brzinom je nelinearno. Ukoliko
se pretpostavi mala brzina gibanja i tri ravnine simetrije uz zanemarenje
prigušenja reda višeg od drugog, matrica hidrodinamiĉnog prigušenja postaje
dijagonalna sa linearnim i kvadratnim ĉlanovima. Njezin oblik je, [20].
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0( )
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
u u u
v v v
w w w
p p p
q q q
r r r
X X u
Y Y v
Z Z wD
K K p
M M q
N N r
(5.1.12)
Vektor gravitacijskih sila i momenata
Vektor gravitacijskih sila i momenata ĉine sila gravitacije i sila uzgona. Ako je m
masa vozila, W sila gravitacije i B sila uzgona, transformirane sile u mobilni
koordinatni sustav iznose, [20]:
52
1
2 1 2
0
( ) ( ) 0Gf J
W
(5.1.13)
1
2 1 2
0
( ) ( ) 0Bf J
B
(5.1.14)
Tada je vektor gravitacijskih sila i momenata definiran na sljedeći naĉin:
( ) ( )
( )( ) ( )
G B
G G B B
f fg
r f r f (5.1.15)
Ukoliko su iznosi sila B i W jednaki, te uz poklapanje toĉaka težišta tijela i centra
uzgona, vidi se da je iznos vektora jednak 0.
5.1.3. Spregnuti model u xy ravnini
Cjelokupan matematiĉki model plovila je nelinearan i spregnut, te ga je prilikom
izrade upravljaĉkog sustava potrebno pojednostaviti. Jedno od pojednostavljenja
je smanjenje stupnjeva slobode sa 6 na 3. Na temelju pretpostavke stabilnosti
podvodnog vozila u valjanju ( 0 ) i naginjanju ( 0 ), te rasprezanjem od
gibanja u smjeru z osi (poniranja, 0 ) dobiva se pojednostavljeni spregnuti
model u horizontalnoj ravnini. Kinematiĉki model tada se svodi na, [21]
cos sin 0
sin cos 0
0 0 1
x u
y v
r
(5.1.16)
a dinamiĉki model poprima oblik
0 0 ( )
0 0 ( )
( ) ( ) 0
u v G G v
v v G G u
G G z r G v G u
m X X my u m x r v Y v u
X m Y mx v m y r u X u v
my mx I N r m x r v Y v m y r u X u r
0 0
0 0
0 0
u u u XE
v YEv v
NEr r r
X X u u X
Y Y v v Y
r NN N r
(5.1.17)
53
5.1.4. Nespregnuti model u xy ravnini
Rasprezanjem gibanja dodatno se pojednostavljuje model 5.1.17. Uz pretpostavku
da se plovilo giba malom brzinom moguće je izostaviti matricu Coriolisovih i
centripetalnih sila ( ) ( )RB AC C . Smještanjem mobilnog koordinatnog sustava u
težište tijela 0Gr , što je moguće uĉiniti kod malih podvodnih plovila, matrica
inercije i dodanih masa postaje dijagonalna RB AM M .
Primjenom pojednostavljenja jednadžba 5.1.17 postaje, [21]
0 00 0
0 0 0 0
0 0 0 0
u u uu XE
v v YEv v
z r NEr r r
X X um X u u X
m Y v Y Y v v Y
I N r r NN N r
(5.1.18)
Tako da su raspregnuti:
Napredovanje:
( ) ( )u u XEu um X u X X u u X (5.1.19)
Zanošenje:
( ) ( )v v YEv vm Y v Y Y v v Y (5.1.20)
Zaošijanje:
( ) ( )z r r NEr rI N r N N r r N (5.1.21)
Svaka od prethodnih jednadžbi se može napisati u sljedećem obliku
E (5.1.22)
Pri ĉemu je parametar inercije, a parametar prigušenja gibanja tijela u
fluidu.
54
5.2. Struktura regulatora
Odabirom PID regulatora sa iskljuĉivim I ponašanjem na pogrešci (I-PD struktura)
osigurava se voĊenje procesa s blažim upravljaĉkim signalima u odnosu na ostale
forme PID regulatora. Promjene refence u obliku stepa prolaze samo kroz
integralni dio regulatora, te se tako onemogućavaju nagle promjene upravljaĉke
veliĉine.Takva struktura prikladna je za korištenje na podvodnim i plovnim vozilima
jer je izbjegnuta velika promjena upravljaĉke veliĉine koja uzrokuje trošenje
aktuatora.
KI
KP
1
s
KD
- --
ref I PDu
Slika 5.2.1.: I-PD forma regulatora
Zakon upravljanja I-PD strukture regulatora dan je sa, [21], [22] :
0
( ) ( ( ) ( )) ( ) ( )
t
I PD I ref P Du t K d K t K t (5.2.1)
Proces predstavlja model u xy ravnini odreĊen jednadžbom
E (5.2.2)
Koeficijenti procesa i odreĊuju se iz poznatih parametara matematiĉkog
modela podvodnog vozila, a parametri regulatora odreĊuju se na temelju željene
modelske funkcije.
55
KI
KP
1
s
1
s
KD
- --
ref
E
1
s
-
Slika 5.2.2.: Sustav upravljanja
Prijenosna funkcija zatvorenog kruga sustava sa slike 5.2.2. je
3 2
1
1D Pref
I I I
K Ks s s
K K K
(5.2.3)
Odabire se binomni oblik modelske funkcije koji je dan sa:
3
3 2 2 3( )
3 3
nm
n n n
G ss s s
, (5.2.4)
odnosno:
3 2
3 2
1( )
1 3 31
m
n n n
G s
s s s
. (5.2.5)
Parametri regulatora odreĊeni su tako da je prijenosna funkcija zatvorenog kruga
jednaka modelskoj funkciji, te oni iznose:
3
I nK (5.2.6)
23P nK (5.2.7)
3D nK (5.2.8)
56
5.3. Model simulacije i simulacijski rezultati
Upravljanje napredovanjem
Ako se uzme da je x , x , x . Pri ĉemu su parametri 215x ,
100x odreĊeni iz simulacijskog modela. Uz odabranu frekvenciju binomne
modelske funkcije 0.8n parametri regulatora iznose:
3 110.08Ix n xK
23 412.8Px n xK
3 416Dx n x xK
Upravljanje zanošenjem
Ako se uzme da je y , y , y . Pri ĉemu su parametri 265y ,
100y odreĊeni iz simulacijskog modela. Uz odabranu frekvenciju binomne
modelske funkcije 0.5n parametri regulatora iznose:
3 26.875Iy n yK
23 161.25Py n yK
3 222.5Dy n y yK
Sprječavanje namatanja integratora
Integrator ne staje s integriranjem uaznog signala pogreške dok je god on razliĉit
od nule. Pošto aktuator (propulzor) ima zasićenje, nakon što je postignuta
vrijednost zasićenja integrator bi trebao stati sa povećavanjem upravljaĉke veliĉine
jer se procesu ne može isporuĉiti veća vrijednost od zasićene. Ako je referentna
veliĉina velika regulator šalje procesu signal koji konstantno raste, a proces, zbog
zasićenja aktuatora, vidi konstantan signal. Opisana pojava naziva se namatanje
integratora i ako se ne sprijeĉi, nakon smanjenja referentne veliĉine signalu na
izlazu iz integratora trebat će puno vremena da se vrati na željenu razinu. Kako bi
se sprijeĉilo namatanje, kada aktuator uĊe u zasićenje izlaz iz regulatora treba
57
ostati na trenutnoj razini. Postupak uklanjanja namatanja naziva se antiwindup, a
korištena tehnika je prikazana na regulatorima sa slike 5.2.3., [22] [21]
Simulacijski model
Simulacijski model prikazuje upravljanje po relativnom pomaku u xy ravnini
korištenjem dva I-PD regulatora za pomak u x i y smjeru, ĉiji su parametri dobiveni
na temelju raspregnutog modela ronilice u xy ravnini i modelske binomne funkcije.
KIy
KPy
1
s
KDy
- --
refy
+
-
E
-
1
IyK
KIx
KPx
1
s
KDx
- --
refx
+
-
E
-
1
IxK
+
+
MODEL
ROV-aObrada
slike
X
Y
x
y1
s
T s
1
s
T s
Slika 5.2.3.: Simulacijski model za dinamičko pozicioniranje podvodnog vozila u xy
ravnini
Postavljena vrijednost zasićenja je od -100 do 100 N. Referentna vrijednost
položaja postavljena je na 0ref refx y , dok je vanjska poremećajna veliĉina u x i
y smjeru postavljena tako da djeluje od trenutka 40 s do trenutka 100 s u iznosu
od 90 N. Odzivi su prikazani na sljedećim slikama.
58
Slika 5.2.4.: Odziv pomaka u x smjeru
Slika 5.2.5.: Odziv pomaka u y smjeru
0 50 100 150-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
Pom
ak u
x s
mje
ru [
m]
Vrijeme [s]
0 50 100 150-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Pom
ak u
y s
mje
ru [
m]
Vrijeme [s]
59
Slika 5.2.6.: Izlaz iz regulatora za x smjer
Slika 5.2.7.: Izlaz iz regulatora za y smjer
0 50 100 150-20
0
20
40
60
80
100
X (
Tau +
TauE
)
Vrijeme [s]
0 50 100 150-20
0
20
40
60
80
100
Y (
Tau +
TauE
)
Vrijeme [s]
60
Na slikama 5.2.4. i 5.2.5. su prikazani odzivi položaja u x i y smjeru nakon
djelovanja sile poremećaja. Podvodno vozilo se nakon poĉetka djelovanja
konstantnog poremećaja, ĉija je sila manja od postavljenog zasićenja, vraća u
poĉetni položaj te kompenzira djelovanje poremećaja do njegova prestanka.
Nakon prestanka djelovanja konstantne sile poremećaja dolazi do pomaka zbog
nestanka potrebe za kompenzacijom. Odzivi su dobiveni na temelju postojećeg
matematiĉkog modela ronilice iz kojeg se dobiva i pomak. Prilikom implementacije
na stvarni sustav mjerenje relativnog pomaka obavljalo bi se na naĉin koji je
opisan u poglavlju 3.
61
6. Zaključak
Kamera predstavlja senzor koji je moguće iskoristiti na razliĉite naĉine. Pokazana
je jedna od dodatnih mogućnosti korištenja kamere u podvodnoj robotici u vidu
mjerenja relativnog pomaka. Mjerenje pomaka moguće je iskoristiti za relativnu
navigaciju u odnosu na objekt, te na taj naĉin imati i redundantni sustav navigacije
na podvodnom vozilu.
Kako bi se riješio problem mjerenja pomaka primijenjena je metodologija koja
ukljuĉuje ispravljanje distorzije slike, detekciju vrhova i pronalazak podudarnih
vrhova iz izdvojenih slika video okvira. Robusnim algoritmom je odreĊena
ravninska homografija kojom se uz mjerenje visine od dna odredio 3D pomak iz
ruĉno snimljenog gibanja. Na temelju raspregnutog modela ronilice u xy ravnini za
napredovanje i zanošenje projektirani su I-PD regulatori za dinamiĉko
pozicioniranje koji su primjenjeni na simulacijskom modelu.
Metodologija obrade slike je raĉunski zahtjevna što uzrokuje povećanje
vremenskog intervala za uzimanje slika iz video okvira. Jedna od mogućnosti
poboljšanja metode je smanjenje dimenzija slika za obradu, a druga je pronalazak
metoda za ubrzavanje obrade slike manje raĉunski zahtjevnim algoritmima Budući
rad bio bi usmjeren ka obradi video snimke u stvarnom vremenu, te primjeni i
implementaciji regulacije za dinamiĉko pozicioniranje podvodnih vozila. Mjerenja
relativnog pomaka moguće je iskoristiti i za izgradnju mozaika morskog dna,
odnosno mape prostorno povezanih slika koju je moguće koristi i za istraživanja u
biologiji i arheologiji.
62
7. Literatura
[1] HARRIS, C. G.; STEPHENS, M. J.: A combined corner and edge detector,
Proceedings Fourth Alvey Vision Conference, Manchester, pp 147-151,
1988.
[2] FARID, H.; SIMONCELLI, E. P.: Differentiation of Discrete Multidimensional
Signals, IEEE Transactions on Image Processing, 13(4), pp 496-508, 2004.
[3] GIACHETTI, A.: Matching techniques to compute image motion, Image and
Vision Computing, no. 18, pp.247–260, 2000.
[4] ASCHWANDEN, P.; GUGGENBUHL, W.: Experimental results from acomparative
study on correlation-type registration algorithms, Forster, Ruwiedel (Eds.),
Robust Computer Vision, Wichmann, pp. 268–287, 1992.
[5] BOUGUET, J. Y.: http://www.vision.caltech.edu/bouguetj/calib_doc/index.html
[6] HARTLEY, R.; ZISSERMAN, A.: Multiple View Geometry in Computer Vision,
Cambridge University Press, second edition, 2003.
[7] GOLUB, G. H.; VAN LOAN C. F.: Matrix Computations, The Johns Hopkins
University Press, second edition, 1989.
[8] FISHLER M. A.; BOLES R. C.: Random sample concensus: A paradigm for
model fitting with applications to image analysis and automated cartography,
Comm. Assoc. Comp, Mach., Vol. 24, No 6, pp 381-395, 1981.
[9] FERRINI, V. L.; SINGH, H.: FISH_ROCK : a tool for identifying and counting
benthic organisms in bottom photographs, 2006.
[10] PICAN, N.; TRUCCO, E. et al.: Texture analysis for seabed classification: co-
occurrence matrices vs. self-organizing maps, OCEANS '98 Conference
Proceedings, Vol. 1, pp 424-428, 1998.
[11] LUDVIGSEN, M.; SORTLAND, B.; JOHNSEN, G; SINGH, H.: Applications of geo-
referenced underwater photo mosaics in marine biology and archaeology,
Oceanography 20, Vol. 4, pp 140-149, 2007.
[12] WHITCOMB, L.; YOERGER, D.; SINGH, H.: Advances in Doppler based
navigation of underwater robotic vehicles
63
[13] GARCIA, R.; CUFI, X.; BATTLE, J.: Detection of matchings in a sequence of
underwater images through texture analysis, International Conference on
Image Processing, Vol.1, pp 361–364, 2001.
[14] FAUGERAS O.D.; LUONG Q. T.; MAYBANK S. J.: Camera self-calibration:
Theory and experiments, Lecture Notes in Computer Science, Vol 588, pp
321-334, 1992.
[15] ZHANG, Z.: Flexible Camera Calibration by Viewing a Plane from Unknown
Orientations, ICCV99
[16] HEIKKILA, J.; SILVEN, O.: A Four-step Camera Calibration Procedure with
Implicit Image Correction, CVPR97
[17] KOVESI, P. D.: MATLAB and Octave Functions for Computer Vision and
Image Processing, http://www.csse.uwa.edu.au/~pk/research/matlabfns/
[18] GARCIA, R.; CUFI, X..; RIDAO, P.: An Approach to Vision-Based Station
Keeping for an Unmanned Underwater Vehicle
[19] ZHANG, Z.: A New Multistage Approach to Motion and Structure Estimation:
From Essential Parameters to Euclidean Motion Via Fundamental Matrix,
INRIA, 1996.
[20] FOSSEN, T. I.: Guidance and Control of Ocean Vehicles, John Wiley & Sons,
New York, 1994.
[21] MIŠKOVIĆ, N.: Primjena vlastitih oscilacija u voĊenju i upravljanju plovilima,
doktorska disertacija, Zagreb, 2010.
[22] VUKIĆ, Z.; KULJAĈA, LJ.: Automatsko upravljanje - analiza linearnih sustava,
Kigen, Zagreb, 2005.
64
Naslov: Mjerenje i regulacija relativnog pomaka korištenjem kamere
Sažetak:
Rad opisuje metodu mjerenja relativnog pomaka podvodnog vozila pomoću
kamere koja je usmjerena prema prema morskom dnu. Izdvajanjem znaĉajki
morskog dna izmeĊu slika preuzetih iz video okvira raĉuna se pomak u xy ravnini.
Metoda ukljuĉuje ispravljanje slike, pronalazak interesnih toĉaka i njihovih
podudarnih parova. Kalibracijom dobiveni parametri, homografija podudarnih
parova toĉaka i poznata udaljenost od dna koriste se za mjerenje 3D pomaka.
Mjerenje pomaka može se koristiti za dinamiĉko pozicioniranje podvodnih vozila.
Reguliranjem napredovanja i zanošenja na simulacijskom modelu je omogućeno
držanje poĉetnog položaja.
Ključne riječi: mjerenje relativnog pomaka, regulacija relativnog pomaka,
dinamiĉko pozicioniranje, podvodna vozila, obrada slike, detektor vrhova, 2D
homografija
Title: Measuring and controlling relative motion using a camera
Abstract:
The paper describes a method for measuring and controlling relative motion in
underwater vehicles using a camera oriented towards the seabed. Recognizing
the same features between frames can be used to calculate the xy distance
moved. The method is based on correction of image distortion, finding points of
interest and their matched pairs. Intrinsic calibration parameters, homography
matrix and known distance from the seabed are used for measuring relative 3D
position. Measured relative motion can be used for dynamic positioning of
underwater vehicles. Station keeping is obtained by controlling the surge and sway
motions of simulated mathematical model of underwater vehicle.
Keywords: measuring relative motion, controlling relative motion, dynamic
positioning, underwater vehicle, image processing, corner detector, 2D
homography