Онлайн мониторинг и детектирование объектов и явлений живой природы на основе данных дистанционного зондирования – важная задача современности, находящаяся на стыке географии и компьютерного зрения. Развитие методов автоматизированного распознавания объектов и систем слежения показывает большую эффективность в условиях города: видеонаблюдение за дорожной обстановкой, перемещением людей и охранные системы стали нормой жизни. Все они основаны на стационарных камерах, которые записывают и обрабатывают потоковое видео. Но как получить данные об объектах живой природы при условии, что на каждом дереве видеокамеру не поставишь? Ученые Института географии РАН уверены, что мониторинг природных объектов на основе потокового видео с беспилотных летательных аппаратов (БПЛА) является одним из самых перспективных направлений развития методов дистанционного зондирования.
«Видео, полученные с беспилотников, значительно отличаются от традиционных: съемка производится в надир или с «глубокой» перспективой, а объекты там, как правило, небольшие и трудно различимые по внешнему виду, – говорит заведующий лабораторией картографии Института географии РАН Андрей Медведев. – В этом случае ключевой информацией для их классификаций является движение, обусловленное на видео как перемещением самого объекта, так и беспилотника».
В мире существует довольно много алгоритмов для анализа движения по видеоданным, но они в основном предназначены для детектирования антропогенных объектов. «Все мы, к примеру, хорошо знаем, что принцип работы дорожных камер основан на оценке скорости движения автомобилей, – говорит Андрей Медведев. – Выделить на потоковом видео нужный автомобиль – а он имеет правильную геометрию – не составляет большого труда. А вот выделить объекты в живой природе, где нет правильных конфигураций и двух одинаковых объектов, вот это самая интересная задача».
Определение скорости приземного ветра на основе идентификации колебаний древесной растительности
Раскадровка видеоданных с БПЛА
БПЛА может пролетать над различными подстилающими поверхностями в течение нескольких секунд, что приводит к потере связующих точек между кадрами. Это затрудняет распознавание перемещения объекта и взаимодействие с элементами окружающей среды в кадре. Более того, постоянно меняющиеся внешние условия, захваченные камерой БПЛА, еще больше затрудняют интерпретацию событий, происходящих на видеокадрах, и она требует глубокого понимания гетерогенных сред, которые попали в кадр. Для этого одних лишь методик машинного обучения недостаточно для интерпретации, так как они нуждаются в большом количестве эталонов для обучения.
«Сейчас мы в основном работаем с видеоданным с беспилотников по 3 направлениям: пространственная оценка скорости приземного ветра, течений в водных объектах и анализ перемещения орнитофауны, – говорит Андрей Медведев. – Каждая разрабатываемая методика имеет свою специфику. Допустим, если для оценки скорости приземного ветра мы проводим анализ плотности фотограмметрических облаков точек, то для объектов гидрографии используем алгоритм вычисления оптического потока методом Лукаса-Канаде».
Использование видеоданных с БПЛА для изучения таких природных процессов, как, например, движение льда или развитие склонов, пока недостаточно проработано в мировой практике, хотя использование высокодетальных изображений с очень малым временным лагом, по мнению ученых Института географии РАН, дает возможность исследовать пространственно-временную динамику объектов на качественно новом уровне.
Идентификация колебаний древесной растительности на основе фотограмметрических облаков точек
