Загружаем источник...Мэтч & Сопровод
Покажет вашу совместимость и напишет письмо
Описание вакансии
Computer Vision Engineer
Компания
С5
Зарплата
до 230 000 ₽
Условия
Требования
Инженер по компьютерному зрению Senior OpenCV Компьютерное зрение Можно удалённо Москва Описание задачи: Доработка системы визуальной локализации БПЛА (VLOC) О проекте: MVP-версия дашборда для трекинга дрона в реальном времени. Система принимает видеопоток, сопоставляет его с эталонными видеозаписями (к которым привязаны координаты) и отображает положение дрона на карте Leaflet. Проект рассчитан на локальный запуск (1-2 потока одновременно). Железо: Ноутбук с мобильной RTX 5050. Стек: Python 3.10+, FastAPI, SQLite, Docker. Фронтенд: чистый JS + Leaflet.js. Что уже РЕАЛИЗОВАНО :
Вся обвязка и инфраструктура готовы и работают: Захват потока (RTSP/WebSocket) с аппаратным декодированием (NVDEC). Zero-latency буфер (алгоритм всегда забирает только самый свежий кадр, пропуская очередь). API-эндпоинты (FastAPI) и передача данных на фронтенд по WebSockets. База данных (SQLite), где лежат эталонные кадры и их GPS-координаты. Модели SuperPoint и LightGlue уже заведены в проект и крутятся на CUDA. В чем текущая проблема Сейчас модуль локализации работает по принципу примитивного Image Retrieval. Он использует ResNet18: находит максимально похожий кадр в базе и копирует его координаты. Из-за этого нет Pose Estimation, если дрон летит параллельно эталонному маршруту, метка на карте не смещается, а прилипает к эталонному треку. Что нужно сделать: Необходимо переписать математику, осуществив переход от Retrieval к честному Pose Estimation и добавив расчет геометрии для видео-слоя. Задача 1: Точная локализация (Метка дрона) Feature Matching: Использовать связку SuperPoint + LightGlue для нахождения соответствий между Live-кадром и ближайшим кадром из эталона. Metric Offset: На основе найденных матчей вычислять вектор смещения в метрах (через матрицу гомографии или PnP) с учетом перспективных искажений. GPS-коррекция: Прибавлять полученное метрическое смещение к координатам эталонного кадра для получения реальной точки . Фильтрация: Жесткий RANSAC для исключения выбросов (ложных матчей на лесах/полях), чтобы метка не прыгала. Выдача индикатора уверенности 0-100% .
Задача 2: Real-time Video-to-Map Overlay (слой на карте) На бэкенде рассчитывать точные GPS-координаты 4-х углов текущего кадра ( проекция на плоскость земли).
Трансформация перспективного изображения в ортофотоплан (вид сверху) в real-time.
Temporal Smoothing: Внедрить сглаживание координат углов (фильтр Калмана или экспоненциальное среднее). Видео аналоговое, матчи могут шуметь, углы не должны дрожать на фронтенде. Отдавать эти 4 точки по сокету на фронтенд (там они уже будут применяться к видео-контейнеру через CSS matrix3d). Ограничения и нюансы: Телеметрии и данных IMU в базе нет (дрон летит в один конец). Всю геометрию, наклон камеры и смещение нужно вытаскивать исключительно из визуальных признаков (разложение гомографии) с учетом известной примерной высоты из эталона. Обязательна привязка расчетов к PTS видеопотока для исключения рассинхрона видео и метки. Требования к исполнителю: Уровень Senior (от 5 лет в CV). Опыт работы с Visual SLAM, 6DoF Pose Estimation, Visual Odometry. Уверенное владение OpenCV , глубокое понимание матриц проекции, гомографии и перевода пикселей в метрическую систему координат. Опыт оптимизации пайплайнов под real-time (TensorRT/ONNX Runtime). Проект Mvp и рассчитывается для демонстрации возможностей. Указанные задачи реально выполнить за две недели.
Будьте осторожны: если работодатель просит войти в их систему, используя iCloud/Google, прислать код/пароль, запустить код/ПО, не делайте этого - это мошенники. Обязательно жмите "Пожаловаться" или пишите в поддержку. Подробнее в гайде →
Текст вакансии взят без изменений
Похожие вакансии
