论文部分内容阅读
增强现实(AR)技术于近几年来得到了飞速的发展,其应用逐渐占据了人类社会的焦点。生活中我们可以看到AR游戏,如曾经盛行的Pokémon Go;在教学领域中通过AR模型的展示,让学生们得到更深刻的感官体验;在工业生产制造中,还可以看到通过AR指引装配工人安装器件。随着技术的逐渐成熟,未来AR应用市场将有着巨大的潜力。早期基于标记的增强现实技术依赖于框标的存在,无法应用于自然特征的环境中,越来越多的应用场景更倾向采用无标记的增强现实技术。目前,市场上的增强现实开发平台众说纷纭,大部分平台以提供封装的开放接口为主,开源增强现实其底层核心算法的只有ARToolKit,并且对无标记增强现实的多目标注册跟踪研究较少。本文利用词汇树的数据结构,提取图像集的SIFT特征点描述子进行分层聚类,训练出相应的词汇树模型。识别阶段利用词汇树注册的图像库检索出视频帧中的多个目标,结合单应性变换的误差损失值,在原来的检索基础性能上提升了3.02%。跟踪阶段采用改进的KLT目标跟踪算法实现了多目标实时跟踪,相比于传统的KLT跟踪算法在precision上提升了25%,success rate上提升了37.5%。最后实现了无标记的增强现实多目标注册跟踪系统。本文提出了无标记的增强现实多目标注册跟踪方法,包括离线阶段:1)提取待注册图像集的特征点,对其SIFT描述子进行k-means分层聚类,训练出相应的词汇树模型;2)为词汇树的叶子节点链接倒排索引并注册其出现过的图像id,根据整棵词汇树的各叶子节点的倒排索引长度,生成一棵带tf-idf的词汇树。在线阶段:1)识别线程通过设计的多目标检索算法,不断搜寻未识别区域的新目标,交予一个新的跟踪线程;2)跟踪线程采用改进的KLT算法对各目标进行跟踪,更新位姿矩阵,并反馈各目标的状态到识别线程;3)渲染线程对各跟踪线程提供的位姿矩阵信息进行3D模型的渲染。实验结果表明本系统在存储效率和识别速度上相比ARToolKit有了显著提升,克服了有标记增强现实的局限性,为无标记的多目标增强现实提供了高效、可靠的解决方案。