Nas aplicações AR atuais, rastreamento 2D AR, tais como cartazes, cartões e outros rastreamento de objetos plana tornou-se uma das tecnologias de núcleo, são comuns em marketing, educação, jogos, shows e exposições. No entanto, embora nos últimos anos para trazer 2D AR rastreamento algoritmos têm feito grandes progressos, mas o efeito sob a influência de algumas condições externas, fatores ambientais, ainda há muito espaço para melhorias, como lidar com as mudanças na iluminação, motion blur e outros fatores desafio, é actualmente os algoritmos subjacentes desenvolvidos por empresas AR e foco de investigação e desenvolvimento acadêmico.
Lei Feng rede de notícias recentemente, AR vento luz empresa de Taiwan fez novos avanços em 2D AR rastreamento aspectos de sua equipe de P & D propôs algoritmo de rastreamento robusto (CCM) Restrições baseado na confiança melhorou em oclusão parcial, mudanças na iluminação e motion blur, etc. robustez interferência de vários fatores, no caso, e definir um melhor acabamento em foco UCSB TMT e dois de avaliação internacional. No momento, os resultados foram publicados na reunião de alto nível no campo da robótica ICRA 2018. campo ICRA da robótica é um dos três principais reuniões (os outros dois são IROS e RSS), muitos dos trabalhos clássico (por exemplo ESM rastreamento algoritmo) de rastreamento AR têm publicado no ICRA e IROS.
Exemplo CCM algoritmo resulta em oclusão parcial, motion blur e iluminação mudança condições (apenas mostrado na área alargada em torno do alvo para apresentação)
Entende-se que dois luz estação de vento ainda é um monte de trabalho no algoritmo otimizado para 2D AR, AR emitiu um algoritmo de rastreamento baseado na direção do gradiente para as mudanças de iluminação em 2017 ICRA, no mesmo ano proposto com base em rastreamento de correspondência gráfico Figura algoritmo utiliza estruturas internas para lidar com associação espacial do objeto alvo, a fim de atingir um acompanhamento preciso da interferência forte objeto plano, o trabalho tem sido o topo de inteligência internacional revista artificial "PAMI" (análise de padrões IEEE e inteligência da máquina IEEE Transactions) contratado. Outros resultados da investigação em principais revistas reuniões CVPR, ICCV, ECCV, ICRA, ISMAR, PAMI e outros AI, CV, AR áreas afins relaciona-se com uma imagem publicada no reconhecimento semântica, análise de imagem rosto, reconhecimento de gestos, cenário AR modelagem posicionado, ultra FIG jogo, aspecto visual significativa e semelhantes.
Acompanhando o plano do objecto, por exemplo marcador 2D, tipicamente um passo importante na cena e o registo de localização de câmara. Na últimas décadas, numerosos estudos dedicados ao problema de rastreamento visual, o método popular de acompanhar o plano pode ser dividido em métodos baseados em pontos-chave e abordagem baseada em modelo. Modelo usando o método direto baseado na aparência de pixels sem extrair recursos com base no método de Newton ou variante do mesmo para otimizar a medida modelo semelhança captura entre o plano da imagem para determinar atitude.
Ao contrário do método baseado no modelo de acompanhamento convencional, CCM (Constrained confiança Matching) factores de adaptação diferentes determinar para cada pixel do ruído de medição, em vez do mesmo processamento para cada pixel do modelo no cálculo dos parâmetros do movimento. Nesta base, a fim de melhorar ainda mais a iluminação mudanças e robustas, luz pesquisadores estação eólica movimento pesado borrão também propôs um filtro de Kalman robustos, que utiliza um novo modelo para a entrada de controle de processo uma mudança na aparência do objeto .
dada posição de destino ou a imagem inicial, um novo método (isto é, o CCM) para controlar automaticamente a posição do local de destino posicionamento do vídeo.
O primeiro passo de: extrair a área alvo a partir do primeiro quadro de vídeo como um modelo T;
Passo Dois: Ele lê o próximo quadro de imagem a partir do vídeo;
O terceiro passo: o acompanhamento ea imagem alvo Ele correspondência;
Passo quatro: Atualizar modelo de acompanhamento com base nos resultados da terceira etapa do T.
Passo Cinco: o processamento salta para o passo dois da imagem quadro seguinte.
A fim de avaliar cuidadosamente, o algoritmo CCM foi testado em dois conjuntos de dados comum: UCSB proposta benchmarks propostos pela Universidade da Califórnia e da Universidade de Alberta operação de rastreamento tarefa padrão (TMT). UCSB conjunto de dados inclui fluxo de vídeo 96, o plano de exibição alvo seis texturas diferentes, um total de 6889, tendo uma distorção geométrica (pan, zoom, inclinação, rotação), e o nível de motion blur nove condições de iluminação diferentes, todos os quadros afectados pelo ruído em diferentes graus. TMT sequência dos conjuntos de dados de imagem pelas tarefas de funcionamento da máquina humanos e composição, que compreende 109 sequências de imagens, um total de 70.592 de gravação.
Correspondendo a cada precisão de acompanhamento médio categoria de vídeo encontram-se resumidos na Tabela I (UCSB) e II (TMT), como segue:
Como pode ser visto a partir dos resultados experimentais, o CCM algoritmo proposto ultrapassa significativamente todos linha de base em dois conjuntos de dados. Na verdade, o vídeo CCM em quase todas as categorias ganharam o melhor ou quase o melhor desempenho de rastreamento, muito melhor do algoritmo de rastreamento convencional existente, baseado em pontos-chave, tais como rastreamento (rastreador baseado em ponto-chave), rastreamento baseado em modelo (rastreador baseado em modelo) ea probabilidade de rastreamento (rastreador probabilística), e é por mudança extrema atitude e perturbações ambientais graves apresentam elevada robustez.
algoritmo CCM comparado com outros algoritmos, alguns exemplos típicos de diversos tipos de alterações internas e externas no seguinte, a imagem compreendendo um padrão de repetição de inclinação; grave variação iluminação dinâmica provocada por do sol imagem, textura muito fraca; a presença de oclusão parcial; movimento , ponto chave vaga indetectável confiável neste caso.
Embora o computador para o reconhecimento "convencional" objeto plano tem sido capaz de atingir alta velocidade, precisão e estabilidade, mas, obviamente, não é suficiente, os pesquisadores querem que o computador para ser como "simulados" efeitos visuais das pessoas, sob certas condições, mesmo em mais do que o olho humano, por isso, quando para usuários comuns, a fim de proteger após a experiência de usuário de qualidade de engenharia algoritmo, como no rastreamento planar objeto convencional, propensa a rápida circulação perdido ou fenômenos de deriva, refletida na experiência do usuário, a janela do carro o outdoor é fácil de não reconhecer, AR jogo no processo de mover-se ao redor do mobiliário encontrado no chão vai "flutuar" para cima e assim por diante.
Essa otimização contínua de docentes e pessoal de I & D precisa de algoritmos relacionados, um novo método, para que ele possa continuar a actualizar ambiente de hardware combinado com um alto grau de orientada para o mercado. Para o 2D AR AR até mesmo a toda a indústria atual, os funcionários precisam de aplicações de mercado de tecnologia existente, mas também precisa de um monte de verdadeiros inovadores que avançam os limites tecnologia subjacente, vamos AR amadurecer.
