農(nóng)場中一頭奶牛悠閑地吃著草，一個(gè)卡通小人兒在和消費(fèi)者聊著天。出現(xiàn)這一切，都源于一個(gè)簡單的牛奶瓶。消費(fèi)者通過手機(jī)或平板掃描牛奶瓶身上的圖案，就會(huì)呈現(xiàn)一個(gè)虛擬農(nóng)場，可以選擇各種小動(dòng)物，并和它們進(jìn)行互動(dòng)。

這種深受孩子喜愛的宣傳方式是怎么實(shí)現(xiàn)的呢?其實(shí)這個(gè)過程只需要六步：

通過攝像頭采集實(shí)時(shí)視頻;

將采集到的視頻流數(shù)字化成圖像，然后通過上文的特征點(diǎn)檢測、特征點(diǎn)描述子生成、特征點(diǎn)匹配一系列處理，找到識(shí)別標(biāo)識(shí)物;

識(shí)別出標(biāo)識(shí)物后，以標(biāo)識(shí)物作為參考，確定要生成的動(dòng)畫在 AR 環(huán)境中的位置和方向，并確定提前存入手機(jī)中的標(biāo)識(shí)圖位置;

標(biāo)識(shí)物中的標(biāo)識(shí)符號(hào)與預(yù)設(shè)的目標(biāo)圖進(jìn)行匹配;

程序根據(jù)標(biāo)識(shí)物位置調(diào)整動(dòng)畫(虛擬信息)位置;

動(dòng)畫(虛擬信息)被渲染進(jìn)視頻流。

這就是 AR 的實(shí)現(xiàn)過程，今天將為大家解釋六步中的“精華”——識(shí)別并跟蹤標(biāo)識(shí)物。

牛奶瓶上的特點(diǎn)

當(dāng)消費(fèi)者拿起手機(jī)掃描牛奶瓶時(shí)，手機(jī)是怎么判斷這幅圖是不是自己要找的目標(biāo)呢?

目標(biāo)圖是在開發(fā)這款 AR 應(yīng)用時(shí)提前讀入 app 的。啟動(dòng) app 后，它就開始查找與標(biāo)識(shí)圖相同的幀。

這就像警察在抓逃犯時(shí)，會(huì)在各交通要道設(shè)立排查點(diǎn)，將過往行人與逃犯照片進(jìn)行對比，進(jìn)行排查。警察在比對照片時(shí)，不會(huì)每根頭發(fā)，每個(gè)毛孔都要進(jìn)行比較。他們會(huì)關(guān)注嫌疑人的一些顯著外貌特征，與這些特征相似度極高的人視為犯罪嫌疑人。

同理，圖像識(shí)別中的目標(biāo)圖也具有特征，我們將這些特征稱為“特征點(diǎn)”。

那么問題來了，如何找到這些點(diǎn)?

圖像在電子設(shè)備中的狀態(tài)是一堆數(shù)字。特征點(diǎn)就是那些和周圍數(shù)字值相差較大的點(diǎn)，檢測方法一般有：FAST、Harris、SIFT、SURF、MSER 等。

FAST 特征點(diǎn)檢測法因檢測速度快而深受研究者喜愛，具體遵循以下步驟：

首先，從圖像中選取一個(gè)像素，記作 P。如果我們想判斷它是否為一個(gè)特征點(diǎn)，首先把 P 點(diǎn)的亮度值記作 I。再設(shè)定一個(gè)合適的閾值 t，用來控制特征點(diǎn)的選取。以 P 為圓心，3 個(gè)像素為半徑做圓，這個(gè)圓的邊界上有 16 個(gè)像素，如下圖所示：

如果這 16 個(gè)像素的像素值都比 I+t 大，或都比 I-t 小，那么 P 就是一個(gè)特征點(diǎn)。一般在實(shí)際檢測中，這 16 個(gè)像素不用全部與 P 的亮度值進(jìn)行比較，只要有 3/4 個(gè)以上的像素亮度值比 P+t 大或比 P-t 小，就可以認(rèn)為 P 點(diǎn)為特征點(diǎn)。

簡單來說，特征點(diǎn)就是與周圍反差較大的點(diǎn)，就像下圖所示：

找到特征點(diǎn)就可以識(shí)別了么?

只知道檢測到特征點(diǎn)還不行，必須知道兩張圖像中的特征是否一致。如何判斷特征點(diǎn)是否一致，就需要借助特征點(diǎn)描述子了。

特征點(diǎn)描述子是一種描述特征點(diǎn)的方法。比如，我們在挑西瓜時(shí)，會(huì)選根蒂蜷縮、敲起來聲音濁響的青綠西瓜。這個(gè)挑瓜的過程就是描述的過程，挑瓜的依據(jù)就相當(dāng)于生成的描述子。

如果一個(gè)瓜和我們的挑瓜條件相似或相同，那么我們就判斷它是一個(gè)好瓜。同樣的如果一幅圖像中有一個(gè)點(diǎn)和我們的描述子相似或相同，那么就可以判斷它們?yōu)橥惶卣鳌?/p>

找到了特征點(diǎn)描述子，接下來就是要在目標(biāo)圖和識(shí)別圖之間進(jìn)行匹配。

判斷兩幅圖是否為同一幅圖的標(biāo)準(zhǔn)是人為控制的。我們既可以設(shè)置匹配率為 10% 以上的兩幅圖像是同一圖像，也可以設(shè)置匹配率為 90% 以上。具體標(biāo)準(zhǔn)根據(jù)應(yīng)用所需而定。

目前，特征點(diǎn)匹配技術(shù)大概分為兩類：一類是分別獲取兩幅圖像的特征點(diǎn)及特征點(diǎn)描述子，根據(jù)一定的搜索策略對這些特征點(diǎn)和描述子進(jìn)行計(jì)算，最終獲得最優(yōu)極值點(diǎn)即為匹配結(jié)果;另一類是只獲取參考幀圖像的特征點(diǎn)信息，并利用它在當(dāng)前幀上尋找最優(yōu)匹配，這種匹配的最大優(yōu)點(diǎn)是只需提取參考幀的特征點(diǎn)，節(jié)約了一半的特征點(diǎn)提取時(shí)間。

發(fā)現(xiàn)目標(biāo)要盯緊

從文章開頭的視頻中可以看到，當(dāng)小孩拿著 iPad 轉(zhuǎn)動(dòng)時(shí)，生成的動(dòng)畫會(huì)保持不動(dòng)。給我們一種“動(dòng)畫和牛奶是一個(gè)整體”的錯(cuò)覺。要想達(dá)到這種效果，需要對視頻流中的圖像進(jìn)行特征點(diǎn)跟蹤。

特征跟蹤有兩種方式，一種是對視頻流中的每一幀圖像，進(jìn)行特征點(diǎn)匹配。另一種則在第一幅圖像中，尋找可能的特征位置，然后在后續(xù)的圖像中搜索它們的對應(yīng)位置。顯然，這類“先檢測后跟蹤”的方法適合用在視頻跟蹤應(yīng)用中。

在跟蹤過程中，相鄰兩幀經(jīng)過匹配后，得到當(dāng)前幀的目標(biāo)特征點(diǎn)。由于得到的目標(biāo)特征點(diǎn)中存在不穩(wěn)定特征點(diǎn)，因此需要將這些不穩(wěn)定的點(diǎn)剔除。

但又出現(xiàn)了一個(gè)新的問題，即隨著跟蹤的進(jìn)行，有效特征點(diǎn)會(huì)逐漸減少。尤其是在跟蹤過程中當(dāng)目標(biāo)姿態(tài)發(fā)生了大幅度變化時(shí)，經(jīng)常會(huì)出現(xiàn)目標(biāo)的特征點(diǎn)急劇減少甚至消失的情況，這樣會(huì)導(dǎo)致跟蹤效果不好甚至跟蹤失敗。

這就像賣水果的小商販經(jīng)常會(huì)挑出好的水果擺放在最前面，隨著客人的購買，再繼續(xù)往上添加。

解決特征點(diǎn)減少問題的方法和賣水果是一樣的。只需擴(kuò)大范圍搜索重新提取特征點(diǎn)，即當(dāng)前時(shí)刻目標(biāo)物中得到的特征點(diǎn)的個(gè)數(shù)小于一定的閾值時(shí)，擴(kuò)大跟蹤面積重新提取特征點(diǎn)，將重新提取到的特征點(diǎn)用在接下來的跟蹤過程中。

農(nóng)場中一頭奶牛悠閑地吃著草，一個(gè)卡通小人兒在和消費(fèi)者聊著天。出現(xiàn)這一切，都源于一個(gè)簡單的牛奶瓶。消費(fèi)者通過手機(jī)或平板掃描牛奶瓶身上的圖案，就會(huì)呈現(xiàn)一個(gè)虛擬農(nóng)場，可以選擇各種小動(dòng)物，并和它們進(jìn)行互動(dòng)。

在跟蹤的同時(shí)還需要完成一件事情，那就是渲染動(dòng)畫。動(dòng)畫必須和識(shí)別圖位置保持一致才能達(dá)到融合效果。

目前手機(jī)端 AR 應(yīng)用開發(fā)多數(shù)是采用這種圖像法，這種方法已經(jīng)被模式化。開發(fā)者不用考慮上述這些底層實(shí)現(xiàn)，可以使用一些插件來實(shí)現(xiàn)。常用插件國外的有 Vuforia、Metaio 等，國內(nèi)有 HiAR、EasyAR、VoidAR 等。