基于AR的變換域特征識別算法研究

肖敏，郭美，蘇美珍

（湘南學院軟件與通信工程學院，湖南 郴州 423000）

0 引言

AR（augmented reality）增強現實技術是建立在真實世界的基礎之上，擴展出虛擬的場景，使得真實世界與虛擬場景相結合，這樣增強了用戶的體驗感和交互性。AR技術的研究是近些年來研究的熱點，國內和國外很多知名的公司都提供了AR開發的軟件開發工具包。在AR技術的研究中，二維圖像的特征識別算法是其中的關鍵技術之一。

圖像特征是能夠唯一識別圖像的標志。在AR的圖像特征識別中應該在圖像發生角度，光線明暗變化和位移的情況下，算法計算得出的特征應該是不變的。特征識別算法中，SURF（加速穩健特征）算法具有較高計算效率且具有尺度不變的特征；SIFT（尺度不變特征轉換——算法在空間和尺度上定位更加精確[1]；FAST（加速分割測試獲得特征）算法專門用來快速檢測關鍵點[2]；Harris特征檢測是檢測角點的經典方法[3]。但各種算法都具備不同的優缺點。

1 AR開發流程

目前AR系統的開發流程主要步驟為，首先通過二維圖像或三維物體的特征來構建特定的模型數據庫并保存在云端或者本地存儲中，然后通過特征識別算法匹配真實物體的特征與模型數據庫進行比較，如果真實物體的特征匹配，最后將構造設計好的虛擬場景添加到真實世界中，進行三維展示，并且虛擬場景能夠隨著真實場景的變動和運動，進行準確的定位。開發流程如圖1所示：

圖1 AR開發流程

從AR的開發流程圖可得，在AR技術的研究中，如何識別物體的特征是AR應用的關鍵環節，識別的方式可以是識別二維圖像特征然后把虛擬場景定位至準確的三維世界位置；也可以是識別三維物體的特征然后把虛擬場景定位至準備的三維世界位置[4-5]。虛擬場景的定位技術涉及到注冊跟蹤技術的研究，而物體的特征識別往往是實現AR應用的第一步，本文主要研究二維圖像的特征識別算法，是目前最常用的AR實現方式之一。

2 AR的變換域特征識別算法

2.1 普通圖像的特征識別

普通圖像的特征識別，可以通過圖象的指紋信息進行識別，通常的識別方法為，首先將彩色RGB圖像進行轉換變換為灰度圖像，然后對各個像素的灰度值進行安全Hash運算，生成固定長度的圖片指紋信息。選擇好的安全Hash函數能夠讓圖片的指紋具有唯一性，能夠很好的實現圖片的特征識別[6-7]。但是這種方式不能適應圖像的光線明暗變化與圖像的角度位移，也不適合在攝像頭的圖像下AR系統的特征識別。

2.2 空間域特征識別

圖像的空間域可以直觀的反應的特征，圖像的特征點很可能出現在亮度變化較大的區域，這樣可以通過計算相鄰像素點之間的亮度差來確定圖像的特征點。在空間域比較相鄰像素點之間的亮度關系，對于彩色RGB圖像，亮度的計算公式為:

首先計算原始圖像中各像素點的亮度，構建圖像的亮度矩陣,然后比較相鄰像素點的亮度差，相鄰相素點為Xi+1和Xi，如果相鄰相素點的差（Xi+1-Xi）>20，則確定此Xi為圖像的一個特征點，原如圖像的全部相素點進行相同的運算，并且選取出所有滿足條件的這樣的特征點，構造成特征矩陣1.算法的流程圖如圖2所示：

圖2 空間域構造特征矩陣流程圖

2.3 頻率域特征識別

在對圖像的研究中，圖像的空間域和頻率域二者之間存在著必然的聯系，空間域中圖像信息的主要成分，在頻率域表現為低頻的信息；而空間域中圖像的非主要成分，在頻率域表現為高頻的信息[8-10]。這樣可以通過比較變換域的圖像低頻系數，來確定圖像的特征。頻率域的特征識別算法步驟如下：

（1）把原始圖像的彩色RGB圖像轉化為256階的灰度圖，彩色圖像有R,G,B三個通道，可以使用對三個通道進行平均值求法，也可以使用加權平均值法。

（2）對256階的灰度圖像計算離散余弦變換DCT，把圖像從空間域轉換的頻率域。DCT變換相比離散傅立葉變換能夠更好的把圖像重要的信息聚集在一起，通過DCT變換能夠將其能量的大部分集中于頻率域的一個小范圍內，這樣一來，描述不重要的分量，而在圖像的相似性比較中，需要的是圖像的主要信息，通過DCT變換正好能滿足算法的需求[11]。

（3）保留計算DCT之后的左上角系數，這些代表的圖像的最低頻率。在通過DCT變換以后，左上角的系數是圖像的低頻，是圖像的主要信息，右下角的系數為圖像的高頻，表示圖像的細節，是圖像不重要的成分[12]。

（4）因圖像在環境和明暗變化時，其DCT變換具有相似性，說明變換后的低頻部分矩陣只發生緩慢變化，用低頻矩陣確定為特征矩陣2。

（5）特征矩陣2包含圖片的低頻系數，在AR系統進行圖像識別中，對識別的圖像做相同的變換，并比較不同圖片低頻系數的比值。如果得到的比值相同，可以確定圖像的相似性，如果得到的比值不同，可以確定圖像不匹配。頻率域的特征識別算法流程圖如圖3所示：

圖3 頻率域圖像相似判斷流程圖

3 實驗測試分析

為了測試算法的有效性，本次實驗選取20張不同的圖像，作為特征識別的數據集。然后對每張圖片進行光線變換，角度變換，共計生成20×5=100張圖片。

算法的測試基于這100張圖。測試的步驟為首先對所有的圖片首先構造特征矩陣1進行匹配，如果能夠匹配再進行特征矩陣2的相似性匹配，當2個特征矩陣都能匹配時，認定AR系統識別的圖像和原始圖像具有一致性，滿足特征識別算法。

為了描述算法的實驗，僅選擇一個4×4的矩陣說明算法的操作步驟，采用上述方法對大量復雜背景的圖像進行了實驗。第一步：在空間域將亮度差較大的像素加入特征矩陣1，對不同圖像的特征點進行比較，確定圖像的匹配性如圖4所示：

圖4 特征矩陣1匹配圖

第二步：在頻率域進行低頻系數加入特征矩陣2，對不同圖像的低頻系數求比值，確定圖像的相似性，如果各低頻系數的比值相同，確定圖像與原始圖像是相似的，確定圖像的相似性如圖5所示：

圖5 特征矩陣2匹配圖

實驗結果表明，通過2個步驟確定的特征點識別算法，能較好的識別出指定圖像，并且在不同角度和光照的情況下識別效果也比較好，但是在實際應用中AR的特征匹配算法除了考慮算法的識別度和精確度，還需考慮匹配算法的效率與響應時間[13-14]。這是算法還需要進一步改進的方向。

4 結論

對二維圖像或三維物體進行特征點識別，是AR系統設計的關鍵步驟，良好的特征識別才能準確的把虛擬場景擴展到真實的世界中[15]。本文提出的變換域特征識別方法通過在不同域進行特征匹配，具有較好的性能，為AR系統的研究與設計提供了參考。