Endüstri Liangfengtai 2D AR algoritmasının yeni atılımı, dünyanın yetkili değerlendirmesini kazandı
Mevcut AR uygulamalarında posterler ve kartlar gibi düz nesnelerin takibi gibi 2D AR takibi, pazarlama, eğitim, oyunlar, sergiler vb. Alanlarda yaygın olan temel teknolojilerden biri haline geldi. Bununla birlikte, 2D AR izleme algoritması son yıllarda büyük ilerleme kaydetmiş olsa da, bazı dış koşulların ve çevresel faktörlerin etkisi altında etkide iyileştirme için hala çok yer vardır.Işık değişiklikleri ve hareket bulanıklığı gibi faktörlerin getirdiği zorluklarla nasıl başa çıkılır? Aynı zamanda, şu anda temel algoritmalar üzerinde araştırma ve geliştirme yapan AR şirketleri ve akademisyenler için bir araştırma etkin noktasıdır.
Leifeng.com geçtiğimiz günlerde, AR şirketi Liangfengtai'nin 2D AR izlemede yeni atılımlar yaptığını bildirdi.Geliştiricileri tarafından önerilen kısıtlı güvene dayanan sağlam izleme algoritması (CCM), yerel kapanma, aydınlatma değişiklikleri ve hareket bulanıklığını iyileştirdi. Çeşitli faktörlerin müdahalesi altında sağlamlık ve UCSB ve TMT'nin iki uluslararası değerlendirme merkezinde en iyi sonuçları tazeledi. Şu anda, bu sonuç robotik alanındaki en büyük konferans olan ICRA 2018'de yayınlandı. ICRA, robotik alanındaki en iyi üç konferanstan biridir (diğer ikisi IROS ve RSS'dir) Birçok klasik AR izleme çalışması (ESM izleme algoritmaları gibi) ICRA ve IROS'ta yayınlanmıştır.
Kısmi kapanma, hareket bulanıklığı ve aydınlatma değişiklikleri koşullarında CCM algoritma efektlerine örnekler (yalnızca hedefin etrafındaki genişletilmiş alanı görüntüleme için görüntüleyin)
Liangfengtai'nin son iki yılda 2B AR için algoritma optimizasyonu konusunda hala çok çalıştığı anlaşılıyor. 2017'de ICRA, aydınlatma değişiklikleri için gradyan yönüne dayalı bir AR izleme algoritması yayınladı; aynı yıl grafik eşleştirmeye dayalı izleme önerdi. Algoritma, güçlü girişimde doğru düzlemsel nesne takibi sağlamak için hedef nesne içindeki uzamsal korelasyonu işlemek için grafik yapısını kullanır.Bu çalışma, yapay zeka "PAMI" (IEEE Desen Analizi ve Makine Zekası İşlemleri) alanındaki en iyi uluslararası dergi tarafından kabul edilmiştir. AI, CV, AR ile ilgili CVPR, ICCV, ECCV, ICRA, ISMAR, PAMI gibi alanlarda en iyi dergi konferanslarında yayınlanan diğer araştırma sonuçları, görüntü anlamsal tanıma, yüz görüntü analizi, hareket tanıma, AR sahne modelleme ve konumlandırma, süper Görüntü eşleştirme, görsel belirginlik vb.
Kısıtlama güvenirliğini (CCM) temel alan sağlam izleme algoritması
2B işaretçiler gibi düz nesnelerin izlenmesi, genellikle kamera konumlandırma ve sahne kaydı için önemli bir adımdır. Geçtiğimiz birkaç on yılda, görsel izleme sorununa büyük miktarda araştırma ayrılmıştır.Popüler düzlemsel hedef izleme yöntemleri, kabaca temel noktaya dayalı yöntemler ve şablon tabanlı yöntemler olarak ikiye ayrılabilir. Şablon tabanlı yöntem, özellikleri ayıklamadan doğrudan piksellerin görünümünü kullanır ve düzlemin pozunu belirlemek için Newton'un yöntemine veya varyantlarına göre şablon ile yakalanan görüntü arasındaki benzerlik ölçüsünü optimize eder.
CCM (Sınırlı Güven Eşleştirme), geleneksel şablon tabanlı izleme yöntemlerinden farklı olarak, hareket parametrelerini hesaplarken şablondaki her piksel üzerinde aynı işlemi gerçekleştirmek yerine, ölçüm gürültüsüne göre her piksele farklı eşleştirme katsayıları atar. Bu temelde, aydınlatma değişikliklerine ve yoğun hareket bulanıklığına karşı sağlamlığı daha da iyileştirmek için Liangfengtai geliştiricileri, nesnelerin görünümüyle başa çıkmak için yeni bir kontrol giriş modeli kullanan sağlam bir Kalman filtresi de önerdiler. .
Hedefin ilk görüntüsü veya konumu göz önüne alındığında, yeni yöntem (yani CCM), videodan hedefin konumunu otomatik olarak izler.
Adım 1: Videonun ilk karesinden hedef alanı şablon T olarak çıkarın;
Adım 2: Videodan görüntünün bir sonraki karesini okuyun;
Adım 3: Resimdeki eşleşen hedefi takip edin;
Adım 4: Üçüncü adımın izleme sonucuna göre T şablonunu güncelleyin.
Adım 5: Görüntünün bir sonraki karesini işlemek için 2. adıma atlayın.
Test sonuçları
Kapsamlı bir değerlendirme için, CCM algoritması iki halka açık veri seti üzerinde test edildi: Kaliforniya Üniversitesi tarafından önerilen UCSB karşılaştırması ve Kanada'daki Alberta Üniversitesi tarafından önerilen Operasyon Görev İzleme (TMT) karşılaştırması. UCSB veri seti, farklı dokulara sahip 6 düzlem hedefi, toplam 6889 kare, geometrik bozulma (kaydırma, yakınlaştırma, eğme, döndürme), dokuz hareket bulanıklığı seviyesi ve farklı aydınlatma koşullarını gösteren 96 video akışı içerir, tüm çerçeveler Değişken gürültü seviyelerine tabidir. TMT veri seti, insan yapımı ve makine tarafından kaydedilmiş işlem görevlerinin görüntü dizilerinden oluşur ve toplam 70.592 kare ile 109 görüntü dizisi içerir.
Her bir video kategorisine karşılık gelen ortalama izleme doğruluğu, Tablo I (UCSB) ve II (TMT) 'de aşağıdaki şekilde özetlenmiştir:
Deneysel sonuçlardan, önerilen CCM algoritmasının iki veri setindeki tüm temellerden önemli ölçüde daha iyi olduğu görülebilir. Aslında CCM, neredeyse tüm video kategorilerinde en iyi veya neredeyse en iyi izleme performansını elde etti; bu, anahtar nokta tabanlı izleyici, şablon tabanlı izleme gibi mevcut genel izleme algoritmalarından önemli ölçüde daha iyidir. (Şablon tabanlı izleyici) ve olasılık izleyici (olasılık izleyici) ve aşırı tutum değişikliklerine ve ciddi çevresel rahatsızlıklara karşı yüksek dayanıklılık gösterir.
Diğer algoritmalarla karşılaştırıldığında, CCM algoritmasındaki çeşitli iç ve dış değişikliklerin birkaç tipik örneği, tekrarlanan desenlerle görüntünün eğimi de dahil olmak üzere aşağıdaki gibidir; dramatik ve dinamik gün batımı resmi ışık değişikliklerine neden olur ve doku çok zayıftır; kısmi tıkanma vardır; Bulanık, bu durumda hiçbir güvenilir anahtar nokta tespit edilemez.
AR araştırmasının hala sürekli çabaya ihtiyacı var
Bilgisayarın "geleneksel" düzlemsel nesneleri anlaması yüksek hız, doğruluk ve kararlılık sağlamış olsa da, bu yeterli değildir.Araştırmacılar bilgisayarın, belirli koşullar altında bile mümkün olduğunca insan görsel efektlerini "simüle edebileceğini" umuyorlar. İnsan gözünün ötesinde, bu şekilde, algoritma sıradan kullanıcılar için tasarlandığında yüksek kaliteli kullanıcı deneyimi garanti edilebilir.Örneğin, geleneksel düz nesne izlemede, hızlı hareket kaybı veya kayma, araç penceresinin dışında kullanıcı deneyimine yansıma eğilimindedir. Reklam panoları kolayca tanınmaz.Yürürken AR oyunları oynadığınızda, yerdeki mobilyaların "havada süzüldüğünü" göreceksiniz.
Bu, ilgili akademik personelin ve kurumsal Ar-Ge personelinin, sürekli olarak yükseltilen donanım ortamıyla birlikte yüksek derecede bir pazarlamaya ulaşmak için algoritmaları sürekli olarak optimize etmesini ve yeni yöntemler önermesini gerektirir. Mevcut 2D AR ve hatta AR endüstrisinin tamamı için, uygulayıcıların mevcut teknolojileri pazara uygulamaları gerekiyor, ancak aynı zamanda temel teknoloji sınırlarını ilerletmek ve AR'yi olgunlaştırmak için çok sayıda gerçek yenilikçiye ihtiyaç var.
