文摘
近年来,国家开了绿灯,增强现实技术的发展。各种优惠政策如雨后春笋般如雨后蘑菇,和增强现实技术逐渐被应用于我们生活的方方面面。在文物保护方面,古代壁画的研究和保护无疑是最困难的。在保护方面,壁画非常脆弱,还有很多需要注意的因素,如空气湿度、温度、微生物、淤泥层的脱落。在研究方面,对壁画的研究需要大量的仔细观察,但呼气或体温人员太靠近都有无法预料的后果。在此基础上,本文阐述了增强现实技术系统的构成。通过图像识别、三维跟踪注册、虚拟现实的组合,和其他技术,图像相机获得的承认,然后壁画所在的环境是一个虚拟的场景通过三维跟踪技术。我们构建,最后使用虚拟和现实技术的结合使古代壁画生动地呈现在我们面前的是为我们的人员学习更加方便。高斯函数的使用,冲浪算法,反常的算法,RANSAC算法等等改善增强现实技术系统使古代壁画的介绍更详细的和现实的。实验后,我们得出的结论是,古代壁画处理增强现实技术更详细和更完整的比普通相机所拍摄的照片。 Processing ancient frescoes is also far less time-consuming than the existing image processors.
1。介绍
增强现实技术是一种虚拟场景的图像或信息生成的计算机科学,可以生动地呈现在现实场景中,这样用户可以看到实时通过终端,以获得更多的信息(1- - - - - -5]。增强现实技术可以应用于各种应用领域,通过支持的三维跟踪注册技术,虚拟现实技术集成和其他技术(6- - - - - -9]。早在20世纪,增强现实技术出现在美国。随着科学技术的不断发展,我们国家也已经开始使用增强现实技术在各个领域,如军事(10- - - - - -12]。然而,在文化领域中的应用还相对较小,有很多的发展空间。古代壁画保护环境有很高的要求,和研究条件也很恶劣。它经常发生在研究的过程中由于操作不当或自然美景。珍贵的古代壁画已经消失了(13,14]。通过增强现实技术,古代壁画的方方面面都记录下来,保存在一个虚拟场景由一台计算机,然后通过三维跟踪技术,他们可以出现在我们面前的完整和详细地研究人员研究[15]。增强现实技术的应用具有重要意义的应用和探索古老的壁画。
2。计算机增强现实技术的应用分析
因此,系统的桥梁真实场景,实现虚拟场景和用户交互。通常是由图像识别技术,三维跟踪注册技术,虚拟现实技术组合。模式构成图如图1。
在增强现实系统,我们首先需要从真实场景所需的信息通过摄像机和分析并建立一个虚拟的场景空间通过图像识别技术。当前相机的空间定位和特定的姿势维持当前相机获得通过使用三维跟踪技术。我们使用电脑来设计相对应的虚拟模型的当前状态,然后根据相关数据解析和计算的三维跟踪注册技术,真实的场景和虚拟场景合并,然后显示在虚拟和真实系统的组合。最后,客户需求的病变显示终端,形成一个完整的增强现实系统。图像识别技术的操作过程如图2。
因为特征匹配是指建立两幅图像之间的对应关系在同一现实世界的场景或具有相同目标,全球特征检测的抗干扰和准确性低于当地特征检测图像及其环境要求非常高,导致伟大的限制应用程序中,因此采用局部特征检测方法。
利用图像识别技术,通过一系列过程的图像采集,图像预处理、图像特征提取、图像特征匹配,并输出结果,我们可以获得更准确和有用的信息比开始时获得的图像信息。删除无用的信息,我们后续的三维跟踪注册技术提供了计算方便和更大的准确性。的三维跟踪注册技术是一个重要的增强现实技术正确实现叠加和虚拟现实技术的集成。的三维跟踪注册技术通常应用于对象的跟踪和定位在现实场景中,呈现虚拟场景真实的场景通过空间坐标系统。现实的每一个角落的精确位置可以分为三个类别的技术,设备和方法完成。使用最广泛的跟踪注册技术是基于软件的注册技术,即通过计算机视觉跟踪注册技术。这是通过获得一个空间定位和叠加模型,可以虚拟坐标系统之间的转换和真正的坐标系统。标记是否放置在真实环境可分为三维注册技术和nonmarker注册技术标志。
在获得目标关键帧在线下部分,相机的外部参考和关键帧的投影矩阵解决了根据匹配点,建立和初始化结构。目标关键帧的参数保存在帧分析和建立目标的三维结构。定位关键帧协议初始化的三维跟踪注册信息。
图3显示的三维跟踪注册技术。
2.1。增强现实计算模型
2.1.1。在三维空间坐标计算
(1)像素坐标与图像坐标。对于一个特定点在三维空间中,二维齐次坐标的投影点根据像素坐标系统可以表示为 ,和二维齐次坐标的投影点在图像坐标系统可以表示为 。两个点之间的关系可以表示通过公式(1)(2), 坐标系统的起源。
在上面的公式中,每个像素的变化的像素坐标系统x和y轴是总和 。在此基础上,这两个坐标系的转换关系如下公式所示:
(2)图像坐标和摄像机坐标。的坐标系统相机的位置坐标系统,的点图像坐标系可以用齐次坐标表示 都在相机坐标系 。注意的距离是通常也称为相机的焦距。然后,图像坐标系之间的转换关系和摄像机坐标系统可以由以下公式表示,这是表示如下:
为一个点在现实世界坐标系统在三维空间中,它可以表示为 真实的世界坐标系统 。的点在摄像机坐标系可以用齐次坐标吗 。这两个坐标系之间的转换关系可以通过以下公式表示:
的R在上面的公式是指坐标轴是一个3×3旋转矩阵转换为现实世界坐标系时摄像机坐标系统。t是向量表示坐标转换后改变从现实世界坐标系到摄像机坐标系。T是矩阵用来表示真实世界坐标系之间的转换关系,相机坐标系。这个变换关系也可以使用以下公式表示:
2.1.2。特征点检测的计算
规模通常是用来描述放大一个遥远的对象,和遥远的物体的图像变得模糊。这通常是用来模拟人眼视觉。当两个物体的特征点在图像匹配在许多鳞片,它可以证明,这两个是相同的对象。
为了实现算法的不变性,我们建立了一个图像金字塔构建尺度空间。金字塔的每一层都是由大量的图片,和之间的尺度图像增加一个常数乘法器。每组是翻倍的图像开始倒数第二第三级图像样本的下一组图片,和图片大小不同群体之间形成一个连续的金字塔,从而确保天平的不变性。
(1)高斯函数。尺度空间图像可以表示的函数 scale-variable高斯函数的卷积 和输入图像 ,如以下公式所示:
代表卷积,变尺度高斯函数 可以用以下公式:
它代表比例因子,它的大小决定了图像的模糊强度。本文中的特征点检测是海浪的特征点检测算法,这是兴趣点检测基于海赛矩阵。假设有一个像素p在一个 鉴于图像 ,和海赛矩阵定义和规模可以通过以下公式表示:
在这里, , , 是高斯二阶导数卷积和原始图像。因为高斯函数的计算复杂度也慢,我们通常使用近似的值来表示它,减少计算量,加快其公式如下公式所示:
其中, , , 代表的近似的价值通过过滤相应的值
事实上,有很多目标图像的特征检测算法,根据选择不同的功能和不同的场合。冲浪算法优于其他算法高的准确性,规模,和旋转的特征点检测,和速度的算法也已大大提高,所以我们选择了冲浪算法为主要算法的增强现实系统。
(2)冲浪和手法”算法。在过去,我们使用传统的冲浪算法来描述浮点特性。虽然炎热的冲浪已经更新和加速,它仍然不能满足我们的要求。它需要使用大量内存和时间处理,描述和匹配。因此,我们使用反常的算法,这是接近的过程我们人眼的视网膜接收图像信息和处理它。它使用抽样点的梯度计算部分,和采样点结合到对通过比较采样点。像素强度来获得我们的描述符可以通过以下公式表示:
公式中的N代表描述符的长度,在其中代表二进制测试,代表大量的采样点。表达式可以表示为下面的公式: 在表示前一个像素点的像素值和代表了像素值的点。
根据现有的特征点信息,建立一个矩阵,每一行对应一个关键点反常的二进制字符表示,和二元分布的方差矩阵计算通过计算矩阵的每一列的意思。矩阵的每一列进行排序根据最大方差,方差与最近的排名在前面和越远越接近一个在后面。最后,保存最好的列,其余列迭代计算协方差最好的专栏,让列最小的协方差,最后过滤所需的二进制文件描述符。
在这个模型中,计算特征点的矢量方向通过选择采样点与中心对称和利用当地梯度求和方法。我们假设当地的梯度公式计算的信息(13)获得特征点的方向。公式如下:
在这个公式,点集的数量吗 , 所有采样点的集合是用来计算特征点的方向,和通过采样点中心,表示一个像素值前的两个采样点。表示一个像素值以下的两个采样点。
取样后,我们需要做一个粗略的匹配所收集的数据,称为粗匹配。粗匹配通常是汉明距离的度量和特征点描述符之间的汉明距离的计算公式如下公式所示:
3所示。增强现实技术的一种改进的模型基于RANSAC算法
应该是由于阈值的存在,可以匹配点,只是接近真实及正确匹配,并不能完全保证点的正确性。因此,我们决定在最后一步使用RANSAC算法特征检测和匹配算法的过程,也就是说,使用随机抽样共识算法获得的屏幕和净化功能匹配点。这个算法可以帮助我们估计坐标之间的相互转换关系的特征点之间的两个图片,可以称为单应性矩阵 。单应性矩阵可以帮助我们找到图像的特定位置在虚拟场景和真实的场景。图像之间的单应性关系如下公式所示: 表示匹配特征点的尺度参数 是目标图像的匹配特征点坐标和匹配的特征点坐标 虚拟场景和真实的场景。
健壮性测试和图像识别算法的准确性比较特征检测和特征匹配算法来准确描述特性的准确描述和匹配图像之间的点措施平均匹配数量和平均匹配率。平均匹配率代表总数的比值匹配点N和图像特征点的总数米。比率越高,越精确的特征点检测算法,如以下公式所示:
平均匹配率AP之间的比率是精确匹配点的总数和总数量匹配的点N的特征点。比率代表了匹配算法的准确性。因为只有正确的数量的匹配点的数量可以被称为特征匹配点,比率越高,算法的精度越高,如以下公式所示:
在一个系统与增强现实技术,建立三维结构和三维注册信息的分析需要相机固定具体信息。在平面图像,如果真实的坐标和摄像机的平面坐标一致,二维平面坐标之间的转换关系如下公式所示:
如果它是一个单应性矩阵,公式的形式变化如以下公式所示:
因为是一个正交矩阵的转置矩阵,然后,根据正交矩阵的相关性属性,有一个公式(20.)如下:
前两帧选择使用为基础来构建初始的三维结构。名字两帧的飞机和 ,假设点的投影点在两架飞机在两架飞机,分别这两个图像像素的齐次坐标 点 。 点的空间坐标齐次坐标 ,和相机参数矩阵 。根据这些信息,我们可以获得的公式如下:
和是通过平移坐标系的旋转矩阵之和第二个框架通过第一帧。通过结合这两个公式公式(2)2),可以得到如下公式:
左右的公式(23)同时交叉相乘t和公式(24)可以通过代表十字架的矩阵乘法如下:
投影矩阵在通过公式 ,和三维坐标是乘以reequation双方在同一时间可以得到 任何一对然后搭配获得的特征点坐标,旋转矩阵R和翻译向量t,可以获得和 。
通过简化原始公式通过定义矩阵F和矩阵E和设置它作为图像的齐次坐标, 我们最后的公式可以得到如下:
在 方程两边都在同一时间用点,删除常数项: 在定义基本矩阵和基本矩阵E是: 最后把公式(24和你得到25)
4所示。实验模拟
增强现实技术的一个重要指标是匹配特征点的平均数量,平均匹配率,平均准确率在特征检测实验。增强现实技术的这些数据是非常重要的。通过许多不同的转换如旋转变换、模糊变换,亮度变换,转换和规模的多个场景,一个场景,我们可以得到以下数据。比较优化前后的数据,我们可以直观地查看优化结果如表所示1和图4。
从数据对比图表,我们可以清楚地看到,在各种图像的转换,冲浪获得的匹配算法的平均数量和反常的算法在不同的转换是完全不同的,它会更好。与前两个算法相比,平均数量的匹配方法,得到更少的变化和更稳定。
在上面的变化,除了比赛的平均数量,我们也可以获得一个重要指标,平均特征点匹配率,称为平均匹配率。平均匹配率的变化在上面的转换表所示2和图5。
从数据图,我们可以看到,相比,本文方法和算法,冲浪的反常的算法有较低的平均匹配率的变换各种图片,和鲁棒性测试结果也差。本文方法的平均匹配率和冲浪算法一般没有多大的不同,和潜在的效应更强角转换和压缩变换,在平均匹配率较高。总的来说,该方法的平均匹配率是最高的。
reenhanced颜色系统,错误主要发生在跟踪登记误差之间的相对运动引起的相机和现场在线跟踪注册期间,可以计算reprojecting错误来衡量而不是
的计算公式如下: 其中代表的数量特征点对目前计算相机的姿势,代表了一个二维特征点的坐标的一个场景图像,代表坐标投影特性。
最后,我们通过做一个直观的比较数据的平均准确率在每个转换。结果如表所示3和图6。
根据实验数据图,它可以知道传统的反常的算法具有更低的总体准确率比其他算法,和鲁棒性测试结果不能达到期望的效果。冲浪算法有较低的精度在旋转变换的情况下,实现更好的结果在其他图像转换和具有较高的精度。总的来说,本文的方法是最好的,其次是冲浪。最后,在一系列的实验中,古代壁画我们希望得到的图片如图所示7。
4.1。时间消耗比较实验模拟不同的算法
时间消耗是一个重要的指标来衡量一个算法的实时性能。通过比较算法的运行时间在特征点检测和特征点匹配和净化,耗时越少,算法的实时性能越好。
通过使用平均图像数据库中的数据计算的耗时时间使用冲浪算法和反常的算法和计算的时间特性检测方法,结果如表所示4和图8。
三种方法相比,冲浪花费时间最多的方法。与怪物算法相比,冲浪等算法具有更好的数据平均正确率和平均匹配率,但每个实验需要更多的时间比狂算法。因为海浪算法的改进有着悠久的瓶颈,我们可以选择本文的方法,花费更少的时间和更准确。
3 d的耗时的性质登记注册我们的评估方法的一个指标。我们使用注册目标识别方法和目标跟踪注册方法比较实验结果,得到以下数据如表所示5和图9。
通过逐帧特征检测和匹配耗时的结果的方法,我们可以发现,目标识别和登记的时间消耗远远超过目标跟踪的登记。因为更费时,系统上的负载越大越多,该系统将卡住了。因此,目标识别注册方法不可行。
是我们的标准测试库的数据使用PASCAL VOC2007图像库图像特性,其中包含大量的场景和转换,我们还计算平均图像库中的图像数据序列。所使用的算法也是双向匹配算法结合的比例最近的邻居和邻居,使实验数据说服力和代表性。
最后,在系统构造根据增强现实技术,我们比较的速度处理系统中的图像帧的主要模块,和获得的数据如表所示6和图10。
根据表,三个模块需要最长的时间进程初始帧,和目标图像识别是最耗时的一个。在这个时候,我们需要保持相机的稳定,确保初始帧的完整性,因为系统使用增强现实技术部分重叠图像解决方案通过使用特征跟踪,从而保持系统的快速注册。处理时间的影响可以看到在线跟踪架在桌子上。古代壁画后快速的渲染处理如图11。
5。结论
增强现实技术是一个新兴学科,可以帮助我们更方便、直观地表达信息通过图像识别等技术,三维跟踪和虚拟和现实的结合。然后结合建筑真正的场景通过图像识别和三维注册跟踪最后显示在终端来帮助人们探索古代壁画的应用程序。其中,通过优化方法结合尺度空间特征检测算法算法和二进制扫描算法狂冲浪,通过特征匹配,本文提出的方法结合了最近邻比率和双向匹配,从而保证准确性,同时减少计算时间。3 d登记跟踪模块执行注册通过建立有针对性的三维结构和PnP型算法,然后尽快解决注册信息通过高斯函数,然后变化的观测条件虚拟场景和真实的场景。使用准确的叠加虚拟物体实现增强现实效果。
数据可用性
使用的实验数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突的这方面的工作。