文摘

提高现代艺术设计的影响,本研究提出了一个相机姿态估计算法基于四元数的最小特征点。此外,本研究检测和相机图像的特征点匹配和建立一个系统的公式通过刚性约束的特征点,从而构建一个特征值问题解决相机姿势。此外,本研究结合人工智能技术构建现代艺术交互设计系统结构和系统功能结构。最后,本研究分析了系统的逻辑结构和空间结构,并使用现代艺术设计分析性能的交互设计模型提出了研究。通过实验研究,可以知道,现代艺术基于人工智能技术的交互式设计系统提出了研究基本上可以满足新媒体时代的艺术设计的需要。

1。介绍

现代科学技术的不断进步,人类世界已经从工业社会进入了信息时代,无处不在的信息早已融入人们生活的每一个角落,和人类是打开一个信息化的新时代。在一个划时代的背景下,计算机科学的发展,互联网、虚拟现实、人工智能,迫使艺术设计学科的不断扩大和创新。技术已经诞生新的设计形式(1),和信息艺术设计学科出现了历史性的时刻。作为一种艺术和科学之间的桥梁、信息艺术设计已经逐渐演变成一个新的主题丰富的内涵。设计艺术是基于设计实践,所以信息艺术设计必须根据社会的实际需要纪律(2]。例如,互动的公共艺术参与地铁公共艺术设计在地铁空间和信息艺术设计旅游数字化服务平台,整合新媒体技术和艺术。作为信息传输的重要通道,交互设计信息艺术设计已经成为一个重要的环节。随着科学技术的不断发展,交互式信息艺术设计和技术的集成将继续创新艺术设计的形式,向技术和艺术的发展注入强大的生命力(3]。

通过今天的硬件和软件设备和辅助设备,用户不仅可以看到的,听到的,和感觉,但也互相交流和经验,同时创建一个虚拟化的信息环境。虚拟现实技术已被应用于军事、教育、建筑、土木工程、娱乐和其他领域在早期,取得了优秀的成果。由于快速变化的时代,传统观念不再能满足人们的需要今天,和下面是数字技术革命。科技引领时代潮流,科技不断侵蚀人的思想和生活,使生活更加丰富多彩。然而,艺术的形式也随着技术的发展而改变,和艺术中显示技术已成为最新的表情的艺术家之一。随着信息技术的发展,虚拟技术广泛应用,不仅在电影和游戏。建设数字虚拟化将缩短人们之间的距离。这不仅是浏览,也为密切接触的人不理解虚拟技术。与此同时,也有许多新奇事物的艺术表现。

美显示在虚拟现实系统称为虚拟艺术美。艺术意义上显示虚拟现实艺术和传统艺术的相似之处。因此,有必要更深入的了解虚拟现实艺术继承了传统艺术的形式。虚拟现实艺术是表达的基础上,技术,和技术包含传统的元素。在艺术美学、技术本身就是一种美。虚拟现实发现艺术的属性表现在相关技术的性能进行研究和分析从视觉艺术的角度来分析技术对用户体验的影响。

本文结合新媒体技术和现代艺术互动的现代艺术设计要求构建一个智能交互式设计系统,改变了传统艺术设计方法,促进后续的艺术设计的发展。

2。相关工作

近年来,随着计算机视觉的不断发展,图像识别,和其他技术、人机交互技术已经逐渐从过去computer-centric键盘和鼠标交互模式,一个新的以人为中心的交互mode-natural人机交互(4]。微软推出了Kinect, 3 d动作感应相机,集成了多种功能,如语音输入识别和动态视频捕捉,完全颠覆游戏的单一生产模式(5]。它通过摄像头捕捉人体运动,使用深度传感器获得的力量和深度数据,流程,执行对深度图像进行像素级评估,使用人体识别分割策略,并生成一个骨架系统基于追踪20联合点信息,实时捕捉玩家的手势(6]。与计算机图像识别等技术的发展,激光收购,和机器视觉,躯体感觉交互设备已成为首选的研究人员认识到自然交互(7]。中最具代表性的躯体感觉控制设备Kinect,跳跃运动,PS,等。依赖于它的功能,它可以获得人体骨骼信息和深度同时,Kinect推出以来,得到了广泛的应用,已成为主流的数据采集设备中使用的手势识别研究领域(8]。Ref。9]预测学生的注意力在课堂上从Kinect的面部和身体特征,并使用二维和三维的Kinect传感器获取的数据建立一个特性集,描述学生的脸和身体属性(包括注视点和身体姿势)。使用机器学习算法来训练分类器,它可以估计时变的关注个别学生的水平。的作者(10拼写)创建了一个手语识别系统基于Kinect和手语识别研究解决前面的问题很难正确判断阻塞和准确提取深度值。的作者(11)实现了一个基于Kinect博物馆漫游系统,使用位置数据的头,脚,手,肩膀、脊柱通过Kinect,识别五个姿势和三个动作。根据识别结果,用户可以改变视角,打开或关闭的推拉门,卷起竹幕,光或熄灭蜡烛在三维空间中。在过去,虚拟现实设备本身没有支持躯体感觉交互功能,使它不可能实现一个完美的虚拟现实的体验。它只能实现与外部设备如Kinect和跳跃运动12),但现在虚拟现实设备变得越来越成熟。目前,三大消费虚拟现实设备(CV1眼睛裂痕,HTC万岁,PS VR)都能意识到躯体感觉的相互作用。躯体感觉的相互作用使身体与虚拟世界中的各种场景交互,提高浸,有效减少晕车(13]。然而,由于眼睛接触和HTC万岁躯体感觉互动的消费者版本眼睛裂谷CV1刚刚发布,到目前为止,几乎所有的学术研究和结果在虚拟现实的躯体感觉交互开发使用Kinect [14]。

经过多年的发展,目前虚拟现实技术的应用领域非常广泛,涉及教育、医疗、娱乐、交通、工程设计等。15]。的作者(16)进行了研究虚拟现实技术在教育中的应用,感知学生通过视觉,听觉,和触摸。的作者(17)开发了一种新型的交互式虚拟现实表现戏剧,这可以使多个参与者享受娱乐和教育经验的环境。参与者通过虚拟现实显示器看演出,可以与表演者通过使用输入设备,和控制性能的内容有限。中国仍然有很大的差距,一些外国发达国家虚拟现实的研究,但许多国内研究机构和大学也在进行积极的研究。

3所示。艺术互动空间算法

姿态估计算法使用特征点,如图1。所采取的两张图片相机在不同的位置检测和匹配特征点在两幅图像使用一台计算机,并获得特征点的坐标信息在同一时间。左边的图像中检测到的特征点是标有红色点,右边是标有绿色。最后,我们使用电脑来匹配特征点和线段连接黄色,与图像中心为中心,正确的方向是积极的方向x设在,向下方向的正方向y设在。然后,可以已知特征点的坐标。

和 ,分别代表了翻译相对旋转矩阵和矩阵两个摄像机的图像。根据现场由摄像机拍摄的图像在两个视图,可以检测出图像中的特征点匹配,图像和坐标平面定位可以从图像中提取。坐标得到的像素,然后,笛卡尔坐标系的坐标映射到图像平面上通过摄像机标定矩阵。对于每个匹配特征点,它遵守刚性运动约束如下公式所示(1)[18]:

的公式, 代表了齐次坐标的匹配特征点在两幅图像。的标量u和代表到原点的距离的三维特征点的空间z设在摄像机坐标系,称为三维特征点的深度值在每个视图,如图2。点的坐标p和p”可以从图像,获得他们已知的参数。因此,公式(要解决的未知数1)uv,R,和t。

旋转矩阵的公式(1)是由R, 是一个3×3正交矩阵与行列式的值。为了避免非线性问题解决时,旋转矩阵是由4个变量的四元数表示 如以下所示方程(19]:

该算法使用四元数变量来表示旋转矩阵,可以直接解决。这里,第一个变量在四元数是定位为非负数,也就是说,≥0,这表明旋转矩阵和四元数是一对一的。解决构成,该算法消除了未知参数u、v和t,一个系统的基于四元数的公式变量。通过求解系统,旋转矩阵可以得到解决。该算法将所有特征点带入公式(1)的矩阵表达式的翻译和深度价值,并解决了矩阵公式的转换和特征点的深度信息。

翻译解决旋转矩阵和矩阵,需要消除一些参数的公式。用两种不同的特征点在图像到公式(1),我们可以得到两个公式和未知参数t可以被减去两个公式。同样,三个特征点可以带入公式(1)获得三个公式,和未知参数t在每一个公式之间的公式可以被减去。的特征点在图所示1。F1 (−0.8, 0.3), F2(1.0, 1.4),和F3(2.5, 0.9)和各自匹配的F1的(1.3,0.4),F2 '(0.3, 1.5),和F3′(1.9, 0.8)引入到公式(1)和公式(3)- (5)可以获得如下:

公式(3从公式()中减去4)和(5),分别获得一个公式没有未知t所示,下面的公式(6)[20.]:

当u和被认为是未知数,MV = 0的公式可以表示为公式(所示7)。得到矩阵米只是由特征点坐标和旋转矩阵R,向量V的深度参数特征点组成。当矩阵的行列式的值米等于零,这个矩阵的行列式米可以被评估,和四元数变量吗 可以列入四级多项式公式,相关系数的特征点的坐标。多项式公式不包含未知u和v,消除未知的深度参数,见公式(8)。

公式(8)由35个单项,我们定义的操作如下:

然后,一个多项式的学位d与c变量是由<d+ c−l,颈- 1 >单项。因为任何3特征点可以得到一个多项式公式,然后k特征点可以<k3 >公式。四元数变量相乘 由获得四级多项式公式,我们可以列出更多的多项式公式,如以下公式所示(10)[21]:

如果5个特征点用于估计相机的姿势,然后< 5,可以建立3≥10四次多项式公式。分别乘以四元数变量与他们,我们可以得到40度的公式5,单项的数量< 4 + 5 - 1,3≥56。矩阵和向量的形式表达的新公式获得如下:AX = 0。

其中,矩阵一个公式的系数组成的系统,和。 矩阵X由下方在所有单项, 。见公式(11),该算法将向量X两个向量如下:

其中, 和 。X₁是向量包含所有单项的 ,和X由剩下的单项。我们设置 。其中,由相关的列 ,和 。 由相关的列X, 。然后,系统AX-0可以等同于写如下(22]:

乘法公式(13伪逆矩阵)的 ,我们可以得到如下:

该算法提出了变量向量中并表示V。也就是说,

该算法集 ,和 。然后,可以表示为 。

该算法构造一个方阵B, 。该算法构造一个矩阵公式: ,将问题转化为一个特征值问题,并设置 。然后,可以表示为矩阵公式 。

在公式(17),向量的元素属于向量或向量 。元素属于 ,中相应的行选择B 。元素属于X₁在矩阵相应的行B是适当的自然基础行向量,向量的解决方案V可以导出,变量的值呢 可以根据计算向量的元素V。将变量纳入公式(2)可以得到旋转矩阵来解决R。

在获得相应的旋转矩阵R的翻译和深度值特征点可以进一步解决。所有匹配的特征点服从刚性运动约束,见公式(1)。然后,对于k特征点,表示为一个矩阵和向量的形式CY= 0:

的公式, 是单位矩阵,k矩阵,特征点的数量吗 ,和 。从公式(18),它可以知道矩阵Y在矩阵的零空间C。Y可以通过计算获得的右奇异向量矩阵C,即cC对应的特征向量,向量Y既包含翻译信息和深度信息。因此,这些参数可以解决在同一时间和同一比例因子的限制。

可以看出在构建一个多项式的算法公式体系,乘以四元数变量 由原配方公式的数量将会增加,同时,系数矩阵有一个更高的维度,而伪逆乘法的价值是没有改变。当特征点坐标不准确或受到噪声的影响,伪逆操作与和 。在实际应用程序中,特征点的数量增加时,矩阵的维度和会更高。通过这种方式,通过伪逆操作,可以进一步抑制噪声,旋转可以提高估计精度。通过选择向量或特征值不同,它可以转化为不同的特征值问题,但姿态估计的结果是相同的。

算法的性能测试和一些现有算法。测试使用蒙特卡罗模拟随机产生的一组混合的均匀分布一般3 d点和共面3 d点在摄像机前面一个长方体。随后,镜头移动到其他位置通过随机平移和旋转。使用针孔摄像机模型,得到特征点的坐标,将三维坐标点投射在二维平面上。在这项研究中,张诤友的校准算法是用来获取摄像机参数,和矩阵通过摄像机标定K。每个图像是1728×668像素。

本文算法的性能与8点算法相比,Kukelova算法,nist算法,李和哈特利算法,Stewenius算法。在实验测试中,每个算法的旋转误差和翻译误差比较显示比较结果,而结果绘制曲线的形式。具体的错误计算方法如下。

我们定义的公式如下:

方程(20.)是用于描述旋转误差, 。其中, 四元数的值被用来解决测试中的旋转矩阵,然后呢是真正的价值。同样,翻译错误可以通过替换四元数向量的公式单位规范转换矩阵。

评估算法的性能在噪声的影响下,均值为零的高斯噪声的标准差0到3像素被用来模拟噪声干扰的实验操作。然后,我们将它添加到所有图像,噪声标准差增量值设置为0.1像素值,和做100个随机实验单元噪声增量值。解决方案最接近真实价值选择每个算法的估计价值。比较这些算法的抗干扰能力与噪声最小特征点,特征点的数量为算法提供参与的比较实验所需的最小数量的特征点每个算法的解决方案。我们可以用公式(20.)获得旋转误差和翻译误差相应算法和相应的误差曲线如图3。

从图可以看出3nist算法的估计错误,李和哈特利算法,和Kukelova算法相对较近,所以他们的误差曲线几乎重叠。8点算法显示了一个相对良好的翻译错误,而是因为旋转误差太大,只有一部分的旋转误差曲线显示在图。Stewenius算法显示了估计精度好,排名第二的比较。算法的误差曲线在这项研究中低于所有的曲线,和估计误差小于其他算法,其中展示了最佳性能。Stewenius算法之间的比较结果和算法研究如图4。

在实际应用程序中,检测到的特征点的数量和两个图像之间匹配通常是大于所需的最小数量的算法。因此,在实际应用中,姿态估计算法通常需要解决的问题的特征点数量超过最低减少噪音和不匹配的影响。在实验测试中,当我们提供特征点的数量时,我们通常使用所需的最小数量的特征点的算法- 100特征点来模拟实际的算法匹配多个特征点,特征点的增量为1。每次添加一个特征点,100比较实验执行,高斯噪声标准差为0.75像素添加到像素坐标模拟图像像素噪声和错误在特征点检测和匹配。使用公式(获得的误差曲线20.)如图5。

因为李和哈特利的算法不接受超过5个特征点,他们没有参与的比较。如图5从的角度旋转误差曲线,当使用的特征点数量不超过10,该算法在这项研究中,Stewenius算法有最好的位置估计精度。随着特征点数量的增加,8点算法的性能高于Stewenius算法,以及算法的误差曲线在这项研究中总是在底部,最好的估计精度。从翻译的角度误差曲线,当特征点的数量超过10,在这项研究中算法的估计精度明显优于其它算法涉及的比较。从整体的比较结果,算法的旋转和翻译估计误差曲线在这项研究中都是低于其他算法,估计精度是最高的,它显示了最佳性能。作为匹配特征点数量的增加,误差估计结果将进一步减少。

测试算法的实际应用效果,六个算法从实际测试使用图像数据集,和估计结果与实际值提供的数据集。测试使用KITTI数据集。使用数据集进行测试时,在不影响测试结果,采用抽样原理和数据集设置为5的增量。这可以减少测试时间,增加差异同时,哪个更有利于翻译信息的估计。所有算法实现在MATLAB编程使用C语言和墨西哥人文件执行。测试是在同一台计算机上执行平台。电脑使用英特尔(R)的核心(TM) i5 - 8500 CPU、主频率为3.00 GHz, 8 GB内存容量。结果如表所示1和2。

反映测试结果的统计信息,四分之一的平均旋转误差和平均翻译错误,中位数,和四分之三的值在表中列出,用一个,B,C,分别。同时,为方便比较,平均旋转误差表1是放大100倍后的结果。表中的数据显示,在参与的几个算法比较,平均旋转误差和平均翻译误差算法的研究中都是最小的。与8点算法相比,该算法的平均旋转值误差降低了52.9%,和翻译中值平均误差降低了13.4%。与排名第二的Stewenius算法相比,该算法的平均旋转值误差降低了24.5%,和翻译中值平均误差降低了30.1%。一般来说,该算法使用最少的特征点往往大于5比5算法的执行时间较短。算法的执行时间在这项研究中不是最优,但这只是相对的。通过测试图像的真实数据集,该算法在本研究中可以完全满足应用中的实时性能。

3.1。现代艺术基于人工智能的交互设计系统

全息技术增强了个人的创造性思维和行为能力。在虚拟世界中创造的意识,映射的思想,情绪,情感,和思考互动,和来自不同文化背景的观众和社会流通,形成感知系统在虚拟现实中基于不同的思想和经历的多样性(图6)。

新媒体作为一种新的艺术形式,艺术不再是限制传统的表达方式,和观众从被动的角色逐渐消失了,过去总是给它。此外,它将越来越多地参与接受者科技情报与作品和艺术家交流,形成一个反馈机制,推导的互动行为密切相关的环境和情感诉求的观众。行为互动研究的框架图如图7。

在建设的互动逻辑模型中,“事物”的元素提取,原因的关系。在逻辑层的审美互动,它总结了当代新媒体艺术的展示方法通过比较静态和动态显示,并总结了新媒体艺术的独特的审美体验的比较传统艺术和新媒体艺术。行为的逻辑电平交互依赖行为相关理论来分析参与行为互动和循环系统的元素构成,并总结了交互式再生和明确性和隐含的逻辑关系的性质。虚拟现实交互的逻辑层次的技术载体作为入口点。主要采用虚拟现实技术,增强现实技术,和混合现实探索时间和空间之间的逻辑关系,艺术、技术和虚拟现实,最后得到的结论互动新媒体艺术的逻辑,形成一个完整的逻辑模型。现代艺术设计的互动逻辑模型基于人工智能如图8。

建立上述模型后,我们将探索现代艺术交互设计系统的有效性。艺术交互设计系统的研究是通过实验研究评估,结果见表3得到了。

从上面的测试结果,交互设计提出了现代艺术的影响研究很好,然后,设计系统的效果评估,结果如表所示4。

从结果表4现代艺术,基于人工智能技术的交互式设计系统提出了研究基本上可以满足新媒体时代的艺术设计的需要。

4所示。结论

虚拟现实技术的动态形式和艺术被称为互动。互动反馈也给体验者的艺术的看法的影响。在虚拟现实技术和艺术,互动反映了研究和讨论,以互动为核心的辅助技术和艺术,可以改善体验者的感官体验和审美价值。本文结合理论和实例研究互动形式和使用例子来解释这个理论,理论是实践的基础。此外,本研究力求提供关键的指导虚拟现实设计和艺术创作从交互性能的角度来看,这可以为交互式虚拟现实艺术研究提供经验和技术。此外,本研究通过病例分析,提取虚拟现实技术与艺术的互动,相互补充,促进工作的创新。最后,本研究结合新媒体技术和现代艺术交互设计需求建立一个智能的现代艺术交互设计系统,改变了传统艺术设计方法,促进后续的艺术设计的发展。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由关键技术的研究和示范应用虚拟仿真平台的基于云平台的民族文化遗产(2020年辽宁省自然科学基金联合基金项目)。