[发明专利]一种无标记平面物体识别的优化算法

说明书

技术领域

本发明属于统计模式识别与图像处理技术领域，具体涉及一种无标记平面物体识别的优化算法，该技术为增强现实提供了技术基础。

背景技术

增强现实是通过计算机系统提供的信息增加用户对现实世界感知的技术，将计算机生成的虚拟物体、场景或系统提示信息叠加到真实场景中，从而实现对现实的增强。本发明使用一种基于计算机视觉的目标识别技术，为增强现实提供技术基础。增强现实技术引导的新型交互方式，有着广阔的应用前景。

增强现实的关键问题为目标的识别与定位，是指在复杂的图像序列中，检查目标物体是否存在，并计算出目标在图像中所处位置的一种技术，要解决的主要问题有处于复杂光照、复杂背景、多尺度、多视角、遮挡等条件下目标识别定位。

目标识别方法一般可分全局方法和局部方法两类。全局方法一般使用统计学分类技术，来比较输入图像与目标物体训练图集的相似程度。这类方法一般对于目标识别的重要问题例如复杂的遮挡关系、光照和背景等，没有进行针对性解决。

局部方法是使用简单的局部特征例如关键点集或边集来描述目标物体。从待识别图像的特征集到目标物体模型图像的特征集的映射，称为匹配。正确的匹配称为内点，错误的匹配称为外点。即使丢失一部分特征，如能找到足够的内点，仍可识别定位目标物体。可疑的匹配能通过简单的几何约束筛选。这要求特征描述子对视角和光线变化不敏感。SIFT作为最负盛名的描述子，有效地解决尺度、旋转、遮挡等问题，因此被广泛应用和发展。但是使用SIFT描述子代价高昂，并且匹配阶段只能使用KNN，运算量无法降低，不能满足实时性要求。

发明内容

本发明的目的在于提供一种无标记平面物体识别的优化算法，应用于实时增强现实系统，以满足系统实时性和准确性的要求。

本发明提出的应用于实时增强现实系统的无标记平面物体识别优化算法，主要是在离线训练阶段中，首先自动合成大量的训练样本，在此基础上提取关键点；然后使用随机分类器对所有关键点进行离线学习；然后使用跟踪算法对后续帧进行跟踪识别；最后使用图形工具将虚拟物体融合到实时场景中。

本发明提出的无标记平面物体识别优化算法，依次分为3个阶段：离线训练阶段，在线识别阶段，增强现实阶段。

在离线训练阶段，提取模型关键点过程中，通过加权的方法对模型候选关键点进行筛选，使用于匹配的模型关键点集合具有鲁棒的特点；在线识别阶段，对实时场景提取出的关键点进行评分，获得相似度最高的关键点集合作为拟合阶段的初始候选集合，改进后的ARANSAC算法通过实验证明，比同类方法准确率、召回率、时间性能各方面都有极大的提升。正是本发明基于计算机视觉的算法从各个方面性能都大幅提升，使得增强现实系统具有实时鲁棒等诸多优点，给用户带来流畅的视觉体验。主框架如图1所示。

一、离线训练阶段，具体步骤为：

（1）自动合成训练样本直接以目标平面物体的一张无遮挡图像作为素材，采用自动合成的方法生成训练集。具体采用仿射变换的方法从目标物体的初始视图生成新的随机视图，并加入白噪声。这里合成训练集大小为S(S可取10000)。使用随机方法合成的视图，将作为分类器的训练样本。

（2）筛选稳定的关键点集

具体步骤如下：

第一步：将关键点提取问题转化为关键点类和非关键点类的二分类问题，对图像上所有像素点进行快速分类。

具体做法如图2所示：选取待测像素点m，其以R为半径的圆周上像素点，随机挑选圆周上过直径的两个像素点，对其灰度值进行以下计算：