[发明专利]面向可穿戴设备的跟踪与匹配并行计算方法

说明书

技术领域：

本发明属于增强现实领域，具体涉及到一种面向可穿戴设备的跟踪与匹配并行计算方法。

背景技术：

增强现实是一门交叉学科，它综合了模式识别、三维重建、机器学习等领域的技术，是最近几年图形图像领域的一个研究热点，如今被广泛应用于军事、教育、医疗、企业和生活等方面，衍生出许多增强现实应用产品，如Google Glass，GALAXYGear等。面向可穿戴设备的增强现实通过图形学和视觉技术，将虚拟的信息融合到真实世界中，使真实的环境和虚拟的物体实时地叠加到同一个空间，是随着虚拟现实技术迅速发展和实际应用需要出现的一种将真实世界信息和虚拟世界信息无缝集成的新技术。实际上对面向可穿戴设备的增强现实技术的研究主要集中在三个方面：特征提取算法、特征跟踪和特征匹配。

增强现实中的特征追踪与信息提取是在用户视点下，解决虚实场景之间的配准问题，即确定虚拟信息在真实环境下的位置和朝向等信息。常用的跟踪方式有磁传感跟踪、惯性跟踪和视觉跟踪等几种。基于实际应用的需要和人眼的敏感性，增强现实系统对配准的准确度和虚拟信息的真实感有着很高的要求，因此需要具有准确性高、快速性强、鲁棒性稳定、跟踪范围广等特性。此外，还需兼顾计算的可移动性，以及传感器的大小、重量、散热等多方面因素。由于实际应用的复杂性，任何一种单一跟踪技术都难以实现上述性能指标。

增强现实中自然特征的注册目前通常采用KLT跟踪算法和SIFT、SURF特征匹配算法。KLT(Kanade Lucas Tomasi)作为一种快速、准确的特征跟踪算法，被广泛应用于注册相邻帧间的单应矩阵，这类基于特征跟踪的方法能够通过迭代相邻两帧间的单应性矩阵来计算世界坐标系与当前帧间的单应关系。这样虽能满足实时性要求，却引入了误差累积的缺陷，降低了系统的稳定性，使得系统在运行过程中误差不断增大，不能满足长时间的三维注册需要。除此之外，SIFT算法作为传统的特征匹配方法之一，虽然描述符可区分度高，但是每个描述符占用的空间比较大，对空间内存容量要求高，在可穿戴设备上不易实现。SURF特征匹配算法是目前比较流行的宽基线特征点匹配算法之一，具有较快的运算速度，但是该算法的计算复杂度较高，每帧都做SURF提取与匹配工作，内存消耗比较大，很难应用在实时的可穿戴式增强现实设备中。

发明内容

针对上述问题，本发明提出了一种基于金字塔结构的光流法(Pyramidal KLT)和Harris二次匹配算法的并行跟踪匹配计算方法，并提出了面向可穿戴设备的混合追踪SCAAT技术。采用双核CPU+GPU群核并行处理方法，在CPU内进行基本调度运算、P-KLT跟踪算法与二次匹配计算，同时在GPU内进行基于Harris算法的角点检测和提取。通过这种并行方式，能够提高跟踪算法的鲁棒性和稳定性，而且实时性强、运算效率高，能够弥补普通计算方法同步性低、计算速度慢的缺陷。

为实现上述方法，本专利采用如下的具体跟踪与匹配算法，其包括以下步骤：

(1)提出一种面向可穿戴设备的混合跟踪与特征提取技术，保证多跟踪器的实时性数据采集同时避免数据冲突；

(2)Harris角点检测CRF优化方法，对CRF算法进行改进，完成自然特征无标记目标的特征点精确提取；

(3)基于GPU并行进程机制实现对Harris角点的检测，侧重阐述了在多设备控制条件下Harris角点检测并行算法的实现方法；

(4)基于CPU的P-KLT并行特征跟踪算法，给出相邻帧中特征点的位移偏差；

(5)二次匹配优化算法，采用BGNCC初始粗匹配和RANSAC精匹配提高匹配鲁棒性。

所述步骤(1)中，本发明提出了一种面向可穿戴设备的特征跟踪方法，使用多传感器SCAAT-EKF(single-constraint-at-a-timeExtendedKalman Filtering)互补式融合的数据采集数据方式，最大程度降低模块的局限性，将不同类型的姿态信息进行整合与分析，从而避免跟踪失败，增强跟踪鲁棒性和稳定性。

所述步骤(2)中，针对原始的Harris算法单一阈值设定、定位精度低等缺点，对原始的Harris算法进行了改进。原始Harris算法中角点响应函数中的k值是一个经验常数，随意性比较大，会造成Harris角点提取可靠性的降低，在图片不一样的情况下，很容易影响到角点提取的准确性，改进的算法根据角点响应CRF函数计算原图像上对应的每个像素的CRF。具体包括以下步骤：