虛擬現(xiàn)實(shí)（VR）和增強(qiáng)現(xiàn)實(shí)（AR）背后的核心技術(shù)

來源：納金網(wǎng) | 責(zé)任編輯：傳說的落葉 | 發(fā)布時(shí)間： 2019-01-25 10:10 | 瀏覽量：

作者：Rocky

AR 和 VR 是兩個(gè)不同的概念。題主說的Magic Leap自己提了個(gè)HR還是MR的概念，就是混合現(xiàn)實(shí)。個(gè)人以為——“別以為你換個(gè)馬甲我就不認(rèn)識(shí)你了！” 本質(zhì)上其實(shí)就是AR。

首先說一個(gè)基本概念，如果說VR硬件制造的難度等同造汽車，那么AR硬件的制作難度就等同于造宇宙飛船。為啥等我慢慢細(xì)說～

VR主要的核心點(diǎn)在于三個(gè)

1. 全視角的虛擬畫面。這個(gè)就像你用IPHONE拍全景圖一樣，要生成一個(gè)實(shí)時(shí)動(dòng)態(tài)的360度可見的世界，所謂的虛擬世界就是這么個(gè)基礎(chǔ)。這個(gè)目前來說，通過既有的3D游戲引擎可以輕松實(shí)現(xiàn)。

2. 虛擬世界和現(xiàn)實(shí)世界的同步。這個(gè)東西聽起來比較玄妙，其實(shí)原理不難。首先了解用戶頭部或者眼部的旋轉(zhuǎn)動(dòng)作，如果有偵測(cè)行走的，還需要偵測(cè)行走距離，然后快速、準(zhǔn)確的反應(yīng)到虛擬世界中去。比如腦袋轉(zhuǎn)了半圈，那么虛擬世界中畫面也要轉(zhuǎn)相應(yīng)的角度，這個(gè)是目前VR領(lǐng)域最最重要的。人們常說戴上VR頭盔、眼鏡時(shí)候有眩暈感，這個(gè)眩暈感就來自于不同步。但技術(shù)并不是什么高大上的技術(shù)，綜合來講，就是九軸動(dòng)作感應(yīng)器和相應(yīng)的算法，難的是快、準(zhǔn)。

3. 控制。這個(gè)各家有各路，有些是游戲手柄，有些是體感手柄，不細(xì)說了～

當(dāng)然還有一些顯示部分的，屏幕分辨率與放大鏡片，但因?yàn)椴恍枰紤]太多現(xiàn)實(shí)環(huán)境制約，各家沒什么大區(qū)別。還有一些物理尺寸制約什么的。就不講了。

轉(zhuǎn)到AR，就是個(gè)技術(shù)巨坑了，AR的重點(diǎn)在于和現(xiàn)實(shí)世界疊加的顯示。那么

STEP1：

感知和分析現(xiàn)實(shí)世界，要在對(duì)的位置顯示對(duì)的內(nèi)容，那就涉及到計(jì)算機(jī)視覺，深度傳感器，gps等等，目的就是要讓機(jī)器看懂你看到的絕大部分環(huán)境。這個(gè)就是微軟Hololens和Magic Leap比最早google glass的高明之處。

STEP2:

基于第一步之后的近眼現(xiàn)實(shí)疊加，那么就有兩個(gè)點(diǎn)，AR設(shè)備不可能像VR設(shè)備一樣不再介意個(gè)頭大小。那么就帶來一系列的問題，在最短的距離里實(shí)現(xiàn)虛擬畫面。

光學(xué)反射，早期的Google glass就是基于光學(xué)反射，有點(diǎn)混合了投影、反射式望遠(yuǎn)鏡的原理，基本能實(shí)現(xiàn)3米外40寸左右的畫面，但也只能在這個(gè)大小和距離，那就無法真正把信息疊加到對(duì)的位置。這是目前唯一有量產(chǎn)的技術(shù)，這個(gè)也是O.S.G 開源智能眼鏡的光學(xué)顯示起點(diǎn)。

光柵衍射，這個(gè)是Lumus的技術(shù)，通過分割畫面后多次反射，實(shí)現(xiàn)更薄更小的顯示。但制造精度要求高。至今也沒有量產(chǎn)。

光場(chǎng)技術(shù)，光場(chǎng)技術(shù)簡(jiǎn)單通俗的來說。就是通過運(yùn)算出不同景深的圖像。通過對(duì)人眼焦距的分析，通過投射的方式讓用戶看到的虛擬畫面跟真實(shí)畫面在視覺上看起來是一致的。簡(jiǎn)單的來說，就是類似昆蟲復(fù)眼的成像方式。目前只有nvidia的研究項(xiàng)目pinlights display有演示過。

作者：陳兒

AR是人工智能和人機(jī)交互的交叉學(xué)科，基礎(chǔ)技術(shù)包括CV（計(jì)算機(jī)視覺）、機(jī)器學(xué)習(xí)、多模態(tài)融合等，借凌老師去年的一篇文章簡(jiǎn)單科普AR技術(shù)。

作者亮風(fēng)臺(tái)信息科技首席科學(xué)家凌海濱

一、從現(xiàn)實(shí)到增強(qiáng)現(xiàn)實(shí)

增強(qiáng)現(xiàn)實(shí)（AugmentedReality，簡(jiǎn)稱AR）和虛擬現(xiàn)實(shí)（VirtualReality，簡(jiǎn)稱VR）概念的出現(xiàn)已經(jīng)有了幾十年的歷史了，然而VR/AR大量出現(xiàn)在科技媒體上吸引各方眼球也就是最近的事情。

AR中的R是真實(shí)的R，相比之下，VR中的R就是個(gè)山寨版的。那么A這個(gè)增強(qiáng)的概念就比較廣大虛了：籠統(tǒng)的說，凡是能對(duì)R有附加額外的信息的都算。再次強(qiáng)調(diào)的是，AR里面的信息是疊加到真實(shí)的場(chǎng)景里面的，而不是虛擬的場(chǎng)景（即VR）里面的。一個(gè)有意思的小眾研究方向是將一部分真實(shí)場(chǎng)景中的內(nèi)容疊加到虛擬場(chǎng)景中，學(xué)名AugmentedVirtualization，簡(jiǎn)稱AV。圖2中的例子也許能更好地反映AR和VR的區(qū)別。上方顯示的是典型的VR設(shè)備和人眼接收到的VR影像，下方則是AR設(shè)備和AR影像。簡(jiǎn)而言之VR和AR的區(qū)別是：VR是趨近現(xiàn)實(shí)；AR是超越現(xiàn)實(shí)。

接下來我們主要討論AR，重點(diǎn)討論AR和VR不同的那一部分。

二、AR中的視覺技術(shù)

增強(qiáng)現(xiàn)實(shí)技術(shù)流程

按照Ronald Azuma在1997年的總結(jié)，增強(qiáng)現(xiàn)實(shí)系統(tǒng)一般具有三個(gè)主要特征：虛實(shí)結(jié)合，實(shí)時(shí)交互，和三維配準(zhǔn)（又稱注冊(cè)、匹配或?qū)?zhǔn)）。近二十年過去了，AR已經(jīng)有了長(zhǎng)足的發(fā)展，系統(tǒng)實(shí)現(xiàn)的重心和難點(diǎn)也隨之變化，但是這三個(gè)要素基本上還是AR系統(tǒng)中不可或缺的。

上圖描繪了一個(gè)典型的AR系統(tǒng)的概念流程。從真實(shí)世界出發(fā)，經(jīng)過數(shù)字成像，然后系統(tǒng)通過影像數(shù)據(jù)和傳感器數(shù)據(jù)一起對(duì)三維世界進(jìn)行感知理解，同時(shí)得到對(duì)三維交互的理解。3D交互理解的目的是告知系統(tǒng)要“增強(qiáng)”的內(nèi)容。

在AR的技術(shù)流程中，中間的對(duì)于環(huán)境和交互的精準(zhǔn)理解就是目前的瓶頸了。上圖中間的基于多模態(tài)（簡(jiǎn)單說就是影像+傳感器）的環(huán)境和交互理解，是兩個(gè)充滿了各種或明或暗的坑的領(lǐng)域，足以讓很多假的猛士知難而退。

環(huán)境和交互理解的難點(diǎn)和機(jī)會(huì)

那么，真的猛士將會(huì)直面什么樣慘淡和淋漓的坑群呢？下面我們來共同賞析幾個(gè)常見坑型：

1、環(huán)境坑：據(jù)說人的腦細(xì)胞里面大多數(shù)都是用來處理和理解雙眼所獲取的視覺信息的，很多我們驚鴻一瞥就能理解和感知的東西得益于我們強(qiáng)大的腦處理能力。各種環(huán)境變化對(duì)視覺信息的影響我們不但能輕松應(yīng)對(duì)，有時(shí)還能加以利用。比如我們的認(rèn)知能力對(duì)光照明暗的變化相當(dāng)?shù)聂敯簦槐热缥覀兛梢酝ㄟ^陰影來反推三維關(guān)系。而這些對(duì)于計(jì)算機(jī)（確切些說是計(jì)算機(jī)視覺算法）來說都是不折不扣的坑或者大坑?？偟膩碚f，成像環(huán)境的變化常常計(jì)算機(jī)視覺算法以及AR帶來很大的挑戰(zhàn)，所以我把相關(guān)的坑統(tǒng)稱環(huán)境坑。

2、學(xué)術(shù)坑：對(duì)于環(huán)境和交互的理解重建基本上屬于計(jì)算機(jī)視覺的范疇，計(jì)算機(jī)視覺是一個(gè)有著半個(gè)世紀(jì)積累的領(lǐng)域，和AR相關(guān)的學(xué)術(shù)成果可以成噸來計(jì)?？鋸堃稽c(diǎn)的說，每篇都有坑，區(qū)別只在大小深淺明暗。從實(shí)用的解決方案的角度來看學(xué)術(shù)論文，尤其是新的論文，一定要小心其中的設(shè)定和有些話外的信息，多想一下諸如該算法是否對(duì)光照敏感，是否可能在手機(jī)端達(dá)到實(shí)時(shí)，等等。簡(jiǎn)單的建議是：對(duì)于一篇計(jì)算機(jī)視覺的論文，未有相關(guān)經(jīng)驗(yàn)的觀眾請(qǐng)?jiān)谟邢嚓P(guān)訓(xùn)練的成熟觀眾陪伴下謹(jǐn)慎觀看。

3、上帝坑：上帝是誰？當(dāng)然就是用戶了。上帝的坑當(dāng)然得長(zhǎng)得有創(chuàng)意，常常激起開發(fā)者靈光一動(dòng)恍然大哭的欲望。比如上帝說，要能判別視頻中人的性別，80%的準(zhǔn)確度，100萬。哇，你是不是感動(dòng)的熱淚盈眶（仁慈的上帝?。?，用各種時(shí)髦的方法輕松超額10%搞定?？墒牵回浀臅r(shí)候上帝說你這個(gè)系統(tǒng)咋認(rèn)不出我們家小baby的性別??！Oh my God，你是不是又激動(dòng)得想哭了。和環(huán)境坑比較像，CV的算法很多時(shí)候是需要有假設(shè)的，強(qiáng)烈的假設(shè)。那怎么辦呢？上帝總是正確的，所以唯一的辦法就是盡早教育上帝讓他更加正確：需要苦口婆心地盡早和用戶科普以及盡量明確定義需求，防范坑于未成。還不行的話咋辦？上帝啊，請(qǐng)?jiān)偌狱c(diǎn)工錢吧。

其實(shí)還有其他類型的坑，比如開源代碼坑，這里就不詳述了。那么，這么一個(gè)充滿憂患的領(lǐng)域，為什么又會(huì)有那么多追隨呢？最重要的原因就是巨大的應(yīng)用前景和錢景了。往小了說，很多具體的應(yīng)用領(lǐng)域（比如游戲）都已經(jīng)成功地引入了AR的元素；往大了說，AR的終極形態(tài)可能從根本上改變當(dāng)前的非自然人機(jī)交互模式（請(qǐng)腦補(bǔ)微軟Win95的成功和現(xiàn)在的HoloLens）。上面說的那些坑，在很多是應(yīng)用上，是可能避免的或者可能填得不那么深的?？偟膩碚f，一個(gè)好的AR應(yīng)用往往是需要算法工程實(shí)現(xiàn)、產(chǎn)品設(shè)計(jì)、內(nèi)容制作等方面的深度結(jié)合。

AR跟蹤配準(zhǔn)技術(shù)發(fā)展

三維配準(zhǔn)是鏈接虛實(shí)的最核心技術(shù)，沒有之一。大致說來，在AR中配準(zhǔn)的目的是對(duì)影像數(shù)據(jù)進(jìn)行幾何上的精確理解。這樣一來，就決定了要疊加的數(shù)據(jù)的定位問題。比如說，在AR輔助導(dǎo)航中如果想把導(dǎo)航箭頭“貼在”路面上，就一定要知道路面在哪里。在這個(gè)例子中，每當(dāng)手機(jī)攝像頭獲取到新一幀圖像，AR系統(tǒng)首先需要將圖像中的路面定位，具體的說就是在某個(gè)事先設(shè)定的統(tǒng)一的世界坐標(biāo)系下確定地面的位置，然后將要貼的箭頭虛擬地放在這個(gè)地面上，再通過與相機(jī)相關(guān)的幾何變換將箭頭畫在圖像中相應(yīng)的位置（通過渲染模塊完成）。

如前所述，三維跟蹤配準(zhǔn)在技術(shù)上存在很多挑戰(zhàn)，尤其在考慮到移動(dòng)設(shè)備有限的信息輸入和計(jì)算能力的情況下。鑒于此，在基于視覺AR的發(fā)展歷程中，經(jīng)歷了從簡(jiǎn)單定位到復(fù)雜定位的幾個(gè)階段，下面簡(jiǎn)單介紹一下這個(gè)發(fā)展過程，更多的技術(shù)細(xì)節(jié)在下一節(jié)討論。

二維碼：和大家如今廣為使用的微信二維碼原理一樣，二維碼主要的功能在于提供穩(wěn)定的快速的識(shí)別標(biāo)識(shí)。在AR中，除了識(shí)別以外，二維碼還兼職提供易于跟蹤和對(duì)于平面進(jìn)行定位的功能。因?yàn)檫@個(gè)原因，AR中的二維碼比一般的二維碼來說模式顯得簡(jiǎn)單以便于精確定位。下圖給出了AR二維碼的例子。

二維圖片：二維碼的非自然人工痕跡很大得局限了它的應(yīng)用。一個(gè)很自然的拓廣是使用二維圖片，比如紙幣、書本海報(bào)、相片卡牌等等。聰明的小白朋友一定已經(jīng)發(fā)現(xiàn)：二維碼本身也是二維圖片，那為啥不把二維碼的方法直接用到二維圖片上呢？哦，是醬紫：二維碼之所以簡(jiǎn)單就是因?yàn)樗厦娴膱D案是設(shè)計(jì)出來的讓視覺算法可以迅速的識(shí)別定位的，一般的二維圖片則不具備這種良好的性質(zhì)，也需要更強(qiáng)大的算法。并且，不是所有的二維圖片都可以用來進(jìn)行AR定位的。極端情況下，一個(gè)純色的沒有任何花紋的圖片是無法用視覺的方法定位的。下圖例子中，兩張卡牌用來定位兩個(gè)對(duì)戰(zhàn)重點(diǎn)的虛擬戰(zhàn)士。

三維物體：二維圖片的自然擴(kuò)展當(dāng)屬三維物體。一些簡(jiǎn)單的規(guī)則三維物體，比如圓柱狀可樂罐，同樣可以作為虛實(shí)結(jié)合的載體。稍微復(fù)雜一些的三維物體通常也可以用類似的方法處理或分解成簡(jiǎn)單物體處理，如在工業(yè)修理中的情況。但是，對(duì)于一些特定的非規(guī)則物體，比如人臉，由于有多年的研究積累和海量的數(shù)據(jù)支持，已經(jīng)有很多算法可以進(jìn)行實(shí)時(shí)精準(zhǔn)對(duì)齊。然而，如何處理通用的物體仍然是一個(gè)巨大的挑戰(zhàn)。
三維環(huán)境：在很多應(yīng)用中我們需要對(duì)整個(gè)周圍3D環(huán)境的幾何理解，很長(zhǎng)時(shí)間以來和可預(yù)期的一段時(shí)間以內(nèi)，這一直是個(gè)充滿挑戰(zhàn)的問題。近年來，三維環(huán)境感知在無人車和機(jī)器人等領(lǐng)域的應(yīng)用取得了成功的效果，這讓人們對(duì)在其在AR中的應(yīng)用充滿憧憬。然而，相比無人車等應(yīng)用場(chǎng)景，AR中可以使用的計(jì)算資源和場(chǎng)景先驗(yàn)常常捉襟見肘。受此影響，AR中的三維場(chǎng)景理解研發(fā)主要有了兩個(gè)顯而易見的思路，一是多傳感器的結(jié)合，而是對(duì)于應(yīng)用的定制。兩個(gè)思路的結(jié)合也是實(shí)用中常見的手段。

在以上提到的技術(shù)中，二維碼和二維圖片的識(shí)別跟蹤技術(shù)已基本上成熟，也已經(jīng)有了廣泛的應(yīng)用。技術(shù)方面的發(fā)展目標(biāo)主要是進(jìn)一步提高穩(wěn)定性以及拓寬適用范圍。相比而言，三維物體和三維場(chǎng)景的識(shí)別理解還有很大的探索空間，即使是目前火爆的HoloLens所展現(xiàn)的令人驚艷的跟蹤穩(wěn)定性，從追求完美的角度還有很多可以提升的空間。

三、單目AR識(shí)別跟蹤簡(jiǎn)介

由于識(shí)別跟蹤的重要性，下面簡(jiǎn)單介紹一下AR中的二維圖片跟蹤和三維環(huán)境理解。二維碼的技術(shù)已經(jīng)很成熟而應(yīng)用有較受限制，三維物體識(shí)別的技術(shù)大致上介于二維圖片和三維場(chǎng)景之間，所以就偷懶不提了。

二維平面物體的AR跟蹤

一般情況下， AR中二維平面物體的跟蹤可以歸結(jié)為如下問題：給定一個(gè)模板圖片R，在視頻流中時(shí)刻檢測(cè)該圖片的（相對(duì)相機(jī)的）三維精確位置。比如在下圖的例子中，R是實(shí)現(xiàn)知道的人民幣圖片，視頻是從手機(jī)端實(shí)時(shí)獲取的，通常記為It (表示在時(shí)間t獲得的視頻圖像），而需要得到的是R在It 中的幾何姿態(tài)（通常包括三維旋轉(zhuǎn)和平移），記為Pt。換句話說，模板圖片R通過由Pt表示的三維變換就可以被貼到它在圖像It中的位置。跟蹤結(jié)果的用途也很顯然，既然知道了這個(gè)姿態(tài)Pt，我們可以用一個(gè)美元的圖片以同樣的姿態(tài)疊加到視頻中來替換人民幣，從而達(dá)到6倍以上的炫富效果。好吧，例子中沒有那么俗氣，而是疊加了一個(gè)莊嚴(yán)的視頻。

那么，上面例子中的跟蹤定位是如何做到的呢？主流的方法大致有兩類，一類是直接法（directmethod，有時(shí)也稱為全局法），另一類叫控制點(diǎn)法（keypoint-based）。

直接法：直接法里的“直接”是說直接用優(yōu)化方法去找最好的目標(biāo)，即姿態(tài)Pt。這里牽涉到三個(gè)主要元素：（1）怎么定義好和不好，（2）在哪里找Pt，（3）怎么找。對(duì)于（1），一個(gè)直觀的辦法是：假設(shè)模板圖按照姿態(tài)Pt變換后對(duì)應(yīng)圖像It上的一個(gè)小區(qū)域，那么這個(gè)區(qū)域可以摳出一個(gè)圖像T，T（經(jīng)過歸一化以后）應(yīng)該和模板R長(zhǎng)得越像越好。對(duì)于（2），我們可以在所有可能的姿態(tài)中去找Pt。不過這個(gè)策略顯然是很費(fèi)時(shí)的，考慮到在視頻中相鄰圖像幀的變化有限，所以我們通常是在上一時(shí)刻的姿態(tài)（通常記為Pt-1）附近去尋找。至于怎么找，這就轉(zhuǎn)化成一個(gè)優(yōu)化問題了，簡(jiǎn)單的說，就是要在Pt-1的一個(gè)鄰域里面找一個(gè)Pt，使得通過Pt摳出來得圖像塊T和R最相似。

當(dāng)然，實(shí)際操作時(shí)候上面三個(gè)部分都各有講究。比如（1）中對(duì)于T和R是否相似可能要考慮光照的變化，（2）中如何定義姿態(tài)空間的鄰域以及合理的鄰域大小，（3）中具體用什么樣的優(yōu)化算法來盡量對(duì)抗局部極值的干擾而又不能太耗時(shí)。不同的處理方式產(chǎn)生出了不同的跟蹤算法，其中典型的代表工作之一是ESM算法和它的一些變種。

ESM是EfficientSecond-order Minimization的縮寫，源自Benhimane和Malis在2004年在IROS上發(fā)表的工作。該算法采用重構(gòu)誤差平方作為衡量R和T相似性的指標(biāo)，然后對(duì)于姿態(tài)空間進(jìn)行了在李群（Lie Group）上的重新構(gòu)建使得搜索的步長(zhǎng)更為理性，在尋優(yōu)上面使用的二階近似的快速算法。這個(gè)算法的結(jié)構(gòu)清晰，各模塊都可以比較容易的獨(dú)立擴(kuò)展，所以在其基礎(chǔ)上衍生出了不少改進(jìn)算法，通常是針對(duì)實(shí)用場(chǎng)景中不同的調(diào)整（比如處理強(qiáng)光照或者運(yùn)動(dòng)模糊）。

控制點(diǎn)法：基于控制點(diǎn)的方法由于其實(shí)時(shí)高效成為目前業(yè)內(nèi)主流方法?？刂泣c(diǎn)類的方法并不直接對(duì)姿態(tài)Pt進(jìn)行尋優(yōu)，而是通過控制點(diǎn)匹配的方法來計(jì)算Pt?？刂泣c(diǎn)法的一個(gè)典型流程參見圖9。其基本出發(fā)點(diǎn)在于使用圖像中特別的點(diǎn)（通常是角點(diǎn)）來建立模板R和視頻圖像It的之間的映射，通過該映射建立方程組，然后求解出姿態(tài)Pt。比如說模板是一張人物的相片，那么我們?cè)谝曨l中定位的時(shí)候并不需要對(duì)于臉上的所有點(diǎn)進(jìn)行匹配，而可以通過一些控制點(diǎn)（眼角，鼻尖，嘴角等）迅速定位。

稍微數(shù)學(xué)一點(diǎn)的解釋是這樣的：由于姿態(tài)Pt是由若干參數(shù)（一般是8個(gè)）控制的，那么求解Pt的一個(gè)辦法是弄一個(gè)方程組出來，比如說8個(gè)線性的方程，那么我們就可以求出Pt了。那么這些方程怎么來呢？我們知道，Pt的作用是把模板R變到圖像It中，也就是說R中的每個(gè)點(diǎn)經(jīng)過一個(gè)由Pt決定的變換就可以得到它在圖像中的位置。那么，反過來，如果我們知道圖像中的一個(gè)點(diǎn)（比如眼角）和模板中就是同一個(gè)點(diǎn)（就是說他們匹配上了），我們就可以用這一對(duì)匹配點(diǎn)給出兩個(gè)方程（X、Y坐標(biāo)各一個(gè)），這樣的點(diǎn)就是所謂的控制點(diǎn)。當(dāng)我們有了足夠多的控制點(diǎn)對(duì)以后，就可以求解姿態(tài)Pt了。

總結(jié)起來，控制點(diǎn)法包括三個(gè)主要元素：（1）控制點(diǎn)提取和選擇，（2）控制點(diǎn)匹配，（3）姿態(tài)求解?？刂泣c(diǎn)的基本要求一是要能從周圍環(huán)境中脫穎而出（減少位置上的歧義），而是要經(jīng)常而且穩(wěn)定地出現(xiàn)（易于找到）。各種圖像中的角點(diǎn)因此閃亮登場(chǎng)，各種PK。比較知名的有SIFT、SURF、FAST等。注意，上述排名分先后的：按照能力來說越往前越好，按照速度來說越往后越好。實(shí)際應(yīng)用中可以根據(jù)用戶機(jī)型做決定。那么，這些點(diǎn)提取后就可以用了嗎？No，一般來說還需要進(jìn)行取舍：一是要去掉沒用的點(diǎn)（即outlier），二是使選取后的點(diǎn)盡量均勻以降低不必要的誤差，同時(shí)也要防止點(diǎn)太多帶來的大量后續(xù)計(jì)算?？刂泣c(diǎn)匹配的目的是在兩個(gè)圖像的控制點(diǎn)集間找到匹配的點(diǎn)對(duì)（鼻尖對(duì)鼻尖，眼角對(duì)眼角）。通常這個(gè)由控制點(diǎn)之間的相似性和空間約束協(xié)同完成。簡(jiǎn)單的方法有緊鄰匹配，復(fù)雜的基本上二分匹配的各種變種（bipartitematching or two-dimensional assignment）。完成了匹配之后，就可以求解得到姿態(tài)Pt了：由于通常使用的點(diǎn)數(shù)遠(yuǎn)多于最小需求（為了穩(wěn)定性），這里的方程數(shù)目遠(yuǎn)大于未知變量的數(shù)目，所以最小二乘法之類的解法在這里會(huì)派上用場(chǎng)。

以上三個(gè)步驟初看起來涇渭分明，實(shí)際使用時(shí)卻經(jīng)常是交織在一起的。主要原因是很難保證得到精確無誤的控制點(diǎn)。有用的可靠控制點(diǎn)常常夾雜在各種真假難辨的山寨們一起到來，所以經(jīng)常需要往返迭代在三個(gè)步驟之間，比如用RANSAC之類的方法選擇控制點(diǎn)來得到服從大多數(shù)的姿態(tài)。相比直接法，控制點(diǎn)法的基本算法框架比較成熟，工程實(shí)現(xiàn)上的細(xì)節(jié)很大程度上決定了算法的最終效果。

這兩類方法的優(yōu)缺點(diǎn)根據(jù)具體實(shí)現(xiàn)略有不同，大致上可以總結(jié)如下：

這兩類方法的優(yōu)缺點(diǎn)有很明顯的互補(bǔ)性，所以一個(gè)自然的想法就是二者的結(jié)合，具體的方式也有不同變種，這里就不羅嗦了。

三維環(huán)境的AR跟蹤

對(duì)于三維環(huán)境的動(dòng)態(tài)的實(shí)時(shí)的理解是當(dāng)前AR在技術(shù)研究方面最活躍的問題。其核心就是最近火熱的“即時(shí)定位與地圖構(gòu)建”（SLAM，SimultaneouslyLocalization And Mapping），在無人車，無人機(jī)和機(jī)器人等領(lǐng)域也起著核心作用。AR中的SLAM比其他領(lǐng)域中一般難度要大很多，主要是因?yàn)锳R賴以依存的移動(dòng)端的計(jì)算能力和資源比起其他領(lǐng)域來說要弱很多。目前在AR中還是以視覺SLAM為主，其他傳感器為輔的局面，盡管這個(gè)情況正在改變。下面的討論主要局限于視覺SLAM。

標(biāo)準(zhǔn)的視覺SLAM問題可以這么描述為：把你空投到一個(gè)陌生的環(huán)境中，你要解決“我在哪”的問題。這里的“我”基本上等同于相機(jī)或者眼睛（因?yàn)閱文浚磫蜗鄼C(jī)，請(qǐng)把自己想象成獨(dú)眼龍），“在”就是要定位（就是localization），“哪”需要一張本來不存在的需要你來構(gòu)建的地圖（就是mapping）。你帶著一只眼睛一邊走，一邊對(duì)周邊環(huán)境進(jìn)行理解（建圖），一邊確定在所建地圖中的位置（定位），這就是SLAM了。換句話說，在走的過程中，一方面把所見到（相機(jī)拍到）的地方連起來成地圖，另一方面把走的軌跡在地圖上找到。下面我們看看這個(gè)過程大致需要哪些技術(shù)。

從圖像序列反算出三維環(huán)境的過程，即mapping，在計(jì)算機(jī)視覺里面屬于三維重建的范疇。在SLAM中，我們要從連續(xù)獲取的圖像序列來進(jìn)行重建，而這些圖像序列是在相機(jī)的運(yùn)動(dòng)過程中采集的，所以相關(guān)的技術(shù)就叫基于運(yùn)動(dòng)的重建（SfM，Structurefrom Motion）。題外話，SfX是視覺中泛指從X中進(jìn)行三維重建的技術(shù)，X除了運(yùn)動(dòng)以外還可以有別的（比如Structurefrom Shading）。如果相機(jī)不動(dòng)怎么辦？很難辦，獨(dú)眼龍站著不動(dòng)怎么能知道周圍三維的情況呢？原理上來說，一旦獲取的兩張圖像之間有運(yùn)動(dòng)，就相當(dāng)與有兩個(gè)眼睛同時(shí)看到了場(chǎng)景（注意坑，這里假設(shè)場(chǎng)景不動(dòng)），不就可以立體了嗎？這樣一來，多視幾何的東西就派上用場(chǎng)了。再進(jìn)一步，運(yùn)動(dòng)過程中我們得到的實(shí)際是一系列圖像而不只是兩張，自然可以用他們一起來優(yōu)化提高精度，這就是令小白們不明覺厲的集束約束（BundleAdjustment）啦。

那么localization又是怎么回事呢？如果有了地圖，即有了一個(gè)坐標(biāo)系，定位問題和前述2D跟蹤在目的上基本一致（當(dāng)然更復(fù)雜一些）。讓我們考慮基于控制點(diǎn)的方法，那么現(xiàn)在就需要在三維空間找到并跟蹤控制點(diǎn)來進(jìn)行計(jì)算了。很巧的是（真的很巧嗎？），上面的多視幾何中也需要控制點(diǎn)來進(jìn)行三維重建，這些控制點(diǎn)就經(jīng)常被共用了。那么可不可以用直接法呢？Yes wecan！但是，如后面會(huì)講到的，由于目前AR中計(jì)算資源實(shí)在有限，還是控制點(diǎn)法經(jīng)濟(jì)實(shí)惠些。

從三維重建的方法和結(jié)果，SLAM大致可以分為稀疏、半稠密和稠密三類。下圖中給出的典型的示例。

稠密SLAM：簡(jiǎn)單的說，稠密SLAM的目的是對(duì)所相機(jī)所采集到的所有信息進(jìn)行三維重建。通俗的說，就是對(duì)看見的每一個(gè)空間上的點(diǎn)算出它到相機(jī)的方位和距離，或者知道它在物理空間的位置。在AR相關(guān)的工作里面最近的影響力較大的有DTAM和KinectFusion，前者是純視覺的，后者則使用了深度相機(jī)。由于需要對(duì)幾乎所有采集到的像素進(jìn)行方位計(jì)算，稠密SLAM的計(jì)算量那是杠杠的，所以不是平民AR（比如一般的手機(jī)，手握6S/S7/Mate8的朋友不要側(cè)漏傲氣，這些統(tǒng)統(tǒng)都算“一般”）。
稀疏SLAM：稀疏SLAM的三維輸出是一系列三維點(diǎn)云。比如三維立方體的角點(diǎn)。相對(duì)于實(shí)心的三維世界（比如立方體的面和中腹），點(diǎn)云所提供的對(duì)于三維環(huán)境的重建是稀疏的，是以得名。實(shí)際應(yīng)用中，在這些點(diǎn)云的基礎(chǔ)上提取或推理出所需要的空間結(jié)構(gòu)（比如桌面），然后就可以根據(jù)這些結(jié)構(gòu)進(jìn)行AR內(nèi)容的渲染疊加了。和稠密SLAM版本相比，稀疏SLAM關(guān)心的點(diǎn)數(shù)低了整整兩個(gè)維度（從面墮落到點(diǎn)），理所當(dāng)然地成為平民AR的首選。目前流行的稀疏SLAM大多是基于PTAM框架的一些變種，比如最近被熱捧的ORB-SLAM。
半稠密SLAM：顧名思義，半稠密SLAM的輸出密度在上述二者之間，但其實(shí)也沒有嚴(yán)格的界定。半稠密SLAM最近的代表是LSD-SLAM，不過對(duì)于在AR中的應(yīng)用，目前還沒有稀疏SLAM熱門。

由于稀疏SLAM在AR中的流行度，下面我們簡(jiǎn)單介紹一下PTAM和ORB-SLAM。在PTAM之前，由A. Davison在2003年提出的單目SLAM開創(chuàng)了實(shí)時(shí)單目SLAM的先河。這個(gè)工作的基本思想還是基于當(dāng)時(shí)機(jī)器人等領(lǐng)域的主流SLAM框架的。簡(jiǎn)單地說，對(duì)于每一幀新到來的圖像，進(jìn)行“跟蹤-匹配-制圖-更新”的流程。然而這個(gè)框架在移動(dòng)端（手機(jī)）上的效果和效率都不盡人意。針對(duì)移動(dòng)端AR的SLAM需求，Klein和Murray在 2007年的ISMAR（AR領(lǐng)域的旗艦學(xué)術(shù)會(huì)議）展示了效果驚艷的PTAM系統(tǒng)，從而成為單目視覺AR SLAM的最常用框架，暫時(shí)還是之一。

PTAM的全稱是ParallelTracking And Mapping，上面已經(jīng)暗示過了，PTAM和之前的SLAM在框架是不同的。我們知道，SLAM對(duì)每一幀同時(shí)（Simultaneously）進(jìn)行兩個(gè)方面的運(yùn)算：定位（Localization）和建圖（Mapping）。由于資源消耗巨大，這兩種運(yùn)算很難實(shí)時(shí)的對(duì)每一幀都充分地實(shí)現(xiàn)。那我們一定要每一幀都同時(shí)定位和建圖嗎？先看定位，這個(gè)是必須每幀都做，不然我們就不知道自己的位置了。那么制圖呢？很幸運(yùn)，這個(gè)其實(shí)并不需要每幀都做，因?yàn)楦羯蠋讕覀內(nèi)匀豢梢酝ㄟ^SfM來感知場(chǎng)景。試想一下，把你扔到一個(gè)陌生的場(chǎng)景，讓你邊走邊探索周邊環(huán)境，但是每秒鐘只讓你看10眼，只要你不是在飛奔，相信這個(gè)任務(wù)還是可以完成的。PTAM的核心思想就在這里，不是simultaneously定位和制圖，而是把他們分開，parallel地各自奔跑。這里的定位以逐幀跟蹤為主，所以就有了tracking。而制圖則不再逐幀進(jìn)行，而是看計(jì)算能力而定，啥時(shí)候處理完當(dāng)前的活，再去拿一幀新的來看看。在這個(gè)框架下，再配合控制點(diǎn)選取匹配等各項(xiàng)優(yōu)化組合，PTAM一出場(chǎng)就以其在華麗麗的demo亮瞎觀眾（這可是近10年前?。?。

故事顯然沒有這樣結(jié)束。我們都知道，demo和實(shí)用是有差距滴，何況還是學(xué)術(shù)界的demo。但是在PTAM思想的指引下，研究人員不斷的進(jìn)行改進(jìn)和更新。這其中的佼佼者就有上面提到的ORB-SLAM。ORB-SLAM由Mur-Artal,Montiel和Tardos在2015年發(fā)表在IEEETransaction on Robotics上，由于其優(yōu)異的性能和貼心的源碼迅速獲得工業(yè)界和學(xué)術(shù)界兩方面的青睞。不過，如果打算通讀其論文的話，請(qǐng)先做好被郁悶的心理準(zhǔn)備。不是因?yàn)橛刑嗷逎臄?shù)學(xué)公式，恰恰相反，是因?yàn)榛旧蠜]有啥公式，而是充滿了讓人不明覺厲的名詞。為什么會(huì)這樣？其實(shí)和ORB-SLAM的成功有很大關(guān)系。ORB-SLAM雖然仍然基于PTAM的基本框架，不過，做了很多很多改進(jìn)，加了很多很多東西。從某個(gè)角度看，可以把它看作一個(gè)集大成的且精心優(yōu)化過的系統(tǒng)。所以，區(qū)區(qū)17頁的IEEE雙欄論文是不可能給出細(xì)節(jié)的，細(xì)節(jié)都在參考文獻(xiàn)里面，有些甚至只在源碼里。在眾多的改進(jìn)中，比較大的包括控制點(diǎn)上使用更為有效的ORB控制點(diǎn)、引入第三個(gè)線程做回環(huán)檢測(cè)矯正（另外兩個(gè)分別是跟蹤和制圖）、使用可視樹來實(shí)現(xiàn)高效的多幀優(yōu)化（還記得集束約束嗎）、更為合理的關(guān)鍵幀管理、等等。

有朋友這里會(huì)有一個(gè)疑問：既然ORB-SLAM是基于PTAM的框架，那為啥不叫ORB-PTAM呢？是醬紫的：盡管從框架上看PTAM已經(jīng)和傳統(tǒng)SLAM有所不同，但是出于各種原因，SLAM現(xiàn)在已經(jīng)演變成為這一類技術(shù)的統(tǒng)稱。也就是說，PTAM一般被認(rèn)為是SLAM中的一個(gè)具體算法，確切些說是單目視覺SLAM的一個(gè)算法。所以呢，ORB-PTAM就叫ORB-SLAM了。

盡管近年來的進(jìn)展使得單目SLAM已經(jīng)能在一些場(chǎng)景上給出不錯(cuò)的結(jié)果，單目SLAM在一般的移動(dòng)端還遠(yuǎn)遠(yuǎn)達(dá)不到隨心所欲的效果。計(jì)算機(jī)視覺中的各種坑還是不同程度的存在。在AR中比較刺眼的問題包括：

初始化問題：?jiǎn)文恳曈X對(duì)于三維理解有著與生俱來的歧義。盡管可以通過運(yùn)動(dòng)來獲得有視差的幾幀，但這幾幀的質(zhì)量并沒有保證。極端情況下，如果用戶拿著手機(jī)沒動(dòng)，或者只有轉(zhuǎn)動(dòng)，算法基本上就掛掉了。
快速運(yùn)動(dòng)：相機(jī)快速運(yùn)動(dòng)通常會(huì)帶來兩方面的挑戰(zhàn)。一是造成圖像的模糊，從而控制點(diǎn)難以準(zhǔn)確的獲取，很多時(shí)候就是人眼也很難判斷。二是相鄰幀匹配區(qū)域減小，甚至在極端情況下沒有共同區(qū)域，對(duì)于建立在立體匹配之上的算法造成很大的困擾。
純旋轉(zhuǎn)運(yùn)動(dòng)：當(dāng)相機(jī)做純旋轉(zhuǎn)或近似純旋轉(zhuǎn)運(yùn)動(dòng)時(shí)，立體視覺無法通過三角化來確定控制點(diǎn)的空間位置，從而無法有效地進(jìn)行三維重建。
動(dòng)態(tài)場(chǎng)景：SLAM通常假設(shè)場(chǎng)景基本上是靜止的。但是當(dāng)場(chǎng)景內(nèi)有運(yùn)動(dòng)物體的時(shí)候，算法的穩(wěn)定性很可能會(huì)受到不同程度的干擾。

對(duì)AR行業(yè)動(dòng)態(tài)有了解的朋友可能會(huì)有些疑惑，上面說的這么難，可是HoloLens一類的東西好像效果還不錯(cuò)哦？沒錯(cuò)，不過我們上面說的是單目無傳感器的情況。一個(gè)HoloLens可以買五個(gè)iPhone6S+，那么多傳感器不是免費(fèi)的。不過話說回來，利用高質(zhì)量傳感器來提高精度必然是AR SLAM的重要趨勢(shì)，不過由于成本的問題，這樣的AR可能還需要一定時(shí)間才能從高端展會(huì)走到普通用戶中。

四、SMART：語義驅(qū)動(dòng)的多模態(tài)增強(qiáng)現(xiàn)實(shí)和智能交互

單目AR（即基于單攝像頭的AR）雖然有著很大的市場(chǎng)（想想數(shù)億的手機(jī)用戶吧），但是如上文所憂，仍然需要解決很多的技術(shù)難題，有一些甚至是超越單目AR的能力的。任何一個(gè)有理想有追求有情懷的AR公司，是不會(huì)也不能局限于傳統(tǒng)的單目框架上的。那么除了單目AR已經(jīng)建立的技術(shù)基礎(chǔ)外，AR的前沿上有哪些重要的陣地呢？縱觀AR和相關(guān)軟硬方向的發(fā)展歷史和事態(tài)，橫看今天各路AR諸侯的技術(shù)風(fēng)標(biāo)，不難總結(jié)出三個(gè)主要的方向：語義驅(qū)動(dòng)，多模態(tài)融合，以及智能交互。遵循業(yè)界性感造詞的慣例，我們將他們總結(jié)成：

SMART：SemanticMulti-model AR inTeraction

即“語義驅(qū)動(dòng)的多模態(tài)增強(qiáng)現(xiàn)實(shí)和智能交互”。由于這三個(gè)方面都還在飛速發(fā)展，技術(shù)日新月異，我下面就勉強(qiáng)地做一個(gè)粗淺的介紹，表意為主，請(qǐng)勿鉆牛角尖。

語義驅(qū)動(dòng)：語義驅(qū)動(dòng)在傳統(tǒng)的幾何為主導(dǎo)的AR中引入語義的概念，其技術(shù)核心來源于對(duì)場(chǎng)景的語義理解。為什么要語義信息？答案很簡(jiǎn)單，因?yàn)槲覀內(nèi)祟愃斫獾氖澜缡浅錆M語義的。如下圖所列，我們所處的物理世界不僅是由各種三維結(jié)構(gòu)組成的，更是由諸如透明的窗、磚面的墻、放著新聞的電視等等組成的。對(duì)于AR來說，只有幾何信息的話，我們可以“把虛擬菜單疊加到平面上”；有了語義理解后，我們就可以“把虛擬菜單疊加到窗戶上”，或者邪惡地“根據(jù)正在播放的電視節(jié)目顯示相關(guān)廣告”。

相比幾何理解，對(duì)于視覺信息的語義理解涵蓋廣得多的內(nèi)容，因而也有著廣得多的應(yīng)用。廣義的看，幾何理解也可以看作是語義理解的一個(gè)子集，即幾何屬性或幾何語義。那么，既然語義理解這么好這么強(qiáng)大，為啥我們今天才強(qiáng)調(diào)它？難道先賢們都沒有我們聰明？當(dāng)然不是，只是因?yàn)檎Z義理解太難了，也就最近的進(jìn)展才使它有廣泛實(shí)用的可能性。當(dāng)然，通用的對(duì)任意場(chǎng)景的完全語義理解目前還是個(gè)難題，但是對(duì)于一些特定物體的語義理解已經(jīng)在AR中有了可行的應(yīng)用，比如AR輔助駕駛和AR人臉特效（下圖）。

多模態(tài)融合：隨著大大小小的AR廠家陸續(xù)推出形形色色的AR硬件，多模態(tài)已經(jīng)是AR專用硬件的標(biāo)配，雙目、深度、慣導(dǎo)、語音等等名詞紛紛出現(xiàn)在各個(gè)硬件的技術(shù)指標(biāo)清單中。這些硬件的啟用顯然有著其背后的算法用心，即利用多模態(tài)的信息來提高AR中的對(duì)環(huán)境和交互的感知理解。比如，之前反復(fù)提到，作為AR核心的環(huán)境跟蹤理解面臨著五花八門的技術(shù)挑戰(zhàn)，有些甚至突破了視覺算法的界限，這種情況下，非視覺的信息就可以起到重要的補(bǔ)充支持作用。比如說，在相機(jī)快速運(yùn)動(dòng)的情況下，圖像由于劇烈模糊而喪失精準(zhǔn)性，但此時(shí)的姿態(tài)傳感器給出的信息還是比較可靠的，可以用來幫助視覺跟蹤算法度過難關(guān)。

智能交互：從某個(gè)角度來看，人機(jī)交互的發(fā)展史可以看作是追求自然交互的歷史。從最早的紙帶打孔到如今窗口和觸屏交互，計(jì)算機(jī)系統(tǒng)對(duì)使用者的專業(yè)要求越來越低。近來，機(jī)器智能的發(fā)展使得計(jì)算機(jī)對(duì)人類的自然意識(shí)的理解越來越可靠，從而使智能交互有了從實(shí)驗(yàn)室走向?qū)嵱玫钠鯔C(jī)。從視覺及相關(guān)信息來實(shí)時(shí)理解人類的交互意圖成為AR系統(tǒng)中的重要一環(huán)。在各種自然交互中，基于手勢(shì)的技術(shù)是目前AR的熱點(diǎn)。一方面由于手勢(shì)的技術(shù)比較成熟，另一方面也由于手勢(shì)有很強(qiáng)的可定制性。關(guān)于手勢(shì)需要科普的一個(gè)地方是：手勢(shì)估計(jì)和手勢(shì)識(shí)別是兩個(gè)緊密相關(guān)但不同的概念。手勢(shì)估計(jì)是指從圖像（或者深度）數(shù)據(jù)中得到手的精確姿勢(shì)數(shù)據(jù)，比如所有手指關(guān)節(jié)的3D坐標(biāo)（下圖）；而手勢(shì)識(shí)別是指判斷出手的動(dòng)作（或姿態(tài)）說代表的語義信息，比如“打開電視”這樣的命令。前者一般可以作為后者的輸入，但是如果手勢(shì)指令集不大的情況下，也可以直接做手勢(shì)識(shí)別。前者的更準(zhǔn)確叫法應(yīng)該是手的姿勢(shì)估計(jì)。

五、結(jié)語

增強(qiáng)現(xiàn)實(shí)的再度興起是由近年來軟硬件的進(jìn)展決定的，是科學(xué)和技術(shù)人員幾十年努力的推動(dòng)成果。一方面，很幸運(yùn)我們能夠趕上這個(gè)時(shí)代提供的機(jī)會(huì)；另一方面，我們也應(yīng)該警惕過度的樂觀，需要腳踏實(shí)地得趟過每一個(gè)坑。