受诸如手机之类的移动设备的硬件性能的约束，传统的AR跟踪和记录算法通常在实时性和准确性方面较差。对这一问题，提出了一种基于手机传感器的混合跟踪记录算法。
算法结合了GPS，陀螺仪和智能手机加速度等传感器，并允许通过自适应卡尔曼滤波器进行多传感器混合跟踪记录，从而提高了记录精度。真结果表明，该算法具有较高的实用性，在面向移动的增强现实系统中具有广阔的应用前景。年来，移动增强现实MAR一直是IT领域的研究中心。
可以将虚拟信息（例如文本，图像或三维模型）与现实世界的内容实时合并，对齐显示并执行某些交互。MAR系统的核心是跟踪和记录其虚拟信息，也就是说，虚拟对象与现实世界的对齐。
踪记录算法的优缺点决定了增强现实系统的性能，并直接影响用户体验。如手机之类的移动设备的硬件比台式计算机和其他设备的硬件要弱。此，传统的基于视觉的跟踪和记录算法通常无法在移动电话上运行，或者运行速度慢且精度较低。
时，还应该注意的是，手机上有很多传感器，例如用于定位的GPS，电子罗盘和可以估计姿势的加速度传感器等，因此整合了移动设备的传感器收集的数据以执行复杂的自然场景。
时监视记录当然可以改善MAR系统的用户友好性和用户体验。管当前的混合跟踪记录技术于2009年在海外推出，但结果相对较弱。国的研究人员已经使用惯性跟踪器和视觉方法进行了混合跟踪记录，以提高记录的准确性。过改进SIFT和Ferns，Wagner在手机上创建了第一个实时自然特征监测系统6-DOF。亚伟等。经使用来自移动设备的重力加速度计来提供快速点匹配算法。雪已经提出了用于磁传感器和深度视觉数据的混合跟踪记录技术，但是该技术不能用于移动设备。合跟踪记录是指在增强现实系统中使用两种或多种跟踪记录技术，以实现各种跟踪记录技术的互补优势。
如，基于视觉图像的跟踪和记录技术容易受到环境的影响，并且当标记或拍摄环境发生显着变化时，算法的准确性很差。于传感器的跟踪记录算法速度更快，但是手机传感器的定位精度受到限制，并且还存在漂移误差。述两种跟踪记录技术可以在一定程度上相互补充。此，本文提供了一种基于手机传感器和传统视觉的混合跟踪记录算法，以提高跟踪记录的准确性和速度。算法大致分为三个阶段。先，对从移动电话的摄像机获得的视频数据和从多个传感器获得的数据进行实时的三维坐标转换。次，基于传感器跟踪的误差估计值和视觉数据，卡尔曼滤波器用于实时估计权重。后，通过实时获取这两种跟踪方法的动态权重进行数据融合，并进行相应的跟踪记录。面的图1中说明了本文中的方法流程图。跟踪记录过程中，由于算法中的数据源是多种多样的，因此用于记录和定位的坐标系可能会有所不同，因此需要对坐标系进行转换。过坐标的变换，基于移动电话的摄像机获得的视觉坐标信息和基于传感器获得的移动电话的位置信息被统一，用于附加的数据融合。此过程中，通用坐标系可以用作参考。了确定真实场景中的移动设备（如手机）的姿势，可以使用GPS，重力加速度传感器，恒温阀芯陀螺仪和磁场传感器。如，可以首先获取设备的重力加速度传感器和磁场传感器（三个）的空间坐标值，以及设备和系统的变换坐标矩阵全局坐标可以通过变换矩阵获得。数据可用作姿势估计的输入。管常见的数据融合方法合并了来自多个传感器的数据，但是它们无法区分该数据的优缺点；例如，某点的GPS定位误差很重要，而定位信息视觉数据的质量很高。值将导致跟踪精度变差。此，对于本文中的跟踪记录任务，必须能够实时调整权重，因此自适应卡尔曼滤波器是一种更好的方法。
尔曼滤波器是一种优化的自回归数据处理算法，可以更有效地估计过程状态变量，同时将估计的均方误差最小化。尔曼滤波器仅基于先前的测量变量来递归计算当前状态的估计值，以便更好地保证跟踪记录过程的稳定性和实时性能。充分利用了传感器数据，并且在视觉数据丢失或不可靠的情况下可以继续进行精确而稳定的跟踪。了验证本文中算法的混合跟踪性能，在Android智能手机上进行了仿真实验。实验中，使用诸如视觉遮挡的方法来验证算法的准确性，实时性和鲁棒性。
时，出于比较和分析目的，还从单个视觉跟踪记录算法中收集了相关的实验数据。验结果表明，在视觉遮挡过程中，单一方法的记录精度大大降低，而本文中混合方法的最大误差在3 cm左右，并且精度更高。
时，基于自适应卡尔曼滤波器的融合算法可以长时间保持跟踪的稳定性和准确性。外，该算法不需要较高的硬件性能，并且更适合于移动电话等移动设备。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com