楊靖帆，何漢武，吳悅明+

(1.廣東工業(yè)大學(xué) 機(jī)電工程學(xué)院，廣東 廣州 510006;2.廣東工貿(mào)職業(yè)技術(shù)學(xué)院 機(jī)械工程系， 廣東 廣州 510510)

0 引 言

增強(qiáng)現(xiàn)實(shí)(augmented reality，AR)是一種將虛擬信息與現(xiàn)實(shí)世界結(jié)合起來以得到真實(shí)世界信息增強(qiáng)的技術(shù)[1]。其關(guān)鍵之處在于實(shí)時(shí)和精確地求解攝像機(jī)位姿并疊加虛擬信息的三維注冊(cè)算法。傳統(tǒng)的三維注冊(cè)算法是基于人工標(biāo)志的，如ARToolkit[2]等，已漸漸無法滿足于越來越復(fù)雜的實(shí)際應(yīng)用需求，因此基于無標(biāo)志的三維注冊(cè)算法是現(xiàn)在研究的主流方向。

由于增強(qiáng)現(xiàn)實(shí)對(duì)實(shí)時(shí)性的要求，基于圖像特征尤其是特征點(diǎn)的方法得到了廣泛的應(yīng)用。直接使用特征點(diǎn)進(jìn)行跟蹤的增強(qiáng)現(xiàn)實(shí)系統(tǒng)[3]存在效率較低、精度較低導(dǎo)致模型抖動(dòng)和部分情況無法跟蹤的問題。使用Lucas Kanade Tracker(KLT)對(duì)特征點(diǎn)進(jìn)行跟蹤的方法[4]提高了精度，但是KLT易受噪聲和光照的影響，魯棒性較差。在特征點(diǎn)被遮擋的情況下，KLT還會(huì)逐步退化進(jìn)而導(dǎo)致系統(tǒng)跟蹤失敗，降低了系統(tǒng)的遮擋魯棒性。另一方面，先使用目標(biāo)跟蹤方法如TLD[5]和KCF[6]對(duì)目標(biāo)進(jìn)行跟蹤，后利用特征點(diǎn)進(jìn)行位姿求解的方法，雖然在跟蹤階段有著很高的運(yùn)行效率，但是在位姿求解的精度上受限于特征點(diǎn)的匹配精度。

針對(duì)上述問題，本文提出局部特征描述改進(jìn)后的LK方法(DF-LK)。使用ORB特征點(diǎn)求解出初始位姿并在跟蹤目標(biāo)上選擇正確注冊(cè)且盡量均勻分布的ORB特征點(diǎn)為控制點(diǎn)，以控制點(diǎn)整體作為跟蹤點(diǎn)集，用Descriptor Fields局部描述改進(jìn)后的Lucas Kanade方法通過相鄰幀關(guān)系直接對(duì)目標(biāo)的位姿進(jìn)行跟蹤，完成三維注冊(cè)。

1 基本原理

1.1 Lucas Kanade跟蹤算法

對(duì)于模板圖像T與輸入圖像I， 如圖1所示，Lucas Kanade 算法[7]要求解的問題是如何最小化經(jīng)過平面變換關(guān)系p變換后的圖像I與圖像T之間的誤差項(xiàng)平方和(sum of squared error)，目標(biāo)方程如式(1)

(1)

其中，x=(x,y)T為圖像坐標(biāo)系下二維像素點(diǎn)的x與y坐標(biāo)值，I(x) 與T(x) 為輸入圖像和模板圖像在像素點(diǎn)x的灰度值，p為二維平面變換。對(duì)于投影變換，平面變化參數(shù)p=(p1,p2,p3,p4,p5,p6,p7,p8)T。W(x,p) 為像素點(diǎn)x經(jīng)過變換p變換后的二維坐標(biāo)。

圖1 圖像對(duì)齊問題

現(xiàn)在常用的等價(jià)并且更高效的求解方法是IC(inverse compositional)[8]方法。該方法將原先的目標(biāo)方程轉(zhuǎn)變成式(2)

(2)

此時(shí)式(2)的泰勒展開式為式(3)

(3)

(4)

其中，H為Hessian矩陣，如式(5)，I(W(x,p)) 與T(x) 的差值為誤差圖像

(5)

1.2 ORB位姿求解

ORB特征點(diǎn)是由FAST特征點(diǎn)和BRIEF二進(jìn)制描述子相結(jié)合，并通過計(jì)算質(zhì)心和旋轉(zhuǎn)角使之擁有旋轉(zhuǎn)不變性的特征點(diǎn)提取和描述方法。ORB方法在擁有相對(duì)較好的特征點(diǎn)提取和匹配精度的同時(shí)有著較快的運(yùn)算效率，適合于實(shí)時(shí)性要求較高的系統(tǒng)。使用ORB對(duì)攝像機(jī)位姿進(jìn)行求解先要在模板目標(biāo)上進(jìn)行ORB特征點(diǎn)的提取與描述，得到模板目標(biāo)上的三維ORB特征點(diǎn)信息，接著在當(dāng)前幀圖像上進(jìn)行ORB特征點(diǎn)的提取和描述后與模板目標(biāo)的特征點(diǎn)進(jìn)行匹配，得到2D-3D點(diǎn)對(duì)后將問題轉(zhuǎn)化為PnP問題(perspective-n-point)求解出攝像機(jī)位姿。

2 局部特征描述改進(jìn)的LK方法

2.1 Descriptor Fields局部描述子

IC方法中的目標(biāo)方程可以改寫成式(6)的形式

(6)

其中

D(T,W(x,Δp))=T(W(x,Δp))

(7)

D(I,W(x,p))=I(W(x,p))

(8)

上文提到的IC方法中，描述子D(I,x)=I(x)。 直接使用圖像灰度值雖然簡(jiǎn)單高效，但是在實(shí)際環(huán)境中經(jīng)常會(huì)出現(xiàn)光照變化的情況，這違背了LK方法的灰度值連續(xù)性假設(shè)使得目標(biāo)方程難以收斂。其次，為了降低圖像噪聲的影響和適應(yīng)較大范圍的移動(dòng)，常常會(huì)使用高斯濾波去噪聲并且構(gòu)造高斯金字塔，這會(huì)使得圖像變得平滑并丟失一部分圖像信息，反而導(dǎo)致LK算法的收斂性下降。這兩個(gè)缺點(diǎn)限制了LK方法的實(shí)際使用場(chǎng)景。

Distribution Fields[9]層級(jí)概率分布的描述方法可以降低高斯濾波帶來的影響。對(duì)于圖像灰度值而言，每一個(gè)像素點(diǎn)擁有0-255的概率分布。每一層級(jí)表示所有像素點(diǎn)在該灰度值的分布。Distribution Fields的基本定義如式(9)

(9)

其中，x為圖像I上的像素點(diǎn)的坐標(biāo)，k為像素點(diǎn)可能的灰度值。每一個(gè)固定灰度值k的所有像素點(diǎn)分布的集合稱為一層。此時(shí)對(duì)第k層的高斯濾波只對(duì)某一灰度值起作用，因此在這個(gè)過程中只會(huì)改變各個(gè)灰度值在圖像上的位置，不會(huì)有圖像信息的丟失，從而解決了高斯濾波帶來的問題，但是Distribution Fields仍然在光照變化的情況下表現(xiàn)不佳。

在Distribution Fields的基礎(chǔ)上本文提出使用非線性多維描述子Descriptor Fields[10]對(duì)圖像進(jìn)行描述后再通過LK方法跟蹤。Descriptor Fields的定義如式(10)

D(I,x)=[[f1*I(x)]+,[f1*I(x)]-,…,[fn*I(x)]+, [fn*I(x)]-]T

(10)

其中，f1,f2,…,fn為高斯導(dǎo)數(shù)核，+和-操作如式(11)和式(12)所示

(11)

[x]-=[-x]+

(12)

經(jīng)過高斯導(dǎo)數(shù)處理后的圖像在一定光照的變化下仍然能保留圖像原本的特征信息。將處理后圖像分為正數(shù)空間域和負(fù)數(shù)空間域，再進(jìn)行高斯濾波就不會(huì)出現(xiàn)正負(fù)值抵消導(dǎo)致高斯濾波后圖像快速退化的問題。因此Descriptor Fields讓LK方法擁有一定抵抗高斯濾波帶來的圖像退化的特性，對(duì)光照變化也擁有更好的抗性。

實(shí)際的實(shí)驗(yàn)中，使用一階Descriptor Fields在精度和實(shí)時(shí)性上均有較好的效果。一階Descriptor Fields如式(13)

D(I,x)=[[Gx*I(x)]+,[Gx*I(x)]-,[Gy*I(x)]+, [Gy*I(x)]-]T

(13)

其中，Gx和Gy分別為圖像x和y方向上的高斯一階導(dǎo)數(shù)算子。圖2為一階Descriptor Fields。

圖2 一階Descriptor Fields描述子

2.2 亞像素插值與誤差圖像評(píng)估

圖像經(jīng)過變換p變換后的坐標(biāo)W(x,p) 在大部分情況下會(huì)落在非整數(shù)坐標(biāo)上。在獲取該坐標(biāo)值對(duì)應(yīng)的圖像灰度值時(shí)，常見的做法是直接取其最近的像素點(diǎn)的灰度值。本文采用的方法是使用雙線性插值的方法，求得亞像素的灰度值。

假設(shè)坐標(biāo) (x,y) 在4個(gè)整數(shù)坐標(biāo) (x1,y1)、 (x2,y1)、 (x1,y2) 和 (x2,y2) 之間，其中x1≤x≤x2且y1≤y≤y2， 先沿x方向求得坐標(biāo) (x,y1) 和 (x,y2) 線性插值后的灰度值I(x,y1) 和I(x,y2)， 如式(14)和式(15)

(14)

(15)

接著再沿y方向進(jìn)行插值，如式(16)，得到坐標(biāo) (x,y) 的插值后的灰度值I(x,y)

(16)

經(jīng)過插值后得到的像素點(diǎn)灰度值可以使得式(4)在求解Δp時(shí)有更高的精度，縮短了迭代的搜索路徑，從而加快了目標(biāo)方程的收斂速度。實(shí)際的實(shí)驗(yàn)中，對(duì)于小范圍移動(dòng)，使用了亞像素插值的LK方法一般只要小于5～10次迭代即可達(dá)到預(yù)設(shè)的迭代閾值要求，而未使用插值的LK方法一般需要10～20甚至更多次迭代才能達(dá)到要求。

對(duì)LK方法迭代過程中每一步計(jì)算出的誤差圖像中每個(gè)像素點(diǎn)，使用M-estimator中L1-L2方法對(duì)誤差進(jìn)行評(píng)估，如式(17)，再求解Δp

(17)

其中，rk為誤差圖像中第k個(gè)像素點(diǎn)灰度值的誤差，ek為該點(diǎn)M-estimator評(píng)估后的誤差值。L1-L2方法使得在較小和較大誤差情況下的計(jì)算結(jié)果更加穩(wěn)定，從而在一定程度上提升了整個(gè)LK方法的穩(wěn)定性。

2.3 跟蹤初始化

LK跟蹤需要已知上一幀模板圖像上控制點(diǎn)的坐標(biāo)位置，因此在跟蹤開始之前，需要在跟蹤目標(biāo)上進(jìn)行控制點(diǎn)的初始化。本文使用改進(jìn)后的ORB特征點(diǎn)作為L(zhǎng)K跟蹤的控制點(diǎn)。雖然在精度上不如SIFT和SURF，但是ORB特征點(diǎn)在速度上有著巨大的優(yōu)勢(shì)[11]，更適用于實(shí)時(shí)性要求高的系統(tǒng)。同時(shí)，通過計(jì)算構(gòu)造高斯金字塔和質(zhì)心使得ORB擁有尺度不變形和旋轉(zhuǎn)不變性，能夠滿足在一般環(huán)境下初始化的要求。

在ORB提取特征點(diǎn)的過程中，不再直接根據(jù)提取的特征點(diǎn)數(shù)量和像素點(diǎn)的特征點(diǎn)響應(yīng)值由大至小地選擇特征點(diǎn)，而是通過自適應(yīng)非極大值抑制[12]的方法，對(duì)于那些屬于非極大值的特征點(diǎn)進(jìn)行抑制，從而得到在圖像空間上更加均勻分布的特征點(diǎn)提取結(jié)果。分布均勻的特征點(diǎn)可以一定程度上降低其它環(huán)境中的特征點(diǎn)的影響，消除冗余的特征點(diǎn)信息，提高特征點(diǎn)的質(zhì)量。

對(duì)于圖像I， 像素點(diǎn)xi=(xi,yi)T， 像素點(diǎn)xi的最小抑制半徑ri為式(18)

(18)

其中，f(xi) 和f(xj) 分別為xi和xj的特征點(diǎn)響應(yīng)值，c是一個(gè)小于等于1的穩(wěn)定值，用于確保鄰域內(nèi)點(diǎn)xj的響應(yīng)值f(xi)>f(xj)， 這里取c=0.9。ri最大的前k個(gè)點(diǎn)即篩選后的k個(gè)特征點(diǎn)結(jié)果。非極大值抑制前后的對(duì)比結(jié)果如圖3所示。

圖3 非極大值抑制前后的比較

當(dāng)?shù)玫教卣鼽c(diǎn)之后，用ORB特征點(diǎn)描述方法對(duì)其進(jìn)行描述，然后將提取的特征點(diǎn)與已經(jīng)訓(xùn)練好的模板特征點(diǎn)進(jìn)行相互匹配，只有相互匹配都成功的特征點(diǎn)才認(rèn)為是匹配成功的特征點(diǎn)。在匹配的過程中，用比值測(cè)試進(jìn)行特征點(diǎn)的初篩選。得到匹配結(jié)果之后用PnP和RANSAC的方法求解出當(dāng)前幀圖像的攝像機(jī)位姿R0和T0， 以正確求解出攝像機(jī)位姿的特征點(diǎn)作為L(zhǎng)K跟蹤的控制集點(diǎn)。均勻分布的控制點(diǎn)會(huì)讓LK方法獲得更好的抗光照和抗遮擋性。

2.4 跟蹤錯(cuò)誤檢測(cè)

LK跟蹤方法在迭代求解的過程中可能出現(xiàn)不收斂、迭代收斂于錯(cuò)誤的局部極小值和跟蹤目標(biāo)離開攝像機(jī)場(chǎng)景等跟蹤失敗的情況。基于相鄰幀關(guān)系的跟蹤算法也會(huì)存在累計(jì)誤差，最終會(huì)導(dǎo)致跟蹤失敗無法恢復(fù)。本文使用向前向后錯(cuò)誤檢測(cè)[13]方法來對(duì)每一幀的跟蹤的結(jié)果進(jìn)行錯(cuò)誤檢測(cè)。

如圖4所示，當(dāng)?shù)趉幀圖像Ik為跟蹤初始化幀，對(duì)于第k+t幀圖像Ik+t和第k+t+1幀圖像Ik+t+1， 通過LK方法求得Ik+t+1至Ik+t的單應(yīng)性矩陣pk+t+1， 可以求得Ik+t+1上的控制點(diǎn)集Ck+t+1=W(Ck+t,pk+t+1)。 要評(píng)價(jià)pk+t+1的正確性，將控制點(diǎn)集Ck+t+1向后變換至圖像Ik上對(duì)應(yīng)的控制點(diǎn)集C′k， 比較每個(gè)對(duì)應(yīng)點(diǎn)之間的距離差dk， 如式(19)。其中控制點(diǎn)xk與x′k為控制點(diǎn)集Ck和C′k中對(duì)應(yīng)的控制點(diǎn)

(19)

通過計(jì)算dk， 可以對(duì)每個(gè)控制點(diǎn)的跟蹤情況進(jìn)行評(píng)估。對(duì)于正確跟蹤的控制點(diǎn)求得的距離dk一般會(huì)很小。因?yàn)楸徽趽醯目刂泣c(diǎn)也會(huì)被認(rèn)為是跟蹤失敗的點(diǎn)，因此認(rèn)為只要整體有70%的控制點(diǎn)達(dá)到最小距離的閾值就通過了向前向后檢測(cè)。

圖4 向前向后錯(cuò)誤檢測(cè)

為了更進(jìn)一步增加錯(cuò)誤檢測(cè)的可靠性，對(duì)于每個(gè)控制點(diǎn)對(duì)，在5×5的鄰域內(nèi)計(jì)算歸一化互相關(guān)系數(shù)(normalization cross correlation)[14]，同樣，如果整體有70%的控制點(diǎn)達(dá)到最小閾值則認(rèn)為通過NCC檢測(cè)。

向前向后和歸一化互相關(guān)測(cè)試相互獨(dú)立，只有同時(shí)通過才認(rèn)為跟蹤成功。成功后不舍棄而是保留跟蹤失敗的控制點(diǎn)，用p求解當(dāng)前幀所有的控制點(diǎn)的位置，并以該控制點(diǎn)集作為下一幀圖像LK跟蹤的控制點(diǎn)。若檢測(cè)到跟蹤失敗，則重新回到初始化過程。

3 算法流程

如圖5所示為本文的算法流程框架，跟蹤算法主要由初始化、跟蹤求解和錯(cuò)誤檢測(cè)3部分組成，主要包括如下幾個(gè)步驟。

圖5 本文算法流程

(1)在當(dāng)前幀圖像上提取和描述ORB特征點(diǎn)并與模板目標(biāo)的特征點(diǎn)進(jìn)行匹配，如果未檢測(cè)到跟蹤目標(biāo)則重復(fù)步驟(1)。

(2)以當(dāng)前幀作為跟蹤起始幀，生成控制點(diǎn)集，求解初始旋轉(zhuǎn)與位移矩陣R0和T0。取下一幀圖像。

(3)對(duì)當(dāng)前幀圖像和上一幀圖像分別進(jìn)行DF描述后構(gòu)造高斯金字塔，通過LK迭代求解出單應(yīng)性矩陣p。

(4)對(duì)p進(jìn)行錯(cuò)誤檢測(cè)，若檢測(cè)失敗回到步驟(1)。

(5)通過初始幀的R0、T0和p求解出當(dāng)前幀的R和T。

(6)虛擬模型的渲染與疊加。

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文算法對(duì)平面目標(biāo)的跟蹤性能，在自然環(huán)境平面目標(biāo)跟蹤數(shù)據(jù)集[15]中選擇部分視頻集，對(duì)本文方法(DF-LK)、ORB和ORB+KLT的方法在尺度變化、旋轉(zhuǎn)變化、透視變化、運(yùn)動(dòng)模糊、遮擋、目標(biāo)離開視野等6種情況下的跟蹤情況進(jìn)行對(duì)比實(shí)驗(yàn)，接著在現(xiàn)實(shí)環(huán)境中進(jìn)行增強(qiáng)現(xiàn)實(shí)的注冊(cè)實(shí)驗(yàn)。實(shí)驗(yàn)硬件平臺(tái)為：CPU Intel(R)Core(TM) i5-8300H @2.30 GHz和8 G RAM。實(shí)驗(yàn)軟件平臺(tái)為：Visual Studio 2017、OpenCV 2.4.13和Eigen3.3.4。測(cè)試視頻均由移動(dòng)設(shè)備錄制，分辨率為640×480。

4.1 跟蹤測(cè)試實(shí)驗(yàn)結(jié)果

在數(shù)據(jù)集[15]中選擇Lottery、Snack、Melts、Map、Woman和Coke這6組視頻集，每個(gè)視頻集有6個(gè)視頻，每個(gè)視頻分別對(duì)應(yīng)尺度變化、旋轉(zhuǎn)變化、透視變化、運(yùn)動(dòng)模糊、遮擋和目標(biāo)離開視野6種情況，每個(gè)視頻為501幀，第一幀用于初始化。

6組視頻集的部分跟蹤結(jié)果如圖6所示。深色至淺色分別為DF-LK、ORB+KLT和ORB方法的跟蹤結(jié)果。

圖6 數(shù)據(jù)集跟蹤實(shí)驗(yàn)結(jié)果

(1)尺度變化與透視變化

使用高斯金字塔實(shí)現(xiàn)的ORB方法雖然擁有了一定的尺度不變性，但是在實(shí)際的測(cè)試中使用跟蹤的方法在尺度變化上要遠(yuǎn)遠(yuǎn)優(yōu)于ORB方法。DF-LK和KLT方法都可以在較大的尺度變化下跟蹤成功。

在透視變化方面，DF-LK與KLT方法在較大的透視變化的情況下相較于ORB方法有著更高的成功率，當(dāng)超過一定的變化角度后ORB方法將會(huì)直接失效而其它兩種方法仍有一定的跟蹤成功率。值得一提的是對(duì)于跟蹤目標(biāo)易受到光照影響的Woman和Snack兩個(gè)數(shù)據(jù)集，DF-LK的穩(wěn)定性要遠(yuǎn)高于KLT方法。

(2)旋轉(zhuǎn)變化與運(yùn)動(dòng)模糊

在旋轉(zhuǎn)變化方面，DF-LK和ORB方法有著接近的跟蹤成功率，稍微優(yōu)于KLT方法。DF-LK在旋轉(zhuǎn)過程中發(fā)生輕微模糊的情況下仍然能跟蹤成功，而KLT方法則容易失敗。對(duì)于較大的運(yùn)動(dòng)模糊和較大位移的情況所有方法都無法正確跟蹤，只有ORB方法在少數(shù)幾幀中能跟蹤目標(biāo)的大致位置，但是精度不佳。

(3)遮擋與離開視野

ORB方法因其稀疏特征點(diǎn)的特性擁有最好的抗遮擋性，在較大的遮擋面積(如目標(biāo)50%被遮擋)有一定的跟蹤成功率。KLT方法會(huì)因跟蹤點(diǎn)被遮擋不斷減少導(dǎo)致跟蹤的穩(wěn)定性下降，最終導(dǎo)致跟蹤失敗，而DF-LK在較小面積遮擋(15%-25%被遮擋)的情況下仍有較高的跟蹤成功率，當(dāng)跟蹤點(diǎn)不被遮擋時(shí)也能恢復(fù)跟蹤，從而提高了遮擋時(shí)的魯棒性。

同時(shí)，本文通過對(duì)準(zhǔn)誤差和單應(yīng)性矩陣誤差兩方面來評(píng)估跟蹤算法的效果。

(1)對(duì)準(zhǔn)誤差

對(duì)準(zhǔn)誤差為跟蹤目標(biāo)上4個(gè)角點(diǎn)的跟蹤結(jié)果與真實(shí)值之間的均方距離，如式(20)

(20)

(2)單應(yīng)性矩陣誤差

單應(yīng)性矩陣誤差為單應(yīng)性矩陣的跟蹤結(jié)果和真實(shí)值之間的差值，如式(21)

(21)

取對(duì)準(zhǔn)誤差閾值tp=5， 單應(yīng)性矩陣誤差閾值ts=10， 3種方法的對(duì)準(zhǔn)誤差與單應(yīng)性矩陣誤差如圖7所示。總體而言，DF-LK在對(duì)準(zhǔn)誤差與單應(yīng)性矩陣誤差上都要優(yōu)于ORB和ORB+KLT的方法。當(dāng)注冊(cè)成功率都相同時(shí)，ORB方法由于每幀都通過不同的特征點(diǎn)進(jìn)行計(jì)算，相較于其它兩者方法有著最大的誤差。

圖7 3種算法的誤差比較

從直觀的視覺角度來說，這會(huì)導(dǎo)致注冊(cè)模型每幀之間的較大抖動(dòng)。KLT方法對(duì)成功注冊(cè)的特征點(diǎn)進(jìn)行跟蹤，降低了ORB方法每幀的隨機(jī)誤差，提高了一定的精度。DF-LK 方法在此基礎(chǔ)上進(jìn)一步降低了誤差，并提高了各種情況下跟蹤的穩(wěn)定性。

4.2 實(shí)際注冊(cè)實(shí)驗(yàn)的結(jié)果

實(shí)際的注冊(cè)結(jié)果如圖8所示，分別對(duì)應(yīng)尺度變化、光照變化、遮擋、透視變化和運(yùn)動(dòng)模糊5種情況。實(shí)驗(yàn)結(jié)果表明，在不同的情況下本文方法都能夠取得較好的注冊(cè)效果。虛擬模型有著更高的注冊(cè)穩(wěn)定性和更小的抖動(dòng)，因此有著更好的注冊(cè)顯示效果。系統(tǒng)平均幀率為26.4 幀/秒，滿足了實(shí)時(shí)性要求。

圖8 實(shí)際三維注冊(cè)效果

5 結(jié)束語

針對(duì)KLT跟蹤在部分場(chǎng)景穩(wěn)定性較低、抗遮擋性較差以及直接使用特征點(diǎn)注冊(cè)精度較低等問題，本文提出用ORB方法初始化，以成功注冊(cè)并且盡可能均勻分布的特征點(diǎn)集作為L(zhǎng)K方法跟蹤的控制點(diǎn)集，使用Descriptor Fields局部描述子改進(jìn)后的LK方法對(duì)平面目標(biāo)的位姿直接進(jìn)行跟蹤，提高了光照變化、輕微運(yùn)動(dòng)模糊和較大透視變化等情況下的跟蹤穩(wěn)定性和精度。實(shí)驗(yàn)結(jié)果表明，本文方法有著更高的跟蹤成功率、更低的跟蹤誤差和更穩(wěn)定的注冊(cè)顯示效果，較好地滿足了增強(qiáng)現(xiàn)實(shí)系統(tǒng)的注冊(cè)精度和實(shí)時(shí)性的要求。