【Vuforia】最佳实践：设计和开发基于图像的目标识别(Image-Based Targets)_综合

一、引言
二、理想图像目标的属性
- 图像举例
三、目标星级
四、自然特征与图像评级
- 评级 - 特征(Features)
- 两张图像的比较(Comparison of two images)
- 评级 - 对比度(Contrast)
- 评级 - 特征分布(Feature distribution)
- 评级 - 有机形状(Organic Shapes)
- 评级 - 图案重复(Repetitive Patterns)
- 评级 - 非矩形图像目标(Non-Rectangular Image Targets)
五、特征排除缓冲区(The Feature-Exclusion Buffer)
六、了解更多

一、引言

有一系列因素规定了图像目标(Image Target)的可追踪性和上传到Vuforia Target Manager时的目标星级(target star rating)。本指南将让您深入了解怎样制作优良的图像目标。

基于图像的目标(Image-based targets)有多种形式：简单平面的图像目标，圆柱形的卷曲图像目标或构成立方盒的多个目标。它们都有相似的需求：具有丰富的细节和良好的星级评定。
本文主要关注图像目标，但同样的因素也适用于Vuforia的其他基于图像的目标。除了设计一个好的图像目标外，还应该考虑【翻译】图像目标的物理特性(【原文】The Physical Properties of Image-Based Targets)。

二、理想图像目标的属性

具有以下属性的图像目标将使Vuforia引擎具有最佳的检测和追踪性能：

属性	例子
细节丰富	街景、人群、拼贴画和各种物品的混合以及运动场景都是很好的例子。
明暗对比度高	明暗分明、光亮充足的图像效果较好。
无重复图案	将独特特征和清晰图案尽可能多地覆盖到目标图像上，以避免对称、图案重复和特征过少。
格式	必须是8位或24位PNG/JPG格式；大小 < 2 MB；JPG必须是RGB或灰度（无CMYK）。

图像举例


图A - 自带坐标轴用以解释说明的图像目标。	图B - 展示了Vuforia引擎检测图像目标时所需的自然特征。

三、目标星级

通过从目标图像(target image)中提取的自然特征，再将其与现场摄像机图像(live camera image)中的特征实时进行对比，从而检测出图像目标(Image Target)。目标星级在1?到5?之间。虽然低等级的目标(1?或2?)通常也可以被检测和追踪，但4?或5?的目标会获得最佳效果。

要创建可精确检测到的可追踪图像，应根据上述属性选用图像作为理想的图像目标。

四、自然特征与图像评级

可增强评级(augmentable rating)规定了Vuforia引擎的图像检测和追踪程度。当使用Cloud Reco Databases时，此评级将显示在Target Manager中，并通过web API为每个上传的目标实现返回。

对于任何给定的图像，可增强评级可以从0?到5?不等。图像目标的可增强评级越高，对其的检测和追踪能力就越强。0?表示AR系统完全追踪不到目标，而5?则表示AR系统很容易追踪图像。

评级 - 特征(Features)

特征是指例如纹理对象(textured object)中所表现的锐利(sharp)、尖刺(spiked)、轮廓分明(chiseled)的细节。图像分析器(image analyzer)将特征表示为黄色的小十字。增加图像中这些细节的数量，并确认由这些细节所构造的是非重复图案(non-repeating pattern)。

例子	阐述
	正方形的每个角都有四个特征。
	圆没有特征，因为它不包含锐利或尖刺的细节。
	此对象仅包含两个特征，每个尖角(sharp corner)一个。注：根据特征的定义，柔滑角(soft corner)和有机边缘(organic edge)不标记为特征。

两张图像的比较(Comparison of two images)

检查两张图并注意第一张图中的特征点缺失。最好设计或使用那些能够显示大量特征点的图像。如后文所述，特征点的均匀分布还提高了追踪和增强(augmentation)的稳健性：当增强内容(augmented content)处于图像目标的特征丰富区域顶部时更加稳定。

评级 - 对比度(Contrast)

这三张图片展示了一个更实际的例子来说明如何提高目标的局部对比度：

图像有两个图层：前景(foreground)是几片五颜六色的叶子；背景(background)是有纹理的表面。这些图层只存在于我们的图形编辑器(graphic editor)中；当上传到目标管理器(Target Manager)时，要使用合并图(flattened image)，例如PNG格式。上传的图片大小为512x512像素，比推荐的最小320像素稍大。

原始图像乍一看似乎有足够的细节作为目标。不幸的是，上传到Target Manager却只能得到一个非常低的评价：1?。这会导致追踪性能很差。持续调整图像可将目标质量提高到五?，从而获得优异的检测和追踪性能。

实施改进：

将背景层颜色改浅以产生更多的特征点；
使用高对比度和低亮度调整前景特征；
应用于图像的局部对比度增强(【翻译】增强局部对比度(【原文】Local contrast enhancement))。

更上一层楼：

将背景层颜色改为白色；
加强边缘的对比度。

结果：图像获得5?评级，能够很好的持续追踪。由于特征分布一致(feature distribution is consistent)，可以轻易地提取对比度和特征，并且增强物可以定位到任何位置(and the placement of augmentations can be positioned at any position)。
相关的图像指南和其他改进，请参阅【翻译】图像目标优化技术(【原文】Image Targets Optimization Techniques)。

评级 - 特征分布(Feature distribution)

图像中特征分布越均衡，该图像就越能被检测追踪。请确保黄色十字线在整个图像中分布均匀。图像中特征分布不良会影响目标图像的评级和性能。裁剪图像以删除任何没有特征的区域可能会提高图像的整体评级。

此外，该图像还存在可追踪特征和背景之间对比度过低的问题。该图像中的对象缺少为了获得更好评级和性能所需的更锐利边缘和清晰定义的形状。

评级 - 有机形状(Organic Shapes)

通常我们很难或压根不能检测追踪那些，不能提供足够细节的有机形状，因为其所包含的模糊或高压的面(containing blurred or highly compressed aspects)具有柔和或圆润的细节(soft or round details)。它们存在一个问题：特征数量太少了。

像这张图就没什么特征，因为它缺乏具有锐利边缘和高对比度的视觉元素。Vuforia引擎无法检测追踪这样或类似的图像。