周 翔 ，唐麗玉 *，林 定

（1.空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室（福州大學(xué)），福州350108；2.地理空間信息技術(shù)國家地方聯(lián)合工程研究中心（福州大學(xué)），福州350108）

（?通信作者電子郵箱Tangly@fzu.edu.cn）

0 引言

增強(qiáng)現(xiàn)實(shí)（Augmented Reality，AR）是指利用計(jì)算機(jī)技術(shù)將虛擬場景實(shí)時(shí)精準(zhǔn)地疊加到真實(shí)場景中的相對位置，以增強(qiáng)用戶在真實(shí)環(huán)境中的感知體驗(yàn)［1］。增強(qiáng)現(xiàn)實(shí)技術(shù)由虛擬現(xiàn)實(shí)技術(shù)發(fā)展而來，具有虛實(shí)融合、實(shí)時(shí)交互、虛實(shí)注冊的特點(diǎn)［2］，增強(qiáng)現(xiàn)實(shí)技術(shù)的核心是虛實(shí)注冊［3-4］。隨著計(jì)算機(jī)圖形學(xué)和計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，基于平面圖像的自然特征虛實(shí)注冊方法儼然成為研究熱點(diǎn)之一，基于自然特征的虛實(shí)注冊方法的關(guān)鍵之一在于圖像的特征提取與匹配［4-5］，圖像特征提取與匹配算法的特征識別精度和計(jì)算速度會對虛實(shí)注冊的精確度與實(shí)時(shí)性產(chǎn)生直接影響。

圖像特征識別算法分為特征提取和特征描述兩個(gè)部分，圖像的特征描述算法主要分為浮點(diǎn)型描述符和二進(jìn)制描述符兩類?；诔叨炔蛔兲卣髯儞Q（Scale-Invariant Feature Transform，SIFT）算法［6］是目前綜合性能最佳的浮點(diǎn)型描述符，也是高精度特征提取算法，但其運(yùn)算量大、耗時(shí)多，難以滿足對實(shí)時(shí)性有需求的實(shí)際應(yīng)用，而同為浮點(diǎn)型描述符的加速穩(wěn)健特征（Speeded Up Robust Features，SURF）算法［7］能夠獲取類似于SIFT算法的高精度和魯棒性佳的特征點(diǎn)，但計(jì)算速度較SIFT有較大的提高［8］，是一種較為高效的算法，與二進(jìn)制描述符相比，識別精度更高［9］但計(jì)算速度慢了一個(gè)數(shù)量級，在所有的二進(jìn)制特征描述算子中，二進(jìn)制魯棒不變尺度關(guān)鍵點(diǎn)（Binary Robust Invariant Scalable Keypoints，BRISK）特征描述算子［10］在旋轉(zhuǎn)、視角和尺度變換條件下的綜合表現(xiàn)最佳［11］，BRISK特征描述符在所有的二進(jìn)制描述符中有最高的特征匹配精度和最大匹配數(shù)，運(yùn)算速度相對于浮點(diǎn)型描述符來說非常適合用于移動(dòng)端應(yīng)用程序［12］。

基于自然特征的增強(qiáng)現(xiàn)實(shí)技術(shù)在教育［13-14］、歷史遺址重現(xiàn)［15］、旅游［16-17］等領(lǐng)域有著廣泛的應(yīng)用前景，在實(shí)際場景中因相機(jī)角度、環(huán)境光照和遮擋的不同會使得圖像之間出現(xiàn)差異性，因此實(shí)現(xiàn)一種能夠準(zhǔn)確快速地識別差異性圖像并精確完成AR功能的虛實(shí)注冊方法非常關(guān)鍵。

本文將結(jié)合SURF算法和BRISK算法的優(yōu)點(diǎn)，研究高效的基于圖像自然特征的虛實(shí)注冊方法，首先使用二進(jìn)制魯棒不變尺度關(guān)鍵點(diǎn)-加速穩(wěn)健特征（Binary Robust Invariant Scalable Keypoints-Speeded Up Robust Features，BRISK-SURF）算法提取圖像的特征信息；其次在特征匹配階段使用漢明距離進(jìn)行高速特征匹配以及隨機(jī)抽樣一致性（RANdom Sample Consensus，RANSAC）算法剔除誤匹配點(diǎn)對，根據(jù)圖像特征之間的單應(yīng)性關(guān)系計(jì)算注冊矩陣以實(shí)現(xiàn)基于自然特征的虛實(shí)注冊；最后基于該方法實(shí)現(xiàn)AR系統(tǒng)，并應(yīng)用于朱子文化遺存中興賢書院旅游資源的宣傳與體驗(yàn)。

1 基于BRISK-SURF自然特征的虛實(shí)注冊

1.1 結(jié)合BRISK和SURF的特征識別匹配算法

在實(shí)際應(yīng)用中，準(zhǔn)確并快速地識別匹配旅游場景中的圖像是關(guān)鍵。本文在圖像的特征提取階段利用SURF特征提取算子檢測出高精度和魯棒性佳的特征點(diǎn)，然后使用BRISK特征描述算子對特征點(diǎn)進(jìn)行二進(jìn)制描述以提高計(jì)算速度。

1.1.1 特征提取

在圖像的特征提取階段，使用SURF的近似Hessian矩陣行列式（Determinant of Hessian，DoH）檢測在圖像的不同尺度空間上快速檢測特征點(diǎn)，核心是Hessian矩陣的利用。圖像在尺度為σ的Hessian矩陣H為：

其中：Lxx(X，σ)為高斯二階偏導(dǎo)數(shù)與像素點(diǎn)（x，y）在x方向上的卷積，Lxy(X，σ)和Lyy(X，σ)的定義類似。

SURF算法通過使用盒狀濾波器（Box Filter）與積分圖像的簡單運(yùn)算來代替模板與圖像的卷積運(yùn)算，這樣可以在保證提取精度的前提下加快特征檢測，計(jì)算公式如下：其中Dxx、Dyy、Dxy為近似高斯二階偏導(dǎo)數(shù)與圖像像素的響應(yīng)值，當(dāng)det(H)＞1時(shí)認(rèn)為該點(diǎn)為特征點(diǎn)。

通過構(gòu)建圖像的多尺度空間金字塔，提取具有尺度變換和魯棒性佳的特征點(diǎn)。SURF算法不改變圖像的尺寸，只改變盒狀濾波器的尺寸，并通過同時(shí)處理多尺度空間的圖像來構(gòu)建圖像金字塔，加快了圖像的處理。

在檢測出的每個(gè)特征點(diǎn)所在尺度層及上下兩個(gè)尺度層圖像的3×3×3鄰域內(nèi)對其進(jìn)行非極大值抑制，再通過亞像素插值運(yùn)算來獲得穩(wěn)定性佳的特征點(diǎn)。

1.1.2 特征描述

1）計(jì)算特征點(diǎn)主方向。

為了使特征點(diǎn)具備旋轉(zhuǎn)不變性，在對特征點(diǎn)進(jìn)行描述前需要確定特征點(diǎn)的主方向。本文利用BRISK算子，在特征點(diǎn)周圍使用均勻采樣模式（如圖1所示），即以特征點(diǎn)為中心，構(gòu)建不同半徑的同心圓，在每個(gè)圓上獲取一定數(shù)目的等間隔采樣點(diǎn)（包括特征點(diǎn)本身），并對所有采樣點(diǎn)進(jìn)行高斯濾波，然后對局部梯度進(jìn)行計(jì)算，將采樣點(diǎn)兩兩組合計(jì)算特征點(diǎn)局部梯度集合，使用g(Pi，Pj)表示特征局部梯度集合，有：

其中：I(Pi，σi)、I(Pj，σj)分別為特征點(diǎn)的像素值，統(tǒng)計(jì)短距離和長距離點(diǎn)對子集，利用長距離點(diǎn)對子集計(jì)算特征點(diǎn)的主方向，計(jì)算公式如下，公式中的L為所有長距離點(diǎn)對：

圖1 BRISK的采樣模式Fig.1 Sampling mode of BRISK

2）生成特征描述符。

把特征點(diǎn)周圍的采樣區(qū)域旋轉(zhuǎn)θ角度到主方向，旋轉(zhuǎn)后得到新的采樣區(qū)域，以解決旋轉(zhuǎn)不變性，再次使用均勻采樣模式統(tǒng)計(jì)短距離點(diǎn)對子集，在短距離點(diǎn)對子集中通過在點(diǎn)對之間的強(qiáng)度對比構(gòu)建特征點(diǎn)的二進(jìn)制描述符b，式中的S為長距離點(diǎn)集。

1.1.3 特征匹配

經(jīng)過BRISK-SURF算法得到的特征點(diǎn)描述符是由0和1組成的二進(jìn)制比特串，可以采用漢明距離實(shí)現(xiàn)特征點(diǎn)之間的高速匹配，從而完成特征點(diǎn)之間的初始匹配。

RANSAC算法被廣泛用于圖像的特征匹配，容錯(cuò)率高，對誤匹配的特征點(diǎn)對有很好的識別剔除效果，所以本文使用RANSAC算法對初始匹配點(diǎn)對進(jìn)行篩選，以得到穩(wěn)定性佳、精度高的最佳匹配點(diǎn)對。

1.2 基于BRISK-SURF算法的虛實(shí)注冊

虛實(shí)注冊技術(shù)是增強(qiáng)現(xiàn)實(shí)的核心技術(shù)，其主要作用是通過實(shí)時(shí)計(jì)算相機(jī)相對于真實(shí)場景的姿態(tài)位置而將虛擬物體準(zhǔn)確地渲染疊加在真實(shí)環(huán)境的相應(yīng)位置，使得虛擬場景與真實(shí)場景保持相對位置的準(zhǔn)確與穩(wěn)定［18-19］。要實(shí)現(xiàn)在現(xiàn)實(shí)場景中疊加虛擬場景，必須獲取目標(biāo)圖像與相機(jī)的相對姿態(tài)位置信息，根據(jù)姿態(tài)信息把虛擬場景疊加渲染到真實(shí)場景中的相對位置上來實(shí)現(xiàn)AR效果。

1）相機(jī)的姿態(tài)位置計(jì)算。

目標(biāo)圖像的特征點(diǎn)位置與其在三維空間中的坐標(biāo)位置的對應(yīng)關(guān)系如式（6）所示，其中：s代表特征點(diǎn)在相機(jī)坐標(biāo)中的z坐標(biāo)值，（u，v）為圖像坐標(biāo)系中的二維點(diǎn)坐標(biāo)，（X，Y，Z）為三維點(diǎn)在世界坐標(biāo)系中的坐標(biāo)，（cx，cy）為相機(jī)的主光軸點(diǎn)（圖像的中心），fx和fy為相機(jī)的焦距，[R3×3t3×1]為變換矩陣，K為相機(jī)的內(nèi)參矩陣，M為三維空間中點(diǎn)的坐標(biāo)與二維圖像坐標(biāo)系中點(diǎn)坐標(biāo)之間的單應(yīng)性矩陣。

這一步的關(guān)鍵是求解變換矩陣，也是相機(jī)的外參矩陣。相機(jī)的內(nèi)參矩陣K可由棋盤標(biāo)定法獲得，根據(jù)二維點(diǎn)集坐標(biāo)、三維點(diǎn)集坐標(biāo)和相機(jī)的內(nèi)參矩陣計(jì)算變換矩陣[R3×3t3×1]。

2）基于BRISK-SURF的虛實(shí)注冊算法。

根據(jù)求解的變換矩陣、相機(jī)的內(nèi)參矩陣和匹配點(diǎn)對的坐標(biāo)信息，結(jié)合OpenGL完成虛實(shí)注冊。基于BRISK-SURF的虛實(shí)注冊算法流程如圖2所示。

圖2 虛實(shí)注冊流程Fig.2 Flowchart of virtual-real registration

具體步驟描述如下：

1）使用SURF特征提取算子檢測出標(biāo)識圖像的特征；

2）使用BRISK特征描述算子對檢測出的特征點(diǎn)進(jìn)行描述；

3）校準(zhǔn)相機(jī)，使用棋盤標(biāo)定法計(jì)算相機(jī)的內(nèi)部參數(shù)；

4）從實(shí)時(shí)視頻流中獲取當(dāng)前幀圖像，使用SURF特征提取算子檢測圖像的特征點(diǎn)；

5）使用BRISK特征描述算子對當(dāng)前幀圖像中的特征點(diǎn)進(jìn)行特征描述；

6）利用漢明距離對標(biāo)識圖像和當(dāng)前幀圖像的特征信息進(jìn)行匹配特征；

7）如果圖像匹配成功，計(jì)算標(biāo)識圖像和當(dāng)前幀圖像之間的單應(yīng)性矩陣，否則返回繼續(xù)4）；

8）利用單應(yīng)性矩陣特征對二維特征點(diǎn)坐標(biāo)進(jìn)行映射，獲得三維點(diǎn)坐標(biāo)；

9）根據(jù)三維點(diǎn)坐標(biāo)、二維點(diǎn)坐標(biāo)和相機(jī)的內(nèi)參矩陣，計(jì)算出相機(jī)的外參矩陣；

10）利用相機(jī)的外參矩陣，將虛擬物體渲染疊加在真實(shí)場景中。

2 實(shí)驗(yàn)結(jié)果與分析

BRISK-SURF算法能否準(zhǔn)確快速地實(shí)現(xiàn)圖像特征匹配將會對虛實(shí)注冊過程產(chǎn)生直接影響，所以將基于BRISK-SURF自然特征的虛實(shí)注冊算法的實(shí)驗(yàn)分為圖像特征匹配對比實(shí)驗(yàn)和虛實(shí)注冊實(shí)驗(yàn)兩個(gè)部分。其中：圖像特征匹配對比實(shí)驗(yàn)是檢測BRISK-SURF算法在各種圖像變換情況下是否能夠高效快速地實(shí)現(xiàn)圖像特征匹配；虛實(shí)注冊實(shí)驗(yàn)是對文中虛實(shí)注冊算法能否高效穩(wěn)定地實(shí)現(xiàn)AR進(jìn)行實(shí)驗(yàn)測試。

2.1 圖像特征匹配對比實(shí)驗(yàn)

本文從旋轉(zhuǎn)變換、光照變換、尺度變換、視角變換和模糊變換5個(gè)不同角度對文中的算法與SURF算法、BRISK算法，按照不同的性能指標(biāo)分別進(jìn)行實(shí)驗(yàn)對比［20-21］。圖3為實(shí)驗(yàn)圖像數(shù)據(jù)，包括不同模糊、旋轉(zhuǎn)、尺度、光照、視角變換等標(biāo)準(zhǔn)場景圖像的牛津數(shù)據(jù)集（the Oxford data set）和圖像處理實(shí)驗(yàn)中經(jīng)典圖像Lena。

圖3 標(biāo)準(zhǔn)實(shí)驗(yàn)數(shù)據(jù)集Fig.3 Standard experimental dataset

實(shí)驗(yàn)基于OpenCV2.4.9和QT5.6，實(shí)驗(yàn)環(huán)境為i7-7700 CPU、16 GB內(nèi)存、Windows10系統(tǒng)。采用特征匹配數(shù)、特征計(jì)算耗時(shí)、匹配率、準(zhǔn)確率和召回率作為算法的性能指標(biāo)與SURF和BRISK算法進(jìn)行對比實(shí)驗(yàn)，并且對實(shí)驗(yàn)結(jié)果進(jìn)行分析。在下列各性能指標(biāo)計(jì)算公式中，Nf為兩幅圖像中特征點(diǎn)數(shù)量最小值，Nall為總匹配點(diǎn)對數(shù)量，Ncorrect為正確匹配的點(diǎn)對數(shù)量，Nshould為兩幅圖像相同的特征點(diǎn)對數(shù)量。實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如圖4所示。

1）平均特征匹配數(shù)量。對經(jīng)過各特征提取算法所提取的所有標(biāo)準(zhǔn)圖像特征點(diǎn)中成功匹配的點(diǎn)對數(shù)量求平均值，結(jié)果如圖4（a）所示，實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果顯示，在面對圖像的不同模糊、旋轉(zhuǎn)、光照、尺度、視角變換情況下，經(jīng)過BRISK-SURF算法得到的圖像平均特征匹配數(shù)量與SURF算法基本一致，比BRISK算法明顯要多。

2）特征計(jì)算耗時(shí)。將各特征提取與描述算法分別應(yīng)用于各個(gè)標(biāo)準(zhǔn)實(shí)驗(yàn)圖像的特征檢測與描述，計(jì)算消耗時(shí)間（單位：秒），結(jié)果如圖4（b）所示，根據(jù)統(tǒng)計(jì)結(jié)果分析，BRISK-SURF算法特征平均計(jì)算速度約為SURF算法的2.52倍，有效地提高了實(shí)時(shí)性。

3）平均匹配率（Average Matching，AM）。匹配率為經(jīng)過RANSAC算法篩選后得到的高精度特征匹配數(shù)與兩幅圖像檢測出的特征點(diǎn)數(shù)量最小值的比值：

對匹配率求平均值，實(shí)驗(yàn)結(jié)果如圖4（c）所示，在圖像模糊和尺度變換方面的表現(xiàn)BRISK-SURF算法比SURF算法更加優(yōu)秀，與BRISK算法相比魯棒性更佳。

4）平均準(zhǔn)確率（Average Precision，AP）。準(zhǔn)確率為經(jīng)過RANSAC算法篩選后得到的高精度特征匹配數(shù)與篩選前特征匹配數(shù)的比值：

計(jì)算匹配準(zhǔn)確率的平均值，實(shí)驗(yàn)結(jié)果如圖4（d）所示，根據(jù)統(tǒng)計(jì)結(jié)果分析，在平均準(zhǔn)確率方面，BRISK-SURF算法與SURF算法相比基本一致，而BRISK算法的平均準(zhǔn)確率變化較為明顯并且均低于BRISK-SURF算法，穩(wěn)定性表現(xiàn)不佳。

5）平均召回率（Average Recall，ARc）。特征匹配的召回率是指最終得到的最佳特征匹配數(shù)量與兩幅圖像中相同特征點(diǎn)對數(shù)的比值：

圖4 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)Fig.4 Statisticsof experimental results

對召回率求平均值，實(shí)驗(yàn)結(jié)果如圖4（e）所示，在平均召回率方面，BRISK-SURF算法比SURF算法更具有優(yōu)勢，相較于BRISK算法，在圖像旋轉(zhuǎn)變換情況下，BRISK算法的平均召回率更加出色，但在光照、尺度、視角變換方面BRISK-SURF算法更具有優(yōu)勢。

根據(jù)對比實(shí)驗(yàn)結(jié)果分析，在使用不同變換的圖像與相應(yīng)原始圖像進(jìn)行匹配測試時(shí)，BRISK-SURF算法表現(xiàn)出較為理想的魯棒性、穩(wěn)定性和實(shí)時(shí)性，與SURF的性能基本一致但有更高的召回率，與BRISK相比魯棒性更佳，表現(xiàn)出更好的準(zhǔn)確率，計(jì)算速度相較于SURF算法大大加快，但比BRISK算法耗時(shí)多，計(jì)算時(shí)間基本能保持在0.1 s以下，算法的實(shí)時(shí)性較好。

2.2 虛實(shí)注冊實(shí)驗(yàn)分析

本文在Windows10系統(tǒng)下，基于Unity3d專業(yè)渲染引擎，結(jié)合OpenCVForUnity工具包和OpenCV庫實(shí)現(xiàn)基于BRISKSURF算法的自然特征虛實(shí)注冊，并在此虛實(shí)注冊算法的基礎(chǔ)上實(shí)現(xiàn)AR，實(shí)驗(yàn)硬件配置為外接攝像頭（分辨率640×480），Core i7-7700CPU 3.6 GHz，16 GB內(nèi)存。

1）魯棒性和穩(wěn)定性測試。

選擇一張卡通圖片作為標(biāo)識圖片，在不同光照、不同視角以及經(jīng)過不同遮擋處理的情況下進(jìn)行匹配識別，藍(lán)色立方體為需要被注冊的虛擬物體，對基于BRISK-SURF的自然特征注冊算法的魯棒性和穩(wěn)定性進(jìn)行測試，測試結(jié)果如圖5所示，實(shí)驗(yàn)結(jié)果表明，本文實(shí)現(xiàn)的虛實(shí)注冊方法可以準(zhǔn)確高效地完成對場景的識別，實(shí)時(shí)效果好，魯棒性良好并且運(yùn)行穩(wěn)定，將虛擬立方體準(zhǔn)確地渲染疊加在標(biāo)識圖片上，并且虛擬立方體的顯示姿態(tài)也隨相機(jī)的姿態(tài)變化而變化。

圖5 不同情況下的注冊效果Fig.5 Registration effects in different situations

2）運(yùn)算時(shí)間測試。

分別對采用SURF、BRISK和BRISK-SURF算法的注冊方法進(jìn)行運(yùn)算耗時(shí)測試，每隔50幀計(jì)算一次平均值，結(jié)果如表1所示。從表中可以看出，本文的算法運(yùn)行平均耗時(shí)在0.1 s左右，計(jì)算耗時(shí)僅為SURF算法的1/2～1/3，有較好的實(shí)時(shí)效果。

表1 注冊算法計(jì)算時(shí)間平均耗時(shí)對比 單位：msTab.1 Comparison of average calculation time of registration algorithms unit：ms

3）注冊精度測試。

本文使用標(biāo)準(zhǔn)圖像數(shù)據(jù)集［22］對BRISK-SURF算法的注冊精度進(jìn)行測試，數(shù)據(jù)集中包括標(biāo)準(zhǔn)的變換矩陣（3×3），注冊結(jié)果如圖6所示，白色框?yàn)閷?shí)驗(yàn)所得的注冊位置。

圖6 標(biāo)準(zhǔn)圖像注冊結(jié)果Fig.6 Results of standard imageregistration

實(shí)驗(yàn)計(jì)算數(shù)據(jù)與標(biāo)準(zhǔn)參考數(shù)據(jù)如表2所示，從表中可以看出實(shí)驗(yàn)所得變換矩陣非常接近于標(biāo)準(zhǔn)矩陣，同時(shí)相較于BRISK算法明顯有更高的注冊精度。

基于BRISK-SURF的自然特征虛實(shí)注冊算法在標(biāo)識圖像的光照、視角以及遮擋不同的情況下，仍然可以準(zhǔn)確地完成虛實(shí)注冊，穩(wěn)定性和魯棒性表現(xiàn)出色，同時(shí)具有較好的實(shí)時(shí)性，注冊精度高。

表2 變換矩陣實(shí)驗(yàn)對比Tab.2 Experimental comparison of transform matrices

2.3 實(shí)驗(yàn)分析總結(jié)

通過對圖像特征匹配實(shí)驗(yàn)和虛實(shí)注冊實(shí)驗(yàn)結(jié)果的分析可知，基于BRISK-SURF的自然特征虛實(shí)注冊算法繼承了SURF算法高精度的圖像識別匹配性能，在標(biāo)識圖像的光照強(qiáng)度、視角變換和遮擋程度等不斷變換的情況下，可以準(zhǔn)確完成虛實(shí)注冊，同時(shí)注冊平均耗時(shí)保持在0.1 s左右，具有魯棒性和穩(wěn)定性佳、實(shí)時(shí)性效果良好、注冊精度高的優(yōu)點(diǎn)，因此適合用于移動(dòng)增強(qiáng)現(xiàn)實(shí)系統(tǒng)中。

3 BRISK-SURF虛實(shí)注冊的應(yīng)用

本文以朱子文化遺存中的興賢書院為例，對景點(diǎn)的多種類型旅游資源進(jìn)行數(shù)字化，將AR技術(shù)應(yīng)用于興賢書院旅游資源的呈現(xiàn)與體驗(yàn)，并通過多模態(tài)交互方式對不同類型的數(shù)字化旅游資源進(jìn)行交互設(shè)計(jì)。

3.1 AR框架設(shè)計(jì)

AR系統(tǒng)的實(shí)現(xiàn)基于Unity3d平臺，并結(jié)合OpenCVForUnity工具包和OpenCV庫。具體實(shí)現(xiàn)思路是：使用BRISK-SURF算法提取標(biāo)識圖片的特征信息，利用Unity3d的MainCamera結(jié)合外接攝像頭獲取視頻流圖像，提取其中每一幀圖像的特征信息與標(biāo)識圖片進(jìn)行匹配，匹配成功后實(shí)時(shí)計(jì)算攝像頭相對于標(biāo)識圖片的姿態(tài)關(guān)系。在場景中新添加一個(gè)Camera（新命名ARCamera）用于渲染虛擬場景，利用計(jì)算得到的TRS（Translation，Rotation and Scaling）變換矩陣將虛擬場景渲染疊加在標(biāo)識圖片的相對位置上，從而實(shí)現(xiàn)AR功能。AR實(shí)現(xiàn)流程如圖7所示。

3.2 多模態(tài)交互式移動(dòng)AR效果展示

本文利用興賢書院的宣傳圖片對數(shù)字化的旅游資源以三維和二維相結(jié)合的方式在移動(dòng)端進(jìn)行呈現(xiàn)，同時(shí)設(shè)計(jì)手勢、語音等多模態(tài)交互的方式對不同類型的旅游資源進(jìn)行交互，圖8展示的是基于多模態(tài)交互式AR系統(tǒng)的效果，IPAD中的圖片為書院宣傳照片。

圖7 AR實(shí)現(xiàn)流程Fig.7 Flowchart of ARimplementation

圖8中：（a）展示的是書院的歷史簡介，可以通過語音功能進(jìn)行交互；（b）展示的是書院的宣傳視頻，通過UI交互方式自由選擇二維或三維資源進(jìn)行交互；（c）～（f）展示的是書院的三維模型，其中圖（d）是通過手勢操作完成對圖（c）中模型的旋轉(zhuǎn)視角，圖（e）展示的是手勢旋轉(zhuǎn)和放大的三維模型，圖（f）是在圖（e）的條件下將攝像頭靠近IPAD觀察書院三維模型內(nèi)部場景的效果。

圖8 移動(dòng)AR系統(tǒng)運(yùn)行效果Fig.8 Operation resultsof mobile ARsystem

4 結(jié)語

本文提出一種結(jié)合BRISK和SURF算法的自然特征虛實(shí)注冊方法，圖像特征匹配實(shí)驗(yàn)結(jié)果表明BRISK-SURF算法在保持SURF算法的良好匹配性能和精度的同時(shí)明顯提高了計(jì)算速度，比BRISK算法有更佳的魯棒性和更高的準(zhǔn)確率。對基于BRISK-SURF的自然特征虛實(shí)注冊方法的測試結(jié)果表明其注冊精度高，在標(biāo)識圖像視角、分辨率和遮擋不同的情況下仍然具有良好的穩(wěn)定性、魯棒性和實(shí)時(shí)性，可以滿足實(shí)際應(yīng)用的需求。以朱子文化遺存中的興賢書院為案例，基于BRISKSURF的自然特征虛實(shí)注冊方法，研發(fā)了基于移動(dòng)增強(qiáng)現(xiàn)實(shí)的文化旅游資源的呈現(xiàn)系統(tǒng)，實(shí)現(xiàn)多模態(tài)的自然交互體驗(yàn)，促進(jìn)了文化、旅游與科技相互之間有機(jī)結(jié)合，可以為其他文化旅游資源的創(chuàng)新型呈現(xiàn)與體驗(yàn)方式提供有益探索。但文中實(shí)現(xiàn)的增強(qiáng)現(xiàn)實(shí)系統(tǒng)仍存在相機(jī)運(yùn)動(dòng)速度加快導(dǎo)致注冊精度降低的問題，有待進(jìn)一步改進(jìn)。