目錄
一、引言
有一系列因素規定了圖像目標(Image Target)的可追蹤性和上傳到Vuforia Target Manager時的目標星級(target star rating)。本指南將讓您深入瞭解怎樣製作優良的圖像目標。
基於圖像的目標(Image-based targets)有多種形式：簡單平面的圖像目標，圓柱形的捲曲圖像目標或構成立方盒的多個目標。它們都有相似的需求：具有豐富的細節和良好的星級評定。
本文主要關注圖像目標，但同樣的因素也適用於Vuforia的其他基於圖像的目標。除了設計一個好的圖像目標外，還應該考慮【翻譯】圖像目標的物理特性(【原文】The Physical Properties of Image-Based Targets)。
二、理想圖像目標的屬性
具有以下屬性的圖像目標將使Vuforia引擎具有最佳的檢測和追蹤性能：
| 屬性 | 例子 |
|---|---|
| 細節豐富 | 街景、人羣、拼貼畫和各種物品的混合以及運動場景都是很好的例子。 |
| 明暗對比度高 | 明暗分明、光亮充足的圖像效果較好。 |
| 無重複圖案 | 將獨特特徵和清晰圖案儘可能多地覆蓋到目標圖像上，以避免對稱、圖案重複和特徵過少。 |
| 格式 | 必須是8位或24位PNG/JPG格式；大小 < 2 MB；JPG必須是RGB或灰度（無CMYK）。 |
圖像舉例
 |
 |
|---|---|
| 圖A - 自帶座標軸用以解釋說明的圖像目標。 | 圖B - 展示了Vuforia引擎檢測圖像目標時所需的自然特徵。 |
三、目標星級
通過從目標圖像(target image)中提取的自然特徵，再將其與現場攝像機圖像(live camera image)中的特徵實時進行對比，從而檢測出圖像目標(Image Target)。目標星級在1⭐到5⭐之間。雖然低等級的目標(1⭐或2⭐)通常也可以被檢測和追蹤，但4⭐或5⭐的目標會獲得最佳效果。
要創建可精確檢測到的可追蹤圖像，應根據上述屬性選用圖像作爲理想的圖像目標。
四、自然特徵與圖像評級
可增強評級(augmentable rating)規定了Vuforia引擎的圖像檢測和追蹤程度。當使用Cloud Reco Databases時，此評級將顯示在Target Manager中，並通過web API爲每個上傳的目標實現返回。
對於任何給定的圖像，可增強評級可以從0⭐到5⭐不等。圖像目標的可增強評級越高，對其的檢測和追蹤能力就越強。0⭐表示AR系統完全追蹤不到目標，而5⭐則表示AR系統很容易追蹤圖像。
評級 - 特徵(Features)
特徵是指例如紋理對象(textured object)中所表現的銳利(sharp)、尖刺(spiked)、輪廓分明(chiseled)的細節。圖像分析器(image analyzer)將特徵表示爲黃色的小十字。增加圖像中這些細節的數量，並確認由這些細節所構造的是非重複圖案(non-repeating pattern)。
| 例子 | 闡述 |
|---|---|
 |
正方形的每個角都有四個特徵。 |
 |
圓沒有特徵，因爲它不包含銳利或尖刺的細節。 |
 |
此對象僅包含兩個特徵，每個尖角(sharp corner)一個。 注：根據特徵的定義，柔滑角(soft corner)和有機邊緣(organic edge)不標記爲特徵。 |
兩張圖像的比較(Comparison of two images)
 |
 |
|---|
檢查兩張圖並注意第一張圖中的特徵點缺失。最好設計或使用那些能夠顯示大量特徵點的圖像。如後文所述，特徵點的均勻分佈還提高了追蹤和增強(augmentation)的穩健性：當增強內容(augmented content)處於圖像目標的特徵豐富區域頂部時更加穩定。
評級 - 對比度(Contrast)
 |
 |
 |
|---|
這三張圖片展示了一個更實際的例子來說明如何提高目標的局部對比度：
圖像有兩個圖層：前景(foreground)是幾片五顏六色的葉子；背景(background)是有紋理的表面。這些圖層只存在於我們的圖形編輯器(graphic editor)中；當上傳到目標管理器(Target Manager)時，要使用合併圖(flattened image)，例如PNG格式。上傳的圖片大小爲512x512像素，比推薦的最小320像素稍大。
原始圖像乍一看似乎有足夠的細節作爲目標。不幸的是，上傳到Target Manager卻只能得到一個非常低的評價：1⭐。這會導致追蹤性能很差。持續調整圖像可將目標質量提高到五⭐，從而獲得優異的檢測和追蹤性能。
實施改進：
- 將背景層顏色改淺以產生更多的特徵點；
- 使用高對比度和低亮度調整前景特徵；
- 應用於圖像的局部對比度增強(【翻譯】增強局部對比度(【原文】Local contrast enhancement))。
更上一層樓：
- 將背景層顏色改爲白色；
- 加強邊緣的對比度。
結果：圖像獲得5⭐評級，能夠很好的持續追蹤。由於特徵分佈一致(feature distribution is consistent)，可以輕易地提取對比度和特徵，並且增強物可以定位到任何位置(and the placement of augmentations can be positioned at any position)。
相關的圖像指南和其他改進，請參閱【翻譯】圖像目標優化技術(【原文】Image Targets Optimization Techniques)。
評級 - 特徵分佈(Feature distribution)
 |
 |
|---|
圖像中特徵分佈越均衡，該圖像就越能被檢測追蹤。請確保黃色十字線在整個圖像中分佈均勻。圖像中特徵分佈不良會影響目標圖像的評級和性能。裁剪圖像以刪除任何沒有特徵的區域可能會提高圖像的整體評級。
此外，該圖像還存在可追蹤特徵和背景之間對比度過低的問題。該圖像中的對象缺少爲了獲得更好評級和性能所需的更銳利邊緣和清晰定義的形狀。
評級 - 有機形狀(Organic Shapes)
 |
 |
|---|
通常我們很難或壓根不能檢測追蹤那些，不能提供足夠細節的有機形狀，因爲其所包含的模糊或高壓的面(containing blurred or highly compressed aspects)具有柔和或圓潤的細節(soft or round details)。它們存在一個問題：特徵數量太少了。
像這張圖就沒什麼特徵，因爲它缺乏具有銳利邊緣和高對比度的視覺元素。Vuforia引擎無法檢測追蹤這樣或類似的圖像。
評級 - 圖案重複(Repetitive Patterns)
雖然有些圖像包含足夠多的特徵和良好的對比度，但圖案重複依然會降低檢測性能。
爲獲得最佳效果，請選擇沒有重複圖案(即使被旋轉和縮放過)或強旋轉對稱(strong rotational symmetry)的圖像。
棋盤就是一個無法檢測的圖案重複例子，因爲2x2副(2x2 pairs of)黑白方塊看起來完全相同，不能被檢測器區分。
評級 - 非矩形圖像目標(Non-Rectangular Image Targets)
 |
 |
|---|
目標圖像並非一定得是矩形的。通過將形狀圖像(the image of the shape)放置在可見輪廓的白色背景上，可以將非矩形二維形狀(non-rectangular 2D shapes)作爲目標，從而確保只將該形狀特徵用作圖像目標。
五、特徵排除緩衝區(The Feature-Exclusion Buffer)
特徵排除緩衝區包圍住了上傳圖像的內嵌部分(the inset of an uploaded image)。此緩衝區大約有圖像的8%寬(8% wide)，即使該區域中確實存在特徵也不會被拾取。
如下表的第一行所示，紅色陰影區域不包含任何特徵，即使此區域中存在可見特徵：
| 上傳圖像 | 分析過的圖像(紅色標記) | |
|---|---|---|
| 原始圖像目標 |  |
 |
| 有邊界的圖像目標 |  |
 |
如上表的下一行所示，通過在圖像周圍添加8%的白色緩衝區，讓Target Manager自己生成目標，可以避免出現特徵排除緩衝區的情況(紅框標記)。
但要考慮到以下情況：這些特性只有在，可以保證運行期間目標位於一個本身沒有特徵的、具有唯一顏色的表面上時，纔會有用。