增强现实系统中抑制磁力跟踪器互干扰的方法

摘要

本发明公开了一种增强现实系统中抑制磁力跟踪器互干扰的方法，该方法首先将磁力跟踪器固定在合适的方位，然后根据交互时头、手各自的运动特征，对头、手的跟踪干扰采用不同的抑制方法：对手的跟踪干扰采用粒子滤波；对头的跟踪干扰，先判断头所处的状态，再根据不同状态采用不同的处理方法，静止时采用卡尔曼滤波；缓慢移动时采用内在几何量双边滤波；快速移动时停止滤波。该方法用户无需更改、添加硬件配置，操作方便、经济实用，在一个真实手抓取虚拟物体的增强现实系统中根据不同的状态采用不同的滤波方式，能对磁力发射器的干扰产生一定的抑制作用，减少欧拉角受干扰，使欧拉角中每一个角度的变化，显得光滑。

说明书

技术领域

本发明涉及的是一种增强现实技术领域，具体地说是涉及一种抑制磁力跟踪器互干扰的方法，更具体地说是涉及一种真实手抓取虚拟物体这一交互方式所采取的抑制磁力跟踪器互干扰方法。

背景技术

增强现实技术(AR-Augmented Reality)是多媒体技术在三维领域实现的重要新手段。AR技术涉及到计算机科学的多个领域，其中包括三维建模、实时跟踪与三维注册、场景融合等多项新技术与新手段。

跟踪系统是增强现实系统必不可少的一部分。目前比较常用的跟踪系统主要有光学式跟踪、磁力跟踪、超声跟踪、红外跟踪、惯性跟踪等系统。由于工作原理的不同，以上几种跟踪系统各有优缺点。其中磁力跟踪器以具有速度快、实时性好、操作简单、成本相对低廉等优点成为增强现实系统中应用最广泛的一类方位跟踪器。但其缺点也很明显：容易受到周围环境的干扰，如磁性物体、其他设备产生的磁场等，造成不正确的测量。

目前，很多增强现实系统都要求支持多人同时互动，但现有磁力跟踪器的有效范围非常有限，即将误差控制在2mm之内，有效距离一般只有±0.5m。这样的有效范围必然不能覆盖互动区域。虽然换上大型发射器能扩大有效范围，但增加有限。所以只使用一个发射器的方案显然不能满足大型互动场景的要求。但是当使用多个发射器，即每个用户对应一个发射器时，由于产生了多个磁场，发射器之间会产生干扰。干扰会使数据离散程度加大，最直接的表现就是会使被抓取的虚拟物体产生明显抖动。

现有的很多抑制干扰的方法都是在发射与接收之间进行的处理。如中国专利：其名称为“在一个信号处理系统中抑制干扰的方法及信号处理系统”，申请号200410075232.X；中国专利：其名称为“用电器支路去干扰组件”，申请号99806335.5。这些磁力跟踪器封装性很好，很难获取发射信号的波形特征。即使能够得到想要的特征，能够进行想要的处理，那也必须添加或更改已有硬件配置或电路。再者，很多去除干扰的方法，都有使用范围的限制，如中国专利：其名称为“无线通讯线路的干扰检测方法和干扰避免系统”，申请号02120426.8，中国专利申请：其名称为“一种抗环境光干扰的主动照明成像装置”，申请号200810054453.7。还有一些专利虽然用到了综合多个滤波器的思想，但它们的应用领域和滤波策略与本专利完全不同，如中国专利申请：其名称为“使用多滤波器组和归一化滤波器适配的干扰抵消的方法和系统”，申请号00818873.4。该专利是将原信号分解成多个信道，每个信道都有一个特定的扩频序列，通过适配多个解扩矢量来抵消在接收的CDMA传输中的干扰，这种方法需要对发射信号进行处理；中国专利申请：其名称为“多滤波器实现宽带选频的方法”，申请号：200710026456.5。该专利申请应用在宽带信号选频的中，虽然它使用多个滤波器，但每一个滤波器具有相同的参数。这种方法仅适合于信号类型及干扰比较简单的环境下。

滤波技术能够从含有干扰的接收信号中提取出有用信号。目前应用较多的滤波方法主要有维纳滤波、卡尔曼滤波、粒子滤波等滤波。卡尔曼滤波及其改进方法已被运用在多个领域，如目标跟踪，噪声抑制等。它们具有很好的实时性和抗噪性，但是也存在对系统动态模型强依赖性的缺陷。如果目标机动性很强，就无法精确系统模型，滤波效果大受影响。而用户交互时，头、手的运动都是无规律的，有很大的机动性。因此不能简单应用这类方法。关于目标机动性问题，目前也已提出不少解决方案，如，“当前统计模型”，以及被认为当前最有潜力的机动目标跟踪方法-“交互多模型理论”等。但由于磁力跟踪器获得的数据就比较精确，小数点后第一位比较稳定，后几位由于受到其他设备的干扰以及设备本身的原因，数值会有比较明显的浮动。这要求对数值的估计至少要精确到小数点后第二位。显然这些方法在精度上不能达到增强现实系统的要求。粒子滤波是通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，它适用于非线性系统。但它不是最优估计，当干扰较大时，虽然能跟踪到目标，效果也较优于其他很多机动跟踪模型，但对干扰的抑制作用还是很有限。

图形学中的空间曲线光顺方法可以很好的去除曲线中的噪声。而带噪声的空间离散曲线类似于本文所提到的受干扰的运动轨迹，即干扰值只是在正确值附近浮动，整个运动趋势比较明显。但这个方法针对的只是静态曲线，无法对动态数据进行处理；并且原方法只对空间坐标去噪，没有考虑欧拉角。而欧拉角决定了虚拟物体所处的方向，欧拉角受干扰同样会使虚拟物体不稳定，出现晃动。

发明内容

鉴于以上所述现有技术存在的问题和不足，本发明的目的在于提供一种增强现实系统中抑制磁力跟踪器互干扰的方法，该方法在一个真实手抓取虚拟物体的增强现实系统中根据不同的状态采用不同的滤波方式，能对磁力发射器的干扰产生一定的抑制作用，减少欧拉角受干扰，使欧拉角中每一个角度的变化，显得光滑，适用于以抓取虚拟物体为主要交互方式的大范围互动的增强现实系统或虚拟现实系统。

为达到上述目的，本发明采用下述技术构思：交互时，头和手有各自的运动特点，对头、手的运动跟踪采用不同的处理策略。手的机动性较大，但改变发射器的放置方位，可使手离发射器很近，这样所受干扰就很小，采用粒子滤波就能达到较好效果；头离发射器较远，受干扰较大，交互时，头绝大多数时间处于静止或缓慢移动状态。静止状态时系统状态模型很容易确定，采用最优估计的卡尔曼滤波；缓慢移动时，可稍降低对系统实时响应的要求。使用内在几何量双边滤波方法，能够接近实时地去除干扰，并且有效解决了欧拉角的去干扰问题；快速运动时，停止滤波。

本发明的技术解决技术方案如下：

一种增强现实系统中抑制磁力跟踪器互干扰的方法，首先将磁力跟踪器固定在合适的方位，然后根据交互时头、手各自的运动特征，对头、手的跟踪干扰采用不同的抑制方法：对手的跟踪干扰采用粒子滤波；对头的跟踪干扰，先判断头所处的状态，再根据不同状态采用不同的处理方法，静止时采用卡尔曼滤波；缓慢移动时采用内在几何量双边滤波；快速移动时停止滤波，其具体步骤如下：

(1)、将磁力跟踪器固定，发射器置于手的活动区域正下方；两个接收器分别置于光透式头盔的帽檐和数据手套的手背上；头和手在磁力发射器正上方0.4×0.5×0.45m的有效范围内活动；发射器之间水平放置且两两相距不小于1.8m。

(2)、读取上述两个接收器中头、手运动轨迹数据，判断是否抓取到虚拟物体。若抓取到，则对跟踪手部的干扰数据处理转步骤(3)，对跟踪头部干扰数据处理转步骤(4)；若没有抓到，则只需对跟踪头部干扰数据进行处理转步骤(4)；

(3)、对跟踪手部的干扰数据处理：将干扰数据分解成6个一维向量，然后分别应用以二阶ARP模型为系统状态模型，以这些分解之后的一维向量为观测模型，将收到的磁力接收器的值，采用SIR算法进行粒子滤波，输出空间坐标以及欧拉角；

(4)、对跟踪头部干扰数据处理：判断头部所处的状态，若头部处于为静止状态，则转步骤(5)；若头部处于为缓慢移动状态，则转步骤(6)；若头部处于为快速移动状态，则转步骤(7)；

(5)、头部处于静止状态，得到系统状态模型，将得到的6DOF数据分解成空间坐标，欧拉角两类，然后采用集中卡尔曼滤波分别对空间坐标和欧拉角进行滤波，滤波完成后直接输出空间坐标、欧拉角；

(6)、头部处于缓慢移动状态，采用内在几何量双边滤波方法对头部的干扰数据进行滤波，滤波完成后直接输出空间坐标、欧拉角；

(7)、头部处于为快速移动状态，判断前一状态是什么状态，若也是快速移动状态，则停止滤波，不做其他处理直接输出空间坐标、欧拉角；若前一状态是静止状态或者缓慢移动状态，则停止滤波，同时利用临界阻尼弦计算新的速度和位置，然后将空间坐标、欧拉角输出。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：上述增强现实系统中抑制磁力跟踪器互干扰的方法，该方法用户无需更改、添加硬件配置，操作方便、经济实用，在一个真实手抓取虚拟物体的增强现实系统中根据不同的状态采用不同的滤波方式，能对磁力发射器的干扰产生一定的抑制作用，减少欧拉角受干扰，使欧拉角中每一个角度的变化，显得光滑，适用于以抓取虚拟物体为主要交互方式的大范围互动的增强现实系统或虚拟现实系统。

附图说明

图1为本发明实施例的增强现实系统中抑制磁力跟踪器互干扰的方法流程图；

图2为本发明实施例的内在几何量双边滤波方法流程图；

图3为本发明实施例的磁力跟踪器放置示意图；

图4为内在几何量双边滤波对X轴数据去干扰前、后效果对比图；

图5为内在几何量双边滤波对Y轴数据去干扰前、后效果对比图；

图6为内在几何量双边滤波对Z轴数据去干扰前、后效果对比图；

图7为内在几何量双边滤波对进动角去干扰前、后效果对比图；

图8为内在几何量双边滤波对章动角去干扰前、后效果对比图；

图9为内在几何量双边滤波对自转角去干扰前、后效果对比图。

具体实施方式

以下结合附图对本发明的实施例作进一步的详细说明。

下面对本发明的实施例作详细说明：本实施例以本发明的技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。

如图1所示，一种增强现实系统中抑制磁力跟踪器互干扰的方法，其具体步骤如下：

(1)、将磁力跟踪器固定，如图3所示，发射器置于手的活动区域正下方；两个接收器分别置于光透式头盔的帽檐和数据手套的手背上；头和手在磁力发射器正上方0.4×0.5×0.45m的有效范围内活动；发射器之间水平放置且两两相距不小于1.8m。

(2)、读取上述两个接收器中头、手运动轨迹数据，判断是否抓取到虚拟物体。若抓取到，则对跟踪手部的干扰数据处理转步骤(3)，对跟踪头部干扰数据处理转步骤(4)；若没有抓到，则只需对跟踪头部干扰数据处理转步骤(4)；

(3)、对跟踪手部的干扰数据处理：将干扰数据分解成6个一维向量，然后分别应用以二阶ARP模型为系统状态模型，以这些分解之后的一维向量为观测模型，将收到的磁力接收器的值，采用SIR算法进行粒子滤波，输出空间坐标以及欧拉角；

(4)、对跟踪头部干扰数据处理：判断头部所处的状态8，若头部处于为静止状态，则转步骤(5)；若头部处于为缓慢移动状态，则转步骤(6)；若头部处于为快速移动状态，则转步骤(7)；

(5)、头部处于静止状态，得到系统状态模型，将得到的6DOF数据分解成空间坐标，欧拉角，然后采用集中卡尔曼滤波分别对空间坐标和欧拉角进行滤波，滤波完成后直接输出空间坐标、欧拉角；

(6)、头部处于缓慢移动状态，采用内在几何量双边滤波方法对头部的干扰数据进行滤波，滤波完成后直接输出空间坐标、欧拉角；

(7)、头部处于为快速移动状态，判断前一状态是什么状态，若也是快速移动状态，则停止滤波，不做其他处理直接输出空间坐标、欧拉角；若前一状态是静止状态或者缓慢移动状态，则停止滤波，同时利用临界阻尼弦计算新的速度和位置，然后将其输出空间坐标、欧拉角。

上述步骤(3)中所述的粒子滤波，是指系统状态模型表示目标状态的时间更新过程。运动目标的自主运动趋势一般比较明显，粒子传播可以是一种随机运动过程，即服从一阶ARP(自回归过程)方程。但由于目标的状态传播具有速度或加速度，所以采用的是二阶ARP模型，模型表示如下：

X_t＝X+A₁(X_t-1-X)+A₂(X_t-2-X)+Bω_t

其中X定义为上一时刻目标的位置；X_t、X_t-1、X_t-2为t、t-1、t-2时刻各粒子的位置；Bω_t是随机噪声；A_i为从实验估计的模型参数。

观测模型就是从磁力跟踪接收器直接取到的值。模型确定后采用SIR算法进行滤波，整个过程为：根据先验条件概率p(x₀|y₀)抽取随机样本，x₀¹，x₀²，…，x₀ⁿ。n为随机样本数目，本项目n＝100。由系统转移方程，考虑随机样本，可得到预测样本。根据观测值和预测样本，计算新权值。根据新权值，计算后验概率。以该后验概率重新抽取样本，然后得到状态的估计值。

上述步骤(5)中所述的集中卡尔曼滤波，是指：采用集中卡尔曼滤波融合结构对空间坐标和欧拉角进行滤波。由于认为目标是基本静止的，所以接收器当前时刻的值就等于前一时刻的值。状态方程为：

S(τ)＝S(τ-1)

其中，S(τ)为τ时刻的状态矢量。

测量值就是接收器取到的值，测量方程为：

T(τ)＝S(τ)+v(τ)

其中，T(τ)＝[T_x(τ)，T_y(τ)，T_z(τ)]^T为τ时刻检测到的接收器在X、Y、Z三个方向上的值；v(τ)为量测过程噪声矩阵，v(τ)＝[v_x(τ)，v_y(τ)，v_z(τ)]^T。

然后就可以应用卡尔曼的递推算法对预测值进行修正：

$\hat{S}\left(\tau \right|\tau )=\hat{S}\left(\tau \right|\tau -1)+K\left(\tau \right)[T\left(\tau \right)-\hat{S}\left(\tau \right|\tau -1)]$

其中，为系统在τ时刻的状态矢量的滤波估计，为利用上一状态的预测估计，K(τ)为增益矩阵。

上述步骤(6)中所述的内在几何量双边滤波方法，如图2所示，其步骤如下：

(6-1)、提取出空间坐标信息；

(6-2)、将空间坐标信息转化成内在几何量表示：连两点所形成的边的边长，边与X轴正方向、Z轴正方向的夹角来表示；

(6-3)、然后对边与X轴正方向、Z轴正方向的夹角进行滤波；

(6-4)、以滤波后的角度作为一个约束条件，构造目标函数来反求曲线的顶点；

(6-5)、提取出欧拉角；

(6-6)、对于陆续到来的数据，使用准实时模型进行动态处理；

(6-7)、将欧拉角双边进行滤波。

上述步骤(6-6)中所述的准实时模型是：对于陆续到来的数据的某一时刻的值只与其前1个时刻和后m个时刻的值有关，随着采样的进行，不断地补充新的观测数据进来，同时丢掉最前端的数据，保持滑动窗的长度为n，针对不断更新的n个数据重新进行滤波。

其优点是无需大量的历史观测值，估计值可根据新数据的陆续到来自行调整，若取点频率高，在视觉上可接近实时测量的效果。另一优点是保留了迭代功能，通过增加滑动窗口长度，来增加迭代次数。因为n＝2+m，当n变大，m也随着变大。这样每次接受滤波的数据点就增多，而每次只输出一个滤波值，这就意味着数据点要经不止一次的滤波，即实现迭代，此时m＞2。

上述步骤(6-7)中所述的欧拉角双边滤波是：某个点的欧拉角权因子不只和它邻近点之间的几何距离有关，还和欧拉角值之间的差异有关。每当系统得到新的坐标估计值，就结合欧拉角进行欧拉角双边滤波。

由于经过处理的空间坐标数据是比较准确的数据，要尽可能地将它用于欧拉角的滤波。Tomas、Manduchi提出的图像去噪方法-双边滤波，是将当前点的灰度值用周围点的灰度值的加权平均来代替，权因子不只和两点之间的几何距离有关，更和它们的灰度值差异有关，所以称之为双边滤波。我们将该思想引用进来，即某个点的欧拉角权因子不只和它邻近点之间的几何距离有关，还和欧拉角值之间的差异有关。

根据双边滤波离散表达式，欧拉角双边滤波表达式可改为：

${\psi }_i=\frac{W_c\left(e_{i-1}\right)W_s\left(\right|{\psi }_i-{\psi }_{i-1}\left|\right){\psi }_{i-1}+W_c\left(e_i\right)W_s\left(\right|{\psi }_i-{\psi }_{i+1}\left|\right){\psi }_{i+1}+{\psi }_i}{W_c\left(e_{i-1}\right)W_s\left(\right|{\psi }_i-{\psi }_{i-1}\left|\right)+W_c\left(e_i\right)W_s\left(\right|{\psi }_i-{\psi }_{i+1}\left|\right)+1}$

${\theta }_i=\frac{{W_c}^{\prime }\left(e_{i-1}\right){W_s}^{\prime }\left(\right|{\theta }_i-{\theta }_{i-1}\left|\right){\theta }_{i-1}+{W_c}^{\prime }\left(e_i\right){W_s}^{\prime }\left(\right|{\theta }_i-{\theta }_{i+1}\left|\right){\theta }_{i+1}+{\theta }_i}{{W_c}^{\prime }\left(e_{i-1}\right){W_s}^{\prime }\left(\right|{\theta }_i-{\theta }_{i-1}\left|\right)+{W_c}^{\prime }\left(e_i\right){W_s}^{\prime }\left(\right|{\theta }_i-{\theta }_{i+1}\left|\right)+1}$

${\phi }_i=\frac{{W_c}^{\prime \prime }\left(e_{i-1}\right){W_s}^{\prime \prime }\left(\right|{\phi }_i-{\phi }_{i-1}\left|\right){\phi }_{i-1}+{W_c}^{\prime \prime }\left(e_i\right){W_s}^{\prime \prime }\left(\right|{\phi }_i-{\phi }_{i+1}\left|\right){\phi }_{i+1}+{\phi }_i}{{W_c}^{\prime \prime }\left(e_{i-1}\right){W_s}^{\prime \prime }\left(\right|{\phi }_i-{\phi }_{i-1}\left|\right)+{W_c}^{\prime \prime }\left(e_i\right){W_s}^{\prime \prime }\left(\right|{\phi }_i-{\phi }_{i+1}\left|\right)+1}$

式中ψ_i、θ_i、φ_i分别为欧拉角中的进动角、章动脚和自转角；e_i表示两点之间的几何距离；W_c、W_s、W_c′、W_s′、W_c″、W_s″为高斯函数，$W_c\left(x\right)=e^{-x^2/2{\sigma }_c^2},$$W_s\left(x\right)=e^{-x^2/2{\sigma }_s^2},$${W_c}^{\prime }\left(x\right)=e^{-x^2/2{\sigma }_{c^{\prime }}^2},$${W_s}^{\prime }\left(x\right)=e^{-x^2/2{\sigma }_{s^{\prime }}^2},$${W_c}^{\prime \prime }\left(x\right)=e^{-x^2/2{\sigma }_{c^{\prime \prime }}^2},$${W_s}^{\prime \prime }\left(x\right)=e^{-x^2/2{\sigma }_{s^{\prime \prime }}^2},$σ_c、σ_s、σ_c′、σ_s′、σ_c″、σ_s″分别是它们的自由参数，用户可以根据自己的需要适当选取。上面式子是按一阶领域展开的。

σ_c(σ_c′、σ_c″)、σ_s(σ_s′、σ_s″)对抗干扰效果有较大的影响。σ_c越大，权因子中距离产生的影响就越大，而σ_s越大，相邻顶点的欧拉角差异对权因子的影响就会加强，反之亦然。由于经处理之后的空间坐标信息是比较正确的值，值得信赖，所以我们要加大σ_c与σ_s的比值。欧拉角的滤波与空间坐标的滤波紧密相联，每当系统得到新的坐标估计值，就结合欧拉角进行欧拉角双边滤波。所以空间坐标滤波迭代几次，它也迭代几次。由于采用一阶领域，所以欧拉角估计值会比坐标估计值迟一拍输出。

该方法实际使用具有明显的效果。为进一步说明其效果，在上述实施例中将发射器之间的距离拉近至1.5m，且加大了接收器的移动幅度

时，分别作如下测试：

我们截取了手移动的一段轨迹(250个点)，并将其受干扰的6DOF数据与处理之后的6DOF数据分别提取出来，通过图表的方式将其中的每一维数据进行去干扰前后效果对比。

1、内在几何量双边滤波对X轴数据去干扰前、后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的X轴坐标值，单位为英寸，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图4；

2、内在几何量双边滤波对Y轴数据去干扰前、后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的Y轴坐标值，单位为英寸，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图5；

3、内在几何量双边滤波对Z轴数据去干扰前、后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的Z轴坐标值，单位为英寸，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图6；

4、内在几何量双边滤波对进动角去干扰前、后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的进动角值，单位为角度，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图7；

5、内在几何量双边滤波对章动角去干扰前、后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的章动角值，单位为角度，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图8；

6、为内在几何量双边滤波对自转角去干扰前后的两条滤波曲线，一条细实线为原数据曲线，一条虚线为处理后曲线。其中纵轴为数据轴，表示手移动时的自转角值，单位为角度，横轴为时间轴，以这250个点的出现先后为序，单位即序号，见图9。

从上述图4、5、6、7、8、9可以明显看到在空间坐标系的每个轴上的运动以及欧拉角中每一个角度的变化，显得光滑、稳定了。