تقنية السياحة بالواقع المعزز تعتمد على خوارزمية ORB محسنة ومصفوفة الهوموغرافيا

ملخص

تقدم هذه الدراسة طريقة محسنة لمطابقة نقاط الميزات وطريقة تسجيل ثلاثية الأبعاد للسياحة بالواقع المعزز، مما يعزز المحاذاة والثبات ودقة المطابقة. من خلال دمج تحسين ORB، وتدفق LK البصري، ومصفوفة الهوموغرافيا المحسنة، يحقق هذا النهج معدلات مطابقة صحيحة أعلى ودقة تسجيل، مما يحسن دمج المشاهد الافتراضية والواقعية في تطبيقات السياحة.

الملخص

تقترح هذه الدراسة تحسين مطابقة نقاط الميزات وطريقة تسجيل ثلاثية الأبعاد لتطبيقات السياحة بالواقع المعزز. تعالج هذه الطريقة مشكلات مثل ضعف المحاذاة، وانخفاض الاستقرار في البيئات المعقدة، ودقة مطابقة الميزات المنخفضة. تم تقديم طريقة محسنة لمطابقة نقاط الميزات لصور السياحة، تجمع بين خوارزمية الميزات المتينة المسرعة (SURF) وخوارزمية BRIEF الموجهة الموجهة والمدورة المحسنة. في هذه الطريقة، يتم اكتشاف نقاط الميزات في البداية باستخدام خوارزمية SURF، ويتم تحديد اتجاهها عبر تحليل استجابة المويجات. تستخدم طريقة التدفق البصري لوكاس-كانادي لتتبع نقاط الميزات. ثم تستخدم خوارزمية الإجماع العشوائي للعينة لإزالة النقاط التي تم تتبعها بشكل خاطئ. علاوة على ذلك، يقترح تقنية تسجيل ثلاثية الأبعاد لسياحة الواقع المعزز تعتمد على مصفوفة هوموغرافيا محسنة لتجاوز قيود مصفوفات الهوموغرافيا التقليدية، مثل انخفاض دقة المطابقة وكفاءة التسجيل. تم تحليل أداء الطريقة المقترحة من خلال تجارب مقارنة مع خوارزميات SIFT وSURF وORB الأصلية تحت تحولات صورة مختلفة، بما في ذلك المقياس، والضبابية، والإضاءة، والدوران. تم استخدام معدل المطابقة الصحيح ووقت المطابقة كمؤشرات تقييم. تم إجراء اختبارات محاكاة للتسجيل ثلاثي الأبعاد باستخدام نماذج ثلاثية الأبعاد مختلفة. تم تقييم دقة التسجيل ونجاح عداد التسجيل تحت تغييرات دورانية. أشارت النتائج إلى أن متوسط معدل المطابقة الصحيحة للخوارزمية المقترحة يزداد بنسبة 44.08٪، و36.51٪، و16.09٪ تحت التغير بالمقياس مقارنة بخوارزمية تحويل الميزات الثابتة للمقياس، وخوارزمية الميزات المتطورة المسرعة، والخوارزمية غير المحسنة على التوالي. زاد معدل المطابقة الصحيحة تحت التحول الضبابي بنسبة 33.46٪، 19.65٪، و9.35٪ على التوالي. كان متوسط دقة التسجيل لتقنية التسجيل ثلاثية الأبعاد المقترحة 98.74٪ تحت التحول الدوراني. تكشف النتائج أن النهج المقترح من الدراسة يمكن أن يحسن بنجاح تأثير الاندماج الافتراضي والواقعي للمشهد ويقدم نهجا جديدا لاستخدام تقنيات الواقع المعزز في صناعة السفر.

المقدمة

برزت التكنولوجيا كأداة رئيسية لتعزيز التقدم التآزري للثقافة والسياحة في الاقتصاد الرقمي سريع التغير^. في السنوات الأخيرة، شهدت تقنية الواقع المعزز (AR) زيادة في الاعتماد عبر قطاعات مختلفة، بما في ذلك السياحة والتعليم والطب والصناعة. الواقع المعزز هو مجال ناشئ ضمن المشهد التكنولوجي الأوسع². في مجال السياحة، تستطيع هذه التقنية دمج المعلومات الافتراضية في مشاهد حقيقية، مما يوفر تجربة تفاعلية غامرة للسياح. هذه التقنية لا تقتصر فقط على تحسين تجارب سفر السياح، بل أيضا الابتكار في مشهد استهلاك السياحة وتعزيز التحول الرقمي في صناعة الثقافة والسياحة³. ومع ذلك، لا يزال التبني الواسع للواقع المعزز في بيئات السياحة الديناميكية وغير المنظمة يعيق تحديات تقنية كبيرة. غالبا ما تظهر تقنيات الواقع المعزز الحالية ضعف المتانة في التطبيقات العملية. تتميز بدقة منخفضة في مطابقة الميزات، وعدم المحاذاة الكافية بين الأجسام الافتراضية والحقيقية، والاستقرار المحدود تحت ظروف بيئية معقدة مثل تغير المقاييس، وتغيرات الإضاءة، والاحتجازات⁴. هذه القيود يمكن أن تؤدي إلى تجربة مستخدم محبطة، حيث يتغير المحتوى الافتراضي أو ينحرف أو يفشل في التثبيت بشكل صحيح، مما يقوض الإحساس بالانغماس والواقعية. لذلك، فإن استكشاف تقنية AR قوية وفعالة للسياحة يمكنها العمل بشكل موثوق في بيئات العالم الحقيقي هو أولوية بحثية حالية. كخوارزمية لاستخراج نقاط الميزات السريعة (FPE) ووصفها، تستخدم الموجز السريع الموجه والمختصر المدوار (ORB) على نطاق واسع في FPE الصور بسبب كفاءتها العالية وثباتها الدوراني⁵.

^اقترح تشانغ وآخرون طريقة محسنة ل FPE لخرائط ORB-SLAM2 الكثيفة، بهدف تحسين الكفاءة وتقليل تكلفة الحصول على خرائط ثلاثية الأبعاد للبيئات الداخلية. نفذت الطريقة استخراجا فعالا لنقاط الميزة (FP) من خلال اتساق العينة التقاربي لتقليل استخدام الذاكرة. تبين أن الطريقة يمكن استخدامها في عملية الملاحة بدقة FPE فائقة وكفاءة تتبع عالية⁶. اقترح وو خوارزمية مطابقة ميزات سريعة تجمع بين ORB وإجماع العينة العشوائية (RANSAC) لمعالجة قضايا الخطأ في محاذاة الدوران واسع النطاق، وانخفاض معدل المحاذاة، والعشوائية، وعدم الاستقرار. وقد أكدت النتائج فعالية هذا النهج التي أظهرت أن الطريقة المقترحة أظهرت دقة عالية في مطابقة FP واستقرار قوي⁷. اقترح تشين وآخرون طريقة مطابقة الميزات تجمع بين ORB المحسنة وخوارزمية التدفق البصري لوكاس-كانادي (LK) لمعالجة مشكلة انخفاض دقة مطابقة ميزات الصورة. استخدمت الطريقة طريقة التباين ميشيلسون ل FPE، واستخدمت بنية الشجرة الرباعية لتجانس النقاط المستخرجة لتقليل كمية مطابقة الميزات الحسابية. أظهرت النتائج أن تجانس ودقة FP للطريقة تحسنا بنسبة 0.22٪ و50.47٪ على التوالي،⁸. اقترح زو وآخرون خوارزمية كرة محسنة لمطابقة الإطارات البصرية لصور الحقل البصري المركز بالكامل، بهدف تعزيز دقة ومتانة صورة FPE وطريقة المطابقة. تم تحسين الطريقة من خلال تحسين خوارزمية ORB التقليدية لتعزيز عدد ودقة FPE للصور ذات الحقل الضوئي الكامل^{المركز 9}. اقترح أنغارا وآخرون طريقة لاستخراج الميزات تدمج خريطة الألوان وكاشف ORB في الواقع المعزز. كانت الطريقة تستخرج أولا ميزات البقع والحواف في الصورة باستخدام طريقة تتبع الميزات الطبيعية القائمة على الميزات، ثم تحول الصورة الملونة إلى صورة رمادية باستخدام كاشف ORB في محاولة لتحسين كفاءة الكشف للميزات. أشارت النتائج إلى أن النهج المقترح قد يحسن استخراج الميزات^{بنجاح 10}.

وبفضل قدرتها على دمج البيانات الافتراضية والمشاهد الفعلية بدقة مع تقنيات الواقع المعزز، فقد حظيت مصفوفة الهوموغرافيا (HM) باهتمام كبير في السنوات الأخيرة^11,12. اقترح كيم وآخرون نظام واقع معزز عبر الإنترنت في الوقت الحقيقي يعتمد على HM. استخدمت الطريقة كاميرا ثلاثية الأبعاد مع تحديد موقع وبناء خرائط في نفس الوقت لتتبع معلومات المشهد، وتم استخدام كاميرا HM لملء إطارات مصدر الصورة في محاولة لتحسين جودة الصورة. أظهرت النتائج أن الطريقة يمكنها تقليل التناقضات البصرية والعيوب بشكل فعال وتحسين^{تجربة مستخدم} الواقع المعزز. اقترح كليمنت طريقة وصف ميزات تتبع AR من ثلاثة مستويات تعتمد على التصفية. استخدمت الطريقة HM لوصف حركة الهدف بين الإطارات المختلفة لتحسين متانة مطابقة ميزات الصورة. أشارت النتائج إلى أن الطريقة حققت درجات تكرار بلغت 100٪، 100٪، و99٪ لتغيير الإضاءة، وتغيير الضبابية، وتغيير وجهة النظر على التوالي،¹⁴. اقترح ليو وآخرون طريقة مطابقة الحركة المحلية للصور الاستشعار عن بعد بناء على HM، بهدف القضاء على المطابقة الخاطئة لميزات الصورة. مثلت الطريقة قيد النظر اتساق الحركة المحلية للصورة بواسطة HM وقدمت طريقة إعادة العينة. أظهرت النتائج أن الطريقة المقترحة أظهرت أداء مطابقة متفوقا¹⁵.

كما راجع أعلاه، فإن السعي التقني لمطابقة الميزات والتسجيل القوي مدفوع أساسا بالطلب على تطبيقه لخلق تجارب مستخدم جذابة. لوضع هذا العمل الفني ضمن السياق الأوسع لأبحاث السياحة العاطفية، من الضروري التعامل مع دراسات حديثة تدرس تجريبيا التأثيرات النفسية والسلوكية للعلاج المعزز على السياح. على سبيل المثال، استكشف تشو وآخرون الآلية التي تؤثر من خلالها الأصالة ونقل السرد في سياحة AR على الكلام الشفهي من خلال الارتباط بالواقع المعزز، باستخدام نمذجة المعادلات الهيكلية. كشفت النتائج أن ملحق AR يتوسط العلاقة بين الأصالة، ونقل السرد، والكلام الشفهي، مما يوفر نهجا جديدا لتسويق السياحة التراثية¹⁵. في الوقت نفسه، حلل نغان ولي تأثير الواقع المعزز على تجارب الأحداث الرياضية وإعادة النظر في النية. أشارت دراستهم إلى أن مستخدمي AR أظهروا تفاعلا معرفيا أعلى بشكل ملحوظ، وأن الأبعاد التجريبية أثرت بشكل كبير على نية إعادة الزيارة إلى الواقع، مما يؤكد فعالية AR في تعزيز جاذبية واندماج الأحداث¹⁶. علاوة على ذلك، بحث تشو وآخرون آلية تأثير وجود السياح في تجارب الواقع المعزز عبر الكلام الشفهي (WOM)، باستخدام بيانات مسحية من معرض AR في متحف القصر. أظهرت النتائج أن الوجود يمكن أن يؤثر إيجابيا على WOM، ولعبت الأصالة دورا وسطيا^مهما هناك.

في الختام، أجري العديد من العلماء مجموعة كبيرة من الأبحاث حول تقنيات الواقع المعزز المبنية على خوارزمية ORB مع HM، مما أدى إلى نتائج متفوقة. ومع ذلك، لا تزال خوارزمية ORB تعاني من ضعف المتانة وعدم كفاءة FPE تحت تغير المقياس، وتغير الإضاءة، وانسداد¹⁸. علاوة على ذلك، غالبا ما يكون HM التقليدي عنق زجاجة يتميز بدقة المطابقة المنخفضة وكفاءة التسجيل. يؤدي ذلك إلى عدم توافق وعدم استقرار الكائنات الافتراضية في بيئات سياحية ديناميكية. لا يزال التفاوت بين أداء الأساليب الحالية ومتطلبات تجارب الواقع المعزز المستقرة والغامرة في السياحة تحديا حاسما لم يتم معالجته. لمعالجة هذه التحديات المستمرة وتمكين تجربة AR أكثر استقرارا وغمارا في السياحة، تهدف هذه الدراسة إلى زيادة فعالية FPE والتسجيل ثلاثي الأبعاد. لهذا العمل ثلاث مساهمات نظرية. أولا، يقدم إطار عمل جديد لمطابقة الميزات يجمع بين خاصية الثبات في المقياس لكاشف SURF مع الكفاءة الحاسوبية المحسنة لواصف ORB. يتم تعزيز هذا التكامل من خلال تحديد اتجاه الميزة عبر استجابة المويجات وتحسين مجموعة النقاط باستخدام معايير زاوية هاريس. يوفر هذا نموذجا نظريا أكثر قوة لمطابقة السمات تحت التحولات، مما يجعله أكثر من مجرد تسلسل. ثانيا، يقدم تحسينا نظريا لعملية تقدير الهوموغرافيا من خلال استخدام طريقة حساب الكائنات الافتراضية الحقيقية. يهدف هذا النهج إلى تجاوز قيود مصفوفات الهوموغرافيا التقليدية من خلال تقديم نموذج إسقاط أكثر استقرارا ودقة للتسجيل ثلاثي الأبعاد. وأخيرا، من خلال دمج هذه المكونات المحسنة بشكل منهجي، تقدم الدراسة نهجا نظريا متماسكا لتحقيق اندماج افتراضي وواقعي متفوق، مصمم خصيصا لتعقيدات سيناريوهات السياحة الخارجية.

هذه التقنية المحسنة ذات صلة كبيرة بأصحاب المصلحة الرئيسيين في مجال السياحة. تمكن هذه التقنية مسوقي الوجهات ومنظمي الرحلات من تطوير تطبيقات واقع معزز مستقرة وغامرة تقدم عروضا قيمة فريدة. بالنسبة لمديري مواقع التراث الثقافي، يوفر أداة موثوقة لإنشاء طبقات تعليمية دون الإتلاف القطع الأثرية. في النهاية، بالنسبة للسياح، تعزز الطريقة التجربة مباشرة من خلال دمج سلس ومستقر للمعلومات الافتراضية مع البيئة الحقيقية. هذا يقضي على الإحباط الناتج عن المحتوى الافتراضي غير المتوافق أو القلق. ونتيجة لذلك، يصبح الانغماس أعمق بكثير، ويثري الفهم السياقي، ويزداد الرضا العام عن خدمة السياحة. الابتكار في هذا البحث هو كما يلي: (1) يتم تنعيم الصورة بواسطة الترشيح الغاوسي، ويستخدم استجابة المويجات لتحديد اتجاه التصاميم السطحية. علاوة على ذلك، لزيادة دقة واستقرار اكتشاف نقاط الزاوية النقطية، يتم تصفية أفضل نقاط الزاوية من خلال التكامل مع تقنية هاريس لاكتشاف نقاط الزوايا. (2) تم تقديم خوارزمية RANSAC للقضاء على FPs الخاطئة وتحسين متانة مطابقة الميزات. (3) يتم تعزيز ال HM بواسطة طريقة حساب الكائنات الافتراضية الحقيقية، التي تهدف إلى معالجة قيود الحساب التقليدي، مثل دقة مطابقة FP المنخفضة وكفاءة التسجيل.

البروتوكول

يقترح هذا القسم أولا طريقة مطابقة FP لصور السياحة تجمع بين SURF وخوارزمية ORB محسنة لتحسين متانة مطابقة FP. ثم تقترح الدراسة تقنية تسجيل ثلاثية الأبعاد لسياحة الواقع المعزز تعتمد على تحسين الذاكرة السمعية لتعزيز تأثير الاندماج بين المعلومات الافتراضية والعالم الحقيقي. أجريت التجارب باستخدام مجموعات بيانات صور متاحة للجمهور. على وجه التحديد، تم استخدام مجموعة بيانات مجموعة الهندسة البصرية في أكسفورد (VGG)، والتي تشمل تسلسلات الصور مع اختلافات في الحجم والضبابية والإضاءة، ووجهة النظر، ويتم اعتمادها على نطاق واسع لتقييم خوارزميات مطابقة وتسجيل الميزات في رؤية الحاسوب. لم تكن هناك حاجة لموافقة لجنة أخلاقية لاستخدام هذه المجموعة المتاحة للعامة.

دمج SURF وخوارزمية ORB محسنة لمطابقة FP في صور السياحة

مع التطور السريع لصناعة السياحة، يزداد الطلب على تقنية الواقع المعزز في خدمات السياحة الآلية. خوارزمية ORB هي خوارزمية فعالة لاكتشاف ووصف FP. لقد تم استخدام تقنية الواقع المعزز على نطاق واسع¹⁹. ومع ذلك، في عملية مطابقة صور السياحة ب FP، تعاني خوارزمية ORB الحالية من عيوب مثل ضعف المتانة في تغييرات المقياس، وانخفاض دقة مطابقة الميزات، واستهلاك الوقت^{لخوارزمية 20}. لزيادة دقة ومتانة المطابقة، تقترح هذه الدراسة طريقة مطابقة ميزات قوية تدمج SURF مع خوارزمية ORB محسنة. لتحقيق ثبات المقياس، تخضع الصورة المدخلة لترشيح غاوسي وبناء هرمي. تكتشف خوارزمية SURF القيم الثابتة للمقياس، مع تحديد الاتجاهات عبر استجابات المويجات. يتم تحسين جودة الميزات من خلال تحسين النقاط الأولية باستخدام معيار زاوية هاريس والاحتفاظ بأكثرها تميزا. طريقة تدفق البصر لوكاس-كانادي تتبع الميزات عبر الإطارات، وخوارزمية RANSAC تلغي النقاط غير المتطابقة. الفجوة المنهجية التي تم تناولها هنا ليست فقط التطبيق المتسلسل ل SURF وORB، بل استراتيجية هجينة جديدة تهدف إلى تجاوز القيود الخاصة بالهجناء القياسية في بيئات سياحية معقدة. على عكس الطرق التقليدية ل SURF-ORB التي تستخدم SURF للكشف ثم تطبق واصف ORB مباشرة، تقدم الطريقة الحالية تحسينين حاسمين. أولا، يتم إعادة حساب اتجاه كل FP موضعه بواسطة SURF باستخدام استجابة المويجات الخاصة بها. يوفر هذا تقديرا اتجاهايا أكثر متانة من SURF وحده باستخدام طريقة هار-موويلت القياسية. ثانيا، والأهم من ذلك، لا تستخدم نقاط SURF الأولية بشكل مباشر. بدلا من ذلك، يتم تحسينها بدقة باستخدام معيار زاوية هاريس لتصفية النقاط غير المميزة ذات الاستجابات المنخفضة الموجودة في مناطق مسطحة أو على طول الحواف.

معالجة الصور مسبقة

في مرحلة المعالجة المبدئية لصور السياحة، تستخرج الدراسة الميزات من الصور الرمادية. لتوصيف الميزات المحلية للصورة بشكل أكبر، تستخدم الدراسة مكون التدرج لتحديد وتصنيف الصورة²¹. أظهرت المعادلة (1) تعبيرها.

(1)

في المعادلة (1) يشير I(x,y) إلى قيمة بكسل الصورة عند الإحداثي (x,y).  يرمز إلى متجه التدرج للصورة عند (x,y). ويعرض المشتقات الجزئية للصورة في اتجاهين x و y على التوالي. T يرمز إلى الانتقال لمتجه التدرج.

اكتشاف نقاط الميزة

بعد التعرف على الصورة بواسطة مكونات التدرج، تستخدم الدراسة ميزات من اختبار المقاطع المسرعة (FAST) في خوارزمية ORB لاكتشاف FPs للصورة. علاوة على ذلك، يتم مطابقة الخصائص الأولية بشكل عنيف باستخدام خوارزمية الوصف الثنائية القوية والمستقلة (BRIEF)²². يظهر مخطط اكتشاف الميزات ومطابقتها في هذه الخوارزمية في الشكل 1.

الشكل 1: مخطط تخطيطي لمطابقة الميزات بين اكتشاف ميزات خوارزمية FAST وخوارزمية وصف BRIEF. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 1 عملية اكتشاف الميزات في خوارزميات FAST و BRIEF. الشكل 1A هو مخطط تخطيطي لاكتشاف الميزات باستخدام خوارزمية FAST. يستخدم قالب دائري بحجم 16 بكسل لمقارنة السطوع حول البكسل المركزي للكشف السريع عن ميزات الزوايا في الصورة. الشكل 1B هو مخطط تخطيطي لمطابقة الميزات في خوارزمية BRIEF. من خلال اختيار عدة أزواج من البكسلات حول نقاط الميزة للمقارنة بالتدرج الرمادي، يتم توليد أوصاف ثنائية، ويستخدم المطابقة بالقوة الغاشمة لتحقيق مطابقة نقاط الميزات بين صورتين. يتضمن التعزيز الاستخدام الأولي لطريقة الترشيح الغاوسية، التي تعمل على تنعيم الصورة وتقليل الضوضاء عالية التردد. لاحقا، تستخدم طريقة تقليل العينة لتقليل الدقة المكانية للصورة، مما يقلل من تعقيد الحساب مع الحفاظ على الميزات الأساسية للصورة. تستخدم الدراسة طريقة بناء هرم الصورة، مستفيدة من التقنيتين المذكورتين أعلاه لضمان أن نماذج التصوير السطحية تظهر خصائص ثبات المقياس²³. التعبير الخاص بتنعم الصورة بواسطة مرشح غاوسي منخفض التمرير موضح في المعادلة (2).

(2)

في المعادلة (2)، g_e(x,y) يرمز إلى دالة مرشح غاوسية. e هو الانحراف المعياري (SD) للدالة الغاوسية. exp تدل على الدالة الأسية. يظهر هرم الصور المنشأ بواسطة الترشيح الغاوسي بشكل تخطيطي في الشكل 2.

الشكل 2: مخطط تخطيطي لهرم الصورة الذي تم إنشاؤه بواسطة ترشيح غاوسي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 2 بنية هرم الصورة، حيث يتم توليد عدة صور منخفضة الدقة تدريجيا عن طريق الترشيح الغاوسي وتقليل العينة. من بينها، يقلل مرشح غاوسيان الضوضاء عالية التردد في الصورة عن طريق ضبابها عبر عملية الالتفاف. كنقطة تحقق بصرية خلال مرحلة المعالجة المسبقة هذه، يمكن عرض هرم الصورة المولد. يجدر بالذكر أن كل مستوى من مستويات الهرم يقدم دقة أقل تدريجيا من الصورة الأصلية. هناك زيادة ملحوظة في الضبابية وانخفاض في التفاصيل الدقيقة بسبب تطبيق الترشيح الغاوسي وتقليل العينة. لتعزيز فعالية تحديد الإطارات الدقيقة في الصورة، تستخدم الدراسة خوارزمية SURF لتحديد موقع هذه الإطارات في الصورة. تتضمن هذه الطريقة قياس المنطقة المحيطة ب FP والاستفادة من استجابة المويجات لتحديد اتجاه FP. نظرا لوجود FPs مكررة وغير صالحة يتم استخراجها بواسطة SURF، فإن عددها الزائد يقلل من سرعة التعرف على ميزات صورة الهدف (TI). لذلك، تستخدم الدراسة خوارزمية هاريس لاكتشاف نقاط الزاوية لتحديد الصورة المثلى^{FPs 24}. المعادلة (3) تعرض قيمة الاستجابة الزاوية للخوارزمية.

(3)

في المعادلة (3)، تشير H إلى مصفوفة هاريس. u(x,y) تشير إلى دالة الوزن في النافذة. i_x و i_y يدلان على حجم القيمة الرمادية (GV) لنقطة البكسل. A تدل على قيمة الاستجابة لزاوية هاريس. تشير det H وtraceH إلى المحدد والأثر في مصفوفة هاريس على التوالي. k تشير إلى قيمة معامل. يوضح الشكل 3 مخطط اتجاه النقاط الزائدة المختارة بواسطة خوارزمية SURF والنافذة المنزلقة لخوارزمية هاريس لكشف الزوايا.

الشكل 3: مخطط تخطيطي لخوارزمية SURF، اختيار FP، ونافذة الانزلاق لخوارزمية هاريس لاكتشاف الزوايا. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 3 تركيب خوارزمية SURF لاكتشاف FPs في الصورة. يوضح الشكل 3A المخطط التخطيطي لاختيار اتجاه نقطة الميزة في خوارزمية SURF. عن طريق حساب الاتجاه الرئيسي لاستجابة مويجات هار في حي نقطة الميزة، يتم تحديد اتجاه الدوران الثابت لنقطة الميزة، والذي يمثل عادة بشكل حدسي بالأسهم أو مقاطع الخط الاتجاهية. الشكل 3B هو مخطط تخطيطي لنافذة الانزلاق في خوارزمية كشف الزوايا هاريس، يوضح عملية حركة النافذة داخل منطقة الصورة. يتم اكتشاف نقاط الزوايا عن طريق حساب تغيرات البكسل الرمادية داخل النافذة، ويتم تحديد المناطق ذات القيم العالية للاستجابة كنقاط زاوية.

مطابقة الميزات

بعد اكتشاف FPs الصورة، تستخدم الدراسة طريقة LK OF لتتبع FPs الصور المكتشفة. تحسب هذه الطريقة الحركة بين إطارات الصور المجاورة عن طريق تتبع حركة إطارات الإطارات في الصورة لتحقيق مطابقة الإطارات في تسلسل الفيديو. تحتاج طريقة LK OF إلى تلبية افتراضات ثبات GV للبكسل، والحركة الصغيرة، وثبات حركة المنطقة عند حساب الحركة بين إطارات الصورة^{المجاورة 25}. تم اعتماد طريقة لوكاس-كانادي بشكل استراتيجي نظرا لكفاءتها الحسابية، وهي ضرورية لتطبيقات السياحة الواقعية في الوقت الحقيقي. يتم تخفيف افتراضاته ضمن السياق المحدد. معدل الإطارات العالي لالتقاط الفيديو يضمن عموما إزاحات صغيرة بين الإطارات، مما يلبي متطلبات الحركة الصغيرة. بينما ثبات السطوع المطلق مثالي، فإن نافذة التتبع القصيرة بين الإطارات المتتالية تقلل من الانتهاكات الجسيمة. والأهم من ذلك، أن خوارزمية RANSAC اللاحقة تتعامل بقوة مع أخطاء التتبع المحتملة الناتجة عن انتهاكات الافتراضات عن طريق تصفية القيم الشاذة. لذا، يعمل LK كمتتبع أولي فعال يتم التحقق من مخرجه بدقة، مما يجعله مناسبا لنظام الوقت الحقيقي حيث يكون تحقيق التوازن بين السرعة والمتانة. وفقا لافتراض البكسل الثابت GV، يظهر التعبير في المعادلة (4).

(4)

في المعادلة (4)، يرمز I(x,y,t) إلى البكسل GV للصورة في الموضع (x,y) عند اللحظة t . i_x و i_x يشيران إلى إزاحة البكسل في اتجاهين x و y على التوالي. i و j تدلان على مكونات OF لنقطة البكسل. i_x و_{i y} و i_t تشير إلى الفرق في الصورة في اتجاهات x و y و t على التوالي. يحسب افتراض اتساق الحركة الإقليمية في المعادلة (5).

(5)

في المعادلة (5)، يرمز i_tb إلى المشتقة الجزئية لنقطة البكسل b في المجال في اتجاه الزمن t . v x v تشير إلى حجم مساحة المجال المختارة. B تشير إلى جميع نقاط البكسل داخل المجال. في الختام، تستخدم هذه الدراسة واصف BRIEF لمطابقة الإطارات المتتبعة وخوارزمية RANSAC لرفض المعالجات التي يخطئ في تتبعها من قبل ORB. هذا المزيج من الطرق يعزز متانة مطابقة الميزات²⁶. يوضح الشكل 4 المخطط التخطيطي لطريقة LK OF.

الشكل 4: مخطط تخطيطي لطريقة LK OF. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 4 عملية تنفيذ تدفق LK للشعر البصري، والتي تستخدم طريقة تحسين تكرارية لإزاحة FP بين الإطارات المجاورة. للتحقق النوعي من خوارزمية مطابقة الميزات، يمكن تراكب الإطارات المطابقة بين القالب وصور الاختبار بصريا. عادة ما تكون أزواج النقاط المتطابقة بشكل صحيح متصلة بخطوط خضراء أو معلمة بمؤشرات خضراء. وعلى العكس، يمكن لخوارزمية RANSAC عرض القيم الشاذة ذات العلامات الحمراء. يوفر هذا تقييما بصريا فوريا لمتانة ودقة المطابقة قبل التحليل الكمي. تستخدم الدراسة خوارزمية RANSAC لحساب معدل القيم المعدل للنقاط المقابلة في الصورة، مما يلغي تلك التي لا يتم تطابقها بشكل صحيح. يتم الاحتفاظ ب FPs التي يتم مطابقتها بدقة. في هذه الحالة، يتم عرض HM وتعبير معامل المقياس في خوارزمية RANSAC في المعادلة (6).

(6)

في المعادلة (6)، M تشير إلى HM. m تشير إلى العنصر في المصفوفة M. S تمثل معامل المقياس. (x,y) و (x',y') تدلان على مواقع FP لصورة القالب وصورة الاختبار على التوالي. بعد الحصول على إحداثيات FPs في صورة الاختبار، تجري الدراسة تحليلا مقارنا للمسافات بينها وبين FPs المتطابقة. توضح المعادلة (7) أنها تحدث أيضا عدد التكرارات وتحدد عدد النقاط الداخلية.

E = log(1 - c)/log(1 - ηⁿ) (7)

في المعادلة (7)، E هي التكرارات. c تشير إلى مستوى الثقة. η تشير إلى نسبة النقاط الداخلية. n هو كمية العينات. ثم يظهر التعبير الخاص ب SD للتكرار E في المعادلة (8).

(8)

في المعادلة (8)، تشير S_d(E) إلى SD. يظهر تحسين خوارزمية ORB الموصوفة أعلاه كأساس مطابقة ميزات عالية الجودة لتقنية التسجيل ثلاثي الأبعاد اللاحقة. يظهر هذا التحسن دقة وقوة أعلى في المشاهد المعقدة. بعض هذه المشاهد تشمل تغيير الحجم، تغير الضوء، والاحتجاز.

الرمز الزائف لتحسين ORB مع SURF وتحسين الهوموغرافيا للسياحة الواقعية هو كما يلي.

الخوارزمية 1: تحسين ORB مع SURF وتحسين التجانس لسياحة الواقع المعزز
الإدخال: تسلسل صورة السياحة الأول، نموذج افتراضي ثلاثي الأبعاد M
المخرج: مشهد AR تم تصييره مع تسجيل كائن افتراضي
الخطوة 1: معالجة الصور مسبقا
1: I_gray ← تحويل إلى الرمادي (I)
2: I_smooth ← GaussianBlur (I_gray، النواة=5×5، σ=1.2)
3: هرم ← BuildImagePyramid(I_smooth، المستويات=4، المقياس=1.2)

الخطوة 2: اكتشاف نقاط الميزة
4: keypoints_SURF ← SURF_Detect(هرم، عتبة هيسيان=1000)
5: لكل نقطة في المهمة keypoints_SURF قم ب
6: التوجيه ← ComputeWaveletResponse(kp)
7: نهاية ل
8: keypoints_Harris ← HarrisCornerFilter (keypoints_SURF، k=0.04)
9: الأوصاف ← ImprovedORB_Describe(keypoints_Harris)

الخطوة 3: مطابقة الميزات
10: keypoints_tracked ← لوكاس كانادي OpticalFlow (keypoints_Harris، نافذة = 15×15)
11: المباريات ← BruteForceMatcher (الأوصاف)
12: inliers، H ← RANSAC (مطابقات، maxIterations=2000، reprojThreshold=3.0)

الخطوة 4: التسجيل ثلاثي الأبعاد مع تحسين الهوموغرافيا
13: H_improved ← ComputeImprovedHomography (inliers, camera_intrinsics)
14: R, t ← DecompiseHomography (H_improved)
15: الوضعية ← ComposeCameraPose(R, t)// الخطوة 5: تصيير الواقع المعزز
16: virtual_object ← Load3DModel(M)
17: scene_rendered ← OpenGL_Render(virtual_object، وضعية، خلفية=I)
18: العودة scene_rendered

تقنية تسجيل السياحة ثلاثية الأبعاد في الواقع المعزز تعتمد على تحسين إدارة السياحة

بعد مطابقة ميزات صور السياحة بدقة من خلال طريقة مطابقة FP، يجب تطبيقها بشكل أكبر على تقنية الواقع المعزز. تقنية التسجيل ثلاثي الأبعاد هي تقنية أساسية لتحقيق أنظمة الواقع المعزز. يحسب معلومات وضعية الكاميرا في العالم الحقيقي من خلال عرض صورة سياحية مستهدفة. هذا يتيح مطابقة دقيقة ودمج الكائنات الافتراضية والمشاهد الحقيقية²⁷. يمكن لجهاز HM ربط الكائن الافتراضي بالعالم الحقيقي من منظور المستخدم، مما يعزز تأثير الاندماج بين المعلومات الافتراضية والعالم الحقيقي. علاوة على ذلك، يمكنه حل مشكلة تسجيل الواقع الافتراضي عندما يكون الشعار مخفيا جزئيا. ومع ذلك، فإن كفاءة تسجيل الكائنات الافتراضية في تقنية التسجيل ثلاثي الأبعاد الفعلية منخفضة، مما يؤدي إلى عدم محاذاة الكائنات الافتراضية، مما يؤدي إلى عدم استقرار الكائنات الافتراضية²⁸. لذلك، تقترح هذه الدراسة تقنية تسجيل ثلاثية الأبعاد تعتمد على معدل القياس الهوائي المحسن. باستخدام أزواج FP دقيقة من المرحلة الأولى، يتم حساب الذاكرة الهوائية المحسنة عبر طريقة حساب الكائنات الافتراضية إلى الحقيقية التي تدمج الخصائص الجوهرية للكاميرا. تعالج هذه الطريقة بشكل فعال انخفاض كفاءة التسجيل وعدم محاذاة الكائنات الافتراضية في الطرق التقليدية في المشاهد الديناميكية. يتم تحليل المصفوفة إلى مصفوفة دوران ومتجه ترجمة لتحديد وضعية الكاميرا. يقوم محرك العرض OpenGL بعرض نماذج افتراضية ثلاثية الأبعاد بدقة في تدفق فيديو حي بناء على معلمات الوضعية. تضمن نماذج رسم الخرائط والإضاءة الدمج المتسق من الناحية الفيزيائية.

التسجيل والتصوير ثلاثي الأبعاد

لتحقيق تقنية التسجيل ثلاثي الأبعاد، تحتاج الدراسة أولا إلى بناء نموذج تصوير ثقب صغير لتحويل العالم الحقيقي ثلاثي الأبعاد إلى صورة ثنائية الأبعاد. يظهر تعبير هذا النموذج في المعادلة (9).

(9)

في المعادلة (9)، X و Y و O ترمز إلى المحاور الثلاثة للكاميرا CS. (x,y,f) تشير إلى متجه الإحداثيات. f تشير إلى البعد البؤري (FL). λ يرمز إلى عامل الحجم. كما هو موضح في الشكل 5، تفحص الدراسة الحالية خصائص التصوير لكاميرا الثقب الدبوس باستخدام علاقة التحويل بين CS الصورة وCS الكاميرا.

الشكل 5: نموذج تصوير الثقب الدبوس والعلاقة بين النقاط المكانية ونقاط الإسقاط المستوية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 5 البنية الأساسية لتصوير الثقب الدبوس. الشكل 5A هو مخطط تخطيطي لنموذج التصوير الثقبي، يصف البنية الهندسية الأساسية لعرض مشهد ثلاثي الأبعاد على مستوى تصوير ثنائي الأبعاد عبر ثقب صغير في مركز الكاميرا، معكسا مبادئ انتشار الأشعة والإسقاط من منظور النظر. يوضح الشكل 5B بشكل أكبر عملية إسقاط النقاط المكانية على النقاط المقابلة على مستوى التصوير عبر مركز الكاميرا، موضحا العلاقة النسبية بين البعد البؤري، وإحداثيات نقاط الصورة، وإحداثيات نقاط الجسم. بعد بناء نموذج التصوير بالثقوب الدبوسية، تستخدم الدراسة أيضا نموذج التصوير الثقبي لبناء العلاقة بين القالب وصور المشهد الحقيقية تحت التقاط الكاميرا. يفترض أن نقاط تطابق الميزة في صورتين I₁ و I₂ تقع في نفس المستوى. يحتاج المستوى إلى تحقيق التعبير الموضح في المعادلة (10).

N^Z P + d = 0 (10)

في المعادلة (10)، P يرمز إلى المستوى. N يرمز إلى المتجه العمودي للمستوى P. d يرمز إلى المسافة من المستوى P إلى الأصل. Z يرمز إلى متجه الترجمة. بالنسبة للدورانات والترجمات، تستخدم الدراسة طريقة تفكيك القيمة المفردة لاستخراجها. التعبير موضح في المعادلة (11)²⁹.

(11)

في المعادلة (11)، تشير p₁ و_{p 2} إلى إحداثيات البكسل لأزواج الظلال المطابقة للميزات في الصور I₁ و I₂ ، على التوالي. r₁ و r₂ تشير إلى عوامل التحجيم لنقاط البكسل في الصور I₁ و I₂ على التوالي. K يرمز إلى المصفوفة المرجعية الداخلية للكاميرا. R تشير إلى مصفوفة الدوران. يتميز جهاز HM بتعقيد حسابي عالي وهو عرضة لمشكلة خطأ مطابقة FP. لذلك، تحسن الدراسة ذلك باستخدام طريقة الحساب العكسي للكائنات الافتراضية والحقيقية³⁰. يتم عرض التعبير المحسن لHM في المعادلة (12).

(12)

في المعادلة (12)، يشير M' إلى HM المحسن. f_x و f_y يرمزان إلى ال FLs للكاميرا على محور X و Y على التوالي. U و V ترمزان إلى إحداثيات النقطة الرئيسية. γ يرمز إلى معامل الانحراف. يتم عرض التحويل الفيزيائي للطريقة في المعادلة (13).

(13)

في المعادلة (13)، تشير T' إلى مصفوفة التحويل الفيزيائي. t_{x وt y} وt_o تدل على مكونات دوران المحاور الثلاثة للإحداثيات. [R|Z] تشير إلى مصفوفة التحول للعالم والكاميرا CS. في تطبيق تقنية الواقع المعزز، يظهر تعبير الربط بين القالب وصورة المشهد المسافر الحقيقي في المعادلة (14).

(14)

في المعادلة (14)، يرمز i_{s و i إلى} النقاط على المرجع وTI على التوالي. تحسب الدراسة أيضا دقة محاذاة ال HM المحسنة لدراسة فعالية المحاذاة للطريقة، كما هو موضح في المعادلة (15).

(15)

في المعادلة (15)، P_re(M') تشير إلى دقة محاذاة HM المحسنة. (x_{a,y a,o a}) تشير إلى FPs الفعلية. (x_{b,y b,o b}) تشير إلى FPs المحاذفات. n تشير إلى عدد مجموعات النقاط المتطابقة. يعرض الشكل 6 التعيين بين المخطط التخطيطي وصور النموذج الهوائي المطور.

الشكل 6: علاقة رسم الخرائط بين الصور والمخطط التخطيطي للنموذج المحسن HM. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كما هو موضح في الشكل 6، هناك تطابق واضح بين صورة القالب والصورة النقدية (TI). بعد تطبيق HM المحسن، تتضمن نقطة التحقق البصرية الرئيسية تشويه ومحاذاة صورة القالب على صورة المشهد المستهدف. يجب أن تتوافق حواف القالب المسقط بشكل وثيق مع الميزات المقابلة في TI. خلال العرض النهائي بالواقع المعزز، قم بفحص النموذج ثلاثي الأبعاد الافتراضي بصريا للتأكد من أنه مثبت بدقة وثبات في الموضع والاتجاه الصحيحين في المشهد الواقعي. يجب ألا يكون هناك اهتزاز أو انحراف ملحوظ عند تغير منظور الكاميرا.

تظهر الدراسة تعيين صورة القالب من خلال مصفوفة تأثير محسنة. لتحقيق تفاعل فوري بين الأشياء الافتراضية والمشاهد السياحية الفعلية، تستخدم الدراسة تقنية OpenGL لعرض نماذج ثلاثية الأبعاد لبناء نظام السياحة الواقع المعزز. تقوم التقنية أولا بإعداد سياق OpenGL، وتحميل النموذج ثلاثي الأبعاد للعناصر السياحية الافتراضية، وحسابها باستخدام رسم الخرائط الخامية والإضاءة. ثم يستخدم تدفق الفيديو في الوقت الحقيقي الذي تلتقطه الكاميرا كخلفية لتوفير مرجع لعرض الكائنات الافتراضية. يتم تراكب الكائنات الافتراضية بدقة في العالم الحقيقي باستخدام جهاز HM، الذي يعرض الكائنات الافتراضية في الموضع والاتجاه الصحيحين لدمجها مع المشهد الحقيقي. في نظام السياحة المعزز، حيث يتم التقاط الفيديو عبر مكتبة OpenCV لفيديو الجولة³¹ في الوقت الحقيقي. تستخدم معالجة الصور خوارزمية ORB محسنة لتحديد ومطابقة الميزات في إطارات الفيديو. في وحدة التسجيل ثلاثي الأبعاد، تستخدم الدراسة تقنية HM محسنة لدمج الواقع الافتراضي والواقعي. يتم عرض المخرج النهائي والتفاعل عبر تقنية OpenGL. يتم توضيح عملية تنفيذ تقنية جولات الواقع المعزز في الشكل 7، الذي يوضح العملية التنفيذية العامة لتقنية جولات الواقع المعزز. يعرض الشكل 7 مخطط تنفيذ النظام لتقنية السياحة في الواقع. بعد بدء تشغيل النظام، يتم أولا التقاط تدفق الفيديو في الوقت الحقيقي عبر الكاميرا، حيث يتم استخراج الصورة المستهدفة. ثم تدخل العملية مرحلة معالجة الميزات، حيث تقوم بعملية استخراج نقاط الميزة ووصفها بشكل متسلسل لبناء ميزات الصورة. إذا نجح مطابقة نقاط الميزة، ينتقل النظام إلى مرحلة تسجيل تتبع ثلاثي الأبعاد، حيث يتم حساب معلمات وضعية الكاميرا. يتم دمج ذلك مع نماذج ثلاثية الأبعاد من مكتبة المواد الافتراضية لتحقيق دمج افتراضي وحقيقي، ويتم عرض تأثير الواقع المعزز النهائي المدمج للمستخدم في الوقت الحقيقي. إذا فشل المطابقة، يتم استخدام خوارزمية RANSAC لإزالة نقاط عدم المطابقة، ويتم إعادة إدخال مرحلة معالجة الميزات لضمان استقرار النظام ومتانته. تشكل العملية بأكملها حلقة مغلقة كاملة من اكتساب الصور ومعالجة الميزات إلى التسجيل ثلاثي الأبعاد، والاندماج الافتراضي-الحقيقي، والعرض التفاعلي، مما يوضح المسار التقني لأنظمة السياحة الواقع المعزز لتحقيق اندماج افتراضي وواقعي مستقر في مشاهد ديناميكية.

الشكل 7: مخطط تخطيطي لعملية تنفيذ تقنية السياحة المعززة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الإعداد التجريبي والمواد

لضمان قابلية تكرار التجارب، تم ذكر مواصفات العتاد، وبيئة البرمجيات، ومجموعات البيانات المستخدمة في هذه الدراسة بشكل صريح في الجدول 1.

الفئة	العنصر	المواصفة / الإصدار
الأجهزة	الكاميرا	كاميرا لوجيتك C920 HD Pro
	معالج الحاسوب	معالج AMD Ryzen 7 3700X بثماني أنوية
	ذاكرة الحاسوب	ذاكرة 32 جيجابايت رام
	نظام التشغيل	ويندوز 10 (64-بت)
البرمجيات والمكتبات	لغة البرمجة	C++
	بيئة التنمية	مايكروسوفت فيجوال ستوديو 2019
	مكتبة رؤية الحاسوب	OpenCV 4.5.1
	واجهة برمجة تطبيقات الرسومات	OpenGL 4.6
	منصة المحاكاة	أدوات محاكاة فيجوال ستوديو
مجموعة البيانات	مجموعة البيانات الأساسية	مجموعة بيانات أكسفورد

الجدول 1: إعداد التجريب: مواصفات الأجهزة، البرمجيات، ومجموعات البيانات.

في OpenCV، يتم تطبيق الضباب الغاوسي باستخدام دالة GaussianBlur(). يتم بناء هرم الصورة باستخدام buildPyramid(). يتم تهيئة كاشف SURF باستخدام SURF.create()، مما يضبط عتبة هيسي إلى 400. يتم حساب استجابة زاوية هاريس باستخدام cornerHarris()، ويتم تطبيق كبت غير أقصى لتصفية نقاط المفتاح. يتم حساب تدفق LK البصري باستخدام دالة calcOpticalFlowPyrLK() التي تطبق طريقة لوكاس-كانادي الهرمية. تستخدم دالة findHomography() لتقدير الهوموغرافيا، مع تعيين علم الطريقة على RANSAC للاستفادة من عتبة إعادة الإسقاط المحددة. يتم استخدام HM الناتج بعد ذلك مع perspectiveTransform() للتحقق من صحة نقاط الإدخال (inlier). في خط أنابيب العرض OpenGL، يتم تحويل HM إلى وضعية كاميرا وضبطها باستخدام glLoadMatrix(). يتم تحميل النماذج الافتراضية ثلاثية الأبعاد كملفات .obj ويتم عرضها باستخدام أوامر تحويل OpenGL القياسية (glTranslate، glRotate). يتم تمرير تغذية الفيديو في الوقت الحقيقي من OpenCV إلى OpenGL كنسيج باستخدام glTexImage2D() لتحقيق التراكب النهائي ل AR. تم تعريف المعلمات الرئيسية للخوارزميات المستخدمة في هذه الدراسة بشكل صريح في الجدول 2.

الخوارزمية / المكون	المعلمة	القيمة
مرشح غاوسي	حجم النواة	5 × 5 بكسل
	الانحراف المعياري	1.2
LK التدفق البصري	حجم النافذة	15 × 15 بكسل
RANSAC	أقصى تكرارات	2000
	عتبة إعادة الإسقاط	3.0 بكسل
كاشف ميزات ORB	الحد الأقصى لعدد الميزات	1000
	عامل المقياس (الهرم)	1.2
	عدد مستويات الهرم	4
كاشف ميزات SURF	عتبة هيسن	1000
كاشف زاوية هاريس	حجم الفتحة	3
	قيمة k	0.04

الجدول 2: معلمات الخوارزميات الرئيسية لقابلية التكرار.

النتائج

أداء خوارزمية SURF المجمعة مع ORB المحسنة لمطابقة صور السياحة ب FP

لوضع معايير أداء قوية ومقارنات تحكم، يتم تقييم الخوارزمية المقترحة مقابل ثلاث خوارزميات مطابقة ميزات مستخدمة على نطاق واسع: تحويل الميزات الثابت للمقياس (SIFT)، والميزات المتسارعة (SURF)، وخوارزمية ORB الأصلية غير المحسنة. تعمل هذه الخوارزميات كمجموعات تحكم، مما يسمح بتقييم مباشر للمكاسب في الأداء الناتجة عن التحسينات المقترحة.

تحلل الدراسة أولا معدل...

المناقشة

اقترحت الدراسة طريقة مطابقة FP لصور السياحة تجمع بين SURF وخوارزمية ORB محسنة، بهدف تحسين دقة مطابقة الميزات. لتحقيق المزيد من المطابقة والاندماج الدقيق بين العناصر المقترحة والمشهد الحقيقي، اقترحت الدراسة تقنية تسجيل ثلاثية الأبعاد لسياحة الواقع المعزز تعتمد على تحسين السجل الثلاثي الأبعاد. فيما يتعلق بالتسجيل ثلاثي الأبعاد، أظهرت النتائج أن معدل التسجيل الثلاثي الأبعاد كان 98.74٪ ومتوسط عدد السجلات الثلاثية الأبعاد تحت التحول الدوراني كان 68. وأشارت إلى أن معدل نجاح التسجيل ثلاثي الأبع...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
معالج AMD Ryzen 7 3700X بثماني أنوية	AMD	رايزن 7 3700X
الكاميرا	لوجيتك	كاميرا ويب C920 HD Pro
ذاكرة الحاسوب	/	ذاكرة 32 جيجابايت رام
كاميرا لوجيتك C920 HD Pro	لوجيتك	C920
مايكروسوفت فيجوال ستوديو 2019	مايكروسوفت	2019
OpenCV	مؤسسة OpenCV	4.5.1
OpenGL	مجموعة كرونوس	4.6
مجموعة بيانات أكسفورد	جامعة أكسفورد	/
لغة البرمجة	/	C++
أدوات محاكاة فيجوال ستوديو	مايكروسوفت	مدرج في VS 2019
ويندوز 10 (64-بت)	مايكروسوفت	10 (64-بت)