Moluch 251 c indd

 
4.
 Таргет с дополнительными узлами и цветовой корректировкой

---

“Young Scientist”
. 
#13 (251)
. 
March 2019
49
Computer Science
лизатора изображений. Степень восприимчивости метки 
оптическим сенсором относительно уровня оценки ана-
лизатора можно сформулировать, разделив на пять 
уровней.
Уровень 1, когда анализатор отображает 0 или 1 по-
казатель. Исходное изображение, предназначенное для 
использования в качестве метки, приведет к низкому ка-
честву визуализации по причине малого количества объ-
ектов и низкой контрастности.
Уровень 2, когда анализатор отображает показа-
тель 2. При изменении фона у изображения из уровня 1 
на более контрастный позволит повысить рейтинг, по-
скольку на изображении можно найти более контрастные 
элементы. [2] Тем не менее уровень 2 является неудовлет-
ворительным для оптических датчиков и категорически не 
рекомендуется к применению.
Уровень 3, когда анализатор отображает показатель 
3. Показатели анализатора увеличиваются путем изме-
нения контрастности определенных слоев в зависимости 
от геометрии объектов и корректировкой яркости нужных 
элементов. При этом получается средний результат, что 
приводит к уместным показателям стабильности для ви-
зуализации сцен в дополненной реальности.
Уровень 4, когда анализатор отображает показатель 4. 
Подавляющее большинство, применяемых таргетов об-
ладают именно этим показателем, при попадании 40% 
маркера в область сканирования, сцена подгружается.
Уровень 5, когда анализатор отображает показатель 5. 
Метки при проверке, отображающие такой уровень, иде-
ально подходят для использования в сценах дополненной 
реальностью. При любом освещении и попадании хотя бы 
20% таргета в область оптического датчика, сцена будет 
визуализироваться.
Проведя работу над редактурой и изменением гра-
фической метки, можно сделать ряд определённых вы-
водов. На качество реализации таргета влияют опреде-
ленные параметры, такие как количество полигональных 
элементов, контрастность необходимых слоев и яркость 
определенных областей. Корректировка вышеуказанных 
параметров позволит подготавливать метки и повышать 
их качество для более стабильной работы визуализаций 
в сценах дополненной реальности.
Литература:
1. Optimizing Target Detection and Tracking Stability // Vuforia Engine Developer URL: https://library.vuforia.com/
content/vuforia-library/en/articles/Solution/Optimizing-Target-Detection-and-Tracking-Stability.html (дата об-
ращения: 25.03.2019).
2. Баулин Иван Николаевич Слои для браузера дополненной реальности // International Journal of Open Informa-
tion Technologies. 2013. № 7. URL: https://cyberleninka.ru/article/n/sloi-dlya-brauzera-dopolnennoy-realnosti 
(дата обращения: 25.03.2019).
3. Кравцов А. А. Исследование и разработка методик и алгоритмов интерактивной визуализации средствами до-
полненной реальности // Научный журнал КубГАУ — Scientific Journal of KubSAU. 2015. № 113. URL: https://
cyberleninka.ru/article/n/issledovanie-i-razrabotka-metodik-i-algoritmov-interaktivnoy-vizualizatsii-sredstva-
mi-dopolnennoy-realnosti (дата обращения: 25.03.2019).
4. Многослойное представление информации (дополненная реальность) // РВК Институт развития Россий-
ской Федерации URL: https://www.rvc.ru/upload/iblock/e44/201212_market_reality.pdf (дата обращения: 
25.03.2019).
5. Яковлев Б. С., Пустов С. И. Классификация и перспективные направления использования технологии допол-
ненной реальности // Известия ТулГУ. Технические науки. 2013. № 3. URL: https://cyberleninka.ru/article/n/
klassifikatsiya-i-perspektivnye-napravleniya-ispolzovaniya-tehnologii-dopolnennoy-realnosti (дата обращения: 
25.03.2019).