小蚂蚁说：

AR是一种新颖的交互方式，与传统交互方式相比，可以让用户更深入地参与互动，给用户带来新体验。

而春节期间，支付宝的「扫福得福」活动也异常火爆，支付宝将AR与游戏、红包相结合，探索出了一种新玩法。

虽然AR领域已经有了很多年的发展历程，但技术成熟度和用户普及度都还有很大的进步空间。而走在该领域前排的支付宝，背后又有哪些技术架构和研究故事呢？今天就有请我们的支付宝AR团队来给大家进行详细分享。

1. 前言

首先，我们回顾下网络上对AR技术的定义：增强现实技术（Augmented Reality，简称AR），是一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术，这种技术的目标是在屏幕上把虚拟世界套在现实世界并进行互动。

从这个定义可以看出，AR包含两个关键要素：相机姿态估计和虚实互动。

不过，在当前流行的AR应用中，未必都满足这两个要素，比如有些简单的AR应用主要是识别某个物料，识别成功后播放一段广告视频然后发个优惠券，这个过程并没有估计相机姿态，但是已经满足初期AR营销需求了。为此，我们可以称当前的很多AR应用为泛AR应用。

2. AR技术概述

AR技术本身可以从各个维度进行分类，比如根据硬件载体不同，可以分为基于通用移动设备的AR（比如手机AR）和基于专用设备的AR（比如Hololens）。这里我们主要关注基于手机的AR，正是由于手机的普及推动了AR技术的普及。具体到手机AR，又可以细分成多种：

•   基于NFT（Natural Feature Tracking,自然特征点跟踪）的AR：对着一个纹理丰富的平面物体扫描，就可以实时估计相机姿态并将3D模型叠加到平面物体上；

•   基于SLAM(Simultaneous  localization  andmapping) 技术的AR：同时估计相机姿态和周围环境地图，并可在周围环境中叠加虚拟物体；

•   基于LBS的AR：主要利用GPS信息和陀螺仪信息实现AR效果，比如PokemonGo；

•   基于3D物体的AR：通常需要预先对3D物体进行建模，然后以任意角度扫3D物体均可估计相机姿态；

•   基于AI的AR：主要结合模式识别技术，实现物体类别识别、物体特征点定位、物体分割，然后在此基础上叠加虚拟物体。随着AI技术的蓬勃发展，这个方向将会受到更多的重视。

2.1 AR平台识别算法

对于大多数AR应用来说，通常都包含以下3个模块：

•   识别：具体来说包含图像识别、跟踪、3D姿态估计；

•   渲染：结合成像模型，利用渲染引擎将3D虚拟物体叠加到图像上

•   交互：手机上主要是通过触控与虚拟物体互动，Hololens则通过手势、语音进行多模态互动

支付宝AR平台作为一个平台性的系统，除了包含以上基本模块外，还有线上活动运营管理系统等。这里，我们主要介绍识别模块，包括基于自然特征点的图片识别、跟踪、姿态估计，以及基于AI技术的物体识别。

2.2 识别算法框架

总体上，AR平台识别算法框架包含识别核心层、业务层和识别内容管理层。

其中识别核心层由AR客户端识别引擎和服务端识别引擎构成，这两个引擎都是建立在核心算法基础之上，两者有机结合、互为补充、协同完成识别任务。

AR业务层也包含客户端和服务端，负责视频采集、交互渲染、业务路由、后台管理等工作。另外一大块是识别内容管理，包括识别模型训练、评测以及识别内容发布、监控，本文主要介绍的就是核心识别算法。

3. NFT识别算法

3.1 NFT算法流程

从数据流角度看，我们的NFT核心识别算法流程如下图所示。

整个流程包括客户端和服务端，对于输入的每帧图像，首先会进行客户端识别，如果客户端没能识别出来且满足静止判断条件，则上传服务端识别。

3.2 客户端NFT识别

客户端识别包含局部特征点检测、特征点描述、快速检索、图片1对1匹配、单应性校验等步骤。针对每一个步骤，都有多种方法可选择。比如特征点检测方法有SIFT,SURF,Fast,ORB等，其中前两种具有尺度不变性，后两种不具备尺度不变性，需要在不同分辨率图像上分别提取特征。

局部特征点描述有SIFT、SURF、BRISK、FREAK、ORB等，它们的耗时分别为SIFT>SURF>BRISK=FREAK>ORB，准确性和耗时基本相反，在手机上常用的特征一般为后面三种。

对于快速检索方面，有两个思路：

•   采用FLANN近邻搜索方式：从所有候选图像的所有特征点里查找最相似的特征点，然后根据每张图片匹配上的点数进行排序得到候选匹配图片。

•   是采用BOW(Bag-of-Words)检索方式：这样可以让我们像查字典一样快速检索到候选匹配图片。

快速检索只是从众多图片中检索出最相近的N幅候选图片，针对这N幅候选图片，还需要做进一步的甄别，给出明确的答案，确定到底和哪一幅图片匹配，不能模棱两可。

最后再做一个单应性校验：基于平面物料的假设，物料模板图片和实际拍摄的物料图片之间存在一个单应性变换，利用匹配上的特征点可以估计出一个单应性变换矩阵，最后再根据内点数多少判定是否真的匹配上了。到此，单纯的图片识别过程就完成了。

3.3 客户端NFT跟踪

对于需要需要跟踪的场景，比如我们最初做的Costa活动，就需要实时对Costa餐盘纸进行跟踪和姿态估计，以便虚拟的花总是无缝贴合在餐盘纸上，如下图所示：

跟踪的最终目的是为了能够实时地给出相机姿态，以便3D虚拟物体可以实时叠加到实景中。

事实上，如果每帧做特征点检测、匹配、校验、姿态估计的速度足够快足够准，也可以不用做跟踪。然而现有的特征点检测匹配算法在客户端速度还不够快，因此普遍做法是检测之后做跟踪。

由于跟踪过程中，我们还需要实时估计相机姿态，因此基于整个物体ROI区域跟踪的方法比如KCF(Kernelized CorrelationFilters)方法在这里不适用，我们需要特征点跟踪方法，以便利用特征点进行姿态估计。

最常用的特征点跟踪算法就是KLT(Kanade-Lucas-Tomasi)算法，当运动幅度不是很剧烈时，效果还是很不错的，对于相对剧烈的运动，容易跟踪失败。

为此，我们采用了局部区块模版匹配的方式进行特征点跟踪。当然，为了提速，具体实现时采用了很多加速策略。跟踪完成后，同样也需要做单应性校验，确认跟踪是否正确。如果跟踪正确了，则进行后面的3D姿态估计环节。

知道2D点和3D点对应关系求解位姿，可采用非线性的Bundle Adjustment方法，也可以采取线性PnP(Perspective-n-Point)的方法求解。相比Bundle Adajustment方法，PnP方法速度更快，但精度略低，抖动大一些。为减轻抖动，可以通过对位姿做帧间平滑。

3.4 服务端NFT识别

相比客户端本地识别，我们的服务端可以识别更多种类的图片，具有更多更强的识别能力。服务端具备海量图片检索能力和热点图片检索能力，并且融合这两个检索结果，做进一步的精匹配以确定最终匹配结果。

3.5 AI识别算法

除了常规的NFT图片识别外，我们还提供了其他基于模式识别的算法，比如春节扫红包用的Adaboost目标检测、SSD目标检测、xFuNet识别以及定制的圆形目标检测、颜色识别、HogSVM识别等。

其中，基于SSD目标检测的方法由于通用性好、速度快、能够处理多种复杂情况，借助支付宝强大的客户端深度学习引擎xNN已落地到多个业务场景：

在AR平台，SSD目标检测最初用于解决弱纹理商家logo识别问题。

不少商家希望通过扫他们的品牌logo参加活动，然而有些品牌logo实在是没啥纹理，比如耐克的logo，之前介绍的NFT图片识别算法对这种场景基本无能为力。因此，我们迫切需要找到一种新方法来满足这一场景需求。

期间我们尝试了多种方案：Dense SIFT、深度特征学习、目标检测等。对各种方案进行比对后，结合AR平台业务场景，我们选择了目标检测的方式。具体到目标检测，常见的有Faster-RCNN、YOLO、SSD等。

实测发现SSD的检测速度最快，精度也能满足业务需求。最终，我们选择了SSD目标检测方式来识别弱纹理商家logo。

主体方案确定之后，还有一个问题需要解决，即商家通常只提供少量几张logo图片，这对于深度学习来说，那真是杯水车薪。我们的解决方案是对少量的商家logo图像数据做倍增，具体倍增方式包括面内面外旋转、缩放、平移、背景替换、颜色变化等。

此外，针对容易误检的样本，特别添加到样本集参与样本倍增合成。最终，我们的SSD目标检测训练流程如下图所示：

除了SSD目标检测，基于Adaboost的目标检测算法由于其全机型覆盖、计算量小等优势用在了春节红包扫福和扫手势活动中。此外，还有之前的扫中秋月亮、扫脉动瓶盖也使用了定制化的模式识别算法。

3.6 性能指标

AR平台识别算法基本性能如下：

1.客户端NFT识别耗时：<200ms

2.客户端NFT跟踪耗时：<10ms

3.NFT识别包大小：<20k

5.客户端SSD检测+校验：<100ms

4. 后记

支付宝AR平台经过长时间的打磨，各项基本功能日趋完善。同时，我们也非常欢迎AR、AI爱好者加入我们团队，共同把支付宝AR平台打造得更好！

代表产品有：支付宝AR扫、2017春节AR红包、2018新春集五福扫福字、扫“五福到”手势、支付宝小程序缴费通、开创了支付宝银行卡识别绑定、声波支付等。

如果你对我们的工作感兴趣，欢迎投简历加入我们！我们目前正在招聘目标检测、图像识别等方向的专业人才，有兴趣可以发邮件至： mingcai.zmc@antfin.com

— END —