如何实现模拟人类视觉注意力的循环神经网络？

2017年7月7日
| 没有评论

如何实现模拟人类视觉注意力的循环神经网络？

作者：张欢 2017-07-07 15:46:38
移动开发
深度学习 将感兴趣的东西放在视野中心，每次只处理视野中的部分。

 原理篇

本文所用的代码在https://github.com/SquarePants1991/OpenGLESLearn.git的ARKit分支中。

iOS11推出了新框架ARKit，通过ARKit和SceneKit可以很方便的制作AR App。苹果也提供了AR基本的应用框架，你可以直接从此开始你的AR App的开发。

不过本系列文章将使用OpenGL ES为ARKit提供渲染支持，接下来我们先去了解一下ARKit的理论相关知识。

AR基本概念

AR最基本的概念就是将虚拟的计算机图形和真实环境结合的技术。该技术有很多种实现方式。

  • 使用2D或者3D图形装饰人脸，常见于一些相机和视频类App，主要使用人脸识别追踪技术。

  • 基于标记的3D模型放置，比如基于AR的故事书，阴阳师的现世召唤。标记可以是简单的黑框包裹的标记，也可以是一张复杂图片的特征点训练数据。如果你感兴趣可以前往ARToolKit，这是一个开源的AR框架，主要用于基于标记的AR。最近出ARToolkit6 Beta了，不知道有没有新的功能开放。

  • 追踪真实环境的特征点，计算真实摄像机在真实环境的位置。所谓特征点，就是图片中灰度变化比较剧烈的位置，所以想要更精准稳定的计算，就需要真实环境的颜色变化比较丰富。ARKit就是使用这种原理进行摄像机定位的。

世界追踪（WorldTracking）

通过追踪真实世界的特征点，计算真实摄像机位置并应用到3D世界的虚拟摄像机是AR实现中最重要的部分。计算结果的精确性直接影响到渲染出来的结果。ARKit使用ARSession来管理整个AR处理流程，包括摄像机位置的计算。

#pragma make - AR Control
- (void)setupAR {
    if (@available(iOS 11.0, *)) {
        self.arSession = [ARSession new];
        self.arSession.delegate = self;
    }
}

- (void)runAR {
    if (@available(iOS 11.0, *)) {
        ARWorldTrackingSessionConfiguration *config = [ARWorldTrackingSessionConfiguration new];
        config.planeDetection = ARPlaneDetectionHorizontal;
        [self.arSession runWithConfiguration:config];
    }
}

- (void)pauseAR {
    if (@available(iOS 11.0, *)) {
        [self.arSession pause];
    }
}

使用ARSession的方式很简单，初始化，设置delegate，开启ARSession需要传入一个配置ARWorldTrackingSessionConfiguration，ARWorldTrackingSessionConfiguration代表AR系统会追踪真实世界的特征点，计算摄像机位置。苹果以后也有可能会出ARMarkerTrackingSessionConfiguration之类用来识别追踪标记的配置吧。ARSession开启后会启动相机，并且会通过传感器感知手机位置。借用WWDC中的一张图。

ARSession综合相机捕获的视频流和位置信息生成一系列连续的ARFrame。

- (void)session:(ARSession *)session didUpdateFrame:(ARFrame *)frame {
...
}

每个ARFrame包含了从相机捕捉的图片，相机位置相关信息等。在这个方法里我们需要绘制相机捕捉的图片。根据相机位置等信息绘制3D物体等。

平面检测

ARKit提供了另一个很酷的功能，检测真实世界的平面，并提供一个ARPlaneAnchor对象描述平面的位置，大小，方向等信息。

- (void)runAR {
    if (@available(iOS 11.0, *)) {
        ARWorldTrackingSessionConfiguration *config = [ARWorldTrackingSessionConfiguration new];
        config.planeDetection = ARPlaneDetectionHorizontal;
        [self.arSession runWithConfiguration:config];
    }
}

上面的config.planeDetection = ARPlaneDetectionHorizontal;设置了检测平面的类型是水平。不过目前也就只有这一个选项可以选。如果ARKit检测到了平面，会通过delegate中的方法- (void)session:(ARSession *)session didAddAnchors:(NSArray *)anchors提供数据给你。你可以判断ARAnchor是不是ARPlaneAnchor来判断是否检测到了平面。ARAnchor用来表示3D物体在真实环境的位置。你只要保持你的3D物体和ARAnchor的3D变换同步就能实现AR效果了。

Hit Test

Hit Test可以让你方便的在检测到的平面上放置物体。当你点击屏幕时，使用Hit Test可以检测出你点击的位置有哪些平面，并且提供ARAnchor用于设置放置物体的位置。

[frame hitTest:CGPointMake(0.5, 0.5) types:ARHitTestResultTypeExistingPlane];

使用ARFrame的hitTest方法，***个传入的点取值范围从(0,0)到(1,1)，第二个参数代表可以检测哪些对象。可以检测到的对象如下。

  • ARHitTestResultTypeFeaturePoint，根据距离最近的特征点检测出来的连续表面。

  • ARHitTestResultTypeEstimatedHorizontalPlane，非精准方式计算出来与重力垂直的平面。

  • ARHitTestResultTypeExistingPlane, 已经检测出来的平面，检测时忽略平面本身大小，把它看做一个无穷大的平面。

  • ARHitTestResultTypeExistingPlaneUsingExtent, 已经检测出来的平面，检测时考虑平面本身的大小。

检测成功则返回NSArray *，ARHitTestResult中包含检测类型，相交点的距离，平面的ARAnchor。注意只有检测到ARHitTestResultTypeExistingPlane和ARHitTestResultTypeExistingPlaneUsingExtent才会有ARAnchor。这四个检测类型是可以通过|的方式同时存在的，比如ARHitTestResultTypeEstimatedHorizontalPlane |  ARHitTestResultTypeExistingPlane。

光线强度调节

ARKit还提供了一个检测光照强度的功能，主要为了让3D模型的光照和环境的光照强度保持一致。在ARFrame中有一个lightEstimate的变量，如果检测光照强度成功，则会有值。值的类型为ARLightEstimate，其中只包含一个变量ambientIntensity。在3D光照模型中，它对应环境光，它的值从0 ~ 2000。使用OpenGL渲染时，可以使用这个值调整光照模型中的环境光强度。

ARKit的理论知识差不多到此结束了，下一篇将会介绍如何使用OpenGL ES渲染ARFrame里的内容。

实现篇

本文所用的代码在 https://github.com/SquarePants1991/OpenGLESLearn.git的ARKit分支中。

本文所用OpenGL基础代码来自OpenGL ES系列，具备渲染几何体，纹理等基础功能，实现细节将不赘述。

集成ARKit的关键代码都在ARGLBaseViewController中。我们来看一下它的代码。

处理ARFrame

- (void)session:(ARSession *)session didUpdateFrame:(ARFrame *)frame {
    // 同步YUV信息到 yTexture 和 uvTexture
    CVPixelBufferRef pixelBuffer = frame.capturedImage;
    GLsizei imageWidth = (GLsizei)CVPixelBufferGetWidthOfPlane(pixelBuffer, 0);
    GLsizei imageHeight = (GLsizei)CVPixelBufferGetHeightOfPlane(pixelBuffer, 0);
    void * baseAddress = CVPixelBufferGetBaseAddressOfPlane(pixelBuffer, 0);

    glBindTexture(GL_TEXTURE_2D, self.yTexture);
    glTexImage2D(GL_TEXTURE_2D, 0, GL_LUMINANCE, imageWidth, imageHeight, 0, GL_LUMINANCE, GL_UNSIGNED_BYTE, baseAddress);
    glBindTexture(GL_TEXTURE_2D, 0);

    imageWidth = (GLsizei)CVPixelBufferGetWidthOfPlane(pixelBuffer, 1);
    imageHeight = (GLsizei)CVPixelBufferGetHeightOfPlane(pixelBuffer, 1);
    void *laAddress = CVPixelBufferGetBaseAddressOfPlane(pixelBuffer, 1);
    glBindTexture(GL_TEXTURE_2D, self.uvTexture);
    glTexImage2D(GL_TEXTURE_2D, 0, GL_LUMINANCE_ALPHA, imageWidth, imageHeight, 0, GL_LUMINANCE_ALPHA, GL_UNSIGNED_BYTE, laAddress);
    glBindTexture(GL_TEXTURE_2D, 0);

    self.videoPlane.yuv_yTexture = self.yTexture;
    self.videoPlane.yuv_uvTexture = self.uvTexture;
    [self setupViewport: CGSizeMake(imageHeight, imageWidth)];

    // 同步摄像机
    matrix_float4x4 cameraMatrix = matrix_invert([frame.camera transform]);
    GLKMatrix4 newCameraMatrix = GLKMatrix4Identity;
    for (int col = 0; col < 4; ++col) {
        for (int row = 0; row < 4; ++row) {
            newCameraMatrix.m[col * 4 + row] = cameraMatrix.columns[col][row];
        }
    }

    self.cameraMatrix = newCameraMatrix;
    GLKVector3 forward = GLKVector3Make(-self.cameraMatrix.m13, -self.cameraMatrix.m23, -self.cameraMatrix.m33);
    GLKMatrix4 rotationMatrix = GLKMatrix4MakeRotation(M_PI / 2, forward.x, forward.y, forward.z);
    self.cameraMatrix = GLKMatrix4Multiply(rotationMatrix, newCameraMatrix);
}

上面的代码展示了如何处理ARKit捕捉的ARFrame，ARFrame的capturedImage存储了摄像头捕捉的图片信息，类型是CVPixelBufferRef。默认情况下，图片信息的格式是YUV，通过两个Plane来存储，也可以理解为两张图片。一张格式是Y（Luminance），保存了明度信息，另一张是UV（Chrominance、Chroma），保存了色度和浓度。我们需要把这两张图分别绑定到不同的纹理上，然后在Shader中利用算法将YUV转换成RGB。下面是处理纹理的Fragment Shader，利用公式进行颜色转换。

precision highp float;

varying vec3 fragNormal;
varying vec2 fragUV;

uniform float elapsedTime;
uniform mat4 normalMatrix;
uniform sampler2D yMap;
uniform sampler2D uvMap;

void main(void) {
    vec4 Y_planeColor = texture2D(yMap, fragUV);
    vec4 CbCr_planeColor = texture2D(uvMap, fragUV);

    float Cb, Cr, Y;
    float R ,G, B;
    Y = Y_planeColor.r * 255.0;
    Cb = CbCr_planeColor.r * 255.0 - 128.0;
    Cr = CbCr_planeColor.a * 255.0 - 128.0;

    R = 1.402 * Cr + Y;
    G = -0.344 * Cb - 0.714 * Cr + Y;
    B = 1.772 * Cb + Y;


    vec4 videoColor = vec4(R / 255.0, G / 255.0, B / 255.0, 1.0);
    gl_FragColor = videoColor;
}

处理并绑定好纹理后，为了保证不同屏幕尺寸下，纹理不被非等比拉伸，所以对viewport进行重了新计算[self setupViewport: CGSizeMake(imageHeight, imageWidth)];。接下来将ARKit计算出来的摄像机的变换赋值给self.cameraMatrix。注意ARKit捕捉的图片需要旋转90度后才能正常显示，所以在设置Viewport时特意颠倒了宽和高，并在***对摄像机进行了旋转。

VideoPlane

VideoPlane是为了显示视频编写的几何体，它能够接收两个纹理，Y和UV。

@interface VideoPlane : GLObject
@property (assign, nonatomic) GLuint yuv_yTexture;
@property (assign, nonatomic) GLuint yuv_uvTexture;
- (instancetype)initWithGLContext:(GLContext *)context;
- (void)update:(NSTimeInterval)timeSinceLastUpdate;
- (void)draw:(GLContext *)glContext;
@end

...

- (void)draw:(GLContext *)glContext {
    [glContext setUniformMatrix4fv:@"modelMatrix" value:self.modelMatrix];
    bool canInvert;
    GLKMatrix4 normalMatrix = GLKMatrix4InvertAndTranspose(self.modelMatrix, &canInvert);
    [glContext setUniformMatrix4fv:@"normalMatrix" value:canInvert ? normalMatrix : GLKMatrix4Identity];
    [glContext bindTextureName:self.yuv_yTexture to:GL_TEXTURE0 uniformName:@"yMap"];
    [glContext bindTextureName:self.yuv_uvTexture to:GL_TEXTURE1 uniformName:@"uvMap"];
    [glContext drawTrianglesWithVAO:vao vertexCount:6];
}

其他的功能很简单，就是绘制一个正方形，最终配合显示视频的Shader，渲染YUV格式的数据。

透视投影矩阵

在ARFrame可以获取渲染需要的纹理和摄像机矩阵，除了这些，和真实摄像头匹配的透视投影矩阵也是必须的。它能够让渲染出来的3D物体透视看起来很自然。

- (void)session:(ARSession *)session cameraDidChangeTrackingState:(ARCamera *)camera {
    matrix_float4x4 projectionMatrix = [camera projectionMatrixWithViewportSize:self.viewport.size orientation:UIInterfaceOrientationPortrait zNear:0.1 zFar:1000];
    GLKMatrix4 newWorldProjectionMatrix = GLKMatrix4Identity;
    for (int col = 0; col < 4; ++col) {
        for (int row = 0; row < 4; ++row) {
           newWorldProjectionMatrix.m[col * 4 + row] = projectionMatrix.columns[col][row];
        }
    }
    self.worldProjectionMatrix = newWorldProjectionMatrix;
}

上面的代码演示了如何通过ARKit获取3D透视投影矩阵，有了透视投影矩阵和摄像机矩阵，就可以很方便的利用OpenGL渲染物体了。

- (void)glkView:(GLKView *)view drawInRect:(CGRect)rect {
    [super glkView:view drawInRect:rect];

    [self.objects enumerateObjectsUsingBlock:^(GLObject *obj, NSUInteger idx, BOOL *stop) {
        [obj.context active];
        [obj.context setUniform1f:@"elapsedTime" value:(GLfloat)self.elapsedTime];
        [obj.context setUniformMatrix4fv:@"projectionMatrix" value:self.worldProjectionMatrix];
        [obj.context setUniformMatrix4fv:@"cameraMatrix" value:self.cameraMatrix];

        [obj.context setUniform3fv:@"lightDirection" value:self.lightDirection];
        [obj draw:obj.context];
    }];
}

本文主要介绍了OpenGL ES渲染ARKit的基本思路，没有对OpenGL ES技术细节描述太多。如果你有兴趣，可以直接clone Github上的代码深入了解。

责任编辑：张子龙
来源： 雷锋网
循环神经网络
视觉注意力
模拟

深度学习
| Tags: ,