Penggunaan campuran dengan pelacakan gambar planar

Pengenalan gambar cloud juga dapat dikombinasikan dengan pelacakan gambar planar untuk mencapai mode campuran "pengenalan + pelacakan berkelanjutan". Artikel ini akan menjelaskan cara penggunaannya serta menganalisis keunggulan dan skenario penerapannya.

Alur kerja

Inti dari mode campuran adalah integrasi mulus antara pengenalan cloud dan pelacakan lokal, dengan alur sebagai berikut:

Fase pengenalan cloud

1. Mengirim permintaan: Kamera perangkat menangkap gambar saat ini dan mengunggahnya ke server CRS.
2. Pencocokan cloud: CRS mencari dalam pustaka target dan mengembalikan ID target yang cocok serta data gambar (dienkode Base64).
3. Penerimaan hasil: Klien menerima hasil pengenalan dan memicu logika pemrosesan selanjutnya.

Fase pelacakan lokal

1. Dekode gambar: Klien mendekode data Base64 menjadi gambar, dan berdasarkan itu menghasilkan instance ImageTarget secara lokal.
2. Inisialisasi pelacakan: Menginisialisasi ImageTracker dan memanggil metode loadTarget untuk memulai pelacakan gambar planar.
3. Pelacakan berkelanjutan: Perangkat menghitung pose 6DoF secara lokal, konten virtual mengikuti pergerakan gambar secara real-time.

Keunggulan penggunaan campuran

Dibandingkan penggunaan pengenalan cloud secara terpisah, mode campuran menunjukkan kinerja lebih baik dalam aspek berikut:

• Mengurangi probabilitas kesalahan pengenalan
  Saat menggunakan pengenalan cloud secara terpisah, jika ada gambar serupa dalam pustaka target, mungkin mengembalikan target yang salah. Dengan pelacakan gambar lokal, pelacakan lokal akan terus memverifikasi fitur gambar. Jika konten gambar aktual tidak cocok dengan hasil pengenalan, pelacakan akan cepat hilang dan memicu pengenalan ulang. Oleh karena itu, penggunaan campuran dapat sangat mengurangi tingkat kesalahan pengenalan cloud.

• Mendukung pelacakan dan interaksi berkelanjutan
  Pengenalan cloud terpisah hanya dapat mengembalikan ID target, tidak mendukung interaksi berkelanjutan seperti rotasi atau penskalaan. Dalam mode campuran, setelah pengenalan langsung beralih ke pelacakan lokal, mendukung pembaruan pose 6DoF real-time. Pengguna dapat menggerakkan perangkat atau gambar, konten virtual tetap mengikuti, cocok untuk skenario seperti game AR atau demonstrasi produk.

• Mengurangi beban cloud
  Memanggil pengenalan cloud secara frekuen (misalnya 1 kali/detik) meningkatkan tekanan server dan latensi. Dalam mode campuran, setelah pengenalan berhasil, pelacakan selanjutnya dilakukan secara lokal oleh perangkat tanpa perlu terus mengunggah gambar. Hanya saat pelacakan hilang, pengenalan cloud dipicu ulang, secara signifikan mengurangi permintaan cloud dan konsumsi lalu lintas jaringan klien.

• Adaptivitas lingkungan jaringan lemah
  Pengenalan cloud terpisah rentan mengalami timeout atau gagal saat jaringan tidak stabil. Dalam mode campuran, setelah pengenalan berhasil, bahkan jika jaringan terputus, pelacakan lokal masih dapat terus berfungsi. Dapat dikombinasikan dengan pustaka target lokal untuk memberikan pengalaman degradasi aplikasi sebelum jaringan pulih.

Praktik terbaik

Saat memilih apakah akan menggunakan pengenalan cloud, pelacakan gambar planar, atau mode campuran, evaluasi dapat dilakukan berdasarkan dimensi berikut:

Cara memilih fungsi

Karakteristik aplikasi	Rekomendasi solusi	Alasan
Jumlah target < 100	Pelacakan gambar planar	Memori lokal mencukupi, tidak bergantung jaringan
Tanpa jaringan atau jaringan tidak stabil	Pelacakan gambar planar	Menghindari kegagalan pengenalan, memastikan ketersediaan offline
Target perlu diperbarui real-time	Pengenalan cloud	Efektif segera setelah unggah, cocok untuk konten dinamis
Kinerja perangkat terbatas	Pengenalan cloud	Perangkat tertanam atau persyaratan daya ekstrem
Tidak ada kebutuhan pelacakan berkelanjutan	Pengenalan cloud	Misal pemindaian pengenalan satu kali tanpa pelacakan

Kapan memilih mode campuran

• Jumlah target besar (>100): Penyimpanan cloud tak terbatas, lokal hanya memuat target saat ini, menghemat memori.
• Membutuhkan interaksi berkelanjutan: Misal pendidikan AR (mengenali materi pelajaran lalu memutar model 3D), pemasaran AR (mengenali produk lalu melihat demo 3D).
• Sensitif terhadap kesalahan pengenalan: Misal skenario medis atau industri, perlu memastikan akurasi pengenalan.
• Perlu degradasi di lingkungan jaringan lemah: Setelah pengenalan berhasil, pelacakan tetap berlanjut meski jaringan terputus.

Ringkasan dan ekstensi

Mode campuran pengenalan cloud dan pelacakan gambar planar menggabungkan kapasitas besar cloud dengan kemampuan pelacakan berkelanjutan lokal, sangat cocok untuk skenario kompleks yang membutuhkan akurasi dan interaktivitas tinggi. Pengembang harus memilih fungsi terpisah atau mode campuran secara fleksibel berdasarkan jumlah target, frekuensi pembaruan, lingkungan jaringan, dan kebutuhan interaksi.