LED 虛擬攝制中基于激光雷達(dá)的攝影機(jī)實時追蹤技術(shù)研究

解 沛 周令非 劉知一 王木旺

中國電影科學(xué)技術(shù)研究所（中央宣傳部電影技術(shù)質(zhì)量檢測所），北京 100086

1 引言

近年來，隨著影視制作技術(shù)的進(jìn)步，影視拍攝與制作方式出現(xiàn)了巨大的變革與創(chuàng)新。在LED 背景墻顯示技術(shù)提升以及虛擬攝制引擎在影視制作領(lǐng)域逐步發(fā)力的雙重影響下，催化出基于LED 背景墻的電影虛擬攝制技術(shù)[1]（以下簡稱“LED 虛擬攝制”）。相關(guān)LED 虛擬攝制影視作品，例如《曼達(dá)洛人》《登月第一人》等取得了藝術(shù)視覺效果與市場效益雙豐收，進(jìn)一步推動LED 虛擬攝制成為當(dāng)下影視制作的熱點。

在LED 虛擬攝制中，采用LED 背景墻，依靠LED光照、實時攝影機(jī)追蹤和實時渲染這三者的結(jié)合，實現(xiàn)前景演員、置景和虛擬背景之間的無縫銜接。而這之中，攝影機(jī)運(yùn)動軌跡實時追蹤系統(tǒng)作為虛擬與現(xiàn)實連接的關(guān)鍵一環(huán)，無論是對準(zhǔn)確性還是追蹤實時性，都有著很高的要求。攝影機(jī)運(yùn)動軌跡實時追蹤通過對真實攝影機(jī)位姿的追蹤，將獲得的攝影機(jī)位姿數(shù)據(jù)通過特定數(shù)據(jù)格式傳送至渲染引擎中，在LED 背景墻內(nèi)渲染的虛擬場景中顯示正確的內(nèi)視錐視角[2]。目前LED 虛擬攝制解決方案中，大多采用基于紅外光的光學(xué)式追蹤系統(tǒng)（以下簡稱“紅外式追蹤系統(tǒng)”）實現(xiàn)攝影機(jī)運(yùn)動軌跡的追蹤。此方式通過原有用于捕捉骨骼動作的動作捕捉系統(tǒng)實現(xiàn)攝影機(jī)單一剛性物體運(yùn)動軌跡的追蹤，具有數(shù)據(jù)量豐富、技術(shù)成熟等優(yōu)點，但此類動作捕捉系統(tǒng)也存在成本過高、配套設(shè)備數(shù)量繁多、抗干擾能力弱等缺點。

激光雷達(dá)技術(shù)最先出現(xiàn)在自動駕駛領(lǐng)域，隨著無人機(jī)、物流用機(jī)器人等設(shè)備的廣泛應(yīng)用，激光雷達(dá)逐漸為大眾所熟知。激光雷達(dá)的底層技術(shù)基于飛行時間（Time of Filght，ToF）進(jìn)行實現(xiàn)，即利用激光信號在兩個異步收發(fā)機(jī)（或被反射面）之間往返的飛行時間來測量節(jié)點間的距離，對飛行時間作適當(dāng)處理后可獲得目標(biāo)的有關(guān)信息，如目標(biāo)距離、方位、高度、速度、姿態(tài)甚至形狀等參數(shù)。通過激光雷達(dá)實現(xiàn)攝影機(jī)的實時追蹤，既能夠解決現(xiàn)有紅外式追蹤系統(tǒng)抗干擾能力弱的問題，又能夠緩解當(dāng)下動作捕捉系統(tǒng)配套設(shè)備繁多、價格昂貴的問題，此外還可以解決現(xiàn)有紅外式追蹤系統(tǒng)安裝挖孔時所導(dǎo)致的LED 屏幕無法連續(xù)排列的問題。

2 相關(guān)背景介紹

2.1 LED 虛擬攝制中攝影機(jī)實時追蹤技術(shù)

在LED 背景墻前拍攝時，為了保證在攝影機(jī)中拍攝的畫面具有正確的景深、位置關(guān)系，應(yīng)保證LED屏幕顯示的渲染場景可以隨著攝影機(jī)的移動而實時更新。為了兼顧顯示效果與性能，通常對攝影機(jī)取景器內(nèi)的畫面（內(nèi)視錐）進(jìn)行高精度的渲染：在保證光照與反射的前提下，降低內(nèi)視錐以外的部分（外視錐）的分辨率或使用靜態(tài)場景?；诖?，在LED 虛擬攝制中實時獲取攝影機(jī)相關(guān)信息至關(guān)重要，這些信息既包括了攝影機(jī)的位置以及旋轉(zhuǎn)角度的外部參數(shù)，也包含攝影機(jī)自身鏡頭參數(shù)等內(nèi)部參數(shù)。外部參數(shù)通常需要對攝影機(jī)進(jìn)行實時追蹤來獲取。

攝影機(jī)實時追蹤流程如圖1 所示。首先，攝影機(jī)追蹤系統(tǒng)對實體攝影機(jī)進(jìn)行追蹤并獲得相應(yīng)數(shù)據(jù)。之后將獲得的追蹤數(shù)據(jù)實時傳送至虛擬制作引擎當(dāng)中并移動虛擬場景中的虛擬攝影機(jī)，從而實現(xiàn)與實體攝影機(jī)運(yùn)動的實時匹配，進(jìn)而完成LED 背景墻上畫面的實時渲染與合成。

圖1 攝影機(jī)實時追蹤流程圖

2.2 激光雷達(dá)定位技術(shù)

相比于原有動捕系統(tǒng)的普通紅外光（基于LED燈珠），激光雷達(dá)所發(fā)射的紅外激光具有單色性、方向性、相干性等特點，測量精度高、響應(yīng)速度快、抗干擾力強(qiáng)?，F(xiàn)有的激光雷達(dá)定位技術(shù)多以解決室內(nèi)定位問題為主，LED 虛擬攝制中的攝影機(jī)實時追蹤技術(shù)同樣屬于室內(nèi)定位問題。在室內(nèi)環(huán)境下，無法利用外界信號進(jìn)行定位，為了實現(xiàn)準(zhǔn)確定位，激光雷達(dá)通常利用內(nèi)置傳感器獲取周圍環(huán)境并進(jìn)行自身運(yùn)動軌跡的計算。激光雷達(dá)在對自身運(yùn)動軌跡計算的同時，也能夠利用該軌跡反求出室內(nèi)環(huán)境地圖信息，該技術(shù)被稱為即時定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）技術(shù)[2]。該技術(shù)利用精確定位來實現(xiàn)精細(xì)建圖，而精確的定位又需要周圍環(huán)境的精細(xì)建模，兩者相輔相成。

根據(jù)求解方法不同，通常將激光SLAM 技術(shù)分為基于濾波器的SLAM 技術(shù)和基于圖優(yōu)化的SLAM 技術(shù)兩種。目前基于圖優(yōu)化的SLAM 技術(shù)研究內(nèi)容較多，該技術(shù)在實現(xiàn)時主要分為前端和后端兩個部分，前端剔除點云圖像中的冗余和錯誤點集，后端計算對應(yīng)特征間的殘差以及校正運(yùn)動畸變等。點云數(shù)據(jù)的對齊與匹配是實現(xiàn)激光SLAM 掃描的常用方法。對齊與匹配技術(shù)通過求解坐標(biāo)轉(zhuǎn)換矩陣，將相鄰兩幀或多幀點云圖像統(tǒng)一到同一坐標(biāo)系下，或者將點云圖像與已建立的地圖進(jìn)行配準(zhǔn)，從而最終得到從目標(biāo)對象至源對象的真實運(yùn)動軌跡變化。

2.2.1 基于點的掃描匹配方法

基于點的掃描匹配方法較為便捷高效，迭代最近點(Iterative Closest Point，ICP)算法[3][4]是最早提出，也是變體最多的算法。

標(biāo)準(zhǔn)ICP 算法通過如下兩個關(guān)鍵步驟實現(xiàn)：(1)利用最近歐式距離建立不同點云圖像中各點集間對應(yīng)關(guān)系C；(2)通過最小化對應(yīng)點間歐式距離平方和來求解新的相對變換。該算法給定初值T*0，通過迭代進(jìn)行上述兩步操作，當(dāng)滿足預(yù)設(shè)的終止條件時，結(jié)束迭代，得到最優(yōu)變換估值T*，即坐標(biāo)系轉(zhuǎn)換關(guān)系矩陣。

隨著研究深入，研究人員也提出了各類ICP 算法的變體，ICP 類算法可統(tǒng)一歸納為以下6 個步驟：(1)選擇處理的點云圖像；(2)確定點云圖像內(nèi)點集的對應(yīng)關(guān)系；(3)利用預(yù)先設(shè)置好的策略對部分點集對進(jìn)行加權(quán)計算；(4)排除特定的點集對；(5)確定最小誤差值；(6)最小化誤差度量。

模塊化的ICP 算法如圖2 所示，首先，先對輸入的源點云與目標(biāo)點云進(jìn)行濾波處理，消除冗余數(shù)據(jù)與離群點，或計算表面特征如曲率和法向；第二步，將匹配函數(shù)用于源點云和目標(biāo)點云的點集的對應(yīng)；第三步，計算好點集對之間的對應(yīng)關(guān)系后，可通過不同的計算方式排除異常點集對，如可設(shè)置最大距離閾值，超過該閾值的點集對會被判定為無效數(shù)據(jù)；最終，對剩余的有效點集對利用最小化誤差度量，并不斷迭代求解新的變換關(guān)系直到滿足預(yù)設(shè)的收斂條件。

圖2 模塊化ICP 算法流程圖

2.2.2 基于特征的掃描匹配方法

前述章節(jié)中的ICP 算法在計算過程中即使進(jìn)行了數(shù)據(jù)清洗與剔除，仍有可能包含異常點集，為了解決該問題，研究人員提出利用點云圖像中的部分關(guān)鍵特征進(jìn)行對齊與匹配，關(guān)鍵特征可以是點、線、弧、面等或者它們的組合。這種利用關(guān)鍵特征進(jìn)行對齊與匹配的方法被稱為基于特征的掃描匹配，其流程如圖3 所示。該方法需要在點云圖像中提取有效特征，如點、線、弧、面或它們的組合，以及法向、曲率等特征，此外，還包括自定義的各種特征描述子（Descriptor）?；趶狞c云圖像中提取到的特征，該方法可實現(xiàn)快速對齊與匹配，在缺乏初始條件的情況下，也可獲得坐標(biāo)系轉(zhuǎn)換關(guān)系矩陣[5]。

圖3 基于特征的掃描匹配方法流程圖

2.2.3 基于數(shù)學(xué)特性的掃描匹配方法

目前在激光雷達(dá)SLAM 領(lǐng)域內(nèi)，還存在一類利用各種數(shù)學(xué)性質(zhì)計算點云圖像間位姿變化的掃描匹配方法，被稱為基于數(shù)學(xué)特性的掃描匹配方法，其中最著名的是利用正態(tài)分布變換(Normal Distributions Transform，NDT)[6]的掃描匹配方法。NDT 類方法比ICP 類算法具有更高的效率和更廣的收斂域，在2D和3D 應(yīng)用場景中已存在較為成熟的解決方案。但在缺乏良好初始條件下，該算法會穿線陷入局部最優(yōu)的問題。

3 基于激光雷達(dá)的攝影機(jī)實時追蹤系統(tǒng)技術(shù)方案

筆者利用激光雷達(dá)追蹤技術(shù)、慣性測量單元（Inertial Measurement Unit，IMU）位姿計算方法以及自定義的數(shù)據(jù)傳輸格式，設(shè)計并實現(xiàn)了基于激光雷達(dá)的攝影機(jī)實時追蹤系統(tǒng)。

3.1 系統(tǒng)流程設(shè)計

基于激光雷達(dá)的攝影機(jī)實時追蹤系統(tǒng)流程如圖4 所示。第一步，需要確定攝制現(xiàn)場的原點位置，在虛擬制作引擎當(dāng)中構(gòu)建LED 屏幕以及攝影機(jī)的相對位置關(guān)系，搭建好拍攝需要的虛擬場景（道具、燈光等位置與參數(shù)）；第二步，將激光雷達(dá)裝置與攝影機(jī)進(jìn)行綁定，并標(biāo)定攝影機(jī)感光元器件的位置，設(shè)置相關(guān)偏移量；第三步，在攝影機(jī)運(yùn)動時，激光雷達(dá)隨攝影機(jī)進(jìn)行運(yùn)動，并實時獲取、分析與計算位置數(shù)據(jù)，從而得出攝影機(jī)的運(yùn)動軌跡；第四步，通過激光雷達(dá)內(nèi)置的慣性測量單元IMU 輔助校正運(yùn)動軌跡；第五步，通過加權(quán)計算等優(yōu)化步驟，得到當(dāng)下的運(yùn)動軌跡數(shù)據(jù)；第六步，在獲取攝影機(jī)的運(yùn)動軌跡后，通過用戶數(shù)據(jù)報協(xié)議（User Datagram Protocol，UDP）協(xié)議，將軌跡數(shù)據(jù)按照統(tǒng)一的規(guī)范傳入虛幻引擎（UE）；最后，虛幻引擎（UE）根據(jù)獲取的運(yùn)動軌跡數(shù)據(jù)，“驅(qū)動”虛擬場景中虛擬攝影機(jī)的運(yùn)動。

圖4 基于激光雷達(dá)的攝影機(jī)實時運(yùn)動追蹤系統(tǒng)流程

3.2 模塊設(shè)計

3.2.1 預(yù)設(shè)置模塊

在進(jìn)行攝影機(jī)的實時追蹤前，需要對影棚內(nèi)的真實環(huán)境與渲染引擎中的虛擬環(huán)境進(jìn)行一一映射。

3.2.1.1 虛擬LED 背景墻

LED 背景墻作為虛擬攝制中的核心設(shè)備，關(guān)鍵在于在渲染引擎中有效還原LED 背景墻的真實形狀特點。常用的渲染引擎（例如虛幻引擎）提供了快速配置方式，可以通過設(shè)置LED 箱體大小、安裝形狀（弧形、平直等）、整面背景墻的大小等參數(shù)，實現(xiàn)虛擬LED 背景墻的快速設(shè)置。為了更精準(zhǔn)地反映LED背景墻上的內(nèi)容，可以通過三維激光掃描儀對LED背景墻進(jìn)行掃描，再利用建模軟件進(jìn)行調(diào)整并導(dǎo)入至渲染引擎。

3.2.1.2 虛擬場景與虛擬攝影機(jī)

虛擬場景無需與現(xiàn)實置景一一對應(yīng)，但是需要根據(jù)虛擬攝影棚的實際情況設(shè)置相應(yīng)的原點，以此保證拍攝中人物、前景等與虛擬背景的正確位置關(guān)系。在實際虛擬攝制中，無法將激光雷達(dá)與攝影機(jī)真實的光心架設(shè)在同一位置上。需要測量激光雷達(dá)與感光元器件的距離差值，并在渲染引擎中設(shè)置，或者在計算時一并考慮進(jìn)去。

3.2.2 運(yùn)動軌跡計算模塊

在進(jìn)行攝影機(jī)追蹤時，通過對激光雷達(dá)的相鄰兩幀數(shù)據(jù)進(jìn)行計算獲取實時位置和姿態(tài)信息。其中，激光雷達(dá)的數(shù)據(jù)又可以分為點云深度數(shù)據(jù)以及慣性測量數(shù)據(jù)。

3.2.2.1 點云深度數(shù)據(jù)處理

（1）點云過濾。每幀點云數(shù)據(jù)量龐大，例如一幀640×380 的點云幀，共有243,200 組點數(shù)據(jù)，同時龐大的數(shù)據(jù)中又存在多組數(shù)值為0 的點。如果對原始點云進(jìn)行計算會耗費大量的時間，無法滿足實時性。需要對原始點云進(jìn)行過濾來提高計算效率。本文采用體素下采樣過濾器（Voxel Grid Filter）實現(xiàn)點云過濾，體素即體積像素，表示三維空間的像素。具體地，筆者把三維空間體素化，在每個體素里采樣一個點，使用中心點或最靠近中心的點作為采樣點Pcentroid，計算公式如式（1）所示。

其中，m表示一個體素中數(shù)據(jù)點的數(shù)量。圖5-圖8 分別表示隨機(jī)一幀的點云數(shù)據(jù)以及每間隔0.01米、0.05米、0.1米精度下過濾后一幀的點云數(shù)據(jù)。需要注意的是，為了更加直觀，本文對點云圖像附加了RGB 攝像頭的彩色數(shù)據(jù)。經(jīng)過筆者比對，采樣間隔越大，有效信息也就越少。

圖5 隨機(jī)一幀點云數(shù)據(jù)

圖6 0.01米精度體素過濾后的點云幀數(shù)據(jù)

圖7 0.05米精度體素過濾后的點云幀數(shù)據(jù)

圖8 0.1米精度體素過濾后的點云幀數(shù)據(jù)

（2）點云數(shù)據(jù)計算。即對相鄰的過濾后兩幀點云數(shù)據(jù)進(jìn)行處理，獲得實時的運(yùn)動數(shù)據(jù)（六自由度，即三個方向的平移數(shù)據(jù)以及三個軸向的旋轉(zhuǎn)數(shù)據(jù)）。本文通過將兩個相鄰幀的點云數(shù)據(jù)對齊，反求出能夠?qū)R兩幀數(shù)據(jù)所需要的轉(zhuǎn)換矩陣（旋轉(zhuǎn)矩陣R 與平移向量t 組成），最終獲得六自由度數(shù)據(jù)。迭代最近點（ICP）算法是最廣泛的應(yīng)用和成熟的階層。Chen[3]和Besl[4]分別獨立提出ICP 算法。區(qū)別在于，Chen 將點到面的距離作為誤差度量，而Besl 則將點到點的距離作為誤差度量。因此，上述兩種方法分別被稱為“點對面（P2PL）-ICP”和“點對點（P2P）-ICP”。本文使用Besl 提出的點對點式的ICP 算法作為算法基本思想，實現(xiàn)攝影機(jī)的實時追蹤。首先，在后一幀點云（目標(biāo)點云）中選取數(shù)據(jù)點集合Q；第二步，在前一幀點云（源點云）中尋找與目標(biāo)點云數(shù)據(jù)集合對應(yīng)的點集P；第三步，計算轉(zhuǎn)換矩陣(R,t)，盡量滿足Q=RP+t；第四步，利用得到的轉(zhuǎn)換矩陣對點集P進(jìn)行變換，得到新的點集P′，計算P′與Q的平均距離；第五步，如果距離小于預(yù)設(shè)閾值或大于預(yù)設(shè)迭代次數(shù)，則停止計算，并將第三步得到的轉(zhuǎn)換矩陣作為最終的轉(zhuǎn)換矩陣輸出，否則返回第二步，直到滿足收斂條件為止。

3.2.2.2 慣性測量數(shù)據(jù)處理

本文所使用的慣性測量數(shù)據(jù)包括陀螺儀（Gyroscope）以及加速度計(Accelerometre)兩組數(shù)據(jù)。在使用慣性測量數(shù)據(jù)進(jìn)行計算后，能夠得到實時運(yùn)動數(shù)據(jù)中的三自由度（三個軸向的旋轉(zhuǎn)數(shù)據(jù)）。

（1）陀螺儀數(shù)據(jù)處理

陀螺儀是一種硬件傳感器，能夠感知設(shè)備的旋轉(zhuǎn)和方向變化。它通常通過微機(jī)電系統(tǒng)（Micro Electro-Mechanical System，MEMS）技術(shù)來實現(xiàn)，內(nèi)部包含了微小但高精度的陀螺儀器件等傳感器，可以實時地感知設(shè)備在空間中的旋轉(zhuǎn)角度和方向，陀螺儀的每個通道檢測一個軸的旋轉(zhuǎn)。本文通過陀螺儀相鄰兩幀之間的三軸向各自的角速度與時間差相乘，來實現(xiàn)旋轉(zhuǎn)數(shù)據(jù)的獲取。

（2）加速度計數(shù)據(jù)處理

加速度計傳感器是一種能夠測量加速力的電子設(shè)備，加速度計由檢測質(zhì)量（也稱敏感質(zhì)量）、支承、電位器、彈簧、阻尼器和殼體組成。檢測質(zhì)量在加速度計的運(yùn)動過程中只沿一個坐標(biāo)軸的方向運(yùn)動，該軸向通常被稱為輸入軸或敏感軸。當(dāng)加速度計在做加速運(yùn)動時，檢測質(zhì)量與儀表殼體之間產(chǎn)生相對運(yùn)動使彈簧產(chǎn)生形變。彈簧的形變可反映實時的加速度數(shù)據(jù)。需要注意，加速度傳感器檢測到力的方向與它自身運(yùn)動加速度的方向是相反的。此外，由于重力的作用，垂直于地面的軸向即使無運(yùn)動，也會存在加速度，故加速度計無法測量圍繞該軸向的旋轉(zhuǎn)運(yùn)動。因此，本文基于加速度計的特點，利用線性加速度和三角函數(shù)實現(xiàn)兩軸向旋轉(zhuǎn)數(shù)據(jù)的獲取。

（3）數(shù)據(jù)整合與優(yōu)化

通過設(shè)置好的過濾器實現(xiàn)三自由度的計算。本文對加速度計測量的三自由度進(jìn)行低通濾波，對陀螺儀測量的三自由度進(jìn)行高通濾波，并合成兩個過濾器，對其數(shù)據(jù)相互補(bǔ)充以獲得最終值。

3.2.3 數(shù)據(jù)傳輸模塊

根據(jù)前文所述的技術(shù)實現(xiàn)方案，激光雷達(dá)將被固定在攝影機(jī)上，并隨著攝影機(jī)的運(yùn)動而移動，由于虛擬攝影棚面積較大，通過有線連接的方式進(jìn)行數(shù)據(jù)傳輸是不現(xiàn)實的。為了保證數(shù)據(jù)傳輸?shù)膶崟r性，本文設(shè)計了一種特定的UDP 數(shù)據(jù)傳輸方案，通過固定的JSON 數(shù)據(jù)格式將六自由度數(shù)據(jù)傳輸至渲染引擎中。具體數(shù)據(jù)格式如下所示：

4 實驗與分析

在本文實驗中，激光雷達(dá)的選型為Intel?RealsenseTMLiDAR CAMERA L515（圖9）[7]，搭配使用Epic Games創(chuàng)建的虛幻引擎[8]。為了實現(xiàn)筆者提出的算法，使用點云庫（PCL）[9]和Intel?RealSenseTMSDK[10]。在點云中進(jìn)行過濾時，筆者選擇3D 體素網(wǎng)格的方法，其中體素網(wǎng)格尺寸分別為0.005 米、0.01米、0.05 米和0.1 米。在實現(xiàn)點云數(shù)據(jù)計算時，使用CPU 多線程加速模式與GPU CUDA 加速模式。

圖9 實驗環(huán)境下與攝影機(jī)綁定的激光雷達(dá)

4.1 運(yùn)動數(shù)據(jù)精度測試

系統(tǒng)的精度是指在相同條件下進(jìn)行重復(fù)測量時的數(shù)據(jù)有多接近。為了評估系統(tǒng)精度，實驗采用靜止?fàn)顟B(tài)下的重復(fù)測量位置數(shù)據(jù)進(jìn)行測試。筆者分別對利用CPU 多線程以及GPU CUDA 加速下的激光雷達(dá)追蹤精度進(jìn)行測試，同時對激光雷達(dá)內(nèi)置的IMU進(jìn)行精度測試。

4.1.1 CPU 多線程追蹤精度測試

在針對基于CPU 多線程實現(xiàn)的點云數(shù)據(jù)反求運(yùn)動軌跡精度測試中，將體素網(wǎng)格尺寸分別設(shè)置為0.01 米、0.05 米以及0.1 米，分別在靜止?fàn)顟B(tài)下記錄100 幀的位置信息（圖10），并根據(jù)100 組數(shù)據(jù)計算標(biāo)準(zhǔn)差（表1）。實驗數(shù)據(jù)表明，隨著體素網(wǎng)格過濾間隔增大，各坐標(biāo)軸精度的離散程度越大，其中Z 軸受過濾間隔變化的影響最小。

表1 CPU 多線程追蹤精度測試結(jié)果

圖10 CPU 多線程追蹤精度測試結(jié)果

4.1.2 GPU CUDA 追蹤精度測試

在針對基于GPU 實現(xiàn)的點云數(shù)據(jù)反求運(yùn)動軌跡精度的測試中，體素網(wǎng)格尺寸d 分別設(shè)置為0.01 米、0.05 米以及0.1 米，并分別在靜止?fàn)顟B(tài)下記錄100 幀的位置信息（圖11），根據(jù)100 組數(shù)據(jù)計算標(biāo)準(zhǔn)差（表2）。實驗數(shù)據(jù)表明，隨著體素網(wǎng)格過濾間隔增大，各坐標(biāo)軸精度的離散程度越大，其中Z 軸受過濾間隔變化的影響最小。

表2 GPU CUDA 追蹤精度測試結(jié)果

圖11 GPU CUDA 追蹤精度測試結(jié)果

4.1.3 IMU 運(yùn)動軌跡測試

IMU 測試過程中，分別選取三種姿勢（圖13、14、15）進(jìn)行測試，分別在靜止?fàn)顟B(tài)下記錄100 幀的三自由度數(shù)據(jù)，并根據(jù)100 組數(shù)據(jù)計算方差和標(biāo)準(zhǔn)差，最終測試結(jié)果如表3 所示，100 幀測試結(jié)果如圖12 所示。為了更形象地展示測試結(jié)果，筆者對IMU 數(shù)據(jù)進(jìn)行歸一化處理。

表3 IMU 測試結(jié)果

圖12 IMU 運(yùn)動軌跡測試結(jié)果

圖13 姿勢一渲染效果圖

圖14 姿勢二渲染效果圖

圖15 姿勢三渲染效果圖

4.2 實時追蹤效率測試

在對比實時追蹤效率測試中，過濾精度選擇0.05 米，分別采用在CPU 多線程加速以及GPU CUDA 加速兩種方式的基礎(chǔ)上，附加CPU 單線程運(yùn)算的數(shù)據(jù)。之后，分別記錄不同方式對于計算100幀六自由度的數(shù)據(jù)所需時間（圖16），并求出相對應(yīng)的平均值（表4）。

表4 不同系統(tǒng)實時追蹤效率測試結(jié)果

圖16 不同系統(tǒng)實時追蹤效率測試結(jié)果

4.3 測試結(jié)果

在數(shù)據(jù)精度測試中，實驗數(shù)據(jù)表明點云數(shù)據(jù)和IMU 數(shù)據(jù)最終計算出的偏差數(shù)量級均可忽略不計，即兩種方式均具有較高的數(shù)據(jù)精度。

在追蹤效率測試中，實驗數(shù)據(jù)表明隨著點云過濾密度提高，即點數(shù)量的增加，CPU 多線程和GPU CUDA 加速對提升效率作用非常明顯。當(dāng)點數(shù)非常少時，GPU 由于需要與CPU 進(jìn)行數(shù)據(jù)傳輸，此時運(yùn)算速度不太理想，甚至出現(xiàn)GPU CUDA 加速后效率反而降低的現(xiàn)象。

5 結(jié)語

本文通過對LED 虛擬攝制中攝影機(jī)實時追蹤現(xiàn)有技術(shù)的研究和探索，結(jié)合激光雷達(dá)在自動駕駛、物聯(lián)網(wǎng)等實際場景中逐漸成熟的定位技術(shù)，提出了一種LED 虛擬攝制中基于激光雷達(dá)的攝影機(jī)實時追蹤技術(shù)方案。該技術(shù)方案利用點云數(shù)據(jù)與慣性數(shù)據(jù)，實時計算運(yùn)動軌跡數(shù)據(jù)，并通過專有數(shù)據(jù)格式實現(xiàn)數(shù)據(jù)傳輸。測試實驗針對攝影機(jī)追蹤過程中常見的重要參數(shù)，例如實時追蹤的準(zhǔn)確性、運(yùn)動追蹤的時延等技術(shù)指標(biāo)進(jìn)行了明確的測試用例與測試方法，驗證了利用激光雷達(dá)實現(xiàn)攝影機(jī)實時追蹤的可行性。該技術(shù)可以為LED 虛擬攝制提供新的攝影機(jī)追蹤解決方案，從而作為傳統(tǒng)光學(xué)追蹤方案的有力補(bǔ)充。

本文所設(shè)計并實現(xiàn)的攝影機(jī)追蹤系統(tǒng)目前還在實驗室測試階段，性能與準(zhǔn)確性仍有很大的提升空間，未來筆者將要嘗試在不同激光雷達(dá)，尤其是在國產(chǎn)激光雷達(dá)下實現(xiàn)實時追蹤技術(shù)，提出具有更加普適性和通用性的LED 虛擬攝制中基于激光雷達(dá)的攝影機(jī)實時追蹤技術(shù)方案，不斷優(yōu)化現(xiàn)有算法，提升計算效率與計算準(zhǔn)確性，研究具有更高性能的攝影機(jī)追蹤技術(shù)，進(jìn)而提升國內(nèi)LED 虛擬攝制技術(shù)水平，推動電影技術(shù)革新，實現(xiàn)對國外先進(jìn)攝制技術(shù)的追趕與超越。

作者貢獻(xiàn)聲明：

解沛：設(shè)計論文框架，撰寫和修訂論文，全文文字貢獻(xiàn)70%；

周令非：設(shè)計論文框架，參與修訂論文，全文文字貢獻(xiàn)15%；

劉知一：指導(dǎo)整體實現(xiàn)方案，參與修訂論文，全文文字貢獻(xiàn)10%；

王木旺：參與修訂論文，全文文字貢獻(xiàn)5%。