目前大多数增强现实跟踪定位技术主要采用纯粹基于几何信息的跟踪定位方式,缺乏对场景的理解和对目标的识别。造成现有算法需要大量的人工干预,无法实现场景中的多目标跟踪定位。此外,算法在实现特征识别时,为保证特征对尺度、光照和视点变化的鲁棒性,而采用高维数的强特征描述。强特征描述矢量的建立加大了系统的计算负载,降低了系统的实时性能。对需要进行大数据量处理的问题,如图像检索、大型三维模型的创建构成性能瓶颈。针对以上问题,课题采用Bag of features的物体识别模型在Randomized ferns分类器框架下,实现复杂场景下的多目标识别与跟踪定位。同时采用Walsh-Hadamard核变换方法,在保持特征具有尺度、光照、视点不变性的同时,有效降低特征描述矢量的维数。课题的研究成果将为构建更高效、稳定、能够自适应场景和环境的智能化增强现实平台打下基础,拓展系统的应用领域和范围。