1.技术体系
1.1技术体系整理
其中绿色底色的代表Demo中表现出的能力比较成熟，可以直接应用。
1.2 兼容性
Web AR的兼容性，可以认为是其用到两大核心技术的兼容性：
WebRTC:
WebGL：
1.3案例分析
公司的王者荣耀貂蝉AR广告， 《Web前端也能做的AR互动》
实际上就是一个基于Three.js渲染模型，并自行基于Three.js实现空间定位的一个AR应用。效果类似的是awe.js的空间定位功能，下面的Demo中有提供。
其开发模式为：
UI开发
开发or导出貂蝉游戏人物模型
开发人物皮肤贴图纹理
开发模型动画
使用3D软件导出Three.js支持的模型格式（这里看似简单，实际有大坑，不同的模型、骨骼、贴图、动画，导出时会有不同问题，还要控制模型资源大小，不能过大）
前端开发
· WebGL全景场景（不支持WebRTC设备柔性降级）
· 空间定位开发
· 模型渲染
· 交互与动画控制
· 终端适配
2.业界相关的库及Demo
2.1JsArtoolkit
Artoolkit的js版本，支持pat marker和nft marker的识别与跟踪，配合threejs可渲染模型，目前的问题是nft marker跟踪的帧率不高。
JsArtoolkit的项目地址为：https://github.com/artoolkit/jsartoolkit5
Pat识别
效果较好：
Nft识别
2.2 Awejs
基于jsartoolkit实现了图片marker识别，并封装了空间定位能力，提供了AR/VR设备体验版本的Demo。
Awejs的项目地址为：https://github.com/buildar/awe.js
pat识别
空间定位
此Demo需要在手机中打开
结合Oculus Rift
暂未调研
结合体验仪器的体验（Google Glass、Kinect(XBOX体感外设)）
暂未调研
2.3 JsObjectDetect
JsObjectDetect亮点功能在人脸和手势识别跟踪方面的表现，且能识别、跟踪人脸五官。
JsObjectDetect的项目地址：https://github.com/mtschirs/js-objectdetect/
人脸、五官识别
该Demo提供了人脸识别能力（嘴巴、眼睛、鼻子），从图片识别：
识别+跟踪
从效果来看，该库是Web AR中少有的人脸识别跟踪效果较好，且帧率较高的AR库。下面的Demo中可以选择一款眼镜，Demo识别到人脸后把眼镜放在眼部并跟踪。
另外，http://facedetection.jaysalvat.com/ 这是一个基于js-objectdetect的人脸识别jquery插件，可以识别图片和视频中的人脸，没有提供摄像头帧实时识别的Demo，估计是此插件计算性能应该跟不上，帧率不会高。
性能
JsObjectDetect自称人脸识别方面能力和效果秒杀其他库：
Chrome 40 / FF 35 Detections per Second Detections Seconds
js-objectdetect 17.5 / 16.9 50 / 50 2.86 / 2.96
jsfeat 9.4 / 6.3 30 / 30 3.18 / 4.75
tracking.js 7.7 / 8.97 48 / 48 6.24 / 5.35
Beyond Reality Face 7.4 / 1.7 41 / 41 5.50 / 23.98
CCV 2.2 / 4.4 8 / 8 2.22 / 1.80
手势控制3D模型
用手势控制3 D模型的姿态，可以控制，但是效果不佳，有点莫名其妙的意思。
手势翻页
用手势控制网页翻页，手在镜头下部时向下翻页，在镜头上部时向上翻页，点红框内链接开始。
2.4 Tracking.js
Tracking.js提供了人脸识别的能力，但是在浏览器里边表现不佳。另外，这个库还提供了显示识别特征点等能力。
tracking.js的项目地址为：https://github.com/eduardolundgren/tracking.js/
tracking.js的 Demo列表：https://trackingjs.com/examples/brief_camera.html
tracking.js人脸+姿态 帧率不高 17.5 fps
2.5 caffejs
Caffejs支持在Web中运行神经网络功能，该项目提供了一些示例模型的演示。
如果能有一套成熟的方案把这个库包装一下用起来，意义还是挺大的：将图片识别的工作放在浏览器中完成，可以节省大量的网络流量和服务器资源。
但是目前浏览器中做识别由于性能原因，识别耗时较长，不能太过频繁的识别。
2.6 其他
CCV
基于CCV的人脸识别demo
帧率并不高，没有深入看
Jsfeat
暂未研究
Beyond Reality Face
暂未研究
3.总结
目前Web AR业界已经有了一定的技术积累，但是还没有达到成熟可用的地步，用一句话概括一下：底层识别能力弱，上层渲染能力强。
3.1底层能力
Marker识别方面，jsartoolkit的pat模式识别跟踪效果不错，但是nft识别速度慢，且卡顿，无法达到可以应用的地步。
人脸识别方面，JsObjectDetect的表现还算不错，可以识别、跟踪人脸以及五官位置，据观察应该是只支持2D坐标的识别，不支持3D姿态的识别。
手势识别方面，JsObjectDetect支持手势识别能力，根据其提供的Demo来看，识别是可以识别，但是不够稳定，经常识别丢，难以在现实项目中应用。
图像识别方面，之前经x哥介绍看了下caffejs这个Web神经网络的项目，目前是官方的Demo可以跑起来，但是我们自己训练的模型跑出来结果不对。
3.2上层渲染
模型渲染，目前看到的Web中主流3D模型渲染方式是Three.js，做Web AR方面的开发，无论底层能力采用何种方案，都是必须系统学习一下Three.js的。
3D模型开发，需要专业的UI开发工程师来开发3D模型、贴图以及动画，涉及到maya、3Dmax等软件的学习。
模型导出，3D模型要让Three.js能够使用，需要导出成特定格式，导出的过程中因模型、动画的不同，会有一些坑。另外资源大小的优化、压缩也是一个问题。
