桌面级增强现实的人机交互技术在教育、娱乐等领域应用广泛,是人机交互的重要研究方向之一。纸张是桌面级增强现实交互系统中的重要介质及主要处理对象,具有弱纹理、强结构特征;另外,在真实桌面交互场景中存在光照、其他目标及背景的干扰。因此,如何快速、准确检测纸张是桌面级增强现实交互系统中的一个基础且具有挑战性的工作。本文主要对基于全卷积神经网络的纸张边缘检测和纸张提取方法进行研究,主要工作内容有以下几个方面:1.建立了一个多样本的纸张边缘数据集MPDS。现有边缘检测数据集内目标边缘走向丰富,对纸张边缘检测针对性不强,针对这一问题,本文建立了含有1500个样本的纸张数据集MPDS。数据集在简单桌面背景、复杂背景、干扰物干扰、不均匀光照等多种不同桌面环境下,对A4纸、信纸及彩色纸等纸张进行拍摄;采用手工标注关键点和编写程序相结合的半自动方法标注样本真值,为本文的后续研究提供了数据保障。2.提出了一个高效特征提取边缘检测网络EFE。针对传统图像处理的边缘检测方法检测效果差、鲁棒性较差及基于全卷积神经网络的HED模型检测速度慢等问题,本文引入MobileNetV2架构作为HED网络的主干,去除网络中参数量较大的后两个bottleneck块、输出通道数较大的卷积层和池化层;然后在主干网上引入高效通道注意力机制,添加丰富深度侧边监督模块及上采样融合模块。实验结果表明,本文的EFE模型可以极大地排除噪声的干扰,鲁棒性较强,模型检测精确度衡量指标ODS和OIS均为0.9以上,检测速度为39.02FPS,实现了检测精度和速度的平衡。3.提出了改进的非极大值抑制边缘细化方法和基于纸张结构约束的纸张提取方法。为了避免边缘细化时产生断裂、毛刺或双边缘的问题,本文对非极大值抑制方法进行改进,使用线性插值以获得匹配梯度方向的像素值,然后进行灰度值的极大值判断,并保留灰度值大于250的像素点。实验结果表明本文方法可以达到较好的边缘细化效果。此外,本文利用真实场景中纸张形状的结构特性,设计筛选条件,通过求取边缘直线交点的方法,恢复纸张被遮挡时的缺失顶点。实验结果表明在各种复杂场景下,本文设计的纸张提取方法均可以得到优异的纸张提取结果。