支付宝(AR虚拟现实)红包 玩法与技术背景
作为搞IT的小伙伴们，对虚拟现实（AR）应该并不陌生，这次支付宝带来了一个很有趣的功能，虚拟现实与藏红包结合起来。
简单介绍一下这个业务，然后我们再来思考背后的技术。
支付宝(AR虚拟现实)藏红包、找红包 玩法介绍
想象一下，你可以把你的红包藏在世界各地的任意角落，让全世界的人来找红包，是不是一件很有趣的事情。
比如你可以把红包藏在你家的小狗身上，又或者你可以把它藏在某个建筑物、某个房间、某一本书中。。。。。。
藏的方法很简单，首先需要打开支付宝，然后选择红包->AR红包
对准你要藏的地点，把手机的摄像头对准它，这个地方就是你要藏红包的地点。
你可以选择红包是对所有人可见，还是对好友可见，那么一起来找红包吧！
找红包其实很简单，只要点中AR红包，如果你离藏红包的地点足够近（才能抢）的话，就会弹出一张被模糊化的图片，你需要以这张被模糊化的图片为线索，找到它，同时拿起手机扫描这个地方，那么就找到啦。
好像这个功能已经很火爆了，我周围就有好多小伙伴已经藏了好多红包呢，目前支付宝应该限制了必须在藏红包的限定距离内才能找，否则我们只能看到周围有哪些红包，但是是无法开始找滴。
比如你发现距离你1公里的地方藏了个红包，赶紧裸奔前往抢红包吧，即锻炼了身体，又能抢到红包，何乐而不为呢？
为什么要限定距离才能抢呢？
1. 防止作弊，比如我发现5公里外有一个红包是对着一瓶牛奶拍的，而我刚好也有这样的牛奶，没有距离的限制，你就可以在远程刷红包了。（当然，这也可能是业务层面的限制，兴许将来会开放这样的功能呢，比如允许多少公里以内的人和你一起找，比如你家里收藏了一张老唱片，通过AR红包有机会找出附近还有哪些同好，那不是很好玩么？）
看样子今年过年这个游戏会很火爆，以后不一定是藏红包，还可以藏别的啥？？感觉脑洞不够用啦。
个人认为这个功能的附加价值非常大，玩法多样，暗藏巨大商机。
AR红包背后的技术思考
介绍完功能，我们该来了解一下这项功能背后的技术啦。
我们来分解一下，有几个要素，首先说一下藏红包：
1. 藏红包的地点，即地球坐标（经纬度），在藏红包时会记录下这个红包的经纬度。
2. 藏红包的标识（图片），即藏红包现场拍的照片，在藏红包时，会存下这张图。
全世界有很多人藏红包的话，就会产生很多的红包地理坐标、红包表示（图片）
1. 将你附近的红包展示出来，比如方圆2公里有哪些人藏了红包，并且把他们的坐标信息也在地图上展示出来，方便你前往找红包
2. 当你抵达红包坐标附近（比如50米内）时，你就可以拿起手机，根据红包提供的模糊化图片线索，扫描物体（即藏红包的图片），当你扫描的图片和藏红包时拍的图片完全匹配时，找红包成功，
所以这里涉及到两项技术
1. 地理位置信息的处理：红包位置的展示（将你的位置以及附近藏的红包位置分别在地图上展示出来），近邻查询（根据你所在的经纬度，查找你附近的红包）
2. 图片相似度比较，也就是找红包的人拍的照片 与 藏红包时拍下的照片 进行比对，相似度达到一定程度时，表示红包被找到了。
3. 秒杀特性，例如你在一处藏了很多个红包，那么可能有很多人同时在抢（不过这个秒杀应该比不上双十一，因为是小范围秒杀，除非开通全球可找（不受地域限制））。
这几个功能在PostgreSQL数据库中都可以高效的实现，是不是很棒？
你是不是也想做一个类似功能的应用了呢？
那么接下来我们来看看PostgreSQL如何处理这两项需求的吧，顺便看看性能如何？
地理位置信息处理, 军工/科研/民用领域霸主 PostGIS插件
在AR红包的业务中，地理位置信息的处理包括
2. 根据用户的位置，红包的位置，计算用户与红包的距离
在军工、科研、民用场景都非常的流行，包括我们常见的精细地表raster探测，天文研究、地图、路径规划等应用中都可以看到PostGIS的影子，本文可能不会用到这么深入的功能，其实支付宝这个AR藏红包的业务只用到了PostGIS的一小部分功能：GIS数据类型、GIST索引、近邻查询。
我这里测一组point的数据（性能与PostGIS的经纬度表示相当）
假设地球上布满了横竖各100000个点组成的100亿个点阵，随机往里面插入100亿记录，根据任意点，查出附近的点。
12核的机器，每秒可以处理将近8万次这样的请求，随着硬件的发展，现在32核的机器成为了主流，而且处理效率比以前的机器要高，每秒处理50万次请求也不为过。
详细的用法和测试方法参考
更多文章和详细的PostGIS功能可以参考
图像近似度的处理，则更有意思了，需要根据图像匹配出相似的图像。
类似领奖，当你扫描的图片与藏红包的图片进行对比时，如果相似度高大99%(假设），领奖成功，否则继续找吧。
在PostgreSQL的的生态圈中，有很多这样的插件来满足图片搜索的需求，同时也支持图像相似度值的计算
2. 使用图片RGB点阵组成的数组来计算相似度的插件1, smlar:
3. 使用图片RGB点阵组成的数组转成tsvector来计算相似度的插件2, RUM
RUM计算相似度时带上了位置信息，精确度更高。
其中0,1,2,3,4,5是原始点阵的值，那么0,0,2,3,4,5可能是有一定误差的值(因为依旧是线性相关的)，而2,3,4,5,0,1出现了角度偏差（可以通过技术手段比如rum，把数据拉成环状修正），可能是图片拍摄角度造成的。但是5,1,4,2,3,0可能就不是那个图像了。
可以消除拍摄角度、图片大小（拍摄距离）造成的误差
不过貌似业务层面，目前还没有支持距离偏差的修正，以及拍摄角度的修正，也许将来会做，用户体验可能更好。
以上是PG开源生态中的图像相似度处理手段，如果其他的图像匹配需求，可以改进相应的算法，并将其合并到PostgreSQL中，PG提供的是坚实的底盘和丰富的扩展能力。
AR 藏红包如何计算图片匹配
我们在AR藏红包的业务中，只需要用到计算近似值的功能即可，以上两个插件都可以很好的满足。
比如使用RGB点阵时，在应用程序端生成RGB点阵，发送给数据库，与存储在数据库中的点阵进行相似度计算即可。
藏红包时的图像数字化流程如下：
1. 拍照，点阵RGB串成数组或转换为tsvector（带距离计算，相似度更加准确），将红包的位置信息、图片RGB点阵存储到数据库中
找红包，匹配图像时的流程如下：
1. 拍照，生成点阵，提交给服务端，进行图像匹配，匹配方法参考前面的三种方法之一即可，当然也可以考虑更高效的方法，搞进PostgreSQL的插件里面来。
注意，如果从服务端提取点阵，在客户端比对，这种做法虽然节省了服务端开销，但是这种做法可能存在漏洞，客户端可以被HACK，直接匹配上。
目前业务层面只支持近距离找红包，也就是说，不可能出现大量人涌现刷红包的情况，当然你如果对着蓝天白云藏红包，那就另当别论了，但是由于限定了位置（比如方圆500米）才能抢，也不可能出现大量人涌现刷红包的情况。
所以通常来说，抢一个红包的人群不会太多，比如这张图已经是极限了，而且只有 "一环" 的人在同时抢。
那么如果有上亿人同时秒杀一个红包怎么做呢？PostgreSQL同样有独门秘技来支持秒杀。
AR的技术会越来越流行，地理位置、图像、视频、声音等特殊数据类型的处理会越来越常见，数据库应该与时俱进，不能再仅仅存储和处理文本、数字这么简单的功能了。
PostgreSQL的高扩展能力，为AR提供了坚实的技术基础，不仅能存，更能高效处理。
比如在PostgreSQL中高效的存储、检索、处理： 基因、化学分子、文本、分词、图像、指纹、声波、GIS等数据类型，都得益于PostgreSQL的高扩展能力，支持新的数据类型的存取、索引、函数、操作符也是易如反掌的事情。
点击联系发帖人
