WO2011047924A1 - Verfahren zur bestimmung der pose einer kamera und zur erkennung eines objekts einer realen umgebung - Google Patents

Verfahren zur bestimmung der pose einer kamera und zur erkennung eines objekts einer realen umgebung Download PDF

Info

Publication number
WO2011047924A1
WO2011047924A1 PCT/EP2010/063589 EP2010063589W WO2011047924A1 WO 2011047924 A1 WO2011047924 A1 WO 2011047924A1 EP 2010063589 W EP2010063589 W EP 2010063589W WO 2011047924 A1 WO2011047924 A1 WO 2011047924A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
parameter
camera
real
data model
Prior art date
Application number
PCT/EP2010/063589
Other languages
English (en)
French (fr)
Inventor
Peter Meier
Original Assignee
Metaio Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Metaio Gmbh filed Critical Metaio Gmbh
Priority to EP19175398.7A priority Critical patent/EP3550516B1/de
Priority to EP10752839.0A priority patent/EP2491530B1/de
Priority to JP2012533553A priority patent/JP2013508795A/ja
Priority to CN2010800574754A priority patent/CN102667855A/zh
Priority to US13/502,959 priority patent/US8837779B2/en
Publication of WO2011047924A1 publication Critical patent/WO2011047924A1/de
Priority to US14/329,547 priority patent/US9218665B2/en
Priority to US14/977,288 priority patent/US10229511B2/en
Priority to US16/258,110 priority patent/US10580162B2/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Definitions

  • the present invention relates to a method for determining the pose of a camera relative to a real environment and to a method for detecting an object of a real environment in an image captured by a camera. Furthermore, the invention relates to a method for creating a data model that is determined in a method for determining the pose of a camera relative to a real object of a real environment or in a method for detecting an object of a real environment with data from a camera Image to be compared.
  • Augmented Reality is a technology that overlays virtual data with reality, facilitating the association of data with reality.
  • mobile AR systems are already known.
  • high performance mobile devices such as so-called smartphones
  • smartphones have been found to be suitable for AR deployment. They now have comparatively large color displays, built-in cameras, good processors and additional sensors, such as orientation sensors and GPS.
  • orientation sensors and GPS In addition, the position of the device can be approximated via radio networks.
  • various projects were performed on mobile devices using AR. First, special optical markers were used to determine the position and orientation of the device. Lately there are also approaches to use the GPS and the orientation sensors of more modern devices ([1, 4, 10, 15].
  • the camera pose is the position and orientation of the camera in the room.
  • the reality may exist in some form as a data model, such as a 3D model that circumscribes the geometric properties of reality or part of reality.
  • Document US 2003/0025714 describes a system which visualizes weather data by means of augmented reality.
  • Document US 2005/0231419 A1 describes an AR system which detects the airspace by means of weather-independent sensors and displays airspace information by means of AR.
  • the object of the invention is, in a method for determining the pose of a camera relative to a real environment and in a method for detecting an object of a real environment in an image captured by a camera, the increase of the robustness to changing environmental conditions.
  • the invention relates to a method for determining the pose of a camera relative to a real environment, comprising the following steps: taking at least one image of a real environment by means of a camera, the image including at least a part of a real object, determining at least one Parameters of an environmental situation, eg when taking the image, performing a tracking process which evaluates information regarding correspondences between features associated with the real object and corresponding features of the real object as contained in the image of the real environment to obtain conclusions about the pose of the camera, and performing the Tracking method depending on the at least one parameter.
  • the invention relates to a method for recognizing an object of a real environment in an image captured by a camera, comprising the following steps: taking at least one image of a real environment by means of a camera, the image including at least a part of a real object, Performing an image recognition method, which provides information regarding the recognition of the at least one real object in the image, determining at least one parameter of an environmental situation, eg upon taking the image, and performing the image recognition process depending on the at least one parameter.
  • the current environmental situation can be detected and the systems dynamically configured.
  • the adapted configuration increases the robustness to changing environmental conditions.
  • At least one or more of the following information is used to determine the at least one parameter of the environmental situation: Season; Weather, especially rain, cloud cover, sun, and fog; Moon Stand; Snow; Foliage of the trees; Height above the sea; public events, in particular strong movements; Traffic; Position; Orientation in a world coordinate system; Histogram of the picture; Temperature; Maintenance step.
  • the at least one parameter of the environmental situation may be characteristic in particular for one or more of these states or situations.
  • At least one optical tracking method is used in the tracking method, which is initialized as a function of the at least one parameter.
  • the pose of the camera is determined with one, two, three, four, five or six degrees of freedom.
  • a plurality of tracking sensors may be used in the tracking method, which differ with respect to the type of sensor.
  • a weighting of at least one of the tracking sensors is performed as a function of the at least one parameter.
  • a prioritization of method substeps depending on the at least one parameter can also be carried out in the tracking method.
  • the data model in a method in which a data model is used which is compared with data of the image recorded by the camera, the data model can also be selected taking into account the at least one parameter of the current environmental situation.
  • at least one data model is used, which is compared with data of the image of the real object in the image of the real environment, wherein the at least one parameter influences the creation and / or use of the data model.
  • the at least one parameter influences the type of creation of the data model, in particular the creation of so-called feature detectors and descriptors.
  • a data model is extracted from a number of individual models which were recorded at the at least one parameter (environmental situation) or created by simulation, which contains an intersection of information which occurs in several environmental situations.
  • the invention also relates to a method for creating a data model that is determined in a method for determining the pose of a camera relative to a real object of a real environment or in a method for recognizing an object of a real environment with data from a camera Image to be compared. According to such a method, an environmental situation is detected or simulated and at least one parameter of the environmental situation is determined.
  • a data model which contains a basic description of the real object, predetermines or simulates different environmental situations, and provides a respective adapted data model for different environmental situations depending on the respective at least one parameter (eg, as a direct response to the current parameters or stock) eg if most cases are to be simulated in advance).
  • the basic description is a virtual 3D model of an environment.
  • a data model is created which contains an intersection of information that occurs in several different environmental situations.
  • weather data may be taken into account, e.g. via the Internet ("online") in order to increase the degree of realism of displayed virtual information in relation to the real environment and thus to improve the assignment, where different degrees of complexity are conceivable for processing, such as fixed lighting models based on the weather conditions or materials (eg textures) which are adapted to the weather conditions Additionally or alternatively, depending on weather data (such as cloud cover, solar radiation, etc) and / or other data (such as time, season, etc.) shadows or light conditions calculated become (eg with the expert well-known Raytracing procedure).
  • weather data such as cloud cover, solar radiation, etc
  • other data such as time, season, etc.
  • FIG. 1 is a plan view showing a schematic arrangement of exemplary system structures in relation to a real environment that are usable to perform a method according to the invention
  • FIG. 2 is a side view of a schematic arrangement of an exemplary system setup relative to a real environment that may be used to perform a method according to the invention
  • FIG. 3 shows schematic examples of data models for the determination of camera pose or for object recognition
  • FIG. 1 is a plan view of a schematic arrangement of exemplary real world system configurations useful for carrying out a method in accordance with the invention.
  • Figure 1 shows various possibilities of a system structure.
  • Figure 2 shows in a side view a schematic arrangement of an exemplary system construction with respect to a real environment, which are usable to carry out a method according to the invention
  • the user carries as a display device a head-mounted display system (HMD) with a display 21, which is part of the system structure 20.
  • the display 21 may, for example, a well-known semi-transparent data glasses ("Optical See-through display ") into which virtual information provided by a computer 23 can be displayed.
  • the user then sees in a view of the real world 40 through the semitransparent data glasses 21 real-world objects enriched with visual information displayed (such as POI objects related to the real world).
  • the system assembly 20 forms one embodiment of a well known Augmented Reality (AR) system.
  • AR Augmented Reality
  • Additional sensors 24, such as rotation sensors, and an optical tracking camera 22 may be attached to the display 21.
  • the display 21 may be semitransparent or powered by a camera image with images of reality. If the display 21 is semitransparent, calibration between eye 25 and display 21 is necessary. For this purpose, various methods are documented in the prior art and known to the person skilled in the art.
  • position sensors can be installed, such as GPS sensors (GPS: Global Positioning System) to a geographic location of the system structure 20 (eg by latitude and longitude) 40 in the real world.
  • FIG. 1B shows a further, exemplary system structure 30, which is frequently found, for example, in modern mobile phones (so-called “smartphones”) .
  • the display device 31 eg in the form of a screen or display
  • computer 33 sensors 34 and camera 32 form a system unit, which is accommodated approximately in a common housing of a mobile telephone, and multiple tracking sensors may be used which differ in the type of sensor.
  • multiple tracking sensors may be used which differ in the type of sensor.
  • a rotation sensor 34-1 and a GPS sensor 34-2 may be combined and evaluated with each other.
  • the view of the real environment 40 is provided by the display 31, which is a camera image 50 of the real environment 40 taken by the camera 32.
  • the camera image 50 may be displayed on the display 31 and augmented with additional virtual information (such as POI objects related to the real world).
  • additional virtual information such as POI objects related to the real world.
  • the system assembly 30 forms another embodiment of a well known Augmented Reality (AR) system.
  • AR Augmented Reality
  • this invention can be used meaningfully for all forms of AR.
  • the display is performed using the semi-transmissive HMD optical see-through technique or the camera and screen video sea-through method.
  • the invention can also be used in connection with stereoscopic displays, whereby advantageously two cameras each record a video stream for an eye in the video see-through approach.
  • the virtual 3D information can be calculated individually for each eye.
  • the processing of the different substeps described below can basically be distributed to different computers via network. So it is a client / server architecture or purely client-based solution possible (in which, for example, different data model alternatives on the client are fixed).
  • the client could send an image to a server which based on the image and on the basis of parameters of the environmental situation statements about the 3D position and 3D orientation of the system structure (see Fig. 1) or a part thereof in relation to the real World (called pose in the further course) and provides the client with visibility.
  • the parameters relating to the environmental situation can be partially recorded by the client (for example, position) and partly by the server (weather data for this position).
  • the client or server may also include multiple computing devices, such as multiple CPUs or specialized hardware components, such as well-known FPGAs, ASICs, GPUs, or DSPs.
  • multiple clients can also exchange information with each other, which is generated, for example, in relation to the environmental situation at this location or if a client generates environmental data. This information exchange can be over take a server, but it would also be direct connections via, for example, Bluetooth or WLAN conceivable.
  • the pose (position and orientation) of the camera in the room is needed. This can be realized in many different ways. One can e.g. only with GPS and an orientation sensor with electronic compass (as used for example in some more modern mobile phones) determine the pose in the world. However, the uncertainty of the pose is then very high. Therefore, other methods such as optical initialization and tracking or the combination of optical methods with GPS and orientation sensors may be used. WLAN localization can also be used or RFIDs or optical markers can help localization. Again, as already mentioned, a client-server based approach is possible. Basically, however, this invention is not limited to use only for AR. For example, you can also perform object recognition and then start a website in a web browser or an application. But you can also use the at least one parameter and the photo to exactly position the image on an image page, such as Flickr, which can also display the location of the images.
  • the invention can improve the information presentation for the client. It can also be used in a remote scenario. Here, for example, a maintenance expert in a control room sees the image of the client transmitted via the data network and the correspondingly prepared information on his screen. He could then give the client instructions or just watch. In a similar scenario, it is conceivable for a person to view recorded image or video material with interactive additional information presented according to the invention and, if possible, navigate through the material similarly to the Internet-based application "Google Streetview".
  • the invention can also be installed or carried in vehicles, aircraft or ships as a monitor, HMD or by means of a head-up display.
  • the invention can be used for the insertion of so-called interesting points.
  • An interesting Point of Interest can be created for a wide range of information types, examples are given, images of places with GPS information can be displayed, and information from the Internet can be automatically extracted, such as companies - or restaurant websites with addresses or pages where reviews are made Users can store texts, images or 3D objects in places and make them accessible to others.
  • Information pages, such as Wikipedia, can be searched for geo-information and the pages can be made accessible as POIs.
  • POIs can be automatically generated from the search or browse behavior of mobile device users.
  • Other interesting places such as subways or bus stations, hospitals, police stations, doctors, real estate advertisements or fitness clubs can be displayed.
  • Navigation information can also be displayed using the system (for example, arrows).
  • the reality may, for example, be present in some form as a data model, for example as a 3D model 51, which here circumscribes the geometric properties of a real object 41 or stores point features of the object in a 3D point cloud.
  • a data model can thus generally describe the geometric properties of reality or part of reality.
  • Such a data model can be applied in a tracking method for determining the camera pose or in a method for object recognition.
  • a method of optical object tracking can be performed using such a data model.
  • a data model such as the data model 51, is compared with data of the image captured by the camera, which includes the real object 41.
  • Object recognition of a real object in an image captured by a camera and initialization of optical tracking systems for determining the camera pose relative to a real environment are known in the art.
  • methods are used which evaluate information regarding correspondences between features associated with the real object and corresponding features of the real object as contained in the image of the real environment in order to draw conclusions about the pose of the camera to obtain.
  • the reliability of the systems can sometimes vary greatly with changing environmental conditions.
  • the current environmental situation can be detected and the systems dynamically configured.
  • the adapted configuration increases the robustness to changing environmental conditions.
  • the following steps are performed: taking at least one image of a real environment by means of a camera, the image including at least a part of a real object, determining at least one parameter of an environmental situation, performing a tracking method, which information regarding correspondences between features which are associated with the real object and corresponding features of the real object as contained in the image of the real environment, evaluates to obtain conclusions about the pose of the camera, and performing the tracking method depending on the at least one parameter, in particular finding correspondences already dependent on the at least one parameter.
  • the current environmental situation can be detected and the systems dynamically configured.
  • the adapted configuration increases the robustness
  • At least one optical tracking method is used in the tracking method, which is initialized as a function of the at least one parameter.
  • the pose of the camera is e.g. with one, two, three, four, five or six degrees of freedom.
  • Use is, for example, the detection of objects (eg to obtain the information: "Before which object am I located") or the initialization of optical tracking systems for augmented reality with full 6 degrees of freedom ..
  • 3D 3D correspondences can also be used, for example if the recorder is additionally equipped with a depth camera or a second camera to generate depth information
  • feature descriptors can be used (eg SURF or SIFT)
  • SURF Speeded Up Robust Features
  • SDFT Scale Invariant Feature Transform
  • the tracking method multiple tracking sensors are used, which differ with respect to the type of sensor.
  • a weighting of one or more of the tracking sensors relative to the other tracking sensors can be carried out depending on the at least one parameter (eg increased uncertainty of the optical tracking in the case of bad Conditions). It is also possible to prioritize method substeps depending on the at least one parameter in the tracking method. For example, in good conditions you can first work with faster approaches (eg SURF) and, in bad conditions, first work with more robust approaches (eg SIFT).
  • SURF faster approaches
  • SIFT more robust approaches
  • At least one or more of the following information is used to determine the at least one parameter of the environmental situation: time of day; Season; Weather, especially rain, cloud cover, sun, and fog; Moon Stand; Snow; Foliage of the trees; Height above the sea; public events, in particular strong movements; Traffic; Position; Orientation in a world coordinate system; Histogram of the picture; Temperature; Maintenance step.
  • the at least one parameter of the environmental situation may be characteristic in particular for one or more of these states or situations.
  • the at least one parameter is not (only) the location or (only) indicative of the location.
  • the at least one parameter is not (only) indicative of orientation or (only) indicative of orientation.
  • the at least one parameter is not (only) the pose or (only) characteristic of the pose.
  • the lighting situation can also take into account the moon.
  • Mondhellen nights can be worked with certain optical features, in dark nights can be worked only with artificial light sources (eg neon signs) or it is no longer attempted to work with the optical system, but for example only with GPS and compass. If it has snowed (current weather or weather database of the last days and temperature history or online road situation report or online avalanche report), the environment is different again and it would be advantageous to load a corresponding model or turn off the optical tracking.
  • the data model could contain a parameter vector describing to which environmental situations the feature is useful, a descriptor, such as the SURF descriptor, and optimization information for calculating the pose, such as the 3D position in the Earth coordinate system.
  • the position and orientation of the receiving camera for determining the environmental conditions is often of great influence (local weather, local time, etc.). Exceptions, however, are recognition processes that can take place anywhere in the world (eg recognition of a Coca-Cola bottle) and where the client can react without position to certain environmental properties (eg brightness sensor on mobile devices or histogram of the camera image). For example, a histogram (a kind of statistic about the image) may provide clues to the general characteristics of the ambient lighting and turn off or switch over an optical process. Switching a method could be, for example, the use of edge features rather than corner features, or the use of the well-known SIFT method instead of SURF. Or the user can be asked to intervene to help and give the system instructions for detection,
  • Further information about the environment could give, for example, the knowledge of the current maintenance step or status in the case of an object to be serviced. For example, information about whether the engine has already been removed for a particular step or not.
  • a calculation of an uncertainty in the mood of the camera pose is made from the determination of a distance measure of the at least one parameter of the environmental situation and known ideal parameters of the tracking method to a known environmental situation.
  • An example of this is shown in FIG. 10.
  • the vector contains, for example, three fields for time, cloud level and year time. The ellipses show the environment for recordings made at specific times. Fig.
  • the parameter vector can be stored per data model or else per comparison information (egSURF feature) or per feature (feature) within the data model. Not only a fixed value but also a parameter range can be stored for which this comparison information is suitable.
  • FIG. 8 shows the possible use of this additional information. For example, as described in steps 6.1 and 6.2, sorting by parameter vector spacing could speed up the comparison because it finds the desired number of pairs more quickly. Alternatively, one could use the current environment parameter vector for all the fea- prefix and then start a matching algorithm optionally supported by nearest neighbor search.
  • the at least one parameter influences minimum requirements for a successful retrieval of model data, in particular determines a number of matched characteristics associated with the real object and corresponding features of the real object in the image of the real environment (number at least When recognizing and initializing, a measure is often specified as to when a recognition of a feature or feature or the entire object is assumed, eg at least 10 features must be found again Environment, you can for example increase the measure (eg 20 features have to be found again) . This means that in good conditions the so-called "false positives" (ie the supposed recognition of an object by the system, but which can be found) misrepresents) (which is not the case) Piel can lead to increased accuracy), waived in bad conditions but not on a possible initialization opportunity.
  • the at least one parameter of the environmental situation influences the creation and / or use of the data model.
  • the at least one parameter influences the manner in which the data model is created, for example the detection of features and the creation of feature descriptors.
  • feature extractors and descriptors there are different feature extractors and descriptors. For example, in good environmental conditions one can choose fast methods (e.g., FAST extractor + a fast descriptor), while in difficult circumstances one can use more sophisticated methods (e.g., SIFT).
  • a data model is extracted from a number of single models, wherein the data model contains an intersection of information that occurs in multiple environmental situations.
  • the flow diagram in FIG. 7 shows an exemplary implementation of this process.
  • step 30.0 various existing or previously generated by simulation data models are loaded. Thereafter (step 31.0), a matching is performed between the models. Some comparison data are often found again, others maybe not even. The frequency of reoccurrence can be cached.
  • step 32.0 outliers can be removed, for example if a feature is very strong in its position in the common seed coordinate system of the data models varies.
  • the data models can in principle also consist of heterogeneous comparison information generated by different methods (for example SURF or SBFT or an edge model or a surface model or a model which takes into account colors). Thereafter, comparison information that has been recovered very frequently (step 31.0) can be combined into a new map.
  • an upper limit can be set for comparative information, eg per room volume. It is then sorted by the strongest comparison information. It can be prevented by a weighting that only very robust, slow method are preferred. Subsequently, the card can be stored for further use.
  • a plurality of subsystems each execute the method, wherein not each of the subsystems itself calculates a tracking situation, but a complete situation information is provided to all subsystems, advantageously even a finished recognition or Initialization model is provided to the subsystems.
  • the subsystems themselves continuously provide a designated server or peer-to-peer process with information about the situation.
  • a peer-to-peer process would be between several mobile devices themselves (eg a server tells a device no. 10 that the device no.13 and no.17 are nearby and the device no.10 these devices directly ask for information).
  • individual devices provide information to the server and a user retrieves the information from the server for their respective device.
  • depth information relative to at least one real object contained in the image is calculated, the depth information used to superimpose a obscuration model for obscuring a real object into a presentation device when one of the real environment superimposed virtual information is obscured by the object to be hidden in the view.
  • a further aspect of the invention relates to a method for creating a data model that is determined in a method for determining the pose of a camera relative to a real object or in a method for recognizing an object of a real environment with an image recorded by a camera its data to be compared, in which an environmental situation is detected or simulated, and At least one parameter of the environmental situation is determined, a data model is created which contains a basic description of the real object, various environmental situations are predefined or simulated and a different adapted data model is provided for different environmental situations depending on the respective at least one parameter. This can be done as a direct response to current parameters or in reserve, eg when most cases are simulated in advance. An idea is therefore, instead of, for example, to elaborate several models of different situations, to create a neutral model and to adapt it dynamically (or in advance) and much less costly by simulating the environmental influences.
  • the basic description is a virtual 3D model of an environment.
  • a 3D model of a city Now you could try using known so-called 3D rendering techniques to calculate the current course of the sun and the resulting model of the environment.
  • the 3D model is covered with textures that were previously freed from environment orientation-specific properties. During the collection of information often shadows can be included. These could be attempted to eliminate, for example, methods known to those skilled in the art.
  • the 3D model with different light situations is projected onto the image plane.
  • a data model is created which contains an intersection of information which occurs in several different (as many as possible) environmental situations. It could also be imagined to generate a wide variety of environment models (by taking or simulating) and extract features that are used for recognition / initialization. Now you can investigate between the environment models, if certain features (for example, a specific SURF feature) occur in as many different models as possible and thus pack particularly robust features into a model that works in as many situations as possible. See also comments above to FIG. 7.
  • a SLAM method is combined with the determination of the current environmental situation and a created data model is stored together with information about the environmental situation.
  • So-called Simultaneous Localization and Mapping (SLAM) is used while the camera is moving or when a stereo camera is being used.
  • SLAM Simultaneous Localization and Mapping
  • a map data model of the environment generated (eg, a map of surfing features and their SD position in the world) and determines the pose of the camera. If you include data or parameters on the current environmental conditions (as described above), you can use this data to generate an increasingly complete model set of the world to different environmental conditions. So you could start with a system at a certain point, to which there is already extensive data and move from there. Now the system gets to know new areas for certain conditions and can start there in the future.
  • FIG. 4 initially relates to an embodiment of a method according to the invention with regard to the use of model data.
  • a recording of a parameter vector which basically comprises at least one or more parameters about the environmental situation (for example by querying the weather situation via a central server, calculation of the sun's position via data / time / location).
  • the parameter vector including the recording position is sent to the server.
  • a search is made for existing tracking models for this position. From possible models for this position, the model with the shortest distance in the parameter vector is selected in step 4.0. Then in step 5.0 the corresponding model is loaded.
  • step 6.0 then, depending on the application, the object recognition in the image of the camera or tracking initialization for the pose determination of the camera is performed.
  • FIG. 5 shows an exemplary method which is used to create a data model from user data.
  • new model data is "learned" during use (Simultaneous Localization and Mapping)
  • step 8.0 the parameter vector and new maps (data models) are sent to the server
  • step 9.0 optionally a refinement of the data (so-called “bundle adjustment") ), where the new data is stored with parameter vector and position.
  • step 10.0 gaps in the model are added (eg new coverage of unknown areas or new coverage with new parameter vectors).
  • Another client may then load in step 5.0 a corresponding data model that another user has previously sent to the server, as described in steps 7.0 through 10.0. Instead of the other client can also same. Users or the same device, which or which has created the data model to load the data model, for example, at a later date.
  • FIG. 3 shows schematically how a data model for a method for determining the camera pose or a method for object recognition can be created. It can be assumed that there is a neutral model 60 that provides a basic description of the real object (see object 41 of FIG Fig. 2). Subsequently, various environmental situations are predetermined or simulated, e.g. Sunlight from above. For the different environmental situations, a respective adapted data model is provided depending on the respective at least one parameter, e.g. the adapted data models 61 and 62 of Figure 3, which take into account each shadow shadows depending on the environmental situation. From the data models 61 and 62, a more compact form of a data model can advantageously be produced directly, which consists of a collection of prepared comparison data, for example a point feature cloud.
  • the data model 62 shows that the proximity to reality of the generated data model can be further increased by further measures.
  • the model 62 is affected not only by the concealment of other well-known objects of the environment by shadows, but it can also be the current clouding situation, for example by querying a current rain radar image included.
  • step 20.0 data of the real environment is recorded (targeted or as in step 7.0), whereby advantageously a parameter vector of the environmental situation is recorded.
  • step 21.0 the data model is neutralized as far as possible (eg removal of shadows, normalization of brightness, etc.) in step 22.0
  • step 24.0 provision is made for step 4.0 according to FIG.
  • weather data can advantageously be queried online.
  • different levels of complexity are conceivable for processing. So, based on the weather conditions (for example, according to the Google Weather Service "mostly cloudy”, “occasionally stormy”, “Isolated rain”, etc.) fixed lighting models or materials (eg textures), which are adapted to the weather conditions.However, one could use a current cloud or rain satellite or radar image in the highest degree of complexity to dynamically approximate model of the cloud cover As already mentioned, this can be done by a server, which makes the data available to the client in a location-specific manner, which is also helpful for the perception of the distance Determination of the visibility by fog, rain or haze This can be done automatically (see “From video image eg (Automatic Fog Detection and Estimation of Visibility Distance on the use of onboard camera)", magazine Machine Vision and Applications Springer Berlin / Heidelberg ISSN 0932-8092 (Print) 1432-1769 (Online) Volume 17, Number 1 / April 2006
  • the simplest technical implementation is the setting of the fog settings in OpenGL.
  • the position of the sun, or the moon can be calculated on the basis of the position, the date and the time of day, and can be set to set the light sources. This particularly affects the shadows (see Figure 3) which help humans to better determine the position of a virtual object (e.g., POI).
  • the shadows can be precomputed textures (advantageously with a transparency value) located below the POI on the ground level, depending on the position of the sun or moon, where the line between the sun or moon and POI intersects the ground plane (exceptions, if that not the case). If the sun or moon are visible at the same time, the sun is used for the calculation.
  • the shadows may also be dynamically calculated as known in the art. This may advantageously involve the mutual shading of POIs.
  • a 3D model of the environment exists (eg in the form of a masking model 63 for masking a real object, so-called "occlusion geometry" in FIG. 3), this can be used in addition to the realistic calculation of the shadow situation, for example by casting shadows on POIs (see also FIG).
  • the degree of realism of the overlay can be additionally increased by enriching the materials with images of the surroundings of the POI
  • environment maps environment maps
  • occlusion geometry can be used to determine whether a comparison data is visible to the camera or disappear behind another building, for example, or can be stored dynamically using SLAM algorithms, stereo cameras or a time of flight
  • depth information per comparison data record eg an SIFT feature
  • the camera parameters are generated for a correct overlay in the near range (this does not have to be done constantly)
  • SLAM mechanism are generated or retrieved from the server according to the device name or stored in the program.
  • depth information relating to at least one real object included in the view may be calculated, wherein the depth information may be used to superimpose a masking model for masking a real object into the display device when virtual information is obscured by the real object to be hidden in the view.

Abstract

Ein Verfahren zur Bestimmung der Pose einer Kamera (22, 32) relativ zu einer realen Umgebung (40) umfasst die folgenden Schritte: Aufnahme wenigstens eines Bildes (50) einer realen Umgebung mittels einer Kamera (22, 32), wobei das Bild wenigstens einen Teil eines realen Objekts (41) beinhaltet, Durchführen eines Trackingverfahrens, welches Information hinsichtlich Korrespondenzen zwischen Merkmalen, die mit dem realen Objekt (41) assoziiert sind, und entsprechenden Merkmalen des realen Objekts (41), wie es in dem Bild (50) der realen Umgebung enthalten ist, auswertet, um Rückschlüsse auf die Pose der Kamera (22, 32) zu erhalten, Bestimmung mindestens eines Parameters einer Umgebungssituation, und Durchführen des Trackingverfahrens abhängig von dem mindestens einen Parameter. Das Verfahren kann analog auch in einem Verfahren zur Erkennung eines Objekts einer realen Umgebung in einem von einer Kamera aufgenommenen Bild angewandt werden.

Description

Verfahren zur Bestimmung der Pose einer Kamera
und zur Erkennung eines Objekts einer realen Umgebung
Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung der Pose einer Kamera relativ zu einer realen Umgebung und ein Verfahren zur Erkennung eines Objekts einer realen Umgebung in einem von einer Kamera aufgenommenen Bild. Weiterhin betrifft die Erfindung ein Verfahren zur Erstellung eines Datenmodells, das bestimmt ist, in einem Verfahren zur Bestimmung der Pose einer Kamera relativ zu einem realen Objekt einer realen Umgebung oder in einem Verfahren zur Erkennung eines Objekts einer realen Umgebung mit Daten eines von einer Kamera aufgenommenen Bildes verglichen zu werden.
Hintergrund der Erfindung
Augmented Reality (AR) ist eine Technologie, welche virtuelle Daten mit der Realität überlagert und somit die Zuordnung von Daten mit der Realität erleichtert. Nach dem Stand der Technik ist der Einsatz beispielsweise mobiler AR-Systeme bereits bekannt. In den vergangenen Jahren haben sich leistungsfähige mobile Geräte (z.B. sogenannte Smart- phones) als geeignet für den AR-Einsatz herausgestellt. Sie haben inzwischen vergleichsweise große Farbdisplays, eingebaute Kameras, gute Prozessoren und zusätzliche Sensoren, wie zum Beispiel Orientierungssensoren und GPS. Zusätzlich kann die Position des Gerätes über Funknetze angenähert werden. In der Vergangenheit wurden verschiedene Projekte auf mobilen Geräten mit AR durchgeführt. Dabei wurden zunächst spezielle optische Markierungen eingesetzt, um die Position und Orientierung des Gerätes festzustellen. In letzter Zeit gibt es auch Ansätze das GPS und die Orientierungssensorik modernerer Geräte zu nutzen ([1 , 4, 10,15].
[1] AR Wikitude. http://www.mobilizy.com/wikitude.php.
[4] S. Feiner, B. Maclntyre, T. Hollerer, and A. Webster. A touring machine:
Prototyping 3d mobile augmented reality Systems for exploring
the urban environment. In Proceedings of the Ist International Symposium
on Wearable Computers, pages 74-81 , 1997.
[10] Sekai Camera, http://www.tonchidot.com/product-info.html.
[14] Marko Heinrich, Bruce H. Thomas, Stefan Mueller, "ARWeather ," Mixed and Augmented Reality, IEEE / ACM International Symposium on, pp. 187-188, 2008 7th IEEE/ACM International Symposium on Mixed and Augmented Reality, 2008.
[15] layar.com Zeitschrift Machine Vision and Applications Verlag Springer Berlin / Heidelberg ISSN 0932-8092 (Print) 1432-1769 (Online) Heft Volume 17, Number 1 / April 2006 Seiten 8-20 Dabei ist allerdings auffällig, dass die Registrierung, also die Genauigkeit der Überlagerung auf Grund unsicherer Sensordaten verbesserungswürdig ist. Ein Ansatz dazu ist die Verwendung eines hybriden Trackings, welches initiale Posen einer Kamera aus der Kombination von zum Beispiel GPS, Kompass und Gravitationssensoren durch optische Ansätze verbessert. Oft wird sogenanntes„Histogram Equalization" der Bilddaten eingesetzt, um die Anfälligkeit gegenüber schwankenden Lichtverhältnissen zu reduzieren.
Objekterkennung eines realen Objekts in einem von einer Kamera aufgenommenen Bild und Initialisierung von optischen Trackingsystemen zur Bestimmung der Kamerapose relativ zu einer realen Umgebung sind nach dem Stand der Technik bekannt. Allerdings kann die Zuverlässigkeit der Systeme fallweise stark mit sich verändernden Umgebungsbedingungen schwanken. Die Kamerapose ist dabei die Position und Orientierung der Kamera im Raum. Die Realität kann beispielsweise in irgendeiner Form als Datenmodell vorliegen, beispielsweise als 3D-Modell, welches die geometrischen Eigenschaften der Realität oder eines Teils der Realität umschreibt.
In der Druckschrift US 2003/0025714 wird ein System beschrieben, welches mittels Aug- mented Reality Wetterdaten visualisiert. Druckschrift US 2005/0231419 AI beschreibt ein AR-System, welches den Luftraum mittels wetterunabhängiger Sensoren erfasst und Luftrauminformationen mittels AR anzeigt.
Zusammenfassung der Erfindung
Ziel der Erfindung ist, in einem Verfahren zur Bestimmung der Pose einer Kamera relativ zu einer realen Umgebung und in einem Verfahren zur Erkennung eines Objekts einer realen Umgebung in einem von einer Kamera aufgenommenen Bild die Erhöhung der Robustheit gegenüber sich ändernden Umweltbedingungen.
In einem ersten Aspekt betrifft die Erfindung ein Verfahren zur Bestimmung der Pose einer Kamera relativ zu einer realen Umgebung, mit folgenden Schritten: Aufnahme wenigstens eines Bildes einer realen Umgebung mittels einer Kamera, wobei das Bild wenigstens einen Teil eines realen Objekts beinhaltet, Bestimmung mindestens eines Parameters einer Umgebungssituation, z.B. bei Aufnahme des Bildes, Durchführen eines Trackingverfah- rens, welches Information hinsichtlich Korrespondenzen zwischen Merkmalen, die mit dem realen Objekt assoziiert sind, und entsprechenden Merkmalen des realen Objekts, wie es in dem Bild der realen Umgebung enthalten ist, auswertet, um Rückschlüsse auf die Pose der Kamera zu erhalten, und Durchführen des Trackingverfahrens abhängig von dem mindestens einen Parameter.
In einem weiteren Aspekt betrifft die Erfindung ein Verfahren zur Erkennung eines Objekts einer realen Umgebung in einem von einer Kamera aufgenommenen Bild, mit folgenden Schritten: Aufnahme wenigstens eines Bildes einer realen Umgebung mittels einer Kamera, wobei das Bild wenigstens einen Teil eines realen Objekts beinhaltet, Durchführen eines Bilderkennungsverfahrens, welches Information hinsichtlich der Erkennung des wenigstens einen realen Objekts im Bild liefert, Bestimmung mindestens eines Parameters einer Umgebungssituation, z.B. bei Aufnahme des Bildes, und Durchführen des Bilderkennungsverfahrens abhängig von dem mindestens einen Parameter.
Insbesondere können auf diese Weise die aktuelle Umweltsituation erkannt und die Systeme dynamisch konfiguriert werden. Mittels der angepassten Konfiguration wird die Robustheit gegenüber sich ändernden Umweltbedingungen erhöht.
Gemäß einer Ausführungsform der Erfindung wird zur Bestimmung des mindestens einen Parameters der Umgebungssituation mindestens eine oder mehrere der folgenden Informationen verwendet: Tageszeit; Jahreszeit; Wetter, insbesondere Regen, Bewölkung, Sonne (Sonneneinstrahlung), und Nebel; Mondstand; Schneelage; Belaubung der Bäume; Höhe über dem Meer; öffentliche Veranstaltungen, insbesondere starke Bewegungen; Verkehrslage; Position; Orientierung in einem Weltkoordinatensystem; Histogramm des Bildes; Temperatur; Wartungsschritt. Der mindestens eine Parameter der Umgebungssituation kann insbesondere für eine oder mehrere dieser Zustände oder Situationen kennzeichnend sein.
Einen oftmals großen Einfluss auf die genannten Verfahren zur Objekterkennung und Posenbestimmung haben verschiedene Umgebungsverhältnisse, wie beispielhaft oben aufgeführt. Wenn man diese erkennt, kann man entsprechend darauf reagieren. Eine Reaktion könnte zum Beispiel sein, ein Datenmodell der Umgebung für die meisten Stellungen der Sonne zu erstellen und dies jeweils für Regenwetter und Sonnenwetter durchzuführen. Möchte man nun an einem bestimmten Ort eine Erkennung oder Initialisierung durchführen, kann man zum Beispiel anhand der Uhrzeit/Jahreszeit und der Abfrage von Online- Wetterinformationen ein passendes Datenmodell (wo der Winkel zwischen dem Vektor der Sonneneinstrahlung dem Vektor der errechneten Sonneneinstrahlung möglichst gering ist) laden und damit arbeiten. Allgemein werden also ein oder mehrere Parameter gemessen, simuliert oder bestimmt, die wenigstens einen Teil der Umgebungsverhältnisse beschreiben. Daraus können ein oder mehrere Parameter bestimmt oder abgeleitet werden, welche das Erkennungs- oder Initialisierungssystem die für Objekterkennung bzw. Posenbestimmung konfigurieren.
In einer Ausfuhrungsform der Erfindung wird in dem Trackingverfahren mindestens ein optisches Trackingverfahren verwendet, das abhängig von dem mindestens einen Parameter initialisiert wird.
Zum Beispiel wird mittels des Trackingverfahrens die Pose der Kamera mit einem, zwei, drei, vier, fünf oder sechs Freiheitsgraden bestimmt.
In einer Ausführungsform der Erfindung können in dem Trackingverfahren mehrere Tra- ckingsensoren verwendet werden, die sich hinsichtlich der Sensorart unterscheiden. Beispielsweise wird in dem Trackingverfahren eine Wichtung wenigstens eines der Tra- ckingssensoren abhängig von dem mindestens einen Parameter vorgenommen.
In einer Ausführungsform der Erfindung kann in dem Trackingverfahren auch eine Priori- sierung von Verfahrens-Teilschritten abhängig von dem mindestens einen Parameter vorgenommen werden. Es kann aber auch alternativ oder damit in Kombination in einem Verfahren, bei dem ein Datenmodell verwendet wird, das mit Daten des von der Kamera aufgenommenen Bildes verglichen wird, das Datenmodell unter Berücksichtigung des mindestens einen Parameters der aktuellen Umgebungssituation ausgewählt werden. In einer weiteren Ausführungsform wird wenigstens ein Datenmodell verwendet, das mit Daten des Abbilds des realen Objekts in dem Bild der realen Umgebung verglichen wird, wobei der mindestens eine Parameter Einfluss auf die Erstellung und/oder Verwendung des Datenmodells hat.
Beispielsweise beeinflusst der mindestens eine Parameter die Art der Erstellung des Datenmodells, insbesondere die Erstellung von sogenannten Featuredetektoren und - descriptoren. In einer weiteren Ausführungsform wird ein Datenmodell aus einer Anzahl von Einzelmodellen, welche bei dem mindestens einen Parameter (Umgebungssituation) aufgenommen oder durch Simulation erstellt wurden, extrahiert, welches eine Schnittmenge von Informationen enthält, welche in mehreren Umgebungssituationen vorkommen. Die Erfindung betrifft auch ein Verfahren zur Erstellung eines Datenmodells, das bestimmt ist, in einem Verfahren zur Bestimmung der Pose einer Kamera relativ zu einem realen Objekt einer realen Umgebung oder in einem Verfahren zur Erkennung eines Objekts einer realen Umgebung mit Daten eines von einer Kamera aufgenommenen Bildes verglichen zu werden. Gemäß einem solchen Verfahren wird eine Umgebungssituation festgestellt oder simuliert und mindestens ein Parameter der Umgebungssituation bestimmt. Weiterhin werden ein Datenmodell erstellt, das eine Grundbeschreibung des realen Objekts enthält, verschiedene Umgebungssituationen vorgegeben oder simuliert und für unterschiedliche Umgebungssituationen abhängig von dem jeweiligen mindestens einen Parameter ein jeweiliges angepasstes Datenmodell bereitgestellt (das kann z.B. als direkte Reaktion auf die aktuellen Parameter geschehen oder auf Vorrat, z.B. wenn die meisten Fälle im Voraus simuliert werden sollen).
In einer Ausführungsform ist die Grundbeschreibung ein virtuelles 3D-Modell einer Umgebung.
In einer weiteren Ausführungsform wird ein Datenmodell erstellt, welches eine Schnittmenge von Informationen enthält, welche in mehreren unterschiedlichen Umgebungssituationen vorkommen.
Beispielsweise können bei der Einblendung von virtueller Information in eine Ansicht einer realen Umgebung Wetterdaten berücksichtigt werden, die z.B. über das Internet („online") abgefragt werden, um den Realitätsgrad von eingeblendeter virtueller Information in Bezug auf die reale Umgebung zu erhöhen und damit die Zuordnung zu verbessern. Hier sind zur Verarbeitung unterschiedliche Komplexitätsgrade vorstellbar. So können z.B. auf Basis der Wetterlage feste Beleuchtungsmodelle oder Materialien vergeben werden (z.B. Texturen), welche der Wetterlage angepasst sind. Zusätzlich oder alternativ können abhängig von Wetterdaten (wie z.B. Bewölkung, Sonneneinstrahlung, etc) und/oder anderen Daten (wie z.B. Uhrzeit, Jahreszeit, etc.) Schattenwürfe oder Lichtverhältnisse berechnet werden (z.B. mit dem Experten bekannten Raytracing- Verfahren).
Weitere vorteilhafte Ausgestaltungen und Ausführungsformen der Erfindung sind in den Unteransprüchen angegeben. Kurze Beschreibung der Zeichnungen Die Erfindung wird im Folgenden anhand der in der Zeichnung dargestellten Figuren näher erläutert.
Fig. 1 zeigt in einer Draufsicht eine schematische Anordnung von beispielhaften Systemaufbauten in Bezug auf eine reale Umgebung, die verwendbar sind, um ein Verfahren gemäß der Erfindung durchzuführen,
Fig. 2 zeigt in einer Seitenansicht eine schematische Anordnung eines beispielhaften Systemaufbaus in Bezug auf eine reale Umgebung, der verwendbar sind, um ein Verfahren gemäß der Erfindung durchzuführen,
Fig. 3 zeigt schematische Beispiele von Datenmodellen für die Bestimmung von Kamerapose oder zur Objekterkennung,
Fig. 4 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer Ausführungsform der Erfindung,
Fig. 5 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer weiteren Ausführungsform der Erfindung,
Fig. 6 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer weiteren Ausführungsform der Erfindung,
Fig. 7 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer weiteren Ausführungsform der Erfindung,
Fig. 8 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer weiteren Ausführungsform der Erfindung,
Fig. 9 zeigt einen beispielhaften Aufbau einer Datenstruktur gemäß einer Ausführungsform der Erfindung,
Fig. 10 zeigt einen beispielhaften Parametervektor gemäß einer Ausführungsform der Erfindung, zeigt ungefähre, beispielhafte Werte und eine mögliche Berechnung der Differenz von Aufnahmen gemäß einer Ausführungsform der Erfindung, Beschreibung von Ausführungsformen der Erfindung
Figur 1 zeigt in einer Draufsicht eine schematische Anordnung von beispielhaften System- aufbauten in Bezug auf eine reale Umgebung, die verwendbar sind, um ein Verfahren gemäß der Erfindung durchzuführen. Insbesondere zeigt Figur 1 verschiedene Möglichkeiten eines Systemaufbaus. In Verbindung hiermit zeigt Figur 2 in einer Seitenansicht eine schematische Anordnung eines beispielhaften Systemaufbaus in Bezug auf eine reale Umgebung, der verwendbar sind, um ein Verfahren gemäß der Erfindung durchzuführen
In der Darstellung der Fig. 1A trägt der Benutzer als Darstellungsvorrichtung ein kopfgetragenes Bildschirmsystem („Head Mounted Display", kurz HMD) mit einem Display 21 , welches Teil des Systemaufbaus 20 ist. Das Display 21 kann beispielsweise eine allgemein bekannte halbdurchlässige Datenbrille („Optical See-Through-Display") sein, in die virtuelle Information, bereitgestellt von einem Rechner 23, eingeblendet werden kann. Der Benutzer sieht dann in einer Ansicht auf die reale Welt 40 durch die halbdurchlässige Datenbrille 21 Objekte der realen Welt angereichert mit eingeblendeter virtueller Information (wie etwa POI-Objekten, die mit der realen Welt in Beziehung stehen). Auf diese Art bildet der Systemaufbau 20 eine Ausführungsform eines allgemein bekannten Augmented Realtity (AR) Systems.
An dem Display 21 können zusätzliche Sensoren 24, wie Rotationssensoren, und eine Kamera 22 für optisches Tracking befestigt sein. Das Display 21 kann halbdurchlässig sein oder durch ein Kamerabild mit Bildern der Realität gespeist werden. Ist das Display 21 halbdurchlässig, ist eine Kalibrierung zwischen Auge 25 und Display 21 nötig. Hierzu sind im Stand der Technik verschiedene Verfahren dokumentiert und dem Fachmann bekannt. Vorteilhafterweise am Display 21 oder irgendwo am Körper des Benutzers oder in der Recheneinheit 23 können auch Positionssensoren verbaut sein, wie zum Beispiel GPS- Sensoren (GPS: Global Positioning System), um eine geographische Ortsbestimmung des Systemaufbaus 20 (z.B. nach Längen- und Breitengrad) in der realen Welt 40 zu ermöglichen.
In der Darstellung der Fig. 1B ist ein weiterer, beispielhafter Systemaufbau 30 gezeigt, der z.B. in modernen Mobiltelefonen (sog.„Smartphones") häufig zu finden ist. Die Darstel- lungsvorrichtung 31 (z.B. in Form eines Bildschirms bzw. Displays), Rechner 33, Sensoren 34 und Kamera 32 bilden eine Systemeinheit, die etwa in einem gemeinsamen Gehäuse eines Mobiltelefons untergebracht ist. Es können mehrere Trackingsensoren verwendet werden, die sich hinsichtlich der Sensorart unterscheiden. Beispielsweise können ein Rotationssensor 34-1 und ein GPS-Sensor 34-2 (vgl. Figur 2) miteinander kombiniert angewandt und ausgewertet werden.
Die Ansicht auf die reale Umgebung 40 wird durch das Display 31 bereitgestellt, welches ein Kamerabild 50 der realen Umgebung 40 darstellt, das von der Kamera 32 aufgenommen wurde. Für Augmented Reality Anwendungen kann das Kamerabild 50 auf dem Display 31 dargestellt und mit zusätzlichen virtuellen Informationen (wie etwa POI-Objekten, die mit der realen Welt in Beziehung stehen) angereichert werden. Auf diese Art bildet der Systemaufbau 30 eine weitere Ausführungsform eines allgemein bekannten Augmented Realtity (AR) Systems.
Grundsätzlich kann diese Erfindung für alle Ausprägungen von AR sinnvoll - eingesetzt werden. Zum Beispiel spielt es keine Rolle, ob die Darstellung im sogenannten Optical- See-Through-Verfahren mit halbdurchlässigem HMD oder im Video-See-Through- Verfahren mit Kamera und Bildschirm durchgeführt wird. Grundsätzlich kann die Erfindung auch im Zusammenhang mit stereoskopischen Displays eingesetzt werden, wobei vorteilhafterweise beim Video-See-Through- Ansatz zwei Kameras jeweils einen Videostrom für ein Auge aufnehmen. Auf jeden Fall können die virtuellen 3D-Informationen für jedes Auge individuell gerechnet werden.
Die Abarbeitung der unterschiedlichen, im folgenden beschriebenen Teilschritte kann grundsätzlich auf verschiedene Rechner über Netzwerk verteilt werden. Es ist also eine Client/Server- Architektur oder rein Client-basierte Lösung möglich (bei der zum Beispiel verschiedene Datenmodellalternativen auf dem Client fest vorliegen). Zum Beispiel könnte der Client ein Bild an einen Server senden, welcher auf Basis des Bildes und auf Basis von Parametern zur Umgebungssiuation Aussagen zur 3D-Position und 3D-Orientierung des Systemaufbaus (vgl. Fig. 1) oder eines Teils davon in Relation zur realen Welt (im weiteren Verlauf Pose genannt) und zur Sichtweite dem Client zur Verfügung stellt. Die Parameter zu Umgebungssituation können dabei teilweise vom Client (zum Beispiel Position) und teilweise vom Server (Wetterdaten für diese Position) erfasst werden. Des weiteren kann der Client oder der Server auch mehrere Recheneinheiten, wie mehrere CPUs oder spezialisierte Hardwarekomponenten, wie allgemein bekannte FPGAs, ASICs, GPUs oder DSPs beinhalten. Mehrere Clients können auch untereinander Informationen austauschen, welche zum Beispiel bezüglich der Umgebungssituation an diesem Ort generiert werden oder falls ein Client Umgebungsdaten erzeugt. Dieser Informationsaustausch kann über einen Server stattfinden, es wären aber auch direkte Verbindungen über zum Beispiel Bluetooth oder WLAN denkbar.
Um AR realisieren zu können, wird die Pose (Position und Orientierung) der Kamera im Raum benötigt. Dies kann auf unterschiedlichste Weise realisiert werden. Man kann z.B. nur mit GPS und einem Orientierungssensor mit elektronischem Kompass (wie zum Beispiel in manchen moderneren Mobiltelefonen verbaut) die Pose in der Welt ermitteln. Allerdings ist die Unsicherheit der Pose dann sehr hoch. Daher können auch andere Verfahren, wie zum Beispiel optische Initialisierung und Tracking oder die Kombination optischer Verfahren mit GPS und Orientierungssensoren eingesetzt werden. Es kann auch WLAN-Ortung eingesetzt werden oder RFIDs oder optische Marker können die Lokalisierung unterstützen. Auch hier ist, wie schon erwähnt, ein Client-Server-basierter Ansatz möglich. Grundsätzlich ist diese Erfindung aber nicht nur auf den Einsatz für AR beschränkt. Man kann zum Beispiel auch eine Objekterkennung durchführen und daraufhin eine Website in einem Webbrowser oder eine Anwendung starten. Man kann aber auch den mindestens einen Parameter und das Foto verwenden, um das Bild auf einer Bilder- Seite, wie Flickr, die auch den Aufnahmeort der Bilder mit anzeigen kann, exakt zu positionieren.
Die Erfindung kann die Informationsdarstellung für den Client verbessern. Sie kann aber auch in einem Remote-Szenario eingesetzt werden. Hier sieht zum Beispiel ein Wartungsexperte in einem Kontrollraum das per Datennetz übertragene Bild des Clients und die entsprechend aufbereiteten Informationen auf seinem Bildschirm. Er könnte dann dem Client Anweisungen geben oder nur beobachten. In einem ähnlichen Szenario ist denkbar, dass eine Person aufgenommenes Bild- oder Videomaterial mit erfindungsgemäß dargestellten interaktiven Zusatzinformationen betrachtet und wenn möglich ähnlich der internetbasierten Anwendung„Google Streetview" durch das Material navigieren kann.
Desweiteren kann die Erfindung auch in Fahrzeugen, Luftfahrzeugen oder Schiffen als Monitor, HMD oder mittels eines Head-Up-Displays verbaut oder mitgeführt werden.
Grundsätzlich kann die Erfindung zur Einblendung sogenannter interessanter Punkte eingesetzt werden. Ein interessanter Punkt („Point of Interest", POI) kann für unterschiedlichste Informationsformen erstellt werden. Es folgen Beispiele. Es können Bilder von Orten mit GPS-Informationen dargestellt werden. Es können Informationen aus dem Internet automatisch extrahiert werden. Dies können zum Beispiel Firmen- oder Restaurant- Websites mit Adressen sein oder Seiten auf denen Bewertungen vorgenommen werden. Es können Nutzer Texte, Bilder oder 3D-Objekte an Orten hinterlegen und anderen zugänglich machen. Es können Informationsseiten, wie zum Beispiel Wikipedia nach Geoinfor- mationen durchsucht werden und die Seiten als POI zugänglich gemacht werden. Es können POIs automatisch aus dem Such- oder Browseverhalten der Nutzer mobiler Geräte erzeugt werden. Es können andere interessante Orte, wie U-Bahnen oder Busstationen, Krankenhäuser, Polizeistationen, Ärzte, Immobilienanzeigen oder Fitnessclubs dargestellt werden.
Es können mittels des Systems auch Navigationsinformationen angezeigt werden (zum Beispiel Pfeile).
Wie in Figur 2 angedeutet, kann die Realität beispielsweise in irgendeiner Form als Datenmodell vorliegen, beispielsweise als 3D-Modell 51, welches hier die geometrischen Eigenschaften eines realen Objekts 41 umschreibt oder Punkt-Features des Objekts in einer 3D-Punktwolke speichert. Ein solches Datenmodell kann somit allgemein die geometrischen Eigenschaften der Realität oder eines Teils der Realität umschreiben. Ein solches Datenmodell kann in einem Trackingverfahren zur Bestimmung der Kamerapose oder in einem Verfahren zur Objekterkennung angewandt werden.
Beispielsweise kann ein Verfahren zur optischen Objektverfolgung unter Verwendung eines solchen Datenmodells durchgeführt werden. Hierbei wird, wie dem Fachmann geläufig ist, ein Datenmodell, wie beispielsweise das Datenmodell 51 , mit Daten des von der Kamera aufgenommenen Bildes verglichen, welches das reale Objekt 41 beinhaltet.
Objekterkennung eines realen Objekts in einem von einer Kamera aufgenommenen Bild und Initialisierung von optischen Trackingsystemen zur Bestimmung der Kamerapose relativ zu einer realen Umgebung sind nach dem Stand der Technik bekannt. Insbesondere werden in diesem Zusammenhang Verfahren angewandt, die Information hinsichtlich Korrespondenzen zwischen Merkmalen, die mit dem realen Objekt assoziiert sind, und entsprechenden Merkmalen des realen Objekts, wie es in dem Bild der realen Umgebung enthalten ist, auswerten, um Rückschlüsse auf die Pose der Kamera zu erhalten.
Allerdings kann die Zuverlässigkeit der Systeme fallweise stark mit sich verändernden Umgebungsbedingungen schwanken. Mit Hilfe der Erfindung können die aktuelle Umweltsituation erkannt und die Systeme dynamisch konfiguriert werden. Mittels der ange- passten Konfiguration wird die Robustheit gegenüber sich ändernden Umweltbedingungen erhöht. Gemäß einem Aspekt der Erfindung werden die folgenden Schritte durchgeführt: Aufnahme wenigstens eines Bildes einer realen Umgebung mittels einer Kamera, wobei das Bild wenigstens einen Teil eines realen Objekts beinhaltet, Bestimmung mindestens eines Parameters einer Umgebungssituation, Durchführen eines Trackingverfahrens, welches Information hinsichtlich Korrespondenzen zwischen Merkmalen, die mit dem realen Objekt assoziiert sind, und entsprechenden Merkmalen des realen Objekts, wie es in dem Bild der realen Umgebung enthalten ist, auswertet, um Rückschlüsse auf die Pose der Kamera zu erhalten, und Durchführen des Trackingverfahrens abhängig von dem mindestens einen Parameter, insbesondere Finden von Korrespondenzen bereits abhängig von dem mindestens einen Parameter. Es können also die aktuelle Umweltsituation erkannt und die Systeme dynamisch konfiguriert werden. Mittels der angepassten Konfiguration wird die Robustheit erhöht
Beispielsweise wird in dem Trackingverfahren mindestens ein optisches Trackingverfah- ren verwendet, das abhängig von dem mindestens einen Parameter initialisiert wird. Mittels des Trackingverfahrens wird die Pose der Kamera z.B. mit einem, zwei, drei, vier, fünf oder sechs Freiheitsgraden bestimmt. Einsatz ist zum Beispiel die Erkennung von Objekten (z.B. zur Gewinnung der Information:„Vor welchem Objekt befinde ich mich") oder die Initialisierung optischer Trackingsysteme für Augmented Reality mit vollen 6 Freiheitsgraden. Zur Ermittlung von 6 Freiheitsgraden ist eine nach dem Stand der Technik bekannte Möglichkeit, 2D- 3D-Korrespondenzen zu erzeugen und in ein Optimierungsverfahren einzugeben. Es können auch 3D-3D-Korrespondenzen verwendet werden, zum Beispiel, wenn das Aufnahmegerät zusätzlich mit einer Tiefenkamera oder einer zweiten Kamera ausgerüstet ist, um Tiefeninformationen zu generieren. Zur Erstellung der Korrespondenzen können Features (Merkmale) aus dem Bild erkannt werden und in einem Datenmodell wiedergefunden werden. Zum Wiederfinden können sogenannte Feature-Descriptoren eingesetzt werden (z.B. SURF oder SIFT). SURF steht für Speeded Up Robust Features, SDFT steht für Scale Invariant Feature Transform). Dies funktioniert aber oft nicht, wenn Features und deren Descriptoren des Datenmodells zu anderen Lichtverhältnissen generiert wurden, als die im aktuellen Bild erkannten Features.
Beispielsweise werden in dem Trackingverfahren mehrere Trackingsensoren verwendet, die sich hinsichtlich der Sensorart unterscheiden. In dem Trackingverfahren kann bei der sogenannten Sensorfusion dann eine Wichtung eines oder mehrerer der Trackingssensoren gegenüber den anderen Trackingsensoren abhängig von dem mindestens einen Parameter vorgenommen werden (z.B. erhöhte Unsicherheit des optischen Trackings bei schlechten Bedingungen). Es kann auch in dem Trackingverfahren eine Priorisierung von Verfahrens- Teilschritten abhängig von dem mindestens einen Parameter vorgenommen werden. Zum Beispiel kann bei guten Verhältnissen zuerst mit schnelleren Ansätzen gearbeitet werden (z.B. SURF) und bei schlechten Verhältnissen zuerst mit robusteren Ansätzen gearbeitet werden (z.B. SIFT).
Oftmals großen Einfluss auf die Verfahren und viele Features haben verschiedene Umgebungsverhältnisse. Wenn man diese erkennt, kann man entsprechend darauf reagieren. Eine Reaktion könnte zum Beispiel sein, ein Modell der Umgebung für die meisten Stellungen der Sonne zu erstellen und dies jeweils für Regenwetter und Sonnenwetter durchzuführen. Möchte man nun an einem bestimmten Ort eine Erkennung oder Initialisierung durchführen, kann man zum Beispiel anhand der Uhrzeit/Jahreszeit und der Abfrage von Online Wetterinformationen ein passendes Modell (wo der Winkel zwischen dem Vektor der Sonneneinstrahlung dem Vektor der errechneten Sonneneinstrahlung möglichst gering ist) laden und damit arbeiten. Es gibt also Parameter, die die Umgebungsverhältnisse beschreiben und Parameter, welche das Erkennungs- oder Initialisierungssystem konfigurieren.
In einer Ausführungsform werden zur Bestimmung des mindestens einen Parameters der Umgebungssituation mindestens eine oder mehrere der folgenden Informationen verwendet: Tageszeit; Jahreszeit; Wetter, insbesondere Regen, Bewölkung, Sonne, und Nebel; Mondstand; Schneelage; Belaubung der Bäume; Höhe über dem Meer; öffentliche Veranstaltungen, insbesondere starke Bewegungen; Verkehrslage; Position; Orientierung in einem Weltkoordinatensystem; Histogramm des Bildes; Temperatur; Wartungsschritt. Der mindestens eine Parameter der Umgebungssituation kann insbesondere für eine oder mehrere dieser Zustände oder Situationen kennzeichnend sein. In einer Ausführungsform ist der mindestens eine Parameter nicht (nur) der Ort oder (nur) für den Ort kennzeichnend. In einer weiteren Ausführungsform ist der mindestens eine Parameter nicht (nur) die Orientierung oder (nur) für die Orientierung kennzeichnend. In einer weiteren Ausführungsform ist der mindestens eine Parameter nicht (nur) die Pose oder (nur) für die Pose kennzeichnend.
Es folgen weitere Beispiele und erfindungsgemäße Möglichkeiten:
Zur Beleuchtungssituation kann auch der Mond berücksichtigt werden. In Mondhellen Nächten kann mit bestimmten optischen Features gearbeitet werden, in dunklen Nächten kann nur noch mit künstlichen Lichtquellen (z.B. Leuchtreklamen) gearbeitet werden oder es wird überhaupt nicht mehr versucht mit dem optischen System, sondern zum Beispiel nur noch mit GPS und Kompass zu arbeiten. Hat es geschneit (aktuelles Wetter oder Wetterdatenbank der letzten Tage und Temperaturverlauf oder Online-Straßenlagenbericht oder Online-Lawinenbericht), ist die Umgebung wiederum anders und es wäre vorteilhaft, ein entsprechendes Modell zu laden oder das optische Tracking abzuschalten.
Abhängig von der Jahreszeit kann man in bestimmten Regionen auf die Belaubung der Bäume schließen und ebenfalls ein anderes Modell laden. Man kann bei der Berechnung zusätzlich zur Jahreszeit auch die klimatischen Verhältnisse des Gesamtjahres berücksichtigen. Hier kann auch die Höhe über dem Meer eine Rolle spielen,
Grundsätzlich kann man, abhängig von der jeweiligen Umgebungssituation, nicht nur unterschiedliche Datenmodelle laden, sondern auch innerhalb eines kombinierten Modells eine Priorisierung (frühe oder späte Berücksichtigung im Algorithmus) oder Gewichtung (starker oder geringer Einfluss auf das Ergebnis) bestimmter Modellteile beeinflussen. In einem kombinierten Modell werden einzelne Modelldaten (wie Punkte einer Punktewolke) mit Daten hinsichtlich Umgebungssituation ergänzt. So können, je nach spezifischer Umgebungssituation, Teile der Modelldaten ausgeblendet, variiert oder hinzugefügt werden. Zum Beispiel werden bestimmte Punkte eines Datenmodells bei Umgebungssituation „Winter" ausgeblendet (d.h. nicht berücksichtigt), bei Umgebungssituation„Sommer" jedoch berücksichtigt. Eine mögliche Datenstruktur für diese mögliche Umsetzung zeigt Fig. 9. Pro Feature könnte das Datenmodell einen Parametervektor enthalten, der beschreibt zu welchen Umweltsituationen das Feature sinnvoll verwendbar ist, einen Descriptor, wie zum Beispiel den SURF-Descriptor, und Optimierungsinformationen zur Berechnung der Pose, wie zum Beispiel die 3D-Position im Erdkoordinatensystem.
Auch ist die Position und die Orientierung der aufnehmenden Kamera für die Bestimmung der Umgebungsverhältnisse oft von großem Einfluss (lokales Wetter, lokale Uhrzeit, etc.). Ausnahme bilden aber Erkennungsvorgänge, die überall auf der Welt stattfinden können (z.B. Erkennung einer Coca-Cola-Flasche) und wo der Client ohne Position auf bestimmte Umgebungseigenschaften reagieren kann (z.B. Helligkeitessensor an mobilen Geräten oder Histogramm des Kamerabildes). Ein Histogramm (eine Art Statistik über das Bild) kann zum Beispiel Hinweise zu den allgemeinen Eigenschaften der Umgebungsbeleuchtung zulassen und ein optisches Verfahren abschalten oder umschalten. Umschalten eines Verfahrens könnte zum Beispiel die Verwendung von Kantenfeatures statt Eck-Features sein, oder die Verwendung des bekannten Verfahrens SIFT anstatt von SURF. Oder der Nutzer kann aufgefordert werden, helfend einzugreifen und dem System Hinweise zur Erkennung zu geben,
Eine weitere Information über die Umgebung könnte zum Beispiel bei einem zu wartenden Gegenstand die Kenntnis des aktuellen Wartungsschrittes bzw. -Standes geben. Zum Beispiel die Information, ob der Motor für einen bestimmten Schritt bereits entfernt wurde oder nicht.
Selbst die Kenntnis über öffentliche Veranstaltungen oder die Verkehrssituation (aus Er- fahrung oder online abfragbar) könnte Hinweise darüber liefern, dass bestimmte Bereiche keine zuverlässigen Informationen liefern können, weil sie sich ständig in Bewegung befinden (z.B. Menschenmassen oder sich bewegende Fahrzeuge).
In einer weiteren Ausführungsform wird eine Berechnung einer Unsicherheit bei der Be- Stimmung der Kamerapose aus der Bestimmung eines Abstandsmaßes des mindestens einen Parameters der Umgebungssituation und bekannter idealer Parameter des Trackingver- fahrens zu einer bekannten Umgebungssituation vorgenommen. Allgemein könnte man auch einen Teil mehrerer Parameter über die Umgebungssituation zu einem Vektor zusammenfassen und Datenmodelle mit einem entsprechenden Vektor der Aufnahme- oder Erstellungsbedingungen erzeugen. Aus einem Vergleich der Vektoren könnte man auf die Qualität des vorhandenen Datenmodells für die aktuelle Umgebungssituation schließen und entsprechend das Datenmodell mit der geringsten Abweichung wählen und/oder aus der Differenz eine Unsicherheitsaussage zur Erkennung ableiten. Ein Beispiel hierzu zeigt Fig. 10.: Der Vektor enthält beispielsweise drei Felder für Uhrzeit, Wolkenstand und Jah- reszeit. Die Ellipsen zeigen die Umgebungssituation für Aufnahmen, die zu bestimmten Zeiten gemacht wurden. Fig. 11 zeigt ungefähre, beispielhafte Werte und eine mögliche Berechnung der Differenz der Aufnahmen. Dabei ist eine Wichtung der einzelnen Parameter möglich, da diese unterschiedlich starken Einfluss auf das Datenmodell haben können. Der Parametervektor kann pro Datenmodell oder aber auch pro Vergleichsinformation (z.B.SURF-Feature) oder pro Merkmal (Feature) innerhalb des Datenmodells gespeichert werden. Dabei kann nicht nur ein fester Wert, sondern auch ein Parameter-Bereich gespeichert werden, für welchen diese Vergleichsinformation geeignet ist. Figur 8 zeigt den möglichen Einsatz dieser Zusatzinformationen. Zum Beispiel könnte man, wie in Schritt 6.1 und 6.2 beschrieben, durch eine Sortierung nach Parametervektorabstand, den Ver- gleich beschleunigen, weil man schneller die gewünschte Anzahl der Paare findet. Alternativ könnte man den aktuellen Umgebungsparametervektor allen im Bild gefundenen Fea- tures voranstellen und dann einen, optional durch nearest neighbour search untertützen Matchingalgorithmus starten.
In einer Ausfuhrungsform der Erfindung beeinflusst der mindestens eine Parameter Mindestanforderungen an ein erfolgreiches Wiederfinden von Modelldaten, bestimmt insbesondere eine Anzahl von in Übereinstimmung gebrachten Merkmalen, die mit dem realen Objekt assoziiert sind, und entsprechenden Merkmalen des realen Objekts im Bild der realen Umgebung (Anzahl mindestens„gematchter" Features). Bei Erken- nung und Initialisierung wird oftmals ein Maß angegeben, ab wann man von einer Wiedererkennung eines Features bzw. Merkmals oder des Gesamtobjekts ausgeht. Zum Beispiel müssen mindestens 10 Features wiedergefunden werden. Ist das vorhandene Modell gut passend zur Umgebung, kann man das Maß z.B. erhöhen (z.B. 20 Features müssen wiedergefunden werden). Damit kann man bei guten Bedingungen die sogenannten„False Positi- ves" (Fehlerkennungen eines Objekts; also das vermeintliche Erkennen eines Objekts durch das System, das sich jedoch als falsch herausstellt) verringern (was zum Beispiel zu einer erhöhten Genauigkeit fuhren kann), verzichtet bei schlechten Verhältnissen aber nicht auf eine mögliche Initialisierungschance. In einer weiteren Ausführungsform hat der mindestens eine Parameter der Umgebungssituation Einfluss auf die Erstellung und/oder Verwendung des Datenmodells. Insbesondere beeinflusst der mindestens eine Parameter die Art der Erstellung des Datenmodells, beispielsweise die Detection von Features und die Erstellung von Featuredescriptoren. Insbesondere gibt es unterschiedliche Feature-Extraktoren und -Deskriptoren. Bei guten Umge- bungsverhältnissen kann man zum Beispiel schnelle Verfahren wählen (z.B. FAST- Extraktor + einen schnellen Descriptor), während man bei schwierigen Verhältnissen aufwändigere Verfahren verwenden kann (z.B. SIFT).
In einer anderen Ausführungsform wird ein Datenmodell aus einer Anzahl von Einzelmo- dellen extrahiert, wobei das Datenmodell eine Schnittmenge von Informationen enthält, welche in mehreren Umgebungssituationen vorkommen. Das Ablaufdiagram in Fig. 7 zeigt einen beispielhafte Umsetzung dieses Vorgangs. In Schritt 30.0 werden verschiedene bestehende oder zuvor durch Simulation erzeugte Datenmodelle geladen. Danach (Schritt 31.0) wird ein Matching zwischen den Modellen durchgeführt. Dabei werden manche Vergleichsdaten oft wiedergefunden, andere vielleicht keinmal. Die Häufigkeit des Wie- derfmdens kann zwischengespeichert werden. Im optionalen Schritt 32.0 können Ausreißer entfernt werden, zum Beispiel, wenn ein Feature sehr stark in seiner Position im gemein- samen Koordinatensystem der Datenmodelle variiert. Es ist anzumerken, dass die Datenmodelle grundsätzlich auch aus heterogenen, durch unterschiedliche Verfahren erzeugten, Vergleichsinformationen bestehen können (zum Beispiel SURF oder SBFT oder einem Kantenmodell oder einem Flächenmodell oder einem Modell welches Farben berücksich- tigt). Danach kann man Vergleichsinformationen, welche sehr häufig wiedergefunden wurden (Schritt 31.0) zu einer neuen Karte kombinieren. Hierbei kann man optional auch eine Obergrenze für Vergleichsinformationen z.B. pro Raumvolumen festlegen. Es wird dann nach den stärksten Vergleichsinformationen sortiert. Dabei kann durch eine Wich- tung verhindert werden, dass nur sehr robuste, langsame Verfahren bevorzugt werden. An- schließend kann die Karte zur weiteren Verwendung gespeichert werden.
In einer weiteren Ausführungsform führen mehrere Teilsysteme (insbesondere mehrere Clients, wie mehrere mobile Geräte) jeweils das Verfahren aus, wobei nicht jedes der Teilsysteme selbst eine Trackingsituation berechnet, sondern eine fertige Situationsinformation allen Teilsystemen zur Verfügung gestellt wird, vorteilhafterweise sogar ein fertiges Erkennungs- oder Initialisierungsmodell den Teilsystemen zur Verfügung gestellt wird.
Beispielsweise versorgen die Teilsysteme einen vorgesehenen Server oder einen Peer-to- Peer-Prozess selbst kontinuierlich mit Informationen über die Situation. Ein Peer-to-peer- Prozess wäre zwischen mehreren mobilen Geräten selbst (z.B. ein Server teilt einem Gerät Nr.10 mit, dass das Gerät Nr.13 und Nr.17 in der Nähe sind und das Gerät Nr.10 diese Geräte dann direkt nach Informationen fragen kann). In dem anderen Fall versorgen einzelne Geräte den Server mit Informationen, und ein Nutzer holt für sein jeweiliges Gerät die Informationen vom Server.
In einer weiteren Ausführungsform wird durch das Ermitteln der Kamerapose eine Tiefeninformation in Bezug auf wenigstens ein in dem Bild enthaltenes reales Objekt berechnet, wobei die Tiefeninformation verwendet wird, um ein Verdeckungsmodell zur Verdeckung eines realen Objekts in eine Darstellungs Vorrichtung einzublenden, wenn eine der realen Umgebung überlagerte virtuelle Information von dem zu verdeckenden realen Objekt in der Ansicht verdeckt wird.
Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zur Erstellung eines Datenmodells, das bestimmt ist, in einem Verfahren zur Bestimmung der Pose einer Kamera relativ zu einem realen Objekt oder in einem Verfahren zur Erkennung eines Objekts einer realen Umgebung mit einem von einer Kamera aufgenommenen Bild bzw. dessen Daten verglichen zu werden, bei dem eine Umgebungssituation festgestellt oder simuliert wird und mindestens ein Parameter der Umgebungssituation bestimmt wird, ein Datenmodell erstellt wird, das eine Grundbeschreibung des realen Objekts enthält, verschiedene Umgebungssituationen vorgegeben oder simuliert werden und für unterschiedliche Umgebungssituationen abhängig von dem jeweiligen mindestens einen Parameter ein jeweiliges angepasstes Datenmodell bereitgestellt wird. Das kann als direkte Reaktion auf aktuelle Parameter geschehen oder auf Vorrat, z.B. wenn die meisten Fälle im Voraus simuliert werden. Eine Idee ist also, statt zum Beispiel mehrere Modelle von unterschiedlichen Situationen aufwändig zu erstellen, ein neutrales Modell zu erstellen und durch Simulation der Umwelteinflüsse dynamisch (oder im Voraus) und wesentlich weniger aufwändig anzupassen.
Zum Beispiel ist die Grundbeschreibung ein virtuelles 3D-Modell einer Umgebung. Zum Beispiel kann man sich vorstellen, ein 3D-Modell einer Stadt zu haben. Nun könnte man versuchen, mittels bekannter sogenannter 3D-Rendertechniken den aktuellen Verlauf der Sonne und das sich daraus ergebende Modell der Umgebung zu berechnen.
Beispielsweise wird das 3D-Modell mit Texturen belegt, welche zuvor von Umgebungssi- tuations-spezifischen Eigenschaften befreit wurde. Während der Sammlung von Informationen können oft Schatten mit aufgenommen werden. Diese könnte man zum Beispiel mit dem Fachmann bekannten Verfahren versuchen zu eliminieren.
In einer Ausführungsform wird das 3D-Modell mit unterschiedlichen Lichtsituationen auf die Bildebene projiziert.
Vorteilhafterweise wird ein Datenmodell erstellt, welches eine Schnittmenge von Informationen enthält, welche in mehreren unterschiedlichen (möglichst vielen) Umgebungssituationen vorkommen. Man könnte sich auch vorstellen, unterschiedlichste Umgebungsmodelle zu generieren (durch Aufnahme oder Simulation) und daraus Merkmale zu extrahieren, welche für die Erkennung / Initialisierung eingesetzt werden. Nun kann man zwischen den Umgebungsmodellen untersuchen, ob bestimmte Merkmale (zum Beispiel ein bestimmtes SURF-Feature) in möglichst vielen unterschiedlichen Modellen vorkommt und damit besonders robuste Merkmale in ein Modell packen, welches bei möglichst vielen Situationen funktioniert. Siehe auch Ausführungen oben zu Figur 7.
In einer Ausführungsform wird ein SLAM-Verfahren mit der Feststellung der aktuellen Umgebungssituation kombiniert und ein erstelltes Datenmodell zusammen mit Informationen zur Umgebungssituation gespeichert. Beim sogenannten Simultaneous Localization and Mapping (SLAM) wird, während sich die Kamera bewegt, oder bei einer Stereokame- ra oder einem ähnlichen 3D-Ansatz (z.B. einer Tiefenkamera) auch direkt, eine Karte (Datenmodell) der Umgebung erzeugt (z.B. eine Karte aus Surf-Features und deren SD- Position in der Welt) und die Pose der Kamera bestimmt. Nimmt man dabei noch Daten oder Parameter über die aktuellen Umgebungsverhältnisse auf (wie oben beschrieben), kann man diese Daten verwenden, um ein immer vollständigeren Modellsatz der Welt zu unterschiedlichsten Umgebungsverhältnissen zu generieren. So könnte man mit einem System an einer bestimmten Stelle starten, zu der es bereits umfangreiche Daten gibt und sich von dort fortbewegen. Nun lernt das System neue Bereiche zu bestimmten Konditionen kennen und kann in Zukunft auch dort beginnen.
Im Folgenden werden Aspekte und Ausführungsformen der Erfindung anhand der Ablaufdiagramme, die in Figuren 4 bis 8 dargestellt sind, in Verbindung mit den übrigen Figuren näher erläutert.
Figur 4 betrifft zunächst eine Ausführungsform eines erfindungsgemäßen Verfahrens hinsichtlich Verwendung von Modelldaten. In Schritt 1.0 erfolgt eine Aufnahme eines Parametervektors, der im Grunde mindestens einen oder mehrere Parameter über die Umgebungssituation umfasst (z.B. durch Abfrage der Wettersituation über einen zentralen Server, Berechnung Sonnenstand über Datam/Uhrzeit/Ort). In Schritt 2.0 wird der Parametervektor inklusive der Aufnahme-Position an den Server gesandt. In Schritt 3.0 erfolgt eine Suche nach vorhandenen Trackingmodellen für diese Position. Aus möglichen Modellen für diese Position wird in Schritt 4.0 das Modell mit dem geringsten Abstand im Parametervektor ausgewählt. Anschließend wird in Schritt 5.0 das entsprechende Modell geladen. In Schritt 6.0 wird dann, je nach Anwendungsfall, die Objekterkennung im Bild der Kamera bzw. Trackinginitialisierung für die Posenbestimmung der Kamera durchgeführt.
In Figur 5 wird ein beispielhaftes Verfahren ausgeführt, das zur Erstellung eines Datenmodells aus Nutzer-Daten dient. In Schritt 7.0 werden neue Modelldaten während der Benutzung (Simultaneous Localization and Mapping)„gelernt". In Schritt 8.0 werden Parametervektor und neue Karten (Datenmodelle) an den Server gesendet. In Schritt 9.0 erfolgt optional eine Verfeinerung der Daten (sogenanntes„Bündle Adjustment"), wobei die neue Daten mit Parametervektor und Position gespeichert werden.. In Schritt 10.0 werden Lücken im Modell ergänzt (z.B. neue Abdeckung unbekannter Bereiche oder neue Abdeckung mit neuen Parametervektoren). Ein anderer Client kann dann in Schritt 5.0 ein entsprechendes Datenmodell laden, das ein anderer Nutzer zuvor an den Server gesandt hat, wie anhand der Schritte 7.0 bis 10.0 beschrieben. Statt des anderen Clients kann auch der gleiche. Nutzer bzw. das gleiche Gerät, welcher bzw. welches das Datenmodell erstellt hat, das Datenmodell z.B. zu einem späteren Zeitpunkt laden.
In Figur 3 ist schematisch dargestellt, wie ein Datenmodell für ein Verfahren zur Bestim- mung der Kamerapose oder ein Verfahren zur Objekterkennung erstellt werden kann, Es kann von einem neutralen Modell 60 ausgegangen werden, das eine Grundbeschreibung des realen Objekts (vgl. Objekt 41 der Fig. 2) enthält. Anschließend werden verschiedene Umgebungssituationen vorgegeben oder simuliert, z.B. Sonneneinstrahlung von oben. Für die unterschiedlichen Umgebungssituationen wird abhängig von dem jeweiligen mindestens einen Parameter ein jeweiliges angepasstes Datenmodell bereitgestellt, z.B. die ange- passten Datenmodelle 61 und 62 der Figur 3, welche jeweils Schattenwürfe abhängig von der Umgebungssituation berücksichtigen. Aus den Datenmodellen 61 und 62 kann vorteilhafterweise zusätzlich direkt eine etwas kompaktere Form eines Datenmodells hergestellt werden, welche aus einer Sammlung vorbereiteter Vergleichsdaten, zum Beispiel einer Punkt-Feature-Wolke besteht. Das Datenmodell 62 zeigt beispielhaft, dass man die Realitätsnähe des erzeugten Datenmodells durch weitere Maßnahmen noch erhöhen kann. So wird das Modell 62 nicht nur durch die Verdeckung weiterer bekannter Objekte der Umgebung durch Schattenwurf beeinträchtigt, sondern es kann auch die aktuelle Bewölkungssituation, zum Beispiel durch Abfrage eines aktuellen Regenradarbildes einbezogen werden.
Fig. 6 zeigt einen beispielhaften Ablauf eines Verfahrens gemäß einer weiteren Ausführungsform der Erfindung. In Schritt 20.0 werden Daten der realen Umgebung (gezielt oder wie in Schritt 7.0) aufgenommen, dabei vorteilhafterweise ein Parametervektor der Umgebungssituation aufgenommen. Bei gezielter Aufnahme erfolgt vorteilhafterweise Aufnahme in HDR (sogenanntes„High Dynamic Range"). In Schritt 21.0 erfolgt eine Neutralisierung des Datenmodells bezüglich bestimmter Parameter, soweit möglich (z.B. Entfernung von Schatten, Normalisierung der Helligkeit, etc.). In Schritt 22.0 erfolgt eine Erzeugung von Parametervektoren für ein Spektrum an Umgebungsverhältnissen. Darüber hinaus können in Schritt 23.0 entsprechende Datenmodelle mittels Simulation (z.B. Raytracing- Verfahren) hergestellt werden. In Schritt 24.0 erfolgt ein Bereitstellen für den Schritt 4.0 gemäß Figur 4.
Um den Realitätsgrad zu erhöhen und damit die Zuordnung zu verbessern, können vorteilhafterweise Wetterdaten online abgefragt werden. Hier sind zur Verarbeitung unterschiedliche Komplexitätsgrade vorstellbar. So können auf Basis der Wetterlage (zum Beispiel entsprechend des Google-Wetterdienstes „meistens bewölkt", „vereinzelt stürmisch", „vereinzelt Regen", etc.) feste Beleuchtungsmodelle oder Materialien vergeben werden (z.B. Texturen), welche der Wetterlage angepasst sind. Man könnte im höchsten Komplexitätsgrad jedoch auch ein aktuelles Wolken- oder Regensatelliten- oder Radarbild verwenden, um dynamisch ein angenähertes Modell der Wolkendecke zu erstellen und die Schattenwürfe und optional die detaillierten Lichtverhältnisse daraus berechnen (siehe auch Figur 3). Wie bereits erwähnt, kann dies durch einen Server durchgeführt werden, welcher die Daten dem Client ortsspezifisch zur Verfügung stellt. Ebenfalls hilfreich für die Wahrnehmung der Entfernung ist die Ermittlung der Sichtweite durch Nebel, Regen oder Dunst. Diese kann automatisch erfolgen (vgl. "From video image e.g. (Automatic Fog Detection and Estimation of Visibility Distance through use of an Onboard Camera)", Zeitschrift Machine Vision and Applications Verlag Springer Berlin / Heidelberg ISSN 0932-8092 (Print) 1432-1769 (Online) Heft Volume 17, Number 1 / April 2006, Seiten 8- 20) oder ebenfalls mittels aktueller Wetterdaten abgefragt werden.
Einfachste technische Umsetzung, neben weiteren bekannten, ist das Setzen der Nebel- Einstellungen in OpenGL. Es kann zusätzlich noch auf Grund der Position, des Datums und der Uhrzeit der Stand der Sonne, bzw. des Mondes berechnet werden und zur Einstellung der Lichtquellen gesetzt werden. Dies wirkt sich insbesondere auf die Schatten (vgl. Figur 3) aus, die dem Menschen helfen, die Position eines virtuellen Objekts (z.B. POI) besser zu bestimmen. Die Schatten können vorberechnete Texturen sein (vorteilhafterweise mit einem Transparenzwert), die sich, je nach Stand der Sonne oder des Mondes, unterhalb des POI auf der Bodenebene befinden, wo die Gerade zwischen Sonne oder Mond und POI die Bodenebene schneidet (Ausnahmen, falls dies nicht der Fall ist). Sollten Sonne oder Mond gleichzeitig sichtbar sein, wird die Sonne zur Berechnung verwendet.
Die Schatten können aber auch, wie nach dem Stand der Technik bekannt, dynamisch berechnet werden. Dies kann vorteilhafterweise das gegenseitige Beschatten von POIs beinhalten. Existiert ein 3D-Modell der Umgebung (z.B. in Form eines Verdeckungsmodells 63 zur Verdeckung eines realen Objekts; sogenannte„Occlusiongeometrie" in Figur 3) kann dies zusätzlich zur realistischen Berechnung der Schattensituation eingesetzt werden, indem es zum Beispiel Schatten auf POIs wirft (siehe auch Figur 3). Es kann der Realitätsgrad der Einblendung zusätzlich erhöht werden, indem die Materialien durch Bilder der Umgebung des POI angereichert werden. Der Einsatz von sogenannten Environment-Maps (Umgebungskarten) ist dem Fachmann bekannt.
Es kann ein weiterer wichtiger Schritt unternommen werden, um die Qualität des Datenmodells abhängig vom Parameter Ort und Orientierung der Kamera zu stärken. Durch das Laden von Verdeckungsmodellen (sogenannte „Occlusiongeometrie") kann festgestellt werden, ob ein Vergleichdaten für die Kamera sichtbar sind, oder zum Beispiel hinter einem anderen Gebäude verschwinden. Das Tiefenmodell kann hinterlegt werden oder dynamisch mittels SLAM-Algorithmen, Stereokameras oder einer Time Of Flight-Kamera erzeugt werden. In diesem Fall ist eine Tiefeninformation pro Vergleichsdatensatz (z.B. ein SIFT-Feature) ausreichend. In einem weiteren Schritt werden für eine korrekte Überlagerung im Nahbereich die Kameraparameter generiert (dies muss nicht ständig erfolgen). Diese können dynamisch zum Beispiel mittels eines SLAM-Mechanismus erzeugt werden oder entsprechend des Gerätenamens vom Server abgerufen werden oder im Programm hinterlegt sein.
Nun kann, abhängig von den Hardwarefähigkeiten des Systems alles dargestellt und gerechnet werden. Ist die Hardware des Systems schwach, kann die Berechnung der korrekten Materialoberflächen auch auf Serverseite erfolgen oder das Gesamtbild auf Serverseite berechnet werden. Bei einem starken System, kann eine moderne GPU (Graphic Processor Unit) einen großen Teil der Arbeit übernehmen. Hierzu sind dem Fachmann vielerlei Möglichkeiten bekannt.
Durch das Ermitteln der Position und Orientierung der Kamera relativ zu der realen Umgebung kann eine Tiefeninformation in Bezug auf wenigstens ein in der Ansicht enthaltenes reales Objekt berechnet werden, wobei die Tiefeninformation verwendet werden kann, um ein Verdeckungsmodell zur Verdeckung eines realen Objekts in die Darstellungsvorrichtung einzublenden, wenn eine virtuelle Information von dem zu verdeckenden realen Objekt in der Ansicht verdeckt wird.

Claims

Patentansprüche
1. Verfahren zur Bestimmung der Pose einer Kamera (22, 32) relativ zu einer realen Umgebung (40), mit folgenden Schritten:
- Aufnahme wenigstens eines Bildes (50) einer realen Umgebung mittels einer Kamera (22, 32), wobei das Bild wenigstens einen Teil eines realen Objekts (41) beinhaltet,
- Bestimmung mindestens eines Parameters einer Umgebungssituation,
- Durchführen eines Trackingverfahrens, welches Information hinsichtlich Korrespondenzen zwischen Merkmalen, die mit dem realen Objekt (41) assoziiert sind, und entsprechenden Merkmalen des realen Objekts (41), wie es in dem Bild (50) der realen Umgebung enthalten ist, auswertet, um Rückschlüsse auf die Pose der Kamera (22, 32) zu erhalten,
- Durchführen des Trackingverfahrens abhängig von dem mindestens einen Parameter.
2. Verfahren nach Anspruch 1, wobei
in dem Trackingverfahren mindestens ein optisches Trackingverfahren verwendet wird, das abhängig von dem mindestens einen Parameter initialisiert wird.
3. Verfahren nach Anspruch 1 oder 2, wobei
mittels des Trackingverfahrens die Pose der Kamera (22, 32) mit einem, zwei, drei, vier, fünf oder sechs Freiheitsgraden bestimmt wird
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei
in dem Trackingverfahren mehrere Trackingsensoren (32, 34-1 , 34-2) verwendet werden, die sich hinsichtlich der Sensorart unterscheiden.
5. Verfahren nach Anspruch 4, wobei
in dem Trackingverfahren eine Wichtung wenigstens eines der Trackingssensoren (32, 34- 1 , 34-2) abhängig von dem mindestens einen Parameter vorgenommen wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei
in dem Trackingverfahren eine Priorisierung von Verfahrens-Teilschritten abhängig von dem mindestens einen Parameter vorgenommen wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem ein Datenmodell (51) verwendet wird, das mit Daten des von der Kamera aufgenommenen Bildes (50) vergli- chen wird, wobei das Datenmodell unter Berücksichtigung des mindestens einen Parameters der Umgebungssituation ausgewählt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei
eine Berechnung einer Unsicherheit bei der Bestimmung der Kamerapose aus der Bestimmung eines Abstandsmaßes des mindestens einen Parameters der Umgebungssituation und bekannter idealer Parameter des Trackingverfahrens zu einer bekannten Umgebungssituation erfolgt.
9. Verfahren zur Erkennung eines Objekts einer realen Umgebung in einem von einer Kamera aufgenommenen Bild, mit folgenden Schritten:
- Aufnahme wenigstens eines Bildes (50) einer realen Umgebung mittels einer Kamera (22, 32), wobei das Bild wenigstens einen Teil eines realen Objekts (41) beinhaltet,
- Durchführen eines Bilderkennungsverfahrens, welches Information hinsichtlich der Erkennung des wenigstens einen realen Objekts (41) im Bild (50) liefert,
- Bestimmung mindestens eines Parameters einer Umgebungssituation,
- Durchführen des Bilderkennungsverfahrens abhängig von dem mindestens einen Parameter.
10. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem zur Bestimmung des mindestens einen Parameters der Umgebungssituation mindestens eine oder mehrere der folgenden Informationen verwendet wird: Tageszeit; Jahreszeit; Wetter, insbesondere Regen, Bewölkung, Sonne, und Nebel; Mondstand; Schneelage; Belaubung der Bäume; Höhe über dem Meer; öffentliche Veranstaltungen, insbesondere starke Bewegungen; Verkehrslage; Position; Orientierung in einem Weltkoordinatensystem; Histogramm des Bildes; Temperatur; Wartungsschritt.
1 1. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem der mindestens eine Parameter Mindestanforderungen an ein erfolgreiches Wiederfinden von Modelldaten im Bild beeinflusst, insbesondere eine Anzahl von Merkmalen, die mit dem realen Objekt assoziiert sind, bestimmt, die mit entsprechenden Merkmalen des Abbilds des realen Objekts im Bild der realen Umgebung in Übereinstimmung zu bringen sind.
12. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem
- wenigstens ein Datenmodell (51 , 60) verwendet wird, das mit Daten des Abbilds des realen Objekts (41) in dem Bild der realen Umgebung verglichen wird, - der mindestens eine Parameter Einfluss auf die Erstellung und/oder Verwendung des Datenmodells hat.
13. Verfahren nach Anspruch 12, bei welchem ein Parametervektor pro Datenmodell oder pro Merkmal innerhalb des Datenmodells gespeichert wird.
14. Verfahren nach Anspruch 12 oder 13, bei welchem der mindestens eine Parameter die Art der Erstellung des Datenmodells beeinflusst, insbesondere die Erstellung von Featuredetektoren und -descriptoren beeinflusst.
15. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem ein Datenmodell aus einer Anzahl von Einzelmodellen extrahiert wird, welches eine Schnittmenge von Informationen enthält, welche in mehreren Umgebungssituationen vorkommen.
16. Verfahren nach einem der vorhergehenden Ansprüche, bei dem mehrere Teilsysteme jeweils das Verfahren ausführen, wobei nicht jedes der Teilsysteme selbst eine Trackingsi- tuation berechnet, sondern eine fertige Situationsinformation allen Teilsystemen zur Verfügung gestellt wird, vorteilhafterweise sogar ein fertiges Erkennungs- oder Initialisierungsmodell den Teilsystemen zur Verfügung gestellt wird.
17. Verfahren nach Anspruch 16, bei dem die Teilsysteme einen vorgesehenen Server oder einen Peer-to-Peer-Prozess mit Informationen über die Umgebungssituation versorgen.
18. Verfahren nach einem der vorhergehenden Ansprüche,
wobei durch das Ermitteln der Kamerapose eine Tiefeninformation in Bezug auf wenigstens ein in dem Bild enthaltenes reales Objekt berechnet wird, wobei die Tiefeninformation verwendet wird, um ein Verdeckungsmodell zur Verdeckung eines realen Objekts in eine Darstellungsvorrichtung einzublenden, wenn eine der realen Umgebung überlagerte virtuelle Information von dem zu verdeckenden realen Objekt in der Ansicht verdeckt wird.
19. Verfahren zur Erstellung eines Datenmodells (60), das bestimmt ist, in einem Verfahren zur Bestimmung der Pose einer Kamera (22, 32) relativ zu einem realen Objekt (41) einer realen Umgebung oder in einem Verfahren zur Erkennung eines realen Objekts (41) einer realen Umgebung mit Daten eines von einer Kamera (22, 32) aufgenommenen Bildes (50) verglichen zu werden, bei dem - eine Umgebungssituation festgestellt oder simuliert wird und mindestens ein Parameter der Umgebungssituation bestimmt wird,
- ein Datenmodell (60) erstellt wird, das eine Grundbeschreibung des realen Objekts enthält, verschiedene Umgebungssituationen vorgegeben oder simuliert werden und für unterschiedliche Umgebungssituationen abhängig von dem jeweiligen mindestens einen Parameter ein jeweiliges angepasstes Datenmodell (61) bereitgestellt wird.
20. Verfahren nach Anspruch 19, bei dem die Grundbeschreibung ein virtuelles 3D-Modell einer Umgebung ist.
21. Verfahren nach Anspruch 20, bei dem das 3D-Modell mit Texturen belegt ist, welche zuvor von Umgebungssituations-spezifischen Eigenschaften befreit wurde.
22. Verfahren nach einem der Ansprüche 20 oder 21 , bei dem das 3D-Modell mit unterschiedlichen Lichtsituationen auf die Bildebene projiziert wird.
23. Verfahren nach einem der Ansprüche 19 bis 22, bei welchem ein Datenmodell erstellt wird, welches eine Schnittmenge von Informationen enthält, welche in mehreren unterschiedlichen Umgebungssituationen vorkommen.
24. Verfahren nach einem der Ansprüche 19 bis 23, welches ein SLAM-Verfahren mit der Feststellung der Umgebungssituation kombiniert und ein erstelltes Datenmodell zusammen mit Informationen zur Umgebungssituation speichert.
PCT/EP2010/063589 2009-10-19 2010-09-16 Verfahren zur bestimmung der pose einer kamera und zur erkennung eines objekts einer realen umgebung WO2011047924A1 (de)

Priority Applications (8)

Application Number Priority Date Filing Date Title
EP19175398.7A EP3550516B1 (de) 2009-10-19 2010-09-16 Umgebungsparameterabhängige auswahl eines datenmodells zur erkennung eines objekts einer realen umgebung
EP10752839.0A EP2491530B1 (de) 2009-10-19 2010-09-16 Bestimmung der pose einer kamera
JP2012533553A JP2013508795A (ja) 2009-10-19 2010-09-16 カメラ姿勢決定方法、及び実環境物体認識方法
CN2010800574754A CN102667855A (zh) 2009-10-19 2010-09-16 用于确定相机姿态以及用于识别真实环境的对象的方法
US13/502,959 US8837779B2 (en) 2009-10-19 2010-09-16 Method for determining the pose of a camera and for recognizing an object of a real environment
US14/329,547 US9218665B2 (en) 2009-10-19 2014-07-11 Method for determining the pose of a camera and for recognizing an object of a real environment
US14/977,288 US10229511B2 (en) 2009-10-19 2015-12-21 Method for determining the pose of a camera and for recognizing an object of a real environment
US16/258,110 US10580162B2 (en) 2009-10-19 2019-01-25 Method for determining the pose of a camera and for recognizing an object of a real environment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102009049849.4 2009-10-19
DE102009049849.4A DE102009049849B4 (de) 2009-10-19 2009-10-19 Verfahren zur Bestimmung der Pose einer Kamera, Verfahren zur Erkennung eines Objekts einer realen Umgebung und Verfahren zur Erstellung eines Datenmodells

Related Child Applications (2)

Application Number Title Priority Date Filing Date
US13/502,959 A-371-Of-International US8837779B2 (en) 2009-10-19 2010-09-16 Method for determining the pose of a camera and for recognizing an object of a real environment
US14/329,547 Continuation US9218665B2 (en) 2009-10-19 2014-07-11 Method for determining the pose of a camera and for recognizing an object of a real environment

Publications (1)

Publication Number Publication Date
WO2011047924A1 true WO2011047924A1 (de) 2011-04-28

Family

ID=42667910

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/EP2010/057461 WO2011047888A1 (en) 2009-10-19 2010-05-28 Method of providing a descriptor for at least one feature of an image and method of matching features
PCT/EP2010/063589 WO2011047924A1 (de) 2009-10-19 2010-09-16 Verfahren zur bestimmung der pose einer kamera und zur erkennung eines objekts einer realen umgebung

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/057461 WO2011047888A1 (en) 2009-10-19 2010-05-28 Method of providing a descriptor for at least one feature of an image and method of matching features

Country Status (6)

Country Link
US (7) US8942418B2 (de)
EP (4) EP3547256B1 (de)
JP (4) JP2013508794A (de)
CN (3) CN102612704B (de)
DE (1) DE102009049849B4 (de)
WO (2) WO2011047888A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102694963A (zh) * 2012-04-27 2012-09-26 南京航空航天大学 一种获取无阴影目标图像的方法
US8605141B2 (en) 2010-02-24 2013-12-10 Nant Holdings Ip, Llc Augmented reality panorama supporting visually impaired individuals

Families Citing this family (147)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7146260B2 (en) 2001-04-24 2006-12-05 Medius, Inc. Method and apparatus for dynamic configuration of multiprocessor system
US9229233B2 (en) 2014-02-11 2016-01-05 Osterhout Group, Inc. Micro Doppler presentations in head worn computing
US9952664B2 (en) 2014-01-21 2018-04-24 Osterhout Group, Inc. Eye imaging in head worn computing
US9298007B2 (en) 2014-01-21 2016-03-29 Osterhout Group, Inc. Eye imaging in head worn computing
US20150205111A1 (en) 2014-01-21 2015-07-23 Osterhout Group, Inc. Optical configurations for head worn computing
US9400390B2 (en) 2014-01-24 2016-07-26 Osterhout Group, Inc. Peripheral lighting for head worn computing
US9965681B2 (en) 2008-12-16 2018-05-08 Osterhout Group, Inc. Eye imaging in head worn computing
US9715112B2 (en) 2014-01-21 2017-07-25 Osterhout Group, Inc. Suppression of stray light in head worn computing
DE102009049849B4 (de) 2009-10-19 2020-09-24 Apple Inc. Verfahren zur Bestimmung der Pose einer Kamera, Verfahren zur Erkennung eines Objekts einer realen Umgebung und Verfahren zur Erstellung eines Datenmodells
US9185388B2 (en) * 2010-11-03 2015-11-10 3Dmedia Corporation Methods, systems, and computer program products for creating three-dimensional video sequences
US8977629B2 (en) * 2011-05-24 2015-03-10 Ebay Inc. Image-based popularity prediction
US20120314031A1 (en) * 2011-06-07 2012-12-13 Microsoft Corporation Invariant features for computer vision
WO2013029674A1 (en) * 2011-08-31 2013-03-07 Metaio Gmbh Method of matching image features with reference features
TWI489859B (zh) * 2011-11-01 2015-06-21 Inst Information Industry 影像形變方法及其電腦程式產品
US9536251B2 (en) * 2011-11-15 2017-01-03 Excalibur Ip, Llc Providing advertisements in an augmented reality environment
US9600744B2 (en) 2012-04-24 2017-03-21 Stmicroelectronics S.R.L. Adaptive interest rate control for visual search
JP5727969B2 (ja) * 2012-06-15 2015-06-03 株式会社東芝 位置推定装置、方法、及びプログラム
CN103673990B (zh) * 2012-09-13 2016-04-06 北京同步科技有限公司 获取摄像机姿态数据的装置及其方法
CN103674011B (zh) * 2012-09-19 2017-07-25 联想(北京)有限公司 即时定位与地图构建设备、系统与方法
US9237340B2 (en) * 2012-10-10 2016-01-12 Texas Instruments Incorporated Camera pose estimation
CN102928201B (zh) * 2012-10-24 2014-12-17 北京控制工程研究所 一种动态的月面成像敏感器的目标模拟系统
US20140140573A1 (en) * 2012-11-21 2014-05-22 Gravity Jack, Inc. Pose Tracking through Analysis of an Image Pyramid
US20140168264A1 (en) 2012-12-19 2014-06-19 Lockheed Martin Corporation System, method and computer program product for real-time alignment of an augmented reality device
JP5670416B2 (ja) * 2012-12-28 2015-02-18 ファナック株式会社 ロボットシステム表示装置
EP2763077B1 (de) * 2013-01-30 2023-11-15 Nokia Technologies Oy Verfahren und Vorrichtung für sensorgestützte Extraktion von räumlich-zeitlichen Merkmalen
US9058683B2 (en) 2013-02-21 2015-06-16 Qualcomm Incorporated Automatic image rectification for visual search
US9495389B2 (en) 2013-03-15 2016-11-15 Qualcomm Incorporated Client-server based dynamic search
US9426451B2 (en) 2013-03-15 2016-08-23 Digimarc Corporation Cooperative photography
WO2014179745A1 (en) * 2013-05-02 2014-11-06 Qualcomm Incorporated Methods for facilitating computer vision application initialization
DE102013009288B4 (de) 2013-06-04 2016-02-04 Testo Ag 3D-Aufnahmevorrichtung, Verfahren zur Erstellung eines 3D-Bildes und Verfahren zur Einrichtung einer 3D-Aufnahmevorrichtung
CN103327246B (zh) * 2013-06-07 2016-08-24 腾讯科技（深圳）有限公司 一种多媒体拍摄处理方法、装置及智能终端
US10262462B2 (en) 2014-04-18 2019-04-16 Magic Leap, Inc. Systems and methods for augmented and virtual reality
WO2015012659A1 (en) * 2013-07-26 2015-01-29 Samsung Electronics Co., Ltd. Two way local feature matching to improve visual search accuracy
US8860818B1 (en) 2013-07-31 2014-10-14 Apple Inc. Method for dynamically calibrating rotation offset in a camera system
US9646384B2 (en) 2013-09-11 2017-05-09 Google Technology Holdings LLC 3D feature descriptors with camera pose information
US8958663B1 (en) * 2013-09-24 2015-02-17 Zazzle Inc. Automated imaging of customizable products
DE102013016247A1 (de) 2013-10-01 2014-06-26 Daimler Ag Verfahren und Vorrichtung zur augmentierten Darstellung
WO2015085483A1 (en) 2013-12-10 2015-06-18 SZ DJI Technology Co., Ltd. Sensor fusion
EP3084719B1 (de) * 2013-12-19 2019-11-20 Apple Inc. Slam auf einem mobilen gerät
US10254856B2 (en) 2014-01-17 2019-04-09 Osterhout Group, Inc. External user interface for head worn computing
US9594246B2 (en) 2014-01-21 2017-03-14 Osterhout Group, Inc. See-through computer display systems
US10649220B2 (en) 2014-06-09 2020-05-12 Mentor Acquisition One, Llc Content presentation in head worn computing
US9746686B2 (en) 2014-05-19 2017-08-29 Osterhout Group, Inc. Content position calibration in head worn computing
US9841599B2 (en) 2014-06-05 2017-12-12 Osterhout Group, Inc. Optical configurations for head-worn see-through displays
US9671613B2 (en) 2014-09-26 2017-06-06 Osterhout Group, Inc. See-through computer display systems
US20150277118A1 (en) 2014-03-28 2015-10-01 Osterhout Group, Inc. Sensor dependent content position in head worn computing
US11103122B2 (en) 2014-07-15 2021-08-31 Mentor Acquisition One, Llc Content presentation in head worn computing
US20160019715A1 (en) 2014-07-15 2016-01-21 Osterhout Group, Inc. Content presentation in head worn computing
US9829707B2 (en) 2014-08-12 2017-11-28 Osterhout Group, Inc. Measuring content brightness in head worn computing
US9575321B2 (en) 2014-06-09 2017-02-21 Osterhout Group, Inc. Content presentation in head worn computing
US10684687B2 (en) 2014-12-03 2020-06-16 Mentor Acquisition One, Llc See-through computer display systems
US11227294B2 (en) 2014-04-03 2022-01-18 Mentor Acquisition One, Llc Sight information collection in head worn computing
US9939934B2 (en) 2014-01-17 2018-04-10 Osterhout Group, Inc. External user interface for head worn computing
US10191279B2 (en) 2014-03-17 2019-01-29 Osterhout Group, Inc. Eye imaging in head worn computing
US9529195B2 (en) 2014-01-21 2016-12-27 Osterhout Group, Inc. See-through computer display systems
US9299194B2 (en) 2014-02-14 2016-03-29 Osterhout Group, Inc. Secure sharing in head worn computing
US9810906B2 (en) 2014-06-17 2017-11-07 Osterhout Group, Inc. External user interface for head worn computing
US9448409B2 (en) 2014-11-26 2016-09-20 Osterhout Group, Inc. See-through computer display systems
US11669163B2 (en) 2014-01-21 2023-06-06 Mentor Acquisition One, Llc Eye glint imaging in see-through computer display systems
US9836122B2 (en) 2014-01-21 2017-12-05 Osterhout Group, Inc. Eye glint imaging in see-through computer display systems
US11892644B2 (en) 2014-01-21 2024-02-06 Mentor Acquisition One, Llc See-through computer display systems
US9753288B2 (en) 2014-01-21 2017-09-05 Osterhout Group, Inc. See-through computer display systems
US11487110B2 (en) 2014-01-21 2022-11-01 Mentor Acquisition One, Llc Eye imaging in head worn computing
US9538915B2 (en) 2014-01-21 2017-01-10 Osterhout Group, Inc. Eye imaging in head worn computing
US11737666B2 (en) 2014-01-21 2023-08-29 Mentor Acquisition One, Llc Eye imaging in head worn computing
US9523856B2 (en) 2014-01-21 2016-12-20 Osterhout Group, Inc. See-through computer display systems
US9766463B2 (en) 2014-01-21 2017-09-19 Osterhout Group, Inc. See-through computer display systems
US9651784B2 (en) 2014-01-21 2017-05-16 Osterhout Group, Inc. See-through computer display systems
US9811159B2 (en) 2014-01-21 2017-11-07 Osterhout Group, Inc. Eye imaging in head worn computing
US9494800B2 (en) 2014-01-21 2016-11-15 Osterhout Group, Inc. See-through computer display systems
US20150205135A1 (en) 2014-01-21 2015-07-23 Osterhout Group, Inc. See-through computer display systems
US9846308B2 (en) 2014-01-24 2017-12-19 Osterhout Group, Inc. Haptic systems for head-worn computers
US20150241963A1 (en) 2014-02-11 2015-08-27 Osterhout Group, Inc. Eye imaging in head worn computing
US9401540B2 (en) 2014-02-11 2016-07-26 Osterhout Group, Inc. Spatial location presentation in head worn computing
CN104881860B (zh) * 2014-02-28 2019-01-08 国际商业机器公司 基于照片进行定位的方法和装置
US20160187651A1 (en) 2014-03-28 2016-06-30 Osterhout Group, Inc. Safety for a vehicle operator with an hmd
US9400939B2 (en) 2014-04-13 2016-07-26 International Business Machines Corporation System and method for relating corresponding points in images with different viewing angles
US10853589B2 (en) 2014-04-25 2020-12-01 Mentor Acquisition One, Llc Language translation with head-worn computing
US9651787B2 (en) 2014-04-25 2017-05-16 Osterhout Group, Inc. Speaker assembly for headworn computer
US9423842B2 (en) 2014-09-18 2016-08-23 Osterhout Group, Inc. Thermal management for head-worn computer
US9672210B2 (en) 2014-04-25 2017-06-06 Osterhout Group, Inc. Language translation with head-worn computing
US9761008B2 (en) 2014-05-08 2017-09-12 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for visual odometry using rigid structures identified by antipodal transform
US9280832B2 (en) * 2014-05-08 2016-03-08 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for visual odometry using rigid structures identified by antipodal transform
KR101613418B1 (ko) * 2014-05-29 2016-04-21 주식회사 고영테크놀러지 옵티컬 트래킹 시스템 및 옵티컬 트래킹 시스템의 마커부 자세 및 위치 산출방법
DE102014008152A1 (de) 2014-05-30 2014-10-23 Daimler Ag Verfahren und Vorrichtung zur augmentierten Darstellung mindstens einer Zusatzinformation in mindestens einem Bild einer Umgebung
US11030784B2 (en) * 2014-06-03 2021-06-08 Apple Inc. Method and system for presenting a digital information related to a real object
US10663740B2 (en) 2014-06-09 2020-05-26 Mentor Acquisition One, Llc Content presentation in head worn computing
WO2016019390A1 (en) * 2014-08-01 2016-02-04 Locuslabs Ip Image-based object location system and process
CN109388150B (zh) 2014-09-05 2022-04-29 深圳市大疆创新科技有限公司 多传感器环境地图构建
EP3399381A1 (de) 2014-09-05 2018-11-07 SZ DJI Technology Co., Ltd. Kontextbasierte flugmodusauswahl
WO2016033795A1 (en) 2014-09-05 2016-03-10 SZ DJI Technology Co., Ltd. Velocity control for an unmanned aerial vehicle
WO2016050290A1 (en) 2014-10-01 2016-04-07 Metaio Gmbh Method and system for determining at least one property related to at least part of a real environment
US9746913B2 (en) 2014-10-31 2017-08-29 The United States Of America As Represented By The Secretary Of The Navy Secured mobile maintenance and operator system including wearable augmented reality interface, voice command interface, and visual recognition systems and related methods
CN112102389A (zh) 2014-11-21 2020-12-18 苹果公司 确定实物至少一部分的3d重构件的空间坐标的方法和系统
US9684172B2 (en) 2014-12-03 2017-06-20 Osterhout Group, Inc. Head worn computer display systems
WO2016107635A1 (en) 2014-12-29 2016-07-07 Metaio Gmbh Method and system for generating at least one image of a real environment
USD751552S1 (en) 2014-12-31 2016-03-15 Osterhout Group, Inc. Computer glasses
USD753114S1 (en) 2015-01-05 2016-04-05 Osterhout Group, Inc. Air mouse
US10878775B2 (en) 2015-02-17 2020-12-29 Mentor Acquisition One, Llc See-through computer display systems
US20160239985A1 (en) 2015-02-17 2016-08-18 Osterhout Group, Inc. See-through computer display systems
US10142596B2 (en) 2015-02-27 2018-11-27 The United States Of America, As Represented By The Secretary Of The Navy Method and apparatus of secured interactive remote maintenance assist
JP6524713B2 (ja) * 2015-03-02 2019-06-05 セイコーエプソン株式会社 画像処理装置、表示装置、及び、画像処理装置の制御方法
US10481696B2 (en) * 2015-03-03 2019-11-19 Nvidia Corporation Radar based user interface
US9984301B2 (en) * 2015-04-20 2018-05-29 Qualcomm Incorporated Non-matching feature-based visual motion estimation for pose determination
CN104764452A (zh) * 2015-04-23 2015-07-08 北京理工大学 一种基于惯性和光学跟踪系统的混合位姿跟踪方法
JP7037876B2 (ja) * 2015-06-26 2022-03-17 コグネックス・コーポレイション 自動工業検査における３ｄビジョンの使用
KR101835434B1 (ko) 2015-07-08 2018-03-09 고려대학교 산학협력단 투영 이미지 생성 방법 및 그 장치, 이미지 픽셀과 깊이값간의 매핑 방법
US9928648B2 (en) 2015-11-09 2018-03-27 Microsoft Technology Licensing, Llc Object path identification for navigating objects in scene-aware device environments
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US10424072B2 (en) 2016-03-01 2019-09-24 Samsung Electronics Co., Ltd. Leveraging multi cues for fine-grained object classification
US10096158B2 (en) * 2016-03-24 2018-10-09 Ford Global Technologies, Llc Method and system for virtual sensor data generation with depth ground truth annotation
DE102016109628A1 (de) * 2016-05-25 2017-11-30 Deutsche Telekom Ag Verfahren zum Bestimmen der Position und/oder Orientierung einer mobilen elektronischen Einrichtung mit Hilfe einer digitalen Wärmebildkamera
US10579860B2 (en) 2016-06-06 2020-03-03 Samsung Electronics Co., Ltd. Learning model for salient facial region detection
EP3465631B1 (de) * 2016-06-07 2020-07-08 Koninklijke KPN N.V. Erfassung und rendering von informationen unter einbeziehung einer virtuellen umgebung
CN106210450B (zh) * 2016-07-20 2019-01-11 罗轶 一种多通道多视角大数据视频剪辑方法
US10739142B2 (en) 2016-09-02 2020-08-11 Apple Inc. System for determining position both indoor and outdoor
CN107967710B (zh) * 2016-10-20 2021-05-25 株式会社理光 一种三维物体描述方法及装置
US11210854B2 (en) * 2016-12-30 2021-12-28 Facebook, Inc. Systems and methods for providing augmented reality personalized content
JP6760114B2 (ja) 2017-01-31 2020-09-23 富士通株式会社 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム
CN107145525B (zh) * 2017-04-14 2020-10-16 北京星选科技有限公司 用于确认搜索场景的数据处理方法、搜索方法及相应装置
US10740613B1 (en) 2017-04-20 2020-08-11 Digimarc Corporation Hybrid feature point/watermark-based augmented reality
CN106996777B (zh) * 2017-04-21 2019-02-12 合肥井松自动化科技有限公司 一种基于地面图像纹理的视觉导航方法
US9965960B1 (en) * 2017-08-07 2018-05-08 Lyft, Inc. Facilitating transportation services by generating a directional indicator between a requester and a transportation vehicle
JP7003994B2 (ja) * 2017-08-08 2022-01-21 ソニーグループ株式会社 画像処理装置および方法
US11257250B2 (en) 2017-10-31 2022-02-22 Outward, Inc. Blended physical and virtual realities
DE102017222534B3 (de) * 2017-12-12 2019-06-13 Volkswagen Aktiengesellschaft Verfahren, computerlesbares Speichermedium mit Instruktionen, Vorrichtung und System zum Einmessen einer Augmented-Reality-Brille in einem Fahrzeug, für das Verfahren geeignetes Fahrzeug und für das Verfahren geeignete Augmented-Reality-Brille
JP7149707B2 (ja) 2018-01-15 2022-10-07 キヤノン株式会社 情報処理装置及びその制御方法及びプログラム、並びに、運転制御システム
US10508913B2 (en) * 2018-02-08 2019-12-17 Raytheon Company Environment recording system using virtual or augmented reality
US11556741B2 (en) 2018-02-09 2023-01-17 Pupil Labs Gmbh Devices, systems and methods for predicting gaze-related parameters using a neural network
US11194161B2 (en) 2018-02-09 2021-12-07 Pupil Labs Gmbh Devices, systems and methods for predicting gaze-related parameters
US11393251B2 (en) 2018-02-09 2022-07-19 Pupil Labs Gmbh Devices, systems and methods for predicting gaze-related parameters
US10549186B2 (en) * 2018-06-26 2020-02-04 Sony Interactive Entertainment Inc. Multipoint SLAM capture
CN109345589A (zh) * 2018-09-11 2019-02-15 百度在线网络技术（北京）有限公司 基于自动驾驶车辆的位置检测方法、装置、设备及介质
US10943401B2 (en) 2019-02-01 2021-03-09 International Business Machines Corporation Active visual recognition in mobile augmented reality
CN113874918A (zh) 2019-05-22 2021-12-31 Pcms控股公司 用于与外部显示器结合来渲染增强现实内容的方法
CN110175579A (zh) * 2019-05-29 2019-08-27 北京百度网讯科技有限公司 姿态确定方法、场景图像的展示方法、装置、设备及介质
EP3979896A1 (de) 2019-06-05 2022-04-13 Pupil Labs GmbH Vorrichtungen, systeme und verfahren zur vorhersage von blickbezogenen parametern
US10828576B1 (en) 2019-07-29 2020-11-10 Universal City Studios Llc Motion exaggerating virtual reality ride systems and methods
GB2586831A (en) * 2019-09-05 2021-03-10 Wolf In Motion Ltd Three-Dimensional Content Generation using real-time video compositing
US11023730B1 (en) 2020-01-02 2021-06-01 International Business Machines Corporation Fine-grained visual recognition in mobile augmented reality
DE102020112300A1 (de) 2020-05-06 2021-11-11 Audi Aktiengesellschaft 6 Degree of Freedom (6DOF) Tracking von mobilen Head Mounted Displays (HMD)
CN111666434B (zh) * 2020-05-26 2021-11-02 武汉大学 基于深度全局特征的街景图片检索方法
CN111583420B (zh) * 2020-05-27 2021-11-12 上海松鼠课堂人工智能科技有限公司 基于增强现实模式的智能学习系统和方法
US11688142B2 (en) 2020-11-23 2023-06-27 International Business Machines Corporation Automatic multi-dimensional model generation and tracking in an augmented reality environment
DE102021205834A1 (de) * 2021-06-09 2022-12-15 Continental Automotive Technologies GmbH Cloudgestütztes 3D Rendering für ein Egofahrzeug
CN115493512B (zh) * 2022-08-10 2023-06-13 思看科技(杭州)股份有限公司 数据处理方法、三维扫描系统、电子装置和存储介质
CN117102856B (zh) * 2023-10-23 2024-02-13 浙江大学 一种大型舱体双平台五自由度位姿识别与调整方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030025714A1 (en) 2001-07-16 2003-02-06 Ebersole John Franklin Method to view unseen atmospheric phenomenon using augmented reality
EP1544795A1 (de) * 2003-12-16 2005-06-22 Siemens Aktiengesellschaft Verfahren und Gerät zur Identifikation eines Objektes in einem Kamerabild
US20050231419A1 (en) 2004-04-15 2005-10-20 Lockheed Martin Ms2 Augmented reality traffic control center
US20080109184A1 (en) * 2006-11-06 2008-05-08 Canon Kabushiki Kaisha Position and orientation measurement method and apparatus

Family Cites Families (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4700307A (en) * 1983-07-11 1987-10-13 General Dynamics Corp./Convair Division Feature navigation system and method
JP2900737B2 (ja) * 1993-02-01 1999-06-02 トヨタ自動車株式会社 車間距離検出装置
JP3244850B2 (ja) * 1993-03-22 2002-01-07 三菱重工業株式会社 ナンバープレート読み取り装置
JP3486613B2 (ja) * 2001-03-06 2004-01-13 キヤノン株式会社 画像処理装置およびその方法並びにプログラム、記憶媒体
DE10145608B4 (de) 2001-09-15 2006-01-26 Eads Deutschland Gmbh Modellbasierte Objektklassifikation und Zielerkennung
US7203384B2 (en) 2003-02-24 2007-04-10 Electronic Scripting Products, Inc. Implement for optically inferring information from a planar jotting surface
JP4743818B2 (ja) 2003-04-04 2011-08-10 キヤノン株式会社 画像処理装置、画像処理方法、コンピュータプログラム
CN1846232A (zh) * 2003-08-29 2006-10-11 日本电气株式会社 使用加权信息的对象姿态估计和匹配系统
US7110100B2 (en) 2003-11-04 2006-09-19 Electronic Scripting Products, Inc. Apparatus and method for determining an inclination of an elongate object contacting a plane surface
JP2005141655A (ja) * 2003-11-10 2005-06-02 Olympus Corp ３次元モデリング装置及び３次元モデリング方法
US7038846B2 (en) 2003-11-24 2006-05-02 Electronic Scripting Products, Inc. Solid catadioptric lens with a single viewpoint
US7268956B2 (en) 2003-11-24 2007-09-11 Electronic Scripting Products, Inc. Solid catadioptric lens with two viewpoints
US7088440B2 (en) 2003-12-22 2006-08-08 Electronic Scripting Products, Inc. Method and apparatus for determining absolute position of a tip of an elongate object on a plane surface with invariant features
US8542219B2 (en) 2004-01-30 2013-09-24 Electronic Scripting Products, Inc. Processing pose data derived from the pose of an elongate object
US9229540B2 (en) 2004-01-30 2016-01-05 Electronic Scripting Products, Inc. Deriving input from six degrees of freedom interfaces
US7729515B2 (en) 2006-03-08 2010-06-01 Electronic Scripting Products, Inc. Optical navigation apparatus using fixed beacons and a centroid sensing device
US7961909B2 (en) 2006-03-08 2011-06-14 Electronic Scripting Products, Inc. Computer interface employing a manipulated object with absolute pose detection component and a display
US7826641B2 (en) 2004-01-30 2010-11-02 Electronic Scripting Products, Inc. Apparatus and method for determining an absolute pose of a manipulated object in a real three-dimensional environment with invariant features
US7023536B2 (en) 2004-03-08 2006-04-04 Electronic Scripting Products, Inc. Apparatus and method for determining orientation parameters of an elongate object
US7161664B2 (en) 2004-04-13 2007-01-09 Electronic Scripting Products, Inc. Apparatus and method for optical determination of intermediate distances
JP2005326275A (ja) * 2004-05-14 2005-11-24 Canon Inc 情報処理方法および装置
US7113270B2 (en) 2004-06-18 2006-09-26 Electronics Scripting Products, Inc. Determination of an orientation parameter of an elongate object with a scan beam apparatus
US20060120568A1 (en) * 2004-12-06 2006-06-08 Mcconville Patrick J System and method for tracking individuals
JP4613617B2 (ja) 2005-01-07 2011-01-19 ソニー株式会社 画像処理システム、学習装置および方法、並びにプログラム
WO2007011306A2 (en) * 2005-07-20 2007-01-25 Bracco Imaging S.P.A. A method of and apparatus for mapping a virtual model of an object to the object
JP4914019B2 (ja) 2005-04-06 2012-04-11 キヤノン株式会社 位置姿勢計測方法及び装置
US8160400B2 (en) * 2005-11-17 2012-04-17 Microsoft Corporation Navigating images using image based geometric alignment and object based controls
US8942483B2 (en) * 2009-09-14 2015-01-27 Trimble Navigation Limited Image-based georeferencing
DE102005061952B4 (de) * 2005-12-23 2008-09-11 Metaio Gmbh Verfahren und System zur Bestimmung einer Ungenauigkeitsinformation in einem Augmented Reality System
DE102006005044B4 (de) * 2006-02-03 2011-01-27 Metaio Gmbh Verfahren und System zur Bestimmung eines Datenmodells zur Überlagerung mit einem realen Objekt in einem Verfahren zur Objektverfolgung
DE202006020299U1 (de) * 2006-05-16 2008-04-24 Deutsches Zentrum für Luft- und Raumfahrt e.V. 3D-Vermessungsanordnung
CN100587518C (zh) 2006-07-20 2010-02-03 中国科学院自动化研究所 遥感影像高精度控制点自动选择方法
JP4789745B2 (ja) 2006-08-11 2011-10-12 キヤノン株式会社 画像処理装置および方法
EP1906339B1 (de) * 2006-09-01 2016-01-13 Harman Becker Automotive Systems GmbH Verfahren zur Erkennung eines Objekts auf einem Bild und Bilderkennungsvorrichtung
CN100456300C (zh) 2006-10-27 2009-01-28 北京航空航天大学 基于二维草图的三维模型检索方法
US8174568B2 (en) * 2006-12-01 2012-05-08 Sri International Unified framework for precise vision-aided navigation
DE102006062061B4 (de) 2006-12-29 2010-06-10 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung, Verfahren und Computerprogramm zum Bestimmen einer Position basierend auf einem Kamerabild von einer Kamera
US9070207B2 (en) 2007-09-06 2015-06-30 Yeda Research & Development Co., Ltd. Modelization of objects in images
JP4636064B2 (ja) * 2007-09-18 2011-02-23 ソニー株式会社 画像処理装置および画像処理方法、並びにプログラム
EP2201495B1 (de) * 2007-10-12 2013-03-27 MVTec Software GmbH Cad-modelle für computer vision
US20090185746A1 (en) * 2008-01-22 2009-07-23 The University Of Western Australia Image recognition
KR100951890B1 (ko) * 2008-01-25 2010-04-12 성균관대학교산학협력단 상황 모니터링을 적용한 실시간 물체 인식 및 자세 추정 방법
CN101285686B (zh) 2008-05-29 2010-11-10 中国农业大学 一种农业机械导航分级定位的方法和系统
US8144947B2 (en) * 2008-06-27 2012-03-27 Palo Alto Research Center Incorporated System and method for finding a picture image in an image collection using localized two-dimensional visual fingerprints
US8180107B2 (en) 2009-02-13 2012-05-15 Sri International Active coordinated tracking for multi-camera systems
DE102009049849B4 (de) 2009-10-19 2020-09-24 Apple Inc. Verfahren zur Bestimmung der Pose einer Kamera, Verfahren zur Erkennung eines Objekts einer realen Umgebung und Verfahren zur Erstellung eines Datenmodells
GB2535926B (en) * 2010-05-10 2016-10-12 Park Assist Llc Method and system for managing a parking lot based on intelligent imaging
US8401225B2 (en) 2011-01-31 2013-03-19 Microsoft Corporation Moving object segmentation using depth images
EP2761535A1 (de) 2011-08-31 2014-08-06 metaio GmbH Verfahren zur erkennung und beschreibung von merkmalen anhand eines intensitätsbildes
WO2013029674A1 (en) 2011-08-31 2013-03-07 Metaio Gmbh Method of matching image features with reference features
KR101329111B1 (ko) 2012-05-02 2013-11-14 한국과학기술연구원 실내 네비게이션 시스템 및 방법
WO2014020547A1 (en) 2012-07-31 2014-02-06 Indoorgo Navigation Systems Ltd. Navigation method and device
US8970709B2 (en) 2013-03-13 2015-03-03 Electronic Scripting Products, Inc. Reduced homography for recovery of pose parameters of an optical apparatus producing image data with structural uncertainty
US9140555B1 (en) 2014-03-14 2015-09-22 Google Inc. Navigation using sensor fusion
US10395116B2 (en) 2015-10-29 2019-08-27 Hand Held Products, Inc. Dynamically created and updated indoor positioning map

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030025714A1 (en) 2001-07-16 2003-02-06 Ebersole John Franklin Method to view unseen atmospheric phenomenon using augmented reality
EP1544795A1 (de) * 2003-12-16 2005-06-22 Siemens Aktiengesellschaft Verfahren und Gerät zur Identifikation eines Objektes in einem Kamerabild
US20050231419A1 (en) 2004-04-15 2005-10-20 Lockheed Martin Ms2 Augmented reality traffic control center
US20080109184A1 (en) * 2006-11-06 2008-05-08 Canon Kabushiki Kaisha Position and orientation measurement method and apparatus

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
"Zeitschrift Machine Vision and Applications", vol. 17, April 2006, VERLAG SPRINGER, article "From video image e.g. (Automatic Fog Detection and Estimation of Visibility Distance through use of an Onboard Camera)", pages: 8 - 20
"Zeitschrift Machine Vision and Applications", vol. 17, April 2006, VERLAG SPRINGER, pages: 8 - 20
AKBARZADEH A ET AL: "Towards Urban 3D Reconstruction from Video", 3D DATA PROCESSING, VISUALIZATION, AND TRANSMISSION, THIRD INTERNATION AL SYMPOSIUM ON, IEEE, PI, 1 June 2006 (2006-06-01), pages 1 - 8, XP031078917, ISBN: 978-0-7695-2825-0, DOI: DOI:10.1109/3DPVT.2006.141 *
BATLLE J ET AL: "A review on strategies for recognizing natural objects in colour images of outdoor scenes", IMAGE AND VISION COMPUTING, ELSEVIER, GUILDFORD, GB, vol. 18, 1 January 2000 (2000-01-01), pages 515 - 530, XP002597605, ISSN: 0262-8856, DOI: DOI:10.1016/S0262-8856(99)00040-2 *
BERNHARD REITINGER ET AL: "Augmented Reality Scouting for Interactive 3D Reconstruction", VIRTUAL REALITY CONFERENCE, 2007. VR '07. IEEE, IEEE, PI, 1 March 2007 (2007-03-01), pages 219 - 222, XP031080316, ISBN: 978-1-4244-0905-1 *
CATHALA T ET AL: "Real time simulation tools in the CHORALE workshop", PROCEEDINGS OF THE SPIE, SPIE, BELLINGHAM, VA, US, vol. 6239, 1 January 2006 (2006-01-01), pages 62390F - 1, XP009143704, ISSN: 0277-786X, DOI: DOI:10.1117/12.665239 *
MARK R STEVENS ET AL: "Precise Matching of 3-D Target Models to Multisensor Data", IEEE TRANSACTIONS ON IMAGE PROCESSING, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 6, no. 1, 1 January 1997 (1997-01-01), XP011026102, ISSN: 1057-7149 *
MARKO HEINRICH; BRUCE H. THOMAS; STEFAN MUELLER: "ARWeather Mixed and Augmented Reality", IEEE / ACM INTERNATIONAL SYMPOSIUM, 2008, pages 187 - 188, XP058352831, DOI: doi:10.1109/ISMAR.2008.4637359
NARASIMHAN S G ET AL: "All the images of an outdoor scene", LECTURE NOTES IN COMPUTER SCIENCE, SPRINGER, DE, vol. 2352, 1 January 2002 (2002-01-01), pages 3 - 13, XP009143710, ISSN: 0302-9743, ISBN: 978-3-540-20779-5 *
WIXSON L ET AL: "Improved illumination assessment for vision-based traffic monitoring", 1 January 1997, VISUAL SURVEILLANCE, 1998. PROCEEDINGS., 1998 IEEE WORKSHOP ON BOMBAY, INDIA 2 JAN. 1998, LOS ALAMITOS, CA, USA,IEEE COMPUT. SOC, US LNKD- DOI:10.1109/WVS.1998.646018, PAGE(S) 34 - 41, ISBN: 978-0-8186-8320-6, XP010261504 *
ZHIYING ZHOU ET AL: "Robust Pose Estimation for Outdoor Mixed Reality with Sensor Fusion", 19 July 2009, UNIVERSAL ACCESS IN HUMAN-COMPUTER INTERACTION. APPLICATIONS AND SERVICES, SPRINGER BERLIN HEIDELBERG, BERLIN, HEIDELBERG, PAGE(S) 281 - 289, ISBN: 978-3-642-02712-3, XP019122846 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8605141B2 (en) 2010-02-24 2013-12-10 Nant Holdings Ip, Llc Augmented reality panorama supporting visually impaired individuals
US9526658B2 (en) 2010-02-24 2016-12-27 Nant Holdings Ip, Llc Augmented reality panorama supporting visually impaired individuals
US10535279B2 (en) 2010-02-24 2020-01-14 Nant Holdings Ip, Llc Augmented reality panorama supporting visually impaired individuals
US11348480B2 (en) 2010-02-24 2022-05-31 Nant Holdings Ip, Llc Augmented reality panorama systems and methods
CN102694963A (zh) * 2012-04-27 2012-09-26 南京航空航天大学 一种获取无阴影目标图像的方法

Also Published As

Publication number Publication date
CN102612704A (zh) 2012-07-25
US20140321708A1 (en) 2014-10-30
JP5980295B2 (ja) 2016-08-31
EP3550516A1 (de) 2019-10-09
US10062169B2 (en) 2018-08-28
US10580162B2 (en) 2020-03-03
EP2491529A1 (de) 2012-08-29
EP2491530B1 (de) 2019-06-26
US8837779B2 (en) 2014-09-16
JP2013508794A (ja) 2013-03-07
EP3547256B1 (de) 2021-05-19
WO2011047888A1 (en) 2011-04-28
EP3550516B1 (de) 2022-11-23
US20180357786A1 (en) 2018-12-13
DE102009049849A1 (de) 2011-04-21
US8942418B2 (en) 2015-01-27
US20120237085A1 (en) 2012-09-20
US20120219188A1 (en) 2012-08-30
US20150092987A1 (en) 2015-04-02
EP2491530A1 (de) 2012-08-29
CN102667855A (zh) 2012-09-12
CN106650723A (zh) 2017-05-10
CN102612704B (zh) 2017-03-22
US10650546B2 (en) 2020-05-12
US20190172220A1 (en) 2019-06-06
EP2491529B1 (de) 2019-06-26
JP5905540B2 (ja) 2016-04-20
US9218665B2 (en) 2015-12-22
EP3547256A1 (de) 2019-10-02
JP2013508795A (ja) 2013-03-07
US10229511B2 (en) 2019-03-12
DE102009049849B4 (de) 2020-09-24
US20160189384A1 (en) 2016-06-30
JP2015084229A (ja) 2015-04-30
JP2014241155A (ja) 2014-12-25

Similar Documents

Publication Publication Date Title
EP2491530B1 (de) Bestimmung der pose einer kamera
DE102009037835B4 (de) Verfahren zur Darstellung von virtueller Information in einer realen Umgebung
EP2087459B1 (de) Vorrichtung, verfahren und computerprogramm zum bestimmen einer position basierend auf einem kamerabild
DE102012218390B4 (de) Optimierung der Erkennung von Objekten in Bildern
US9880010B2 (en) Method of and arrangement for mapping range sensor data on image sensor data
CN110110621B (zh) 基于多特征整合深度学习模型的倾斜摄影点云分类方法
EP2489013A1 (de) Verfahren zur darstellung von virtueller information in einer ansicht einer realen umgebung
DE112018004847T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren, programm und mobiles objekt
CN109828658B (zh) 一种人机共融的远程态势智能感知系统
CN111401133A (zh) 目标数据增广方法、装置、电子设备和可读存储介质
DE202014010966U1 (de) Geo-Foto-Suche basierend auf den zu erwartenden Bedingungen an einem Standort
DE102021204765A1 (de) Rendern von Augmented-Reality mit Verdeckung
CN115035626A (zh) 一种基于ar的景区智能巡检系统及方法
CN113537047A (zh) 障碍物检测方法、装置、交通工具及存储介质
CN111016787A (zh) 驾驶中防止视觉疲劳的方法、装置、存储介质及电子设备
CN116188587A (zh) 定位方法、装置及车辆
CN114972646A (zh) 一种实景三维模型独立地物的提取与修饰方法及系统
KR20160039447A (ko) 스테레오 카메라를 이용한 공간분석시스템
WO2017182021A1 (de) Verfahren und system zur darstellung einer simulationsumgebung
Campos et al. Aerial Fire Image Synthesis and Detection.
DE102015120927A1 (de) Verfahren zur Darstellung einer Simulationsumgebung
CN116092344A (zh) 一种基于虚实融合的空管管制员模拟训练系统和方法
CN116958915A (zh) 目标检测方法、装置、电子设备及存储介质
CN113610869A (zh) 基于gis系统的全景监控显示方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080057475.4

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10752839

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2010752839

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2012533553

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13502959

Country of ref document: US