Schriftliche Ausarbeitung herunterladen

50 KAPITEL 4. IMPLEMENTIERUNG
Nach dieser Berechnung werden die Featurepunkte im Bild weiterverwendet, welche dem gefundenen
„Fluchtpunkt“ am nächsten liegen.
Weiterer Programmablauf: Unabhängig vom Berechnungsverfahren werden die gefundenen Featurepunkte
solange im Bild verfolgt, bis diese nicht mehr gefunden werden oder sie ihren Quadranten
verlassen haben (siehe Abschnitt 3.2.3, Wiederverwendung der Messpunkte). Auf diese Weise muss
die rechenintensive Auswahl der Messpunkte nicht in jedem Durchlauf durchgeführt werden. So bleibt
trotz kontinuierlicher Neuberechnung der eigenen Position noch Rechenleistung, um andere Objekte,
wie verschiebbare Hindernisse, im Raum zu erkennen. Für diesen Zweck ist zunächst der aktuelle Aufenthaltsraum
der virtuellen Kamera im Modell zu bestimmen.
4.3.2 Positionsbestimmung der virtuellen Kamera
Wechselt der blinde Benutzer seinen Aufenthaltsraum, so wird diese Raumänderung auch im Modell
nachvollzogen. Eine einfache Möglichkeit zu bestimmen, in welchem Raum sich die virtuelle Kamera
befindet, ist über ein Picking-ähnliches Verfahren implementiert. Die tvRoomFinder-Klasse berechnet
die Schnittpunkte eines vom Mittelpunkt der Kamera senkrecht nach unten gehenden Strahls mit der
Szene. Das erste getroffene Objekt liefert gemäß der Namenskonvention (raum_*, flur_* oder treppenhaus_*)
(siehe Abschnitt 4.2.1) den Namen des aktuellen Aufenthaltsraumes. Der entsprechende
Szenengraph Knoten wird zurückgegeben und ermöglicht die Extraktion des Raumnamens und der im
Raum enthaltenen Geometrie.
4.4 Erkennung von verschiebbaren, modellierten Objekten
Neben der kontinuierlichen Neuberechnung der eigenen Position kann über den Locator nach verschiebbaren,
modellierten Objekten im Bild gesucht werden. Auf diese Weise ist es möglich, das Modell
anhand der gefundenen Objektpositionen aktuell zu halten. Die tvObjectDetector-Klasse implementiert
den in Abschnitt 3.2.4 vorgestellten Ansatz zur farb- und formbasierten Erkennung von Objekten. Durch
Vererbung kann dieses allgemeine Objekterkennungsverfahren auf die Detektion spezieller Objekte wie
zum Beispiel Stühle zugeschnitten werden.
Der ObjektDetector segmentiert in einem ersten Schritt Regionen im Bild. Die cvFloodFill() Funktion
wird hierfür in diskreten Abständen im unteren Drittel des Bildes aufgerufen. Eine gefüllte Region
wird dann als Binärbild zurückgegeben. Die Beschränkung auf das untere Bilddrittel ist in diesem Fall
möglich, da nur nach Objekten am Boden gesucht werden soll. Sie reduziert den Aufwand der Suche
auf diese Weise um zwei Drittel. Zur Bestimmung der Farbe wird das Kamerabild in den Lab-Farbraum
konvertiert und der Farbwert des gefundenen Bereichs gemittelt. Dieser wird zusammen mit dem gemittelten
Lab-Farbwert der Umgebung an den nach Hub [15] implementierten Farbklassifizierungsalgorithmus
(colorClassifier()) übergeben. Der Name der ermittelten, wahrgenommenen Farbe kann dann mit
dem Farbnamen der in Abschnitt 3.2.4 entworfenen Modellbeschreibung verglichen werden.
Stimmt der aus dem Kamerabild ermittelte Farbname mit dem Farbnamen der Modellbeschreibung überein,
so wird nach der Maskierung des Farbbildes über den logischen Und-Operator mit dem Binärbild
der gefüllten Region, das Histogramm berechnet. In OpenCV steht für den Vergleich zweier Histogram-