EP3574420A1 - Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells - Google Patents

Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells

Info

Publication number
EP3574420A1
EP3574420A1 EP18701185.3A EP18701185A EP3574420A1 EP 3574420 A1 EP3574420 A1 EP 3574420A1 EP 18701185 A EP18701185 A EP 18701185A EP 3574420 A1 EP3574420 A1 EP 3574420A1
Authority
EP
European Patent Office
Prior art keywords
frame
frame edge
model
parametric
data sets
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
EP18701185.3A
Other languages
English (en)
French (fr)
Inventor
Claudia NIEUWENHUIS
Oliver Schwarz
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Vision International GmbH
Carl Zeiss AG
Original Assignee
Carl Zeiss Vision International GmbH
Carl Zeiss AG
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 Carl Zeiss Vision International GmbH, Carl Zeiss AG filed Critical Carl Zeiss Vision International GmbH
Publication of EP3574420A1 publication Critical patent/EP3574420A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C13/00—Assembling; Repairing; Cleaning
    • G02C13/003—Measuring during assembly or fitting of spectacles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Definitions

  • the present application relates to methods and apparatus for providing a frame edge model of a spectacle frame and corresponding computer programs and computing devices.
  • a frame border of a spectacle frame is the part of the
  • Spectacle frame in which then a spectacle lens is fitted, wherein a first portion of the frame edge for a left lens and a second portion of the frame edge for the right lens is provided.
  • the edge of the frame is not just the border of the frame surrounding the lens
  • Eyeglass frame but also the corresponding sizes in stunned glasses or partial glasses, e.g. Eyeglass frame inner edge, support disk outer edge or eyeglass lens outer edge.
  • a frame edge model is understood to be a mathematical and / or geometric description of the frame edge of a spectacle frame or at least of the first or second portion of the frame edge.
  • Zentrierparameter so that the optical centers of the glasses can be brought into line with the visual axes of the corresponding eyes, so as.
  • Zentrierparameter so that the optical centers of the glasses can be brought into line with the visual axes of the corresponding eyes.
  • centering parameter monocular pupillary distance PD, corneal vertex distance HS according to reference point requirement and / or after eye pivot point requirement, monocular center point distance, center point coordinates , Disc distance, centering point decentration, disc height and width, disc center distance, prescription lens a,
  • Bracket angle ß grinding height.
  • the centering parameters are determined regularly by an optician. Important
  • Centering parameters are z. For example, these are defined in the standard EN ISO 13666: 2012 (D / E) and can be determined by an optician and a subject standing or sitting opposite one another, with the test person setting the version of his choice with a pane of glass enclosed in it. The subject is asked to look into the distance, and the optician then draws
  • This cross determines the position of the optical center of the lens to be inserted into the socket. This procedure is performed individually for each of a subject's eyes. The distance between the centering crosses determined in this way is the pupillary distance PD.
  • This system includes a height adjustable mounted on a digital video camera, the lens is arranged together with a mirror and a light source in the region of the front surface of the housing.
  • the system makes it possible to measure distances and to measure the dimensions required for embedding
  • Eyeglass lenses are to be considered. In the system there is one with the digital one
  • Video camera connected computer taken from the image of a spectacle wearer with a
  • Spectacle frame and with a measuring bracket fixed to the spectacle frame Centering parameters for the spectacle frame determined by means of image evaluation.
  • one or more images of a person's head, which carries the respective spectacle frame are recorded simultaneously or sequentially, and the centering parameters are determined by image analysis from the recorded images.
  • the algorithms used are based, among other things, on the captured images
  • a tracer record is present for a spectacle frame currently to be measured on a person's head.
  • a tracer is according to the above-mentioned DIN EN ISO 13666 a device for accurate, often three-dimensional measurement of the glass shape of a spectacle frame for the edge of the form of the glass, so a device which measures the frame edge of a spectacle frame.
  • the tracer can thereby determine the tracer dataset either the frame edge of the eyeglass frame or the glass edge of a support disk which is shaped to in the frame edge to be used, measured.
  • the tracer record then describes only the frame edge of the spectacle frame, but not other parts of the spectacle frame.
  • Tracer records after being generated by the tracer, typically contain information identifying the source of the record (ie, the tracer used). However, this information may also be removed as the tracer record is processed.
  • the approach of DE 10 201 1 1 15 239 B4 is then based on finding a contour described by the tracer data record in image recordings. Conventional methods of image analysis such as pattern matching or template matching are used, the latter being described, for example, in the article "Template Matching" on Wikipedia of January 17, 2017.
  • Pattern search also referred to as pattern-based search or pattern matching, is a designation for symbol-processing Method which identifies corresponding structures in the recorded images on the basis of a predetermined pattern-in this case specified by the tracer data set-Through the use of the tracer data set, the recognition of the frame edge in the images is determined according to the statements of DE 10 201 11 15 239 B4 compared to others
  • a disadvantage of this approach is that the tracer record and thus the patched glasses must be known to find the frame edge in the captured images.
  • an optician will not generate tracer data from a socket until a customer has already selected the glasses for purchase. Since the generation of the tracer data is time consuming, they become
  • the tracer datasets are at least preferably required as three-dimensional datasets (ie, datasets describing the three-dimensional shape of the rim of the frame), while some conventional tracers only generate two-dimensional datasets describing the shape of the rim of the frame in a plane.
  • Szu-Hao Huang et al. "Human-centric design personalization of 3D glasses frame in markerless augmented reality,” Advanced Engineering Informatics 26 (2012) pp. 35-45 describe a method of virtual fitting a spectacle frame Spectacle frame used by means of a
  • Main component analysis is created on a variety of stored spectacle acquisition models.
  • the spectacle frame models are present as polygonal meshes which correspond to CAD (Computer Aided Design) datasets of spectacle frames.
  • CAD Computer Aided Design
  • US 2015/055085 A1 discloses a virtual fitting on of glasses, to which a model of the glasses is used. Captured head images are analyzed with a principal component analysis.
  • Zentrierparameterbetician not a separate Tracer record must be created for each spectacle frame.
  • Spectacle frames and from these, a model of an entire spectacle frame is obtained by a principal component analysis.
  • a model is explained for the above Fassungsranderkennung only conditionally suitable because in the model, for example, data regarding the eyeglass temple are included, which have nothing to do with the detection of the frame edge, but still need to be processed with. It is therefore a first object of the invention to provide a method for providing a
  • Embodiments of the method of the first aspect Embodiments of the method of the first aspect.
  • Frame margins are not included in the model and thus can not be detected.
  • Embodiments of the second aspect The method for providing a model of a spectacle frame according to Szu-Hao Huang et al., Which uses inter alia a principal component analysis, is relatively complicated mathematically. Proceeding from this, it is a third object of the present invention to propose a simplified method for providing a frame edge model. For this purpose, a computer-implemented method according to claim 19 is provided according to a third aspect of the invention.
  • Dependent claims 20-22 define others
  • Embodiments of the third aspect In the method according to Szu-Hao Huang et al. It is assumed that 3D data from spectacle frames are in a form suitable for principal component analysis. When data describing the frame edge of an eyeglass frame comes from a variety of sources, such as various meters, e.g. with different tracers from different socket manufacturers or opticians, the data are in various formats and may also be noisy due to the measurement process, i. Have fluctuations that are due to the measurement.
  • the frame edge models provided with the above methods can be used, in particular, for centering spectacle lenses, for enclosing spectacle lenses and for producing spectacle lenses.
  • methods according to claims 42, 43 and 44 are provided.
  • a method for providing a frame edge model
  • a parametric rim model is a rim model that has one or more modifiable parameters. By changing the parameter or the parameters, the geometry of the frame edge described by the frame edge model then changes, for example with regard to size or shape or with regard to the alignment of first and second sections for the two spectacle lenses. This is similar to parametric modeling in CAD (Computer Aided Design) technology (see http://www.blien.de/ralf/cad/db/para_mod.htm Stand
  • parameters are not limited to dimensions and generally changes in geometry e.g. in terms of size and / or shape by changing the parameters are possible.
  • Parameters of such a model are thus variables by means of which the frame edge described by the frame edge model can be changed.
  • a parametric frame edge model in the sense used here can also be a so-called parameter-free model. Parameter-free models are described, for example, in the Wikipedia article “Parameter-Free Statistics.”
  • Models whose model structure is not determined a priori, but is determined based on the large number of data sets. They also have parameters, but the nature and number of these parameters are also not fixed a priori. They are also applicable if the necessary prerequisites for certain parametric models (e.g., for Gaussian distributions) in the data are not met.
  • the parametric frame edge model By providing the parametric frame edge model based on the plurality of datasets, a plurality of datasets are incorporated into the model. This causes the parametric frame edge model to be applicable to a variety of different spectacle frames, even to spectacle frames that are not directly described by a record of the plurality of datasets.
  • the parametric frame edge model can then be adapted to the frame edge of a specific spectacle frame by the parameter or parameters of the parametric frame edge model.
  • tracer data records of different spectacle data of spectacle frames are used, which were determined via a corresponding multiplicity of spectacle frames.
  • Tracer datasets provides data only for the required frame margins, and not for other parts of a frame such as brackets.
  • tracer records contain only sequences of points in space or in the plane that describe the socket outline. They are not meshes, as in the above-cited publication Szu-Hao Huang, which also contains edges and surfaces in addition to points. This can simplify the creation of the frame border model as well as a subsequent image analysis, since the
  • Frame contour does not have to be calculated first from a model of an entire spectacle frame.
  • an optician often does not have polygon meshes of spectacle frames as in the method of Szu-Hao Huang et al. before, for example in the form of CAD datasets, on the eyeglass frames, since these are the trade secret of the frame manufacturers.
  • most opticians have a tracer that can easily retrieve a variety of tracer data sets.
  • the method according to the first aspect of the invention can also be easily performed by an optician without relying on the provision of records by third parties such as socket manufacturers.
  • the second, third and fourth aspects may alternatively be CAD data (Computer Aided Design) of the spectacle frames of
  • the data sets are present as 3D data records, i. they describe the spatial course of the respective border of the frame. This results in more accurate models, since all three spatial directions can be determined.
  • 2D datasets which describe the course of the frame margins only in one plane.
  • the parametric frame edge model does not allow "untypical" frame margins, e.g., no frame margins, the cut-off lenses, non-symmetrical ones
  • Eyeglass lenses or lenses with glass edges, which have a bulge or invagination, so a high curvature correspond.
  • the data sets are preferably present as 3D data sets, i. Data sets that describe the course of the respective border of the frame in three dimensions.
  • 3D data sets i. Data sets that describe the course of the respective border of the frame in three dimensions.
  • Socket angle can be determined over a variety of lenses. Alternatively, it is also possible to simply assume typical values for these parameters. In addition, a symmetry of two levels, paraboloid or similar 3D models in which the lenses are, to each other to be accepted. With pre-tilt angle,
  • Bracket angle and the assumption of symmetry then yields the location of the two planes (e.g., defined by normal vectors on the planes and points of appeal for the plane)
  • Normal vectors into which the 2D data sets are then projected.
  • the method according to the invention also makes it possible to provide a 2D model based on 2D data sets. This may also be beneficial in some applications.
  • 2D datasets are smaller (less data) than corresponding 3D datasets, and because of their lower dimensionality, 2D models have fewer parameters in most cases, so optimization methods using the 2D model, eg, when the model approaches a frame edge in an image is adjusted as described later, have a lower complexity. For some applications, such as identifying a frame border in a single image, only one 2D model is needed.
  • Providing the parametric frame edge model may, in one variant, include calculating the parametric frame edge model from the plurality of datasets.
  • the large number of data sets is used as the basis for a new creation of a parametric frame edge model.
  • An example of this is machine learning based on the large number of data records.
  • Machine learning is outlined in the Wikipedia article "Machine Learning" of January 17, 2017, and is a generic term for artificially generating knowledge from experience.
  • the plurality of data sets represents experience
  • the parametric perimeter model represents the generated knowledge dar.
  • the mentioned Wikipedia article also gives an overview of various approaches and algorithms that can be used here.
  • One possible approach for calculating the parametric frame edge model from the plurality of datasets is to use a principal component analysis.
  • the Principal Component Analysis (PCA) is a multivariant statistics method that generates a large number of so-called "main components", the data sets being then calculated as the sum of an average value and a value
  • Linear combinations of these main components can be displayed.
  • the mean value of the plurality of data sets is first determined and subtracted from the data records. From the result, the main components are determined.
  • the main components are orthogonal to each other. This means that the representation of each record is unique, i. that the respective linear combination is unique
  • Principal components then represent the parameters of the parametric frame edge model.
  • An advantage of the principal component analysis is also that it provides the dimension of the
  • Model space can be minimized so that as little information is lost.
  • the dimension of the model space is equal to the number of parameters of the model and in the case of the principal component analysis the number of main components (one coefficient for each
  • the border of the frame is determined by projecting a curve defined by the respective edge of the frame onto the main components.
  • ICA Independent Component Analysis
  • providing the parametric frame edge model comprises calculating probability distributions for parameters of a predetermined parametric one
  • Perimeter border model based on the large number of data records. In this variant, therefore, no parametric frame edge model is created completely new, but at first a parametric frame edge model is specified.
  • a simple example of such a model is two planes symmetric to a median plane, each plane
  • the frame margins can then be further described by parametric geometric shapes within the planes, a simple example of which are ellipses, for example, by the length of the major semiaxes , usually denoted by a, and the small semiaxes, usually denoted by b, can be characterized as parameters, where the major axis formed by the major semiaxes, the axis passing through the foci of the ellipse, and the minor axis, which is formed of two small semi-axes, is perpendicular to it.
  • the predetermined parametric frame edge model can for example be adapted (fitted) to each of the data records in order to obtain respective parameter values for the data record.
  • Such fitting can be done, for example, with the least squares method (see Wikipedia article “Least Squares Method” of January 17, 2017) or with other conventional Fit methods, thus obtaining parameter values for the plurality of records. which can then be statistically evaluated.
  • mean and standard deviation can be specified for each of the parameter values.
  • any distributions of the Parameter values are collected and analyzed, and there is no restriction on a given distribution such as a Gaussian distribution.
  • the statistical evaluation can be done in a simple manner by means of a histogram, as described for example in the Wikipedia article "Histogram", as of 1 December 1, 2017.
  • MCMC Markov Chain Monte Carlo
  • Parameters on the data. This is repeated very often, e.g. more than 10,000 times or more, with the number of repetitions also depending on the particular method chosen and its implementation.
  • a probability distribution over model parameter sets ie over all parameters together
  • the parameter set with the highest probability can be selected as "best fit", i.e. as a fitted model, or alternatively, for example, the mean or median of the distribution:
  • probability distributions of parameters of the above-mentioned parameter-free models can also be determined in this way.
  • providing the parametric frame edge model comprises providing the plurality of datasets or a plurality of datasets derived from the plurality of datasets as the model, one parameter of the parametric
  • Perimeter frame indicates a record of the plurality of records or the plurality of other records.
  • the data records or other data records derived therefrom are used directly as a model, and a parameter indicates a respective data record, for example a number of the data record.
  • a parameter indicates a respective data record, for example a number of the data record.
  • no elaborate processing of the data sets for example by means of principal component analysis, is necessary in order to create the model.
  • a parametric frame edge model For example, to adapt to a frame edge found in an image, the data set closest to the frame edge in the image can then be selected (again, for example, by means of the least squares method).
  • Derived additional records are records that are derived from the multitude of records using mathematical operations such as those explained below
  • providing the parametric frame edge model includes transforming the plurality of datasets.
  • a plurality of transformed data sets are obtained.
  • a transformation of a data record is to be understood as meaning the application of an operation to the data record which makes the data record in another form, i. a respective further data set, transferred, wherein the information of the data set about the geometry of the frame edge remains at least approximately.
  • Such transformations can serve in particular for normalization or reparameterization in order to bring the multiplicity of data records into a format corresponding to one another, as it were.
  • Reparameterization is a change of parameters and / or values (e.g., coordinates) that describe the frame edge, such as a change of a used coordinate system or a change of a base such as a coordinate. a reference point of a used
  • the transformation in a first variant of the fourth aspect of the invention optionally also in other aspects of the invention, comprise a coordinate transformation.
  • a coordinate transformation data present in a first coordinate system are transferred to a second coordinate system.
  • data sets present in different first coordinate systems can be transformed into a common second coordinate system, and / or the data records can be converted into a coordinate system which is more suitable for later processing.
  • Cartesian coordinates ((x, y) in 2D or (x, y, z) in 3D)
  • existing data sets in polar coordinates ( ⁇ , r) (in 2D) or spherical coordinates ( ⁇ , ⁇ , r) (in 3D ) are transferred.
  • the coordinate systems of the data sets can be brought to mutually corresponding reference points.
  • the center of a portion of the frame edge can serve as a reference point for a spectacle lens, wherein the center of gravity can be used in particular as the center of gravity.
  • peripheral edge portions serve as a reference point for the two lenses.
  • a rotation to align the data sets in the same direction by means of the coordinate transformation, a rotation to align the data sets in the same direction.
  • a horizontal direction which connects the centers according to the box system (5.4 DIN EN ISO 13666 from 10/2013) of right and left lenses in the respective spectacle frame, be defined as an x-axis, and directions perpendicular thereto as y- and z -Axis.
  • Eyeglass lenses approximating planes as z-axis (for records that describe both portions of the frame edge, for one of the lenses, such as the left) and a direction perpendicular thereto are defined as the y-axis, the lenses are defined by the records. Rotations then align all the records of the plurality of records into that coordinate system.
  • the transformation may also include resampling of the frame margins defined by the datasets, in which the geometries defined by the datasets are in polar coordinates, for example
  • the reference point can be selected as explained above, in this way the data sets are unified in terms of their representation, which is the following further
  • the transformation comprises filtering the data records with a low-pass filter in order to smooth out the frame edge geometries defined by the data sets.
  • Filtering is understood to mean a transformation of data sets in the above-mentioned sense by which noise or other measurement artifacts that occurred during the creation of the data sets are reduced or eliminated, ie. a partial aspect of the signal is partially or completely suppressed. Examples of such filtering include Gaussian filtering (see the Wikipedia article "Gaussian Filter” as of January 18, 2017) or Fourier filtering. ⁇ br /> ⁇ br /> In a Fourier filtering, a Fourier transform is made on the data sets from the spatial domain in performed the frequency space, and the
  • an inverse transformation (inverse Fourier transformation) can take place.
  • a further processing for example, the above-mentioned calculation of the model in the frequency space and take place, for example, only after a back transformation.
  • Margin frame model can be facilitated because such measurement artifacts or noise then need not be considered in the frame edge model.
  • the transformation comprises an approximation of the data sets by parametric curves.
  • Parametric curves are curves that are described by parameters.
  • An example of such parametric curves are the already mentioned splines. These curves are matched to each of the data sets in such embodiments, again using the least squares method, for example, so that ultimately each data set is then characterized by the respective parameters, such as spline coefficients. This leads to a smoothing, as smooth curves are defined by the datasets defined points.
  • the analysis of the image is to be understood as a processing of the image which helps to ultimately obtain information from the at least one image.
  • segmentation is generally understood as the identification of specific image components. It is considerably facilitated if there is a frame edge model whose parameters have to be adapted, since only special meaningful curves of the curve can be represented in the picture. Without such a model it is difficult to find a curve that matches the characteristics of a
  • Spectacle edge or two lens edges is sufficient, e.g. the symmetry of the two glasses detected in the image is naturally given in a 3D frame model. In contrast, it is difficult to achieve the symmetry of the two lenses in an image segmentation process, because perspective distortions in the image of the 3D frame edge into the image lead to asymmetrical 2D contours. Centering parameters can then be determined by the detection of the edge of the frame, as explained in the introduction with reference to DE 10 201 11 15999 B4.
  • Parameters of the parametric frame edge model which are detected by a detection of the
  • Fassungsrandes can be obtained in one or more images and adjusting the frame edge model to the detected frame edge.
  • they are preferably taken from multiple directions, which increases the accuracy of the detection of the frame edge.
  • further parameters can be calculated, which include a translation, rotation, scaling, etc. of the
  • Frame border model to adapt to the picture describe. If the concrete parameters of the frame border model are known, the position of the frame in the room is determined.
  • the frame border also for stunned glasses and spectacles with partial versions with the location of the frame edge and a representation of an edge of a corresponding to be inserted into the socket lens is known and can thus be determined.
  • a representation of an edge of a spectacle lens as described above for the detection of the frame edge can be determined.
  • the invention means a
  • a representation of the edge of a spectacle lens is a data set from which the three-dimensional course of the wearer's wear rim facing away from the spectacle wearer can optionally be unambiguously determined on the basis of additional variables describing the spectacle lens.
  • a representation of the edge of a spectacle lens can, for. B. be surrounded by the projection of the edge of the lens in the image plane of an image sensor of an image pickup device surface in which the lens is imaged for image capture.
  • the wearing edge of a spectacle lens corresponds to one
  • the edge of a spectacle lens which corresponds to the inner edge of the eyeglass frame and the outer edge of the eyeglass lens which is not connected to the eyeglass lens frame are to be understood as the support rim of a spectacle lens.
  • the supporting edge of a spectacle lens in rimless glasses is the glass outer edge.
  • the frame-specific centering parameters can then be determined, e.g. the pre-tilt or the bracket angle. If, in addition, the position of the eyes in the room is known, the centering parameters can be completely determined.
  • Spectacle frame provided, characterized in that in a step (i) to the
  • Spectacle lens centering parameters are determined, wherein determining the centering parameters comprises determining the representation of the edge of the spectacle lens with the method as described above and in a step (ii) the spectacle lens is centered with the centering parameters determined in step (i) in the spectacle frame.
  • a method for inserting a spectacle lens into a spectacle frame characterized in that in a step (i) to the spectacle lens
  • Centering parameters are determined, wherein determining the centering parameters, determining the representation of the edge of the spectacle lens with the method as described above includes; and in a step (ii) grinding the spectacle lens based on the centering parameters determined in step (i) for an arrangement in the spectacle frame.
  • eyeglass properties can be determined from the image as information, for. B. color, shape or size of the glasses. If the specific parameters of the 3-D frame model have been known or previously estimated, camera parameters from the identification of the frame edge in one or more images can also be obtained as information, e.g. the extrinsic parameters (one location) of a used calibrated camera or the intrinsic and extrinsic
  • Camera parameters of an uncalibrated camera together may be particularly useful in applications where mobile devices such as smartphones or tablets are used for image capture whose location in space is not fixed.
  • both the parameters of the 3D frame model and the camera parameters can be determined simultaneously, for example by solving an optimization problem.
  • the camera parameters of a camera are extrinsic parameters, ie parameters that do not arise from the properties of the camera itself, such as the relative orientation in space, ie the relative orientation of the optical axis of the camera to other objects, as well as the intrinsic parameters of the camera
  • An example of such intrinsic parameters are parameters that define how the coordinates of a point in space in a coordinate system referenced to the camera are converted into the coordinates of the pixel of that point located in the image plane of the image sensor.
  • the frame can be removed from the images by projecting the frame model into the images according to the camera imaging properties and removing the resulting contour from the images and repairing it with inpainting.
  • the parametric boundary model in the analysis can simplify the analysis, examples of which are discussed below.
  • the provision of the at least one image may, for example, comprise taking one or more images with one or more cameras arranged in a fixed geometry. This allows for multiple cameras with fixed geometry or a single camera that performs a given (and thus known) or any motion relative to the head to pick up the head from different directions
  • the parametric frame model can be used to segment the at least one image, in particular to identify the
  • edges of the frame may be bad or even unidentifiable (eg rimless frames or frames with colors that are similar to skin color). This can lead to edges being only partially identified.
  • edges in the image can be incorrectly identified as border edges (eg if the outer edge of the glasses shows the hair or the background, strong edges to the skin color of the face, which are easily confused with the edge of the frame).
  • the parametric frame model can be used, since the parametric frame model does not allow for untypical frame margins (eg cut glasses, not symmetrical glasses, glass edges with bulge or
  • the space of possible solutions to that in the image may increase
  • camera calibration data is used.
  • the camera calibration data describes a mapping rule of (three-dimensional) points in space to an image captured by a camera used to capture the at least one image.
  • the parametric frame edge model can be projected into the image and used to identify edges of the frame border.
  • a projection is understood to be an image of a 3D model in a 2D image. If no calibration data should be present, in some embodiments, the frame edge model may be projected into the at least one image, e.g. by the
  • the at least one image may also comprise a plurality of images taken from different directions, e.g. as stereo image recording.
  • a 3D image can be calculated therefrom according to computation steps known from stereoscopic image recording, in which the 3D frame edge model can then be used to identify the frame edge. Identifying the frame edge in the image will then also reveal the parameters of the frame perimeter frame model for that frame edge, e.g. when segmenting and determining the parameters in one
  • the parametric rim model with the parameters thus determined can then be used e.g. be used to determine Zentrierparametern, as will be explained briefly below.
  • parametric edge model these can also be used, for example, in the image analysis of an average of the parameter
  • This value can then be improved sequentially, for example within an MCMC method, in which a parameter set corresponding to the distributions of the individual parameters is randomly selected and then the distance of the images projected into the image Sizing edges with the image detected in the image, for example by means of an edge detector edges is calculated. This procedure is repeated very frequently, leading to a distribution over parameters with associated distances. At the end the parameter set with the smallest distance value can be selected as best.
  • the mean of the parameter may be used as an initial value in an optimization problem, e.g. within a gradient descent process.
  • a deviation of a frame edge determined from the at least one image is also included in the parametric frame edge model
  • possible frame margins are mathematically, e.g. Binary function on the image with an argument of the function describing, for example, points as a result of points or also as a spectacle lens to be inserted into the spectacle frame. between 0 (outside the lens) and 1 (inside the lens).
  • the amount of possible frame margins represents a Fassungsrandjansschar dar.
  • a cost function which uses eg the edges in the image or the colors in the image and assigns a value to each possible border of the frame.
  • the minimum of this cost function (minimized by the marginal margins feature set - the cost function is thus a function of functions or frame margins) is then the best frame constraint function that fits the assumptions (edges and color, etc.) in the cost function.
  • the cost function edge, color, symmetry, etc.
  • a penalty is generally an additional term in the cost function, which is the "cost", ie the Value of the function, increased depending on certain circumstances, in this case depending on a deviation of the frame edge from the parametric frame edge model. That is, solutions for the frame edge to be identified that are far from the space of the frame margins that can be written by the parametric frame model have a high cost in optimizing the frame edge to be identified (ie optimizing a frame edge as well as possible) identify the at least one image so that the identified frame edge corresponds as closely as possible to the actual frame edge). This Strafterm you can to all sorts
  • the frame edge is identified in the image by means of conventional methods, for example with the methods mentioned in the introduction to the description of DE 10 201 1 1 15 239 A1.
  • the parametric frame edge model is then adjusted, i. the parameters of the parametric
  • Frame border models are optimized in order to achieve the greatest possible match of the parametric frame edge model with the frame edge identified in the at least one image.
  • This adaptation can be done by the least squares method or another conventional optimization method.
  • it is easier to determine the parameters of the parametric frame edge model than in the case where the parametric frame edge model is used for segmentation as described above, since only the parameters are found and the frame edge has already been identified in the image.
  • the parametric frame edge model can then be used for further evaluations. For example, a position of the eyes can also be determined from the at least one image or with a distance measurement to the camera, and the centering parameters mentioned in the introduction can then be determined from the position of the eyes and the parametric frame edge model. Since these centering parameters are simple geometric quantities, they then simply result from the geometric description of the frame edge, which is given by the parametric frame edge model, and the position of the eyes for this purpose.
  • the adaptation of the parametric frame edge model to a frame edge identified in an image may, in the case where the parametric frame edge model includes the plurality of data sets or other data sets derived from the plurality of data sets, also be the best matching one of the plurality of data sets or other records.
  • the deviations from the identified frame edge are calculated for all data sets of the plurality of data records or the plurality of further data records and the data record with the smallest
  • a computer program provided with a program code which, when executed on one or more processors of a computing device, one of the above
  • a corresponding computing device having a processor and a memory in which a corresponding computer program is stored is also provided.
  • the memory can be in particular a physically tangible memory.
  • Computing device also has a data input to receive the records.
  • the data input can be a network connection to receive the data records via a network such as the Internet, or a recording for a storage medium to receive the data stored on the storage medium records, such as a USB interface for receiving a memory stick or an optical Drive (DVD or CD drive) for holding an optical storage medium.
  • a network such as the Internet
  • a recording for a storage medium to receive the data stored on the storage medium records such as a USB interface for receiving a memory stick or an optical Drive (DVD or CD drive) for holding an optical storage medium.
  • FIG. 1 shows a flow chart of a method according to an exemplary embodiment
  • FIG. 2 shows a flow chart of a method according to a further exemplary embodiment
  • 3 is a block diagram of a computing device according to an embodiment
  • FIG. 4 is a diagram illustrating a data set
  • FIG. 5 is a diagram illustrating a parametric model.
  • FIG. 1 shows a flow chart, which generally shows the sequence of a method according to an exemplary embodiment.
  • the method includes providing a plurality of data records each having a course of a frame edge of a
  • FIG. 2 shows a more detailed flowchart of a method according to FIG.
  • a step 20 data records, for example tracer data, are provided as training examples.
  • preprocessing i. transforming the data records into another format, for example by coordinate transformation or reparameterization as already described.
  • step 22 based on the preprocessed data sets, a parametric
  • Fassungsrandmodell in this case, a 3D model, generated, for example by
  • step 23 for example, a
  • the parametric frame edge model is used to facilitate identifying a frame edge in captured images.
  • step 24 as described in an optimization process for identifying a frame edge in one or more images, a penalty is created based on a deviation of a currently identified frame edge from the parametric frame edge model.
  • step 25 as already explained, the data records or the
  • FIG. 3 shows a block diagram of a computing device 30 according to FIG.
  • the computing device 30 includes a processor 31 and a memory 32, such as a random access memory (RAM) or a read-only memory (ROM), in which a program code is stored.
  • a memory 32 such as a random access memory (RAM) or a read-only memory (ROM), in which a program code is stored.
  • RAM random access memory
  • ROM read-only memory
  • the program code stored in the memory 32 is running on the processor 31, one or more of the methods described above, in particular the method of FIG. 1 or FIG. 2, are executed.
  • the computing device 30 via a data input 33 corresponding
  • Data output 34 is then output a corresponding parametric frame edge model, which was determined as described. It should be noted that data input 33 and data output 34 can also be physically identical, for example by a
  • Network interface or the like may be formed.
  • a computing device 30 for example, a commercially available computer can be used, which then
  • FIG. 4 shows a plurality of data records 40 in a 2D representation
  • each record corresponds to a closed line indicating the portion of a frame edge for a spectacle lens. From this variety of lines, which for example tracer data from measurements
  • FIG. 5 shows a simple diagram for illustrating a parametric one
  • an ellipse 50 serves as a model, and the parameters are the large semiaxis a and the small semiaxis b of the ellipse 50.
  • the ellipse 50 can serve, for example, as the predetermined parametric frame edge model 50.
  • the ellipse 50 may then be adapted to each data set, for example to each of the curves of the data set 40 of FIG. 4, so as to obtain for each data set a value for the major semiaxis a and a value for the minor semiaxis b.
  • a probability distribution for the parameters a and b can then be created, for example in the form of a histogram or in the form of mean value and standard deviation.
  • ellipse 50 in this case was chosen only as a simple example, and even more complex geometric shapes are possible. In general, it should be noted that the illustrated and described
  • Embodiments are for illustrative purposes only and are not to be construed as limiting.
  • a method of providing a frame border model comprising:
  • Clause 3 The method of clause 2, wherein the computing includes machine learning on the plurality of data sets.
  • Coordinate transformation and / or scanning of curves defined by the data sets at equal angular intervals and / or filtering of the data sets and / or an approximation of the data sets by parametric curves comprises.
  • Image analysis method comprising:
  • identifying the frame edge comprises an optimization process with a penalty depending on a deviation of a frame edge to be optimized from the parametric frame edge model and / or identifying the frame edge based on probability distributions of parametric frame edge model parameters.
  • a computer program having a program code which, when executed on a processor, performs the method of any of clauses 1-13.
  • a computing device comprising:
  • a data input for receiving a plurality of data records, each describing a profile of a frame edge of a respective spectacle frame, and a memory, wherein in the memory the computer program is stored according to clause 14.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Optics & Photonics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Eyeglasses (AREA)
  • Image Analysis (AREA)
  • Architecture (AREA)

Abstract

Verfahren, Recheneinrichtungund Computerprogramm zum Bereitstellen eines Fassungsrandmodells Es wird ein Verfahren zur Bereitstellung eines Fassungsrandmodells, ein entsprechendes Computerprogramm sowie eine entsprechende Recheneinrichtung beschrieben. Zum Bereitstellen des Fassungsrandmodells wird zunächst eine Vielzahl von Datensätzen bereitgestellt (20), die jeweils einen Verlauf eines Fassungsrandes bezeichnen. Derartige Datensätze können beispielsweise aus Tracer-Daten gewonnen werden. Auf Basis dieser Datensätze wird dann ein parametrisches Fassungsrandmodell bereitgestellt (22). (Figur 2)

Description

Beschreibung Verfahren, Recheneinrichtung und Computerprogramm zum Bereitstellen eines
Fassungsrandmodells
Die vorliegende Anmeldung betrifft Verfahren und Vorrichtungen zum Bereitstellen eines Fassungsrandmodells einer Brillenfassung und entsprechende Computerprogramme und Recheneinrichtungen. Ein Fassungsrand einer Brillenfassung ist dabei derjenige Teil der
Brillenfassung, in welchen dann ein Brillenglas eingepasst wird, wobei ein erster Abschnitt des Fassungsrands für ein linkes Brillenglas und ein zweiter Abschnitt des Fassungsrands für das rechte Brillenglas vorgesehen ist. Im Rahmen dieser Anmeldung wird unter einem
Fassungsrand nicht nur der Fassungsrand einer ganz um das Brillenglas umlaufenden
Brillenfassung verstanden, sondern auch die entsprechenden Größen bei fassungslosen Brillen oder Brillen mit Teilfassung, z.B. Brillenfassungsinnenrand, Stützscheibenaußenrand oder Brillenglasaußenrand. Unter einem Fassungsrandmodell ist eine mathematische und/oder geometrische Beschreibung des Fassungsrands einer Brillenfassung oder zumindest des ersten oder zweiten Abschnitts des Fassungsrands zu verstehen.
Um die Brillengläser korrekt in eine Brillenfassung einzupassen, ist es zum einen erforderlich, sogenannte Zentrierparameter zu bestimmen, damit die optischen Zentren der Gläser mit den visuellen Achsen der entsprechenden Augen in Deckung gebracht werden können, um so z. B. die Information über die Pupillendistanz und die Information über die Höhe der Pupillen in Bezug auf die Brillenfassung zu kennen. Zum anderen ist es erforderlich, den durch die Brillenfassung vorgegebenen Tragrand des Brillenglases zu kennen, in der das Brillenglas aufgenommen werden soll.
Neben der Information der Pupillendistanz und der Information über die Höhe der Pupillen in Bezug auf die Brillenfassung werden unter den Begriff Zentrierparameter insbesondere folgende Größen subsumiert: monokularer Pupillenabstand PD, Hornhautscheitelabstand HS nach Bezugspunkt-forderung und/oder nach Augendrehpunktforderung, monokularer Zentrier- punktabstand, Zentrierpunktkoordinaten, Scheibenabstand, Dezentration des Zentrierpunktes, Scheibenhöhe und -breite, Scheibenmittenabstand, Brillenglasvorneigung a,
Fassungsscheibenwinkel ß, Einschleifhöhe. Die Zentrierparameter werden regelmäßig von einem Augenoptiker bestimmt. Wichtige
Zentrierparameter sind z. B. in der Norm EN ISO 13666:2012 (D/E) definiert und können ermittelt werden, indem sich ein Optiker und ein Proband gegenüber stehen oder sitzen, wobei der Proband die Fassung seiner Wahl mit einer darin eingefassten Glasscheibe aufsetzt. Der Proband wird gebeten, in die Ferne zu blicken, und der Optiker zeichnet dann nach
Augenschein auf der Scheibe oder auf einer Kontaktstrichfolie mit einem Kreuz den Durchblick an, wie er ihn beim gegenseitigen Anblick erkennt. Dieses Kreuz (Zentrierkreuz) bestimmt dann die Lage des optischen Mittelpunktes des in die Fassung einzusetzenden Brillenglases. Dieses Verfahren wird für jedes der Augen eines Probanden einzeln durchgeführt. Der Abstand der auf diese Weise ermittelten Zentrierkreuze ist der Pupillenabstand PD.
Für die Zentrierparameterbestimmung werden aber mittlerweile auch automatisierte
Messsysteme eingesetzt. Ein solches Messsystem ist z. B. in der WO 01/84222 A1
beschrieben. Dieses System enthält eine an einer Säule höhenverstellbar aufgenommene digitale Videokamera, deren Objektiv zusammen mit einem Spiegel und einer Lichtquelle im Bereich der Frontfläche des Gehäuses angeordnet ist. Das System ermöglicht insbesondere das Messen von Abständen und das Erfassen von Maßen, die für das Einschieifen von
Brillengläsern zu berücksichtigen sind. In dem System gibt es einen mit der digitalen
Videokamera verbundenen Computer, der aus dem Bild eines Brillenträgers mit einer
Brillenfassung und mit einem an der Brillenfassung festgelegten Messbügel Zentrierparameter für die Brillenfassung mittels Bildauswertung bestimmt.
Bei manchen dieser Messsysteme werden gleichzeitig oder sequentiell ein oder mehrere Bilder eines Kopfes einer Person, welche die jeweilige Brillenfassung trägt, aufgenommen und durch Bildanalyse aus den aufgenommenen Bildern die Zentrierparameter ermittelt. Dabei verwendete Algorithmen basieren unter anderem darauf, in den aufgenommenen Bildern die
Fassungsränder der Brillenfassung zu erkennen.
Derartige Vorrichtungen und Verfahren sind beispielsweise auch in der DE 10 201 1 1 15 239 A1 beschrieben. Bei der dort beschriebenen Herangehensweise liegt für eine momentan an einem Kopf einer Person zu vermessenden Brillenfassung ein Tracer-Datensatz vor. Ein Tracer ist dabei gemäß der oben erwähnten DIN EN ISO 13666 eine Vorrichtung zur genauen, oftmals dreidimensionalen Vermessung der Glasform einer Brillenfassung für die Formrandung des Glases, also eine Vorrichtung, welche den Fassungsrand einer Brillenfassung vermisst. Der Tracer kann dabei zur Bestimmung des Tracer-Datensatz entweder den Fassungsrand der Brillenfassung oder den Glasrand einer Stützscheibe, die geformt ist, um in den Fassungsrand eingesetzt zu werden, vermessen. In beiden Fällen beschreibt der Tracer-Datensatz dann nur den Fassungsrand der Brillenfassung, nicht jedoch andere Teile der Brillenfassung. Tracer- Datensätze enthalten, nachdem sie durch den Tracer erzeugt wurden, üblicherweise eine Information, die die Quelle des Datensatzes (d.h. den verwendeten Tracer) bezeichnet. Diese Information kann jedoch im Laufe der Verarbeitung des Tracer-Datensatzes auch entfernt werden. Die Herangehensweise der DE 10 201 1 1 15 239 B4 beruht dann darauf, eine durch den Tracer-Datensatz beschriebene Kontur in Bildaufnahmen zu finden. Dabei werden herkömmliche Verfahren der Bildanalyse wie Mustersuche oder das sogenannte Template Matching verwendet, wobei letzteres beispielsweise im Artikel„Template Matching" auf Wikipedia vom 17. Januar 2017 beschrieben ist. Mustersuche, auch als musterbasierte Suche oder Pattern Matching bezeichnet, ist eine Bezeichnung für symbolverarbeitende Verfahren, die anhand eines vorgegebenen Musters - in diesem Fall durch den Tracer-Datensatz vorgegeben - entsprechende Strukturen in den aufgenommenen Bildern identifizieren. Durch die Verwendung des Tracer-Datensatzes wird die Erkennung des Fassungsrands in den Bildern gemäß den Ausführungen der DE 10 201 1 1 15 239 B4 verglichen mit anderen
Herangehensweisen erleichtert. Ein Nachteil dieser Herangehensweise ist jedoch, dass der Tracer-Datensatz und damit die aufgesetzte Brille bekannt sein muss, um den Fassungsrand in den aufgenommenen Bildern zu finden. Typischerweise werden jedoch bei einem Optiker Tracer-Daten von einer Fassung erst erzeugt, wenn ein Kunde die Brille schon zum Kauf ausgewählt hat. Da die Erzeugung der Tracer-Daten zeitaufwändig ist, werden sie
üblicherweise zudem erst dann erzeugt, wenn der Kunde bereits das Optikergeschäft verlassen hat, da sonst eine lange Wartezeit für den Kunden entstehen würde. Auf der anderen Seite erfolgt die Bestimmung der Zentrierparameter im üblichen Arbeitsablauf bei einem Optiker unmittelbar nach der Auswahl der Brillenfassung, sodass der Kunde beim nächsten Besuch bereits die fertige Brille abholen kann.
Somit muss also für die Durchführung des Verfahrens der DE 10 201 1 1 15 239 B4 der übliche Arbeitsablauf des Optikers geändert werden, was zudem Wartezeiten für den Kunden bei dem Besuch beim Optiker bedeutet. Zudem ist diese Herangehensweise auch deswegen
umständlich, da hierzu jeder Optiker zu jeder Fassung den jeweiligen Tracer-Datensatz vorrätig haben muss oder vor der Bestimmung der Zentrierparameter erstellen muss. Schließlich werden die Tracer-Datensätze zumindest bevorzugt als dreidimensionale Datensätze (d.h. Datensätze, welche den dreidimensionalen Verlauf des Fassungsrandes beschreiben) benötigt, während manche herkömmlichen Tracer nur zweidimensionale Datensätze erzeugen, welche den Verlauf des Fassungsrandes in einer Ebene beschreiben. Szu-Hao Huang et al.,„Human-centric design personalization of 3D glasses frame in markerless augmented reality", Advanced Engineering Informatics 26 (2012) Seiten 35-45 beschreiben ein Verfahren zur virtuellen Anprobe einer Brillenfassung. Dabei kommt ein parametrisches Modell einer Brillenfassung zum Einsatz, das mittels einer
Hauptkomponentenanalyse auf eine Vielzahl von gespeicherten Brillenfassungsmodellen erstellt wird. Die Brillenfassungsmodelle liegen dabei als Polygonnetze vor, die CAD (Computer Aided Design) Datensätzen von Brillenfassungen entsprechen. Die US 2015/055085 A1 offenbart ein virtuelles Anprobieren einer Brille, wozu ein Modell der Brille verwendet wird. Aufgenommene Kopfbilder werden mit einer Hauptkomponentenanalyse analysiert.
Wu Chenyu et al.,„Automatic Eyeglasses Removal from Face Images", IEEE Trans, on pattern intelligence and machine intelligence, Bd. 26 Nr. 3 S. 322-336 offenbart ein Verfahren zum Entfernen einer Brille aus einem aufgenommenen Bild eines Kopfes. Dabei werden
verschiedene Lernverfahren sowie ein parametrisches Modell für eine Brillenfassung verwendet. Die Parameter des dort verwendeten parametrischen Modells, die die Form der Fassung beschreiben, werden als normalverteilt angenommen.
Diana Borza et al.,„Eyeglasses Lens Contour Extraction from Facial Images Using an Efficient Shape Description", Sensors 2013, 13, S. 13638-13658 offenbart ein Verfahren, um eine Position einer Brille sowie Größe und Form eines Brillengestells aus einer Bildaufnahme exakt zu bestimmen. Dabei wird ein 2D-Modell einer Brillenfassung auf Basis von Fourier- Deskriptoren verwendet.
Vor diesem Hintergrund ist es allgemein eine Aufgabe der vorliegenden Anmeldung, Verfahren, Recheneinrichtungen und Computerprogramme zur Bereitstellung eines Fassungsrandmodells bereitzustellen, wobei das Fassungsrandmodell eine Vielzahl von Brillenfassungen abdecken soll, sodass beispielsweise für die oben erläuterte Bildanalyse zum Zwecke der
Zentrierparameterbestimmung nicht für jede Brillenfassung ein separater Tracer-Datensatz erstellt werden muss.
In der oben zitierten Veröffentlichung von Szu-Hao Huang et al. liegen Modelle von
Brillenfassungen vor, und aus diesen wird durch eine Hauptkomponentenanalyse ein Modell einer gesamten Brillenfassung gewonnen. Ein derartiges Modell ist für die eingangs erläuterte Fassungsranderkennung nur bedingt geeignet, da in dem Modell Daten z.B. bezüglich der Brillenbügel enthalten sind, die mit der Erkennung des Fassungsrandes nichts zu tun haben, aber dennoch mit verarbeitet werden müssen. Es ist daher eine erste Aufgabe der Erfindung, ein Verfahren zum Bereitstellen eines
Fassungsrandmodells zu schaffen, welches für die oben genannte Identifikation eines
Fassungsrandes wie in der DE 10 201 1 1 15 239 B4 beschrieben besser geeignet ist als das Modell, welches das Verfahren von Szu-Hao Huang et al. liefert. Hierzu wird gemäß einem ersten Erfindungsaspekt ein computerimplementiertes Verfahren nach Anspruch 1 bereitgestellt. Die abhängigen Ansprüche 2-12 definieren weitere
Ausführungsformen des Verfahrens des ersten Aspekts.
Bei der oben zitierten Veröffentlichung von Wu Chenyu et al. wird von einer Gaußverteilung von Parametern ausgegangen. Formen realer Fassungsränder variieren jedoch nicht unbedingt gemäß einer Gaußverteilung. Wird bei dem Identifizieren des Fassungsrandes gemäß der DE 10 201 1 1 15 239 B4 von einer Gaußverteilung ausgegangen, führt dies dazu, dass das Verfahren zu einer qualitativ nicht ausreichenden Lösung kommt, da viele Formen von
Fassungsrändern gar nicht im Modell enthalten sind und damit auch nicht detektiert werden können.
Es ist daher eine zweite Aufgabe der Erfindung, ein Verfahren zum Bereitstellen eines
Fassungsrandmodells zu schaffen, welches besser zum Identifizieren eines Fassungsrandes geeignet ist als ein Modell mit einer festen Gaußverteilung von Parametern.
Hierzu wird gemäß einem zweiten Erfindungsaspekt ein computerimplementiertes Verfahren nach Anspruch 13 bereitgestellt. Die abhängigen Ansprüche 14-18 definieren weitere
Ausführungsformen des zweiten Aspekts. Das Verfahren zum Bereitstellen eines Modells einer Brillenfassung gemäß Szu-Hao Huang et al., welches unter anderem eine Hauptkomponentenanalyse verwendet, ist mathematisch relativ aufwändig. Ausgehend hiervon ist es eine dritte Aufgabe der vorliegenden Erfindung, ein vereinfachtes Verfahren zum Bereitstellen eines Fassungsrandmodells vorzuschlagen. Hierzu wird gemäß einem dritten Erfindungsaspekt ein computerimplementiertes Verfahren nach Anspruch 19 bereitgestellt. Die abhängigen Ansprüche 20-22 definieren weitere
Ausführungsformen des dritten Aspekts. Bei dem Verfahren gemäß Szu-Hao Huang et al. wird davon ausgegangen, dass 3D-Daten von Brillenfassungen in einer für die Hauptkomponentenanalyse geeigneten Form vorliegen. Wenn Daten, die den Fassungsrand einer Brillenfassung beschreiben, aus verschiedenen Quellen stammen, beispielsweise mit verschiedenen Messgeräten, z.B. mit verschiedenen Tracern bei verschiedenen Fassungsherstellern oder Optikern, ermittelt wurden, liegen die Daten in verschiedenen Formaten vor und können zudem durch den Messvorgang rauschbehaftete sein, d.h. Schwankungen aufweisen, die durch die Messung bedingt sind.
Ausgehend hiervon ist es eine vierte Aufgabe der vorliegenden Erfindung, ein Verfahren zum Bereitstellen eines Fassungsrandmodells bereitzustellen, bei dem Daten aus verschiedenen Quellen und/oder rauschbehaftetete Daten besser verarbeitbar sind.
Hierzu wird gemäß einem vierten Erfindungsaspekt ein computerimplementiertes Verfahren nach Anspruch 23 bereitgestellt. Die abhängigen Ansprüche 24-32 definieren weitere
Ausführungsformen des vierten Aspekts.
Weitere Unteransprüche definieren Verfahren zur Bildanalyse, welche ein Fassungsrandmodell verwenden, das nach einem der obigen Aspekte erstellt wurde. Zudem wird ein
Computerprogramm nach Anspruch 40 durch Durchführung eines der oben definierten
Verfahren sowie eine entsprechende Recheneinrichtung nach Anspruch 41 bereitgestellt.
Die mit den obigen Verfahren bereitgestellten Fassungsrandmodelle können insbesondere zum Zentrieren von Brillengläsern, zum Einschieifen von Brillengläsern und zum Herstellen von Brillengläsern Anwendung finden. Hierzu werden Verfahren nach Anspruch 42, 43 und 44 bereitgestellt.
Erfindungsgemäß wird ein Verfahren zum Bereitstellen eines Fassungsrandmodells
bereitgestellt, umfassend:
Bereitstellen einer Vielzahl von Datensätzen, die jeweils einen Verlauf eines Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells auf Basis der Vielzahl von
Datensätzen. Unter einem Verlauf eines Fassungsrandes ist dabei der Verlauf des Fassungsrandes für ein Brillenglas oder für beide Brillengläser (linkes und rechtes Brillenglas) zu verstehen, d.h. für einen oder beide der oben erwähnten Abschnitte. Ein parametrisches Fassungsrandmodell ist ein Fassungsrandmodell, welches einen oder mehrere veränderbare Parameter aufweist. Durch Änderung des Parameters oder der Parameter ändert sich dann die Geometrie des durch das Fassungsrandmodell beschriebenen Fassungsrandes, beispielsweise hinsichtlich Größe oder Form oder hinsichtlich der Ausrichtung von ersten und zweiten Abschnitten für die zwei Brillengläser zueinander. Dies ähnelt dem parametrischen Modellieren in der CAD (Computer Aided Design)-Technik (vergleiche http://www.blien.de/ralf/cad/db/para_mod.htm Stand
27.01 .2017), wobei bei der vorliegenden Anmeldung die Parameter nicht auf Maße beschränkt sind und allgemein Änderungen der Geometrie z.B. hinsichtlich Größe und/oder Form durch Änderungen der Parameter möglich sind. Parameter eines derartigen Modells sind also Variablen, über die der durch das Fassungsrandmodell beschriebene Fassungsrand veränderbar ist. Ein parametrisches Fassungsrandmodell in dem hier verwendeten Sinn kann auch ein so genanntes parameterfreies Modell sein, Parameterfreie Modelle sind beispielsweise in dem Wikipedia-Artikel„parameterfreie Statistik" beschrieben. Es handelt sich hier um
Modelle, deren Modellstruktur nicht a priori festgelegt ist, sondern erst auf Basis der Vielzahl von Datensätzen bestimmt wird. Sie weisen ebenfalls Parameter auf, Art und Anzahl dieser Parameter ist jedoch ebenfalls nicht a priori festgelegt. Sie sind auch anwendbar, wenn die notwendigen Voraussetzungen für bestimmte parametrische Modelle (z.B. für Gaußverteilungen) in den Daten nicht erfüllt sind.
Indem das parametrische Fassungsrandmodell auf Basis der Vielzahl von Datensätzen bereitgestellt ist, fließt eine Vielzahl von Datensätzen in das Modell ein. Dies bewirkt, dass das parametrische Fassungsrandmodell auf eine Vielzahl verschiedener Brillenfassungen anwendbar ist, auch auf Brillenfassungen, welche nicht von einem Datensatz der Vielzahl von Datensätzen direkt beschrieben werden. Durch den Parameter oder die Parameter des parametrischen Fassungsrandmodells kann das parametrische Fassungsrandmodell dann an den Fassungsrand einer konkreten Brillenfassung angepasst werden.
Gemäß dem ersten Erfindungsaspekt, optional auch bei anderen Erfindungsaspekten, werden dabei Tracer-Datensätze von verschiedenen Brillendaten von Brillenfassungen herangezogen, welche über eine entsprechende Vielzahl von Brillenfassungen bestimmt wurden. Durch die Verwendung von Tracer-Datensätzen liegen Daten nur für die benötigten Fassungsränder vor, und nicht zudem noch für andere Teile einer Brillenfassung wie Bügel. Im Gegensatz zu den in der Veröffentlichung Szu-Hao Huang et al. benutzten Modellen enthalten Tracer-Datensätze nur Abfolgen von Punkten im Raum oder in der Ebene, die die Fassungskontur beschreiben. Sie sind keine Polygonnetze (engl. Meshes) wie in der oben zitierten Veröffentlichung Szu-Hao Huang, die zusätzlich zu Punkten auch Kanten und Flächen enthalten. Dies kann die Erstellung des Fassungsrandmodells sowie eine nachfolgende Bildanalyse vereinfachen, da die
Fassungskontur nicht erst aus einem Modell einer gesamten Brillenfassung berechnet werden muss. Außerdem liegen einem Optiker oft keine Polygonnetze von Brillenfassungen wie in dem Verfahren von Szu-Hao Huang et al. vor, beispielsweise in Form von CAD-Datensätzen, zu den Brillenfassungen vor, da diese Betriebsgeheimnis der Fassungshersteller sind. Dagegen verfügen die meisten Optiker aber über einen Tracer, mit dem eine Vielzahl von Tracer- Datensätzen leicht gewonnen werden kann. Somit kann das Verfahren gemäß dem ersten Erfindungsaspekt auch leicht bei einem Optiker durchgeführt werden, ohne dass dieser auf die Bereitstellung von Datensätzen durch Dritte wie beispielsweise Fassungshersteller angewiesen ist.
Bei anderen Ausführungsformen des zweiten, dritten und vierten Aspekts können alternativ hierzu auch CAD-Daten (Computer Aided Design) der Brillenfassungen von
Brillenfassungsherstellern herangezogen werden, welche von den Brillenfassungsherstellern zur Fertigung oder zum Entwurf der Brillenfassungen verwendet wurden. Bevorzugt liegen die Datensätze dabei als 3D-Datensätze vor, d.h. sie beschreiben den räumlichen Verlauf des jeweiligen Fassungsrandes. Auf diese Weise ergeben sich genauere Modelle, da alle drei Raumrichtungen bestimmt werden können. Es ist jedoch auch die Verwendung von 2D- Datensätzen, welche den Verlauf der Fassungsränder nur in einer Ebene beschreiben, möglich. Durch das Heranziehen der Vielzahl von Datensätzen kann insbesondere erreicht werden, dass das parametrische Fassungsrandmodell keine„untypischen" Fassungsrandverläufe zulässt, z.B. keine Fassungsränder, die abgeschnittenen Brillengläsern, nicht symmetrischen
Brillengläsern, oder Brillengläsern mit Glasrändern, die eine Ausbeulung oder Einstülpung, also eine hohe Krümmung aufweisen, entsprechen.
Die Datensätze liegen bevorzugt als 3D-Datensätze vor, d.h. Datensätze, welche den Verlauf des jeweiligen Fassungsrandes dreidimensional beschreiben. Insbesondere können die
Datensätze als Punktwolken mit einer Vielzahl von Messpunkten, welche auf dem
Fassungsrand liegen, vorliegen. Falls nur 2D-Datensätze vorhanden sind (d.h. Beschreibungen des Fassungsrandes in einer Ebene), beispielsweise weil ein Tracer nur 2D-Datensätze liefert, kann durch Approximation von Brillengläsern, die von dem Fassungsrand umrandet werden, als Ebenen oder Paraboloide oder ähnliche 3D-Modelle, hieraus ein dreidimensionaler Datensatz erzeugt werden. Hierzu können beispielsweise bei einer Ausführungsform typische Werte für Zentrierparameter wie der Vorneigungswinkel (gemäß 5.18 der DIN EN ISO 13666:2012) und der Fassungsscheibenwinkel (gemäß 17.3 der DIN EN ISO 13666:2012) bestimmt werden. Diese Bestimmung kann aus Bestellstatistiken für Brillengläser erfolgen, indem Mittelwerte, Mediane oder ähnliche Merkmale von Verteilungen für Vorneigungswinkel und
Fassungsscheibenwinkel über eine Vielzahl von Brillengläsern ermittelt werden. Alternativ können auch einfach typische Werte für diese Parameter angenommen werden. Zudem kann eine Symmetrie von zwei Ebenen, Paraboloiden oder ähnlichen 3D-Modellen, in denen die Brillengläser liegen, zueinander angenommen werden. Mit Vorneigungswinkel,
Fassungsscheibenwinkel und der Annahme der Symmetrie ergibt sich dann die Lage der zwei Ebenen (z.B. definiert durch Normalenvektoren auf den Ebenen und Aufpunkte für die
Normalenvektoren), in die dann die 2D-Datensätze hineinprojiziert werden. Auch wenn 3D-Datensätze und entsprechend 3D-Fassungsrandmodelle bevorzugt sind, ist mit dem erfindungsgemäßen Verfahren auch eine Bereitstellung eines 2D-Modells auf Basis von 2D-Datensätzen möglich. Dies kann bei manchen Anwendungen ebenfalls vorteilhaft sein. So sind 2D-Datensätze kleiner (weniger Daten) als entsprechende 3D-Datensätze, und 2D-Modelle weisen wegen der geringeren Dimensionalität in den meisten Fällen weniger Parameter auf, so dass Optimierungsverfahren unter Verwendung des 2D-Modells, z.B. wenn das Modell an einen Fassungsrand in einem Bild angepasst wird wie später beschrieben, eine geringere Komplexität aufweisen. Bei manchen Anwendungen, z.B. beim Identifizieren eines Fassungsrandes in einem einzelnen Bild, wird auch nur ein 2D-Modell benötigt. Das Bereitstellen des parametrischen Fassungsrandmodells kann bei einer Variante ein Berechnen des parametrischen Fassungsrandmodells aus der Vielzahl von Datensätzen umfassen. Hier wird also die Vielzahl von Datensätzen als Grundlage für eine Neuerstellung eines parametrischen Fassungsrandmodells verwendet. Ein Beispiel hierfür ist ein maschinelles Lernen auf Basis der Vielzahl von Datensätzen. Maschinelles Lernen ist im Überblick in dem Wikipedia-Artikel„Maschinelles Lernen" vom 17. Januar 2017 erläutert und ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung. In dem vorliegenden Beispiel stellt die Vielzahl von Datensätzen die Erfahrung dar, und das parametrische Fassungsrandmodell stellt das generierte Wissen dar. Der genannte Wikipedia-Artikel gibt auch einen Überblick über verschiedene Ansätze und Algorithmen, welche hier zum Einsatz kommen können. Eine mögliche Herangehensweise zur Berechnung des parametrischen Fassungsrandmodells aus der Vielzahl von Datensätzen ist die Anwendung einer Hauptkomponentenanalyse. Die Hauptkomponentenanalyse oder englisch„Principle Component Analysis" (PCA) ist ein Verfahren der multivarianten Statistik, bei der eine Vielzahl sogenannter„Hauptkomponenten" erstellt wird, wobei die Datensätze dann als Summe aus einem Mittelwert und einer
Linearkombinationen dieser Hauptkomponenten dargestellt werden können. Hierzu wird beispielsweise zunächst der Mittelwert aus der Vielzahl von Datensätzen bestimmt und von den Datensätzen abgezogen. Aus dem Ergebnis werden dann die Hauptkomponenten bestimmt. Die Hauptkomponenten sind dabei orthogonal zueinander. Dies bedeutet, dass die Darstellung jedes Datensatzes eindeutig ist, d.h. dass die jeweilige Linearkombination eindeutige
Koeffizienten aufweist. Diese Koeffizienten einer derartigen Linearkombination der
Hauptkomponenten stellen dann die Parameter des parametrischen Fassungsrandmodells dar. Ein Vorteil der Hauptkomponentenanalyse ist auch, dass durch sie die Dimension des
Modellraums so minimiert werden kann, dass möglichst wenig Information verloren geht. Die Dimension des Modellraums ist gleich der Anzahl der Parameter des Modells und im Falle der Hauptkomponentenanalyse die Anzahl der Hauptkomponenten (ein Koeffizient für jede
Hauptkomponente). Genauer beschrieben ist die Hauptkomponentenanalyse beispielsweise in dem Artikel„Hauptkomponentenanalyse" auf Wikipedia vom 17. Januar 2017. Die Hauptkomponentenanalyse kann zudem benutzt werden, um - ähnlich einem Filtern wie weiter unten beschrieben - ein Rauschen oder andere Artefakte zu entfernen. Die
Hauptkomponenten, die sich aus der obigen Hauptkomponentenanalyse ergeben, beschreiben typische Kurven Verläufe von Fassungsrändern, deren Linearkombinationen als
Approximationen der ursprünglichen durch die Vielzahl von Datensätzen definierten
Fassungsränder dienen kann. Die Koeffizienten der Hauptkomponenten für einen konkreten
Fassungsrand werden ermittelt, indem eine durch den jeweiligen Fassungsrand definierte Kurve auf die Hauptkomponenten projiziert wird. Durch das Weglassen von Hauptkomponenten mit geringer Bedeutung (kleiner Koeffizient, entspricht einer kleinen Varianz des jeweiligen
Datensatzes des jeweiligen Fassungsrandes entlang dieser Hauptkomponente) können die Rauschanteile eliminiert werden. Deshalb kann die Darstellung der Fassungsränder mittels Hauptkomponentenanalyse durch Weglassen solcher Hauptkomponenten auch eine
Filterfunktion erfüllen.
Als Alternative kann eine Unabhängigkeitsanayse (englisch„Independent Component Analysis, ICA) verwendet werden, die beispielsweise in dem Artikel„Unabhängigkeitsanalyse" auf Wikipedia vom 20. Januar 2017 beschrieben ist. Bei dieser Art der Analyse ergeben sich ebenfalls Komponenten, die als Linearkombination summiert zu einem Mittelwert die
Datensätze darstellen können. Die Komponenten sind hier jedoch nicht orthogonal, so dass es zumindest teilweise mehrere Möglichkeiten (d.h. mehrere Sätze von Koeffizienten) gibt, einen Datensatz darzustellen. Auch hier stellen die Koeffizienten der Linearkombination die
Parameter des parametrischen Fassungsrandmodells dar.
Bei dem zweiten Erfindungsaspekt, optional auch beim ersten oder vierten Erfindungsaspekt, umfasst das Bereitstellen des parametrischen Fassungsrandmodells ein Berechnen von Wahrscheinlichkeitsverteilungen für Parameter eines vorgegebenen parametrischen
Fassungsrandmodells auf Basis der Vielzahl von Datensätzen. Bei dieser Variante wird also kein parametrisches Fassungsrandmodell völlig neu erstellt, sondern es wird zunächst ein parametrisches Fassungsrandmodell vorgegeben. Ein einfaches Beispiel für ein derartiges Modell sind zwei zu einer Mittelebene symmetrische Ebenen, wobei jede Ebene
näherungsweise die Lage eines Brillenglases beschreibt. Anstelle der Ebenen sind auch Formen höherer Ordnung möglich, beispielsweise quadratische oder kubische Splines mit zugehörigen Parametern. Splines sind dabei Funktionen, die stückweise aus quadratischen, kubischen oder Funktionen noch höherer Ordnung zusammengesetzt sind derart, dass die Übergänge stetig oder stetig differenzierbar sind. Splines sind beispielsweise in dem Wikipedia- Artikel„Spline" vom 17. Januar 2017 beschrieben. Zusätzlich können auch die Fassungsränder dann über parametrische geometrische Formen innerhalb der Ebenen weiter beschrieben werden. Ein einfaches Beispiel hierfür sind Ellipsen, welche beispielsweise durch die Länge der großen Halbachsen, üblicherweise mit a bezeichnet, und der kleinen Halbachsen, üblicherweise mit b bezeichnet, als Parameter charakterisiert werden können. Dabei ist die Hauptachse, welche aus den großen Halbachsen gebildet ist, diejenige Achse, die durch die Brennpunkte der Ellipse verläuft, und die Nebenachse, welche aus zwei kleinen Halbachsen gebildet wird, steht senkrecht dazu.
Für diese Parameter können dann Wahrscheinlichkeitsverteilungen erstellt werden. Hierzu kann das vorgegebene parametrische Fassungsrandmodell beispielsweise an jeden der Datensätze angepasst (gefittet) werden, um jeweilige Parameterwerte für den Datensatz zu erhalten. Ein derartiges Anpassen kann beispielsweise mit der Methode der kleinsten Quadrate (siehe Wikipedia-Artikel„Methode der kleinsten Quadrate" vom 17. Januar 2017) oder auch mit anderen herkömmlichen Fit-Verfahren geschehen. Auf diese Weise werden Parameterwerte für die Vielzahl von Datensätzen erhalten, die dann statistisch ausgewertet werden können.
Beispielsweise können Mittelwert und Standardabweichung für jeden der Parameterwerte angegeben werden. Durch diese Vorgehensweise können beliebige Verteilungen der Parameterwerte erfasst und analysiert werden, und es besteht keine Beschränkung auf eine vorgegebene Verteilung wie eine Gauß-Verteilung. Die statistische Auswertung kann dabei in einfacher Weise mittels eines Histogramms erfolgen, wie beispielsweise im Wikipedia-Artikel „Histogramm", Stand 1 1. Dezember 2017, beschrieben.
Diese Wahrscheinlichkeitsverteilungen können dann bei einer späteren Verwendung des Modells zur schnelleren Anpassung des parametrischen Fassungsrandmodells an einen konkreten Fassungsrand (beispielsweise einen in einem Bild identifizierten Fassungsrand) verwendet werden, indem Anpassungsverfahren verwendet werden, die die statistische Verteilung mit berücksichtigen. Derartige Optimierungsverfahren, die
Wahrscheinlichkeitsverteilungen über die zu optimierenden Parameter mitberücksichtigen, umfassen beispielsweise Markov-Chain-Monte-Carlo-Verfahren (MCMC-Verfahren). Derartige Optimierungsverfahren sind beispielsweise in Christopher Bishop,„Pattern Recognition and Machine Learning", Springer Verlag 2006, ISBN-10: 0-387-31073-8 beschrieben. Diese Verfahren schätzen optimale Parameter eines Modells, indem die einzelnen Parameter zufällig entsprechend ihrer Wahrscheinlichkeitsverteilung gewählt werden und dann bewertet wird, wie gut das daraus resultierende konkrete Modell (d.h. das Modell mit den so gewählten
Parametern) auf die Daten passt. Dies wird sehr oft wiederholt, z.B. mehr als 10000-mal oder mehr, wobei die Wiederholungszahl auch vom jeweils gewählten Verfahren und dessen Implementierung abhängt. Als Ergebnis erhält man eine Wahrscheinlichkeitsverteilung über Modellparametersätze (also über alle Parameter zusammen), aus der z.B. der Parametersatz mit der höchsten Wahrscheinlichkeit als„best fit", d.h. als angepasstes Modell, ausgewählt werden kann oder alternativ z.B. der Mittelwert oder Median der Verteilung: Insbesondere können so auch Wahrscheinlichkeitsverteilungen von Parametern der oben erwähnten parameterfreien Modelle bestimmt werden.
Bei dem dritten Erfindungsaspekt, optional auch beim ersten oder vierten Erfindungsaspekt, umfasst das Bereitstellen des parametrischen Fassungsrandmodells ein Bereitstellen der Vielzahl von Datensätzen oder einer aus der Vielzahl von Datensätzen abgeleitete Vielzahl von weiteren Datensätzen als das Modell, wobei ein Parameter des parametrischen
Fassungsrandmodells dann einen Datensatz der Vielzahl von Datensätzen oder der Vielzahl von weiteren Datensätzen angibt. Hier werden also die Datensätze oder davon abgeleitete weitere Datensätze direkt als Modell verwendet, und ein Parameter gibt einen jeweiligen Datensatz, beispielsweise eine Nummer des Datensatzes an. Aus diese Weise ist keine aufwändige Verarbeitung der Datensätze beispielsweise mittels Hauptkomponentenanalyse nötig, um das Modell zu erstellen. Bei einem derartigen parametrischen Fassungsrandmodell kann dann zu einer Anpassung beispielsweise an einen in einem Bild gefundenen Fassungsrand derjenige Datensatz ausgewählt werden, der dem Fassungsrand im Bild am nächsten kommt (beispielsweise wiederum mittels der Methode der kleinsten Quadrate).
Abgeleitete weitere Datensätze sind dabei Datensätze, die aus der Vielzahl von Datensätzen durch Anwendung mathematischer Operationen wie den nachstehend erläuterten
Transformationen erhalten werden.
Bei dem vierten Erfindungsaspekt, optional auch bei den anderen Erfindungsaspekten, umfasst das Bereitstellen des parametrischen Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen. Auf diese Weise wird eine Vielzahl von transformierten Datensätzen erhalten. Unter einer Transformation eines Datensatzes ist dabei die Anwendung einer Operation auf den Datensatz zu verstehen, welche den Datensatz in einer andere Form, d.h. einen jeweiligen weiteren Datensatz, überführt, wobei die Information des Datensatzes über die Geometrie des Fassungsrandes zumindest näherungsweise erhalten bleibt. Derartige Transformationen können insbesondere der Normierung oder Umparametrisierung dienen, um die Vielzahl von Datensätzen gleichsam in ein einander entsprechendes Format zu bringen. Eine
Umparametrisierung ist dabei ein Wechsel der Parameter und/oder Werte (z.B. Koordinaten), die den Fassungsrand beschreiben, wie ein Wechsel eines verwendeten Koordinatensystems oder ein Wechsel einer Basis wie z.B. eines Bezugspunkts eines verwendeten
Koordinatensystems. Konkrete Beispiele werden weiter unten erläutert.
Hierzu kann die Transformation bei einer ersten Variante des vierten Erfindungsaspekts, optional auch bei anderen Erfindungsaspekten, eine Koordinatentransformation umfassen. Bei einer Koordinatentransformation werden in einem ersten Koordinatensystem vorliegende Daten in ein zweites Koordinatensystem überführt. Durch derartige Koordinatentransformationen können dabei in verschiedenen ersten Koordinatensystemen vorliegende Datensätze in ein gemeinsames zweites Koordinatensystem transformiert werden, und/oder die Datensätze können in ein für eine spätere Verarbeitung besser geeignetes Koordinatensystem überführt werden. So können in kartesischen Koordinaten ((x, y) in 2D bzw. (x, y, z) in 3D) vorliegende Datensätze in Polarkoordinaten (φ, r) (in 2D) oder Kugelkoordinaten (φ, ψ, r) (in 3D) überführt werden. Zudem können mittels einer Koordinatentransformation die Koordinatensysteme der Datensätze auf einander entsprechende Bezugspunkte gebracht werden. Beispielsweise kann der Mittelpunkt eines Abschnitts des Fassungsrandes für ein Brillenglas als Bezugspunkt dienen, wobei als Mittelpunkt insbesondere der geometrische Schwerpunkt verwendet werden kann. Bei anderen Ausführungsformen kann auch ein Mittelpunkt zwischen den
Fassungsrandteilen für die beiden Brillengläser als Bezugspunkt dienen. Zudem kann mittels der Koordinatentransformation eine Drehung erfolgen, um die Datensätze in gleicher Richtung auszurichten. So kann beispielsweise eine horizontale Richtung, welche die Mittelpunkte nach Kastensystem (5.4 DIN EN ISO 13666 aus 10/2013) von rechten und linken Brillengläsern in der jeweiligen Brillenfassung verbindet, als x-Achse definiert werden, und Richtungen senkrecht dazu als y- und z-Achse. Beispielsweise kann ein Mittelwert der beiden Normalen der die
Brillengläser approximierenden Ebenen als z-Achse (bei Datensätzen, die beide Abschnitte des Fassungsrandes beschreiben, für eines der Brillengläser, z.B. das linke) und eine Richtung senkrecht hierzu als y-Achse definiert werden, wobei die Brillengläser durch die Datensätze definiert werden. Durch Drehungen werden dann sämtliche Datensätze der Vielzahl von Datensätzen in dieses Koordinatensystem ausgerichtet.
Zudem kann die Transformation bei einer zweiten Variante des vierten Erfindungsaspekts, optional auch bei anderen Erfindungsaspekten, auch ein Neuabtasten (im Englischen als „resampling" bezeichnet) der durch die Datensätze definierten Fassungsränder umfassen, bei welcher die durch die Datensätze definierten Geometrien beispielsweise in Polarkoordinaten mittels konstanter Winkelschritte um einen gemeinsamen Bezugspunkt abgetastet werden. Der Bezugspunkt kann dabei wie oben erläutert gewählt werden. Auf diese Weise werden die Datensätze hinsichtlich ihrer Darstellung vereinheitlicht, was die nachfolgende weitere
Verarbeitung, beispielsweise die Anwendung von Maschinenlernverfahren wie oben erläutert, vereinfacht. Ein derartiges Neuabtasten ist ein Beispiel für eine Umparametrisierung.
Das Transformieren umfasst bei einer dritten Variante des vierten Erfindungsaspekts, optional auch bei anderen Erfindungsaspekten, eine Filterung der Datensätze mit einem Tiefpassfilter umfassen, um eine Glättung der von den Datensätzen definierten Fassungsrandgeometrien zu bewirken. Unter einer Filterung ist dabei eine Transformation von Datensätzen in dem oben genannten Sinn zu verstehen, durch welche Rauschen oder andere Messartefakte, die bei der Erstellung der Datensätze auftraten, reduziert oder eliminiert werden, d.h. ein Teilaspekt des Signals wird teilweise oder vollständig unterdrückt. Beispiele für eine derartige Filterung umfassen eine Gauß-Filterung (vergleiche den Wikipedia-Artikel„Gauß-Filter" Stand 18. Januar 2017) oder eine Fourier-Filterung. Bei einer Fourier-Filterung wird auf den Datensätzen eine Fourier-Transformation von dem Ortsraum in den Frequenzraum durchgeführt, und zur
Tiefpassfilterung dann hochfrequente Anteile des sich ergebenden Frequenzspektrums gedämpft, d.h. reduziert. Für diese Fourier-Filterung können zwei Dimensionen der Daten von Punkten der Datensätze (beispielsweise x- und y-Koordinaten von Punkten der Datensätze) als komplexe Zahlen dargestellt werden, indem die x-Koordinate den Realteil und die y-Koordinate den Imaginärteil angibt). Bei dreidimensionalen Datensätzen kann die dritte Dimension (in diesem Fall die z-Koordinate) separat gefiltert werden. Dabei kann die Periodizität der Fourier- Basis für die Fouriertransformation ausgenutzt werden. Auch eine Gauß-Filterung im
Frequenzraum ist möglich, wobei hier die 3 Dimensionen unabhängig voneinander gefiltert werden können und die Periodizität ausgenutzt werden kann, indem eine periodische
Fortsetzung am Anfang und am Ende erfolgt.
Danach kann eine Rücktransformation (inverse Fourier-Transformation) erfolgen. Bei anderen Ausführungsbeispielen kann auch eine weitere Verarbeitung, beispielsweise die oben erwähnte Berechnung des Modells, im Frequenzraum erfolgen und beispielsweise erst danach eine Rücktransformation erfolgen.
Durch die Filterung kann ein nachfolgendes Bereitstellen des parametrischen
Fassungsrandmodells erleichtert werden, da derartige Messartefakte oder Rauschen dann in dem Fassungsrandmodell nicht berücksichtigt werden müssen.
Das Transformieren umfasst bei einer vierten Variante des vierten Erfindungsaspekts, optional auch bei anderen Erfindungsaspekten, eine Approximation der Datensätze durch parametrische Kurven. Parametrische Kurven sind Kurven, welche durch Parameter beschrieben werden. Ein Beispiel für derartige parametrische Kurven sind die bereits erwähnten Splines. Diese Kurven werden bei derartigen Ausführungsformen an jeden der Datensätze angepasst, beispielsweise wiederum mittels der Methode der kleinsten Quadrate, sodass letztendlich jeder Datensatz dann durch die jeweiligen Parameter, beispielsweise Spline-Koeffizienten, charakterisiert ist. Dies führt zum einen zu einer Glättung, da gleichsam glatte Kurven durch die Datensätze definierten Punkte gelegt werden.
Auf diese Weise werden die Datensätze in eine Darstellung mit weniger Freiheitsgraden (nur noch die Parameterwerte) reduziert, was einen Rechenaufwand bei einer nachfolgenden Verarbeitung zum Bereitstellen des parametrischen Fassungsrandmodells vereinfachen kann. Ein derartiges Anpassen von parametrischen Kurven ist ein weiteres Beispiel für eine
Umparametrisierung.
Ein Beispiel einer derartigen nachfolgenden Verarbeitung ist eine Bildanalyse. Für eine derartige Bildanalyse wird erfindungsgemäß ein Verfahren bereitgestellt, umfassend:
Bereitstellen mindestens eines Bildes zumindest eines Teils eines Kopfes, welcher eine Brillenfassung trägt, Bereitstellen eines parametrischen Fassungsrandmodells, welches mit einem der oben diskutierten Verfahren erstellt wurde, und
Analysieren des mindestens einen Bildes unter Verwendung des parametrischen
Fassungsrandmodells.
Unter der Analyse des Bildes ist dabei eine Verarbeitung des Bildes zu verstehen, welche dazu beiträgt, letztendlich Informationen aus dem mindestens einen Bild zu erhalten.
Ein Beispiel für derartige Informationen ist die Detektion des Fassungsrandes in einem oder mehreren Bildern, die bevorzugt aus verschiedenen Richtungen aufgenommen werden. Diese Detektion nennt man auch Segmentierung. Unter einem Segmentieren wird allgemein das Identifizieren bestimmter Bildbestandteile verstanden. Sie wird erheblich erleichtert, wenn ein Fassungsrandmodell vorliegt, dessen Parameter angepasst werden müssen, da nur spezielle sinnvolle Verläufe der Kurve im Bild überhaupt darstellbar sind. Ohne so ein Modell ist es schwierig, eine Kurve zu finden, die den charakteristischen Eigenschaften eines
Brillenglasrandes bzw. zweier Brillenglasränder genügt, z.B. die Symmetrie der beiden im Bild detektierten Gläser ist in einem 3D-Fassungsmodell natürlicherweise gegeben. Im Gegensatz dazu ist es schwierig, die Symmetrie der beiden Brillengläser in einem Bild- Segmentierungsverfahren zu erreichen, denn perspektivische Verzerrungen bei der Abbildung des 3D-Fassungsrandes ins Bild führen zu unsymmetrischen 2D-Konturen. Durch die Detektion des Fassungsrandes können dann Zentrierparameter bestimmt werden, wie Eingangs unter Bezugnahme auf die DE 10 201 1 1 15 239 B4 erläutert.
Ein weiteres Beispiel für Informationen ist deshalb auch die konkrete Bestimmung der
Parameter des parametrischen Fassungsrandmodells, die durch eine Detektion des
Fassungsrandes in einem oder mehreren Bildern und Anpassen des Fassungsrandmodells an den detektierten Fassungsrand erhalten werden können. Bei der Verwendung von mehreren Bildern werden diese bevorzugt aus mehreren Richtungen aufgenommen, was die Genauigkeit der Detektion des Fassungsrandes erhöht. Aus diesen Parametern können auch weitere Parameter berechnet werden, die eine Translation, Rotation, Skalierung etc. des
Fassungsrandmodells zur Anpassung an das Bild beschreiben. Sind die konkreten Parameter des Fassungsrandmodells bekannt, ist die Lage der Fassung im Raum bestimmt.
Nach der eingangs erläuterten Definition des Fassungsrandes auch für fassungslose Brillen und Brillen mit Teilfassungen ist mit der Lage des Fassungsrandes auch eine Repräsentation eines Randes eines entsprechenden in die Fassung einzusetzenden Brillenglases bekannt und kann somit bestimmt werden. Somit kann auch eine derartige Repräsentation eines Randes eines Brillenglases wie oben für die Detektion des Fassungsrandes erläutert bestimmt werden.
Unter der Repräsentation des Rands eines Brillenglases versteht die Erfindung eine
Repräsentation des in der Norm EN ISO 13666:2012 (D/E) in Ab-schnitt 13.1 aufgeführten Tragrands des Brillenglases.
Eine Repräsentation des Rands eines Brillenglases ist ein Datensatz, aus dem sich der dreidimensionale Verlauf des dem Brillenträger abgewandten Tragrands des Brillenglases gegebenenfalls auf der Grundlage von zusätzlichen das Brillenglas beschreibenden Größen eindeutig bestimmen lässt. Eine Repräsentation des Rands eines Brillenglases kann z. B. die von der Projektion des Rands des Brillenglases in der Bildebene eines Bildsensors einer Bildaufnahmeeinrichtung umgebene Fläche sein, in die das Brillenglas für die Bilderfassung abgebildet wird.
Bei einer Vollrandbrille entspricht der Tragrand eines Brillenglases einem
Bnllenfassungsinnenrand. Bei einer Teilrandbrille ist unter dem Tragrand eines Brillenglases zum einen der dem Bnllenfassungsinnenrand entsprechende Rand eines Brillenglases und der nicht an die Brillenglasfassung angeschlossene Glasaußenrand zu verstehen. Der Tragrand eines Brillenglases in einer randlosen Brille ist der Glasaußenrand.
Daraus können dann die fassungsspezifischen Zentrierparameter bestimmt werden, z.B. die Vorneigung oder der Fassungsscheibenwinkel. Ist zusätzlich noch die Lage der Augen im Raum bekannt, können die Zentrierparameter vollständig bestimmt werden.
Dementsprechend wird auch ein Verfahren zum Zentrieren eines Brillenglases in einer
Brillenfassung bereitgestellt, dadurch gekennzeichnet, dass in einem Schritt (i) zu dem
Brillenglas Zentrierparameter bestimmt werden, wobei das Bestimmen der Zentrierparameter das Ermitteln der Repräsentation des Rands des Brillenglases mit dem Verfahren wie oben beschrieben umfasst und in einem Schritt (ii) das Brillenglas mit den in Schritt (i) bestimmten Zentrierparametern in der Brillenfassung zentriert wird.
Des Weiteren wird ein Verfahren zum Einschieifen eines Brillenglases in eine Brillenfassung bereitgestellt, dadurch gekennzeichnet, dass in einem Schritt (i) zu dem Brillenglas
Zentrierparameter bestimmt werden, wobei das Bestimmen der Zentrierparameter das Ermitteln der Repräsentation des Rands des Brillenglases mit dem Verfahren wie oben beschrieben umfasst; und in einem Schritt (ii) das Brillenglas basierend auf den in Schritt (i) bestimmten Zentrierparametern für eine Anordnung in der Brillenfassung eingeschliffen wird.
Schließlich wird auch ein Verfahren zum Herstellen eines Brillenglases, gekennzeichnet durch den Verfahrensschritt Einschieifen des Brillenglases wie oben beschrieben.
So kann mittels der erfindungsgemäßen Fassungsrandmodelle ein Zentrieren, Einschieifen und Herstellen eines Brillenglases erfolgen, ohne dass wie bei der eingangs zitierten DE 10 201 1 1 15 239 B4 der Arbeitsablauf des Optikers geändert werden muss.
Nach der Detektion des Fassungsrandes in dem Bild mittels des Fassungsrandmodells können auch Brilleneigenschaften aus dem Bild als Informationen bestimmt werden, z. B. Farbe, Form oder Größe der Brille. Sind die konkreten Parameter des 3D-Fassungsmodells bekannt oder zuvor geschätzt worden, können als Informationen auch Kameraparameter aus der Identifikation des Fassungsrandes in einem oder mehreren Bildern gewonnen werden, z.B. die extrinsischen Parameter (eine Lage) einer verwendeten kalibrierten Kamera oder die intrinsischen und extrinsischen
Kameraparameter einer unkalibrierten Kamera zusammen. Dies kann insbesondere bei Anwendungen hilfreich sein, bei denen mobile Vorrichtungen wie Smartphones oder Tablets zur Bildaufnahme verwendet werden, deren Lage im Raum nicht festgelegt ist. Alternativ können auch sowohl die Parameter des 3D-Fassungsmodells als auch die Kameraparameter gleichzeitig bestimmt werden, z.B. durch Lösen eines Optimierungsproblems. Unter den Kameraparametern einer Kamera werden dabei extrinsische Parameter, d.h. Parameter, die sich nicht aus den Eigenschaften der Kamera selbst ergeben, wie die relative Ausrichtung im Raum, d. h. die relative Ausrichtung der optischen Achse der Kamera zu anderen Objekten, als auch die intrinsischen Parameter der Kamera verstanden, also die Eigenschaften der Kamera selbst. Ein Beispiel für solche intrinsischen Parameter sind Parameter die definieren, wie die Koordinaten eines Punkts im Raum in einem zur Kamera referenzierten Koordinatensystem in die Koordinaten des in der Bildebene des Bildsensors liegenden Bildpunkts dieses Punkts überführt werden. Eine ausführliche Beschreibung der Kalibrierung von Kameras, bei der derartige Kameraparameter bestimmt werden, findet sich z. B. auf S. 8 in dem Lehrbuch "Multiple View Geometry in Computer Vision" von Richard Hartley und Andrew Zisserman, 2. Auflage, Cambridge University Press 2004. Erhaltene Informationen können auch zur Veränderung oder Verbesserung des Bildes dienen. So können nach Bestimmung der Parameter des Fassungsrandmodells Artefakte aus dem Bild entfernt werden, z.B. ein Schatten, den die Brille in dem Bild auf den Kopf wirft, durch Projektion des Fassungsrandes auf den Kopf in Abhängigkeit von der Position einer gegebenen
Lichtquelle und anschließendes Inpainting (Reparieren der Textur) in diesem Bereich. Ebenso kann die Fassung aus den Bildern entfernt werden, indem das Fassungsmodell entsprechend den Kameraabbildungseigenschaften in die Bilder projiziert wird und die daraus folgende Kontur aus den Bildern entfernt und durch Inpainting repariert wird. Durch die Verwendung des parametrischen Fassungsrandmodells bei der Analyse kann die Analyse vereinfacht werden, wofür nachstehend Beispiele erörtert werden.
Das Bereitstellen des mindestens einen Bildes kann beispielsweise ein Aufnehmen eines oder mehrerer Bilder mit einer oder mehreren Kameras umfassen, welche in einer festen Geometrie angeordnet sind. Bei mehreren Kameras mit fester Geometrie oder einer einzigen Kamera, die relativ zu dem Kopf eine vorgegebene (und somit bekannte) oder auch beliebige Bewegung ausführt, um den Kopf aus verschiedenen Richtungen aufzunehmen, ermöglicht dies
insbesondere eine Triangulation des Kopfes, d.h. ein Bestimmen einer dreidimensionalen Kontur des Kopfes. Eine derartige Bildaufnahme wird beispielsweise auch in der eingangs erwähnten DE 10 201 1 1 15 239 A1 beschrieben.
Für die Bildanalyse unter Verwendung des parametrischen Fassungsmodells gibt es
verschiedene Möglichkeiten. So kann das parametrische Fassungsmodell verwendet werden, um ein Segmentieren des mindestens einen Bildes, insbesondere ein Identifizieren des
Fassungsrandes in dem mindestens einen Bild, zu erleichtern.
Zu bemerken ist, dass bei der Segmentierung des Fassungsrandes zwei Hauptprobleme auftreten. Zum einen können Fassungskanten schlecht oder gar nicht identifizierbar sein (z.B. bei randlosen Brillenfassungen oder bei Brillenfassungen mit Farben, die der Hautfarbe ähneln). Dies kann dazu führen, dass Kanten nur unvollständig identifiziert werden. Zum anderen können im Bild vorhandene Kanten fälschlicherweise als Fassungskanten identifiziert werden (z.B. wenn durch den äußeren Rand der Brille die Haare oder der Hintergrund zu sehen sind, entstehen starke Kanten zur Hautfarbe des Gesichts, die leicht mit der Fassungskante verwechselt werden). Um unvollständige Kanten korrekt zu schließen und/oder um falsche Kanten auszuschließen, kann das parametrische Fassungsmodell herangezogen werden, da das parametrische Fassungsradmodell keine untypischen Fassungsrandverläufe zulässt (z.B. abgeschnittene Gläser, nicht symmetrische Gläser, Glasränder mit Ausbeulung oder
Einstülpung, also mit hoher Krümmung etc.)
Bei einer solchen Segmentierung kann bei einer Ausführungsform im Falle eines 2D- Fassungsrandmodells der Raum der möglichen Lösungen für den in dem Bild zu
identifizierenden Fassungsrand auf die durch das parametrische Fassungsmodell
vorgegebenen Möglichkeiten eingeschränkt werden, d.h. es wird von vornherein nur nach Fassungsrändern in dem Bild gesucht, welche von dem parametrischen Fassungsmodell beschreibbar sind. Bei einem 3D-Fassungsrandmodell werden bei einer Ausführungsform Kamera-Kalibrierungsdaten herangezogen. Die Kamera-Kalibrierungsdaten beschreiben eine Abbildungsvorschrift von (dreidimensionalen) Punkten im Raum auf ein von einer für die Aufnahme des mindestens einen Bildes benutzen Kamera aufgenommenen Bildes. Mit Hilfe dieser Kamera-Kalibrierungsdaten kann das parametrische Fassungsrandmodell in das Bild projiziert werden und zur Identifizierung von Kanten des Fassungsrandes verwendet werden. Unter einer Projektion wird dabei eine Abbildung eines 3D-Modells in ein 2D-Bild verstanden. Wenn keine Kalibrierungsdaten vorliegen sollten, kann bei manchen Ausführungsformen das Fassungsrandmodell in das mindestens eine Bild projiziert werden, z.B. indem die
obenerwähnte Abbildungsvorschrift mitoptimiert oder in einem ersten Schritt geschätzt wird. Das mindestens eine Bild kann auch mehrere Bilder umfassen, welche aus verschiedenen Richtungen aufgenommen werden, z.B. als Stereobildaufnahme. Mittels Triangulation kann hieraus gemäß aus der Stereobildaufnahme bekannten Rechenschritten ein 3D-Bild berechnet werden, in dem das 3D-Fassungsrandmodell dann zur Identifizierung des Fassungsrandes verwendet werden kann. Mit dem Identifizieren des Fassungsrandes in dem Bild sind dann auch die Parameter des parametrischen Fassungsrandmodells für diesen Fassungsrand bekannt, z.B. wenn das Segmentieren und das Bestimmen der Parameter in einem
gemeinsamen Optimierungsverfahren erfolgt. Das parametrische Fassungsrandmodell mit den so bestimmten Parametern kann dann z.B. zur Bestimmung von Zentrierparametern verwendet werden, wie weiter unten kurz erläutert wird.
Liegen wie oben erläutert Wahrscheinlichkeitsverteilungen für die Parameter des
parametrischen Fassungsrandmodells vor, können diese ebenso herangezogen werden, indem beispielsweise bei der Bildanalyse zunächst von einem Mittelwert des Parameters
ausgegangen wird. Dieser Wert kann dann sequentiell verbessert werden, z.B. innerhalb eines MCMC-Verfahrens, in dem jeweils ein Parametersatz entsprechend der Verteilungen der einzelnen Parameter zufällig gewählt wird und dann der Abstand der ins Bild projizierten Fassungskanten mit den im Bild z.B. mittels eines Kantendetektors detektierten Kanten berechnet wird. Dieses Verfahren wird sehr häufig wiederholt und führt dadurch auf eine Verteilung über Parameter mit zugehörigen Abständen. Am Ende kann dann der Parametersatz mit dem kleinsten Abstandswert als bester gewählt werden.
Alternativ kann der Mittelwert des Parameters als Initialwert in einem Optimierungsproblem herangezogen werden, z.B. innerhalb eines Gradientenabstiegsverfahrens.
Zur Verbesserung der Identifizierung des Fassungsrandes kann bei einer anderen
Ausführungsform auch eine Abweichung eines aus dem mindestens einen Bild ermittelten Fassungsrand von dem parametrischen Fassungsrandmodell einbezogen werden,
beispielsweise in Form eines Strafterms in einer Kostenfunktion zur Bestimmung des
Fassungsrandes in dem mindestens einen Bild. Der Strafterm wird dann umso größer, je weiter ein momentan identifizierter Fassungsrand von dem parametrischen Fassungsrandmodell entfernt ist. Dies stellt also einen Zusatz in bestehenden Optimierungsverfahren dar, beispielsweise in einem MCMC-Verfahren oder Gradientenabstiegsverfahren, Graph Cut Verfahren, Markov Random Field Omtimierungsverfahren und dergleichen. Derartige
Optimierungsverfahren sind beispielsweise in Christopher Bishop,„Pattern Recognition and Machine Learning", Springer Verlag 2006, ISBN-10: 0-387-31073-8 beschrieben.
Hierfür werden bei einer Ausführungsform mögliche Fassungsränder mathematisch, z.B. als Folge von Punkten oder auch als ein in die Brillenfassung einzusetzendes Brillenglas beschreibende Binärfunktion auf dem Bild mit einem Argument der Funktion z.B. zwischen 0 (außerhalb des Brillenglases) und 1 (innerhalb des Brillenglases) beschrieben. Die Menge möglicher Fassungsränder stellt dabei eine Fassungsrandfunktionenschar dar. Um den
Fassungsrand bzw. dessen Form dann in dem mindestens einen Bild zu identifizieren, wird eine Kostenfunktion definiert, die z.B. die Kanten im Bild oder die Farben im Bild benutzt und jedem möglichen Fassungsrand einen Wert zuordnet. Das Minimum dieser Kostenfunktion (minimiert wird über die Fassungsrandfunktionenschar - die Kostenfunktion ist also eine Funktion von Funktionen bzw. Fassungsrändern) ist dann die beste Fassungsrandfunktion, die zu den Annahmen (Kanten und Farbe etc.) in der Kostenfunktion passt. Zusätzlich zu den anderen Termen in der Kostenfunktion (Kante, Farbe, Symmetrie etc.) kann man dann einen Strafterm zur Kostenfunktion dazu addieren, der die Abweichung des in dem mindestens einen Bild zu identifizierenden Fassungsrandes (in der mathematischen Repräsentation) von allen möglichen Konturen, die das parametrische Fassungsrandmodell beschreiben kann, enthält. Ein Strafterm ist dabei allgemein ein zusätzlicher Term in der Kostenfunktion, welcher die„Kosten", d.h. den Wert der Funktion, in Abhängigkeit von bestimmten Umständen erhöht, in diesem Fall abhängig von einer Abweichung des Fassungsrandes von dem parametrischen Fassungsrandmodell. Das heißt, dass Lösungen für den zu identifizierenden Fassungsrand, die weit weg vom Raum der von dem parametrischen Fassungsrandmodell beschreibbaren Fassungsränder liegen, hohe Kosten haben bei einer Optimierung des zu identifizierenden Fassungsrandes (d. h. bei einer Optimierung, die dazu dient, einen Fassungsrand möglichst gut in dem mindestens einen Bild zu identifizieren, sodass der identifizierte Fassungsrand möglichst genau dem tatsächlich vorliegenden Fassungsrand entspricht). Diesen Strafterm kann man zu allen möglichen
Kostenfunktionen dazu addieren, die den in dem mindestens einen Bild zu identifizierenden Fassungsrand optimieren.
Bei einer anderen Möglichkeit der Analyse wird in dem Bild mittels herkömmlicher Verfahren der Fassungsrand identifiziert, beispielsweise mit den in der Beschreibungseinleitung der DE 10 201 1 1 15 239 A1 genannten Verfahren. An diesen identifizierten Fassungsrand wird dann das parametrische Fassungsrandmodell angepasst, d.h. die Parameter des parametrischen
Fassungsrandmodells werden optimiert, um eine möglichst große Übereinstimmung des parametrischen Fassungsrandmodells zu dem in dem mindestens einen Bild identifizierten Fassungsrand zu erreichen. Diese Anpassung kann nach der Methode der kleinsten Quadrate oder einem anderen herkömmlichen Optimierungsverfahren erfolgen. Bei dieser Anwendung ist die Bestimmung der Parameter des parametrischen Fassungsrandmodells einfacher als in dem Fall, in dem das parametrische Fassungsrandmodell zur Segmentierung wie oben beschrieben herangezogen wird, da nur die Parameter zu finden sind und der Fassungsrand im Bild schon identifiziert wurde. Nach der Bestimmung der Parameter kann das parametrische Fassungsrandmodell dann für weitere Auswertungen verwendet werden. Beispielsweise kann zudem aus dem mindestens einen Bild oder mit einer Abstandsmessung zur Kamera eine Position der Augen bestimmt werden, und aus der Position der Augen und dem parametrischen Fassungsrandmodell können dann die eingangs erwähnten Zentrierparameter bestimmt werden. Da diese Zentrierparameter einfache geometrische Größen sind, ergeben sie sich dann einfach aus der geometrischen Beschreibung des Fassungsrandes, welche durch das parametrische Fassungsrandmodell gegeben ist, und der Position der Augen hierzu. Manche Zentrierparameter, wie z.B.
Abmessungen eines Rechtecks, das durch die horizontalen und vertikalen Tangenten an den äußersten Kanten des Brillenglases gebildet wird (Kastensystem nach 5.1 DIN EN ISO
13666:2012), können auch ohne die Position der Augen nur aus dem parametrischen Fassungsrandmodell bestimmt werden, da sie nur von den Abmessungen und der Form des Fassungsrandes abhängen.
Die Anpassung des parametrischen Fassungsrandmodells an einen in einem Bild identifizierten Fassungsrand kann in dem Fall, dass das parametrische Fassungsrandmodell die Vielzahl von Datensätzen oder aus der Vielzahl von Datensätzen abgeleitete weitere Datensätze umfasst, auch darin bestehen, den am besten passenden Datensatz aus der Vielzahl von Datensätzen oder weiteren Datensätzen zu identifizieren. Hierzu werden beispielsweise für alle Datensätze der Vielzahl von Datensätzen oder der Vielzahl von weiteren Datensätzen die Abweichungen von dem identifizierten Fassungsrand berechnet und der Datensatz mit den kleinsten
Abweichungen ausgewählt. Die Nummer dieses Datensatzes stellt dann den bestimmten Parameter dar.
Die oben genannten Verfahren werden typischerweise computerimplementiert durchgeführt. Dementsprechend wird gemäß einem weiteren Aspekt der vorliegenden Erfindung ein
Computerprogramm mit einem Programmcode bereitgestellt, der, wenn er auf einem oder mehreren Prozessoren einer Recheneinrichtung durchgeführt wird, eines der oben
beschriebenen Verfahren ausführt. Schließlich wird auch eine entsprechende Recheneinrichtung mit einem Prozessor und einem Speicher, in dem ein entsprechendes Computerprogramm gespeichert ist, bereitgestellt. Der Speicher kann dabei insbesondere ein physikalisch greifbarer Speicher sein. Die
Recheneinrichtung weist dabei zudem einen Dateneingang auf, um die Datensätze zu empfangen. Der Dateneingang kann dabei ein Netzwerkanschluss sein, um die Datensätze über ein Netzwerk wie das Internet zu empfangen, oder eine Aufnahme für ein Speichermedium sein, um die auf dem Speichermedium abgespeicherten Datensätze zu empfangen, beispielsweise eine USB-Schnittstelle zur Aufnahme eines Speichersticks oder ein optisches Laufwerk (DVD- oder CD-Laufwerk) zur Aufnahme eines optischen Speichermediums. Zur weiteren Erläuterung wird die Erfindung nachfolgend anhand von Ausführungsbeispielen unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert. Es zeigen:
Fig. 1 ein Flussdiagramm eines Verfahrens gemäß einem Ausführungsbeispiel, Fig. 2 ein Flussdiagramm eines Verfahrens gemäß einem weiteren Ausführungsbeispiel, Fig. 3 ein Blockdiagramm einer Recheneinrichtung gemäß einem Ausführungsbeispiel,
Fig. 4 ein Diagramm zur Veranschaulichung eines Datensatzes, und Fig. 5 eine Darstellung zur Veranschaulichung eines parametrischen Modells.
Die Fig. 1 zeigt ein Flussdiagramm, welches allgemein den Ablauf eines Verfahrens gemäß einem Ausführungsbeispiel zeigt. In einem Schritt 10 beinhaltet das Verfahren ein Bereitstellen einer Vielzahl von Datensätzen, die jeweils einen Verlauf eines Fassungsrandes einer
Brillenfassung kennzeichnen. Wie bereits erläutert können diese Datensätze Tracer-Daten oder CAD-Daten umfassen. In einem Schritt 1 1 umfasst das Verfahren dann ein Bereitstellen eines parametrischen Fassungsrandmodells auf Basis der in Schritt 10 bereitgestellten Datensätze, wobei für das Bereitstellen die bereits erläuterten Möglichkeiten verwendet werden können. Die Fig. 2 zeigt ein detaillierteres Flussdiagramm eines Verfahrens gemäß einem
Ausführungsbeispiel. Bei dem Ausführungsbeispiel der Fig. 2 werden in einem Schritt 20 Datensätze, beispielsweise Tracer-Daten, als Trainingsbeispiele bereitgestellt. In einem Schritt 21 erfolgt eine Vorverarbeitung, d.h. ein Transformieren der Datensätze in ein anderes Format, beispielsweise durch Koordinatentransformation oder Umparametrisierung wie bereits beschrieben.
In Schritt 22 wird dann auf Basis der vorverarbeiteten Datensätze ein parametrisches
Fassungsrandmodell, in diesem Fall ein 3D-Modell, erzeugt, beispielsweise durch
Hauptkomponentenanalyse. Wie durch Schritte 23 bis 26 angedeutet, kann dieses Modell dann auf verschiedene Weise verwendet werden. In Schritt 23 erfolgt beispielsweise eine
Segmentierung eines oder mehrerer aufgenommener Bilder zumindest eines Teils eines Kopfes (insbesondere der Augenpartie), welcher eine Brillenfassung trägt, unter Verwendung des SD- Modells. Hier wird also wie oben beschrieben das parametrische Fassungsrandmodell dazu verwendet, ein Identifizieren eines Fassungsrandes in aufgenommen Bildern zu vereinfachen.
In Schritt 24 wird wie beschrieben bei einem Optimierungsprozess zum Identifizieren eines Fassungsrandes in einem oder mehreren Bildern ein Strafterm auf Basis einer Abweichung eine momentan identifizierten Fassungsrandes von dem parametrischen Fassungsrandmodell erstellt. In Schritt 25 können wie ebenfalls bereits erläutert die Datensätze oder die
vorverarbeiteten Datensätze gleichsam als Bibliothek dienen. In Schritt 26 wird zunächst ein Fassungsrand in einem oder mehreren Bildern identifiziert, und die Parameter des parametrischen Fassungsrandmodells werden dann an den identifizierten Fassungsrand angepasst. Die Schritte 23 bis 26 können dann letztendlich dazu dienen, wie beschrieben Zentrierparameter zu bestimmen. Die Fig. 3 zeigt ein Blockdiagramm einer Recheneinrichtung 30 gemäß einem
Ausführungsbeispiel. Die Recheneinrichtung 30 umfasst einen Prozessor 31 sowie einen Speicher 32, beispielsweise einen Speicher mit wahlfreiem Zugriff (RAM) oder einem Nur- Lesespeicher (ROM), in dem ein Programmcode gespeichert ist. Wenn der in dem Speicher 32 gespeicherte Programmcode auf dem Prozessor 31 läuft, werden eine oder mehrere der oben beschriebenen Verfahren, insbesondere das Verfahren der Fig. 1 oder der Fig. 2 ausgeführt. Hierzu werden der Recheneinrichtung 30 über einen Dateneingang 33 entsprechende
Datensätze wie die beschriebenen Tracer-Daten oder CAD-Daten zugeführt. An einem
Datenausgang 34 wird dann ein entsprechendes parametrisches Fassungsrandmodell, welches wie beschrieben bestimmt wurde, ausgegeben. Zu beachten ist, dass Dateneingang 33 und Datenausgang 34 auch physikalisch identisch sein können, beispielsweise durch eine
Netzwerkschnittstelle oder dergleichen gebildet sein kann. Als eine derartige Recheneinrichtung 30 kann beispielsweise ein handelsüblicher Computer verwendet werden, der dann
entsprechend programmiert wird. Die Fig. 4 zeigt in einer 2D-Darstellung eine Vielzahl von Datensätzen 40 zur
Veranschaulichung der oben erläuterten Konzepte. In Fig. 4 entspricht jeder Datensatz einer geschlossenen Linie, die den Abschnitt eines Fassungsrandes für ein Brillenglas bezeichnet. Aus dieser Vielzahl von Linien, welche beispielsweise Tracer-Daten aus Messungen
verschiedener Brillenfassungen repräsentieren, kann dann wie beschrieben ein parametrisches Fassungsrandmodell erstellt werden.
Die Fig. 5 zeigt ein einfaches Diagramm zur Veranschaulichung eines parametrischen
Fassungsrandmodells. In dem Beispiel der Fig. 5 dient eine Ellipse 50 als Modell, und als Parameter dienen die große Halbachse a und die kleine Halbachse b der Ellipse 50. In einem der bereits beschriebenen Varianten kann die Ellipse 50 beispielsweise als das vorgegebene parametrische Fassungsrandmodell 50 dienen. Die Ellipse 50 kann dann an jeden Datensatz, beispielsweise an jede der Kurven des Datensatzes 40 der Fig. 4, angepasst werden, um so für jeden Datensatz einen Wert für die große Halbachse a und einen Wert für die kleine Halbachse b zu erhalten. Aus den so ermittelten Werten kann dann eine Wahrscheinlichkeitsverteilung für die Parameter a und b erstellt werden, beispielsweise in Form eines Histogramms oder in Form von Mittelwert und Standardabweichung. Zu bemerken ist, dass die Ellipse 50 in diesem Fall nur als einfaches Beispiel gewählt wurde, und auch komplexere geometrische Formen möglich sind. Allgemein ist zu bemerken, dass die dargestellten und beschriebenen
Ausführungsbeispiele nur der Veranschaulichung dienen und nicht als einschränkend auszulegen sind.
Manche Ausführungsbeispiele sind durch die folgenden Klauseln definiert:
Klausel 1. Verfahren zum Bereitstellen eines Fassungsrandmodells, umfassend:
Bereitstellen einer Vielzahl von Datensätzen, die jeweils einen Verlauf eines
Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells auf Basis der Vielzahl von Datensätzen.
Klausel 2. Verfahren nach Klausel 1 , wobei das Bereitstellen des parametrischen
Fassungsrandmodells ein Berechnen des parametrischen Fassungsrandmodells aus der
Vielzahl von Datensätzen umfasst.
Klausel 3. Verfahren nach Klausel 2, wobei das Berechnen ein maschinelles Lernen auf der Vielzahl von Datensätzen umfasst.
Klausel 4. Verfahren nach Klausel 2 oder 3, wobei das Berechnen eine
Hauptkomponentenanalyse und/oder Unabhängigkeitsanalyse der Vielzahl von
Datensätzen umfasst. Klausel 5. Verfahren nach einem der Klauseln 1 -4, wobei das Bereitstellen des
parametrischen Fassungsrandmodells ein Berechnen von
Wahrscheinlichkeitsverteilungen für Parameter eines vorgegebenen
Fassungsrandmodells auf Basis der Vielzahl von Datensätzen umfasst. Klausel 6. Verfahren nach einem der Klauseln 1 -5, wobei das Bereitstellen des
parametrischen Fassungsrandmodells ein Bereitstellen der Vielzahl von Datensätzen oder einer Vielzahl von aus der Vielzahl von Datensätzen abgeleiteter weiteren
Datensätzen umfasst, wobei ein Parameter des parametrischen Fassungsrandmodells einen Datensatz der Vielzahl von Datensätzen oder der Vielzahl von weiteren
Datensätzen angibt. Klausel 7. Verfahren nach einem der Klauseln 1 -6, wobei das Bereitstellen des parametrischen Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen umfasst.
Klausel 8. Verfahren nach Klausel 7, wobei das Transformieren eine
Koordinatentransformation und/oder ein Abtasten von durch die Datensätzen definierten Kurven in gleichen Winkelabständen und/oder ein Filtern der Datensätze und/oder eine Approximation der Datensätze durch parametrische Kurven umfasst.
Klausel 9. Verfahren nach Klausel 8, wobei die Koordinatentransformation eine
Transformation auf einander entsprechende Bezugspunkte eines durch den jeweiligen Datensatz beschriebenen Fassungsrandes und/oder ein gleiches Ausrichten der
Datensätze umfasst.
Klausel 10. Verfahren zur Bildanalyse, umfassend:
Bereitstellen mindestens eines Bildes zumindest eines Teils eines Kopfes mit einer Brillenfassung,
Bereitstellen eines parametrischen Fassungsrandmodells, welches mit dem Verfahren eines der Klauseln 1 -9 erstellt wurde, und
Analysieren des mindestens einen Bildes unter Verwendung des parametrischen
Fassungsrandmodells.
Klausel 1 1 . Verfahren nach Klausel 10, wobei das Analysieren des Bildes ein Identifizieren eines Fassungsrandes in dem mindestens einen Bild unter Zuhilfenahme des
parametrischen Fassungsrandmodells umfasst.
Klausel 12. Verfahren nach Klausel 1 1 , wobei das Identifizieren des Fassungsrandes einen Optimierungsprozess mit einem Strafterm in Abhängigkeit von einer Abweichung eines zu optimierenden Fassungsrandes von dem parametrischen Fassungsrandmodell und/oder ein Identifizieren des Fassungsrandes auf Basis von Wahrscheinlichkeitsverteilungen von Parametern des parametrischen Fassungsrandmodells umfasst.
Klausel 13. Verfahren nach Klausel 10, wobei das Analysieren ein Identifizieren eines
Fassungsrandes in dem mindestens einen Bild und ein Anpassen von Parametern des parametrischen Fassungsrandmodells auf Basis des identifizierten Fassungsrandes umfasst. Klausel 14. Computerprogramm mit einem Programmcode, welcher, wenn er auf einem Prozessor ausgeführt wird, das Verfahren nach einem der Klauseln 1 -13 ausführt. Klausel 15. Recheneinrichtung, umfassend:
einen Prozessor,
einen Dateneingang zum Empfangen einer Vielzahl von Datensätzen, die jeweils einen Verlauf eines Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und einen Speicher, wobei in dem Speicher das Computerprogramm nach Klausel 14 gespeichert ist.

Claims

Patentansprüche
Computerimplementiertes Verfahren zum Bereitstellen eines Fassungsrandmodells (50), umfassend:
Bereitstellen einer Vielzahl von Datensätzen (40), die jeweils einen Verlauf eines
Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells (50) auf Basis der Vielzahl von
Datensätzen,
dadurch gekennzeichnet, dass
die Vielzahl von Datensätzen Tracer-Datensätze sind.
Verfahren nach Anspruch 1 , wobei das Bereitstellen des parametrischen
Fassungsrandmodells ein Berechnen des parametrischen Fassungsrandmodells aus der Vielzahl von Datensätzen (40) umfasst.
Verfahren nach Anspruch 2, wobei das Berechnen ein maschinelles Lernen auf der Vielzahl von Datensätzen (40) umfasst.
Verfahren nach Anspruch 2 oder 3, wobei das Berechnen eine
Hauptkomponentenanalyse und/oder Unabhängigkeitsanalyse der Vielzahl von
Datensätzen (40) umfasst.
Verfahren nach einem der Ansprüche 1 -4, wobei das Bereitstellen des parametrischen Fassungsrandmodells (50) ein Berechnen von Wahrscheinlichkeitsverteilungen für Parameter eines vorgegebenen Fassungsrandmodells auf Basis der Vielzahl von Datensätzen (40) umfasst.
Verfahren nach einem der Ansprüche 1 -6, wobei das Bereitstellen des parametrischen Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen umfasst, um eine Vielzahl von weiteren Datensätze zu erzeugen, wobei jeder Datensatz der Vielzahl von weiteren Datensätzen auf einem Datensatz der Vielzahl von Datensätzen beruht.
Verfahren nach Anspruch 6, wobei das Transformieren eine Koordinatentransformation und/oder ein Abtasten von durch die Datensätzen definierten Kurven in gleichen Winkelabständen und/oder ein Filtern der Datensätze und/oder eine Approximation der Datensätze durch parametrische Kurven umfasst.
Verfahren nach Anspruch 7, wobei die Koordinatentransformation eine Transformation auf einander entsprechende Bezugspunkte eines durch den jeweiligen Datensatz
beschriebenen Fassungsrandes und/oder ein gleiches Ausrichten der Datensätze umfasst.
Verfahren nach einem der Ansprüche 1 -8, wobei das Bereitstellen des parametrischen Fassungsrandmodells ein Bereitstellen der Vielzahl von Datensätzen (40) oder der Vielzahl von weiteren Datensätzen umfasst, wobei ein Parameter des parametrischen Fassungsrandmodells einen Datensatz der Vielzahl von Datensätzen oder der Vielzahl von weiteren Datensätzen angibt.
Verfahren nach einem der Ansprüche 1 -9, wobei die Tracer-Datensätze 2D-Datensätze sind.
Verfahren nach Anspruch 10, wobei das parametrische Fassungsrandmodell ein SD- Modell ist.
Verfahren nach einem der Ansprüche 1 -10, wobei das parametrische
Fassungsrandmodell ein 2D-Modell ist.
Computerimplementiertes Verfahren zum Bereitstellen eines Fassungsrandmodells (50), umfassend:
Bereitstellen einer Vielzahl von Datensätzen (40), die jeweils einen Verlauf eines
Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells (50) auf Basis der Vielzahl von
Datensätzen,
dadurch gekennzeichnet, dass das Bereitstellen des parametrischen
Fassungsrandmodells (50) ein Berechnen von Wahrscheinlichkeitsverteilungen für Parameter eines vorgegebenen Fassungsrandmodells auf Basis der Vielzahl von
Datensätzen (40) umfasst. 14. Verfahren nach Anspruch 13, wobei das Bereitstellen des parametrischen
Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen umfasst, um eine Vielzahl von weiteren Datensätze zu erzeugen, wobei jeder Datensatz der Vielzahl von weiteren Datensätzen auf einem Datensatz der Vielzahl von Datensätzen beruht.
15. Verfahren nach Anspruch 14, wobei das Transformieren eine Koordinatentransformation und/oder ein Abtasten von durch die Datensätzen definierten Kurven in gleichen
Winkelabständen und/oder ein Filtern der Datensätze und/oder eine Approximation der Datensätze durch parametrische Kurven umfasst.
16. Verfahren nach Anspruch 15, wobei die Koordinatentransformation eine Transformation auf einander entsprechende Bezugspunkte eines durch den jeweiligen Datensatz beschriebenen Fassungsrandes und/oder ein gleiches Ausrichten der Datensätze umfasst.
17. Verfahren nach einem der Ansprüche 13-16, wobei das Berechnen von
Wahrscheinlichkeitsverteilungen ein Erstellen eines Histogramms umfasst.
18. Verfahren nach einem der Ansprüche 13-17, wobei das Berechnen von
Wahrscheinlichkeitsverteilungen ein Berechnen von Wahrscheinlichkeitsverteilungen von Parametern eines parameterfreien Modells umfasst.
19. Computerimplementiertes Verfahren zum Bereitstellen eines Fassungsrandmodells (50), umfassend:
Bereitstellen einer Vielzahl von Datensätzen (40), die jeweils einen Verlauf eines Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells (50) auf Basis der Vielzahl von
Datensätzen,
dadurch gekennzeichnet,
dass das Bereitstellen des parametrischen Fassungsrandmodells ein Bereitstellen der Vielzahl von Datensätzen (40) oder einer Vielzahl von aus der Vielzahl von Datensätzen abgeleiteter weiteren Datensätzen umfasst, wobei ein Parameter des parametrischen
Fassungsrandmodells einen Datensatz der Vielzahl von Datensätzen oder der Vielzahl von weiteren Datensätzen angibt.
20. Verfahren nach einem der Anspruch 19, wobei das Bereitstellen des parametrischen Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen umfasst, um die Vielzahl von weiteren Datensätze zu erzeugen, wobei jeder Datensatz der Vielzahl von weiteren Datensätzen auf einem Datensatz der Vielzahl von Datensätzen beruht.
Verfahren nach Anspruch 20, wobei das Transformieren eine Koordinatentransformation und/oder ein Abtasten von durch die Datensätzen definierten Kurven in gleichen
Winkelabständen und/oder ein Filtern der Datensätze und/oder eine Approximation der Datensätze durch parametrische Kurven umfasst.
Verfahren nach Anspruch 21 , wobei die Koordinatentransformation eine Transformation auf einander entsprechende Bezugspunkte eines durch den jeweiligen Datensatz beschriebenen Fassungsrandes und/oder ein gleiches Ausrichten der Datensätze umfasst.
Computerimplementiertes Verfahren zum Bereitstellen eines Fassungsrandmodells (50), umfassend:
Bereitstellen einer Vielzahl von Datensätzen (40), die jeweils einen Verlauf eines
Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und
Bereitstellen eines parametrischen Fassungsrandmodells (50) auf Basis der Vielzahl von
Datensätzen,
dadurch gekennzeichnet,
dass das Bereitstellen des parametrischen Fassungsrandmodells ein Transformieren der Vielzahl von Datensätzen umfasst, um eine Vielzahl von weiteren Datensätze zu erzeugen, wobei jeder Datensatz der Vielzahl von weiteren Datensätzen auf einem Datensatz der Vielzahl von Datensätzen beruht, wobei das Transformieren eine
Koordinatentransformation und/oder ein Abtasten von durch die Datensätzen definierten Kurven in gleichen Winkelabständen und/oder ein Filtern der Datensätze und/oder eine Approximation der Datensätze durch parametrische Kurven umfasst.
Verfahren nach Anspruch 23, wobei das Bereitstellen des parametrischen
Fassungsrandmodells ein Berechnen des parametrischen Fassungsrandmodells aus der Vielzahl von weiteren Datensätzen (40) umfasst.
Verfahren nach Anspruch 24, wobei das Berechnen ein maschinelles Lernen auf der Vielzahl von weiteren Datensätzen (40) umfasst. Verfahren nach Anspruch 24 oder 25, wobei das Berechnen eine
Hauptkomponentenanalyse und/oder Unabhängigkeitsanalyse der Vielzahl von weiteren Datensätzen (40) umfasst.
Verfahren nach einem der Ansprüche 23-26, wobei das Bereitstellen des parametrischen Fassungsrandmodells (50) ein Berechnen von Wahrscheinlichkeitsverteilungen für Parameter eines vorgegebenen Fassungsrandmodells auf Basis der Vielzahl von weiteren Datensätzen (40) umfasst.
Verfahren nach einem der Ansprüche 23-27, wobei die Koordinatentransformation eine Transformation auf einander entsprechende Bezugspunkte eines durch den jeweiligen Datensatz beschriebenen Fassungsrandes und/oder ein gleiches Ausrichten der
Datensätze umfasst.
Verfahren nach einem der Ansprüche 23-28, wobei das Bereitstellen des parametrischen Fassungsrandmodells ein Bereitstellen der Vielzahl von weiteren Datensätzen umfasst, wobei ein Parameter des parametrischen Fassungsrandmodells einen Datensatz der Vielzahl von weiteren Datensätzen angibt.
Verfahren nach einem der Ansprüche 12-29, wobei die Datensätze 2D-Datensätze sind.
31 . Verfahren nach Anspruch 30, wobei das parametrische Fassungsrandmodell ein SD- Modell ist. 32. Verfahren nach einem der Ansprüche 13-30, wobei das parametrische
Fassungsrandmodell ein 2D-Modell ist.
33. Computerimplementiertes Verfahren zur Bildanalyse, umfassend:
Bereitstellen mindestens eines Bildes zumindest eines Teils eines Kopfes mit einer Brillenfassung,
Bereitstellen eines parametrischen Fassungsrandmodells, welches mit dem Verfahren eines der Ansprüche 1 -32 erstellt wurde, und
Analysieren des mindestens einen Bildes unter Verwendung des parametrischen
Fassungsrandmodells.
34. Verfahren nach Ansprüche 33, wobei das Analysieren ein Bestimmen von Kameraparametern einer zur Aufnahme des mindestens einen Bildes verwendeten Kamera umfasst. 35. Verfahren nach einem der Ansprüche 33 oder 34, wobei das Analysieren eine
Bildverbesserung des mindestens einen Bildes umfasst.
36. Verfahren nach einem der Ansprüche 33-35, wobei das Analysieren des Bildes ein
Identifizieren eines Fassungsrandes in dem mindestens einen Bild unter Zuhilfenahme des parametrischen Fassungsrandmodells umfasst.
37. Verfahren nach Anspruch 36, wobei das Analysieren ein Anpassen von Parametern des parametrischen Fassungsrandmodells auf Basis des identifizierten Fassungsrandes umfasst.
38. Verfahren nach Anspruch 37, wobei das Identifizieren des Fassungsrandes einen
Optimierungsprozess mit einem Strafterm in Abhängigkeit von einer Abweichung eines zu optimierenden Fassungsrandes von dem parametrischen Fassungsrandmodell und/oder ein Identifizieren des Fassungsrandes auf Basis von Wahrscheinlichkeitsverteilungen von Parametern des parametrischen Fassungsrandmodells umfasst.
39. Verfahren nach einem der Ansprüche 33-38, wobei das Analysieren ein Ermitteln einer Repräsentation eines Randes eines Brillenglases unter Zuhilfenahme des parametrischen Fassungsrandmodells umfasst.
40. Computerprogramm mit einem Programmcode, welcher, wenn er auf einem Prozessor ausgeführt wird, das Verfahren nach einem der Ansprüche 1 -39 ausführt.
41 . Recheneinrichtung, umfassend:
einen Prozessor,
einen Dateneingang zum Empfangen einer Vielzahl von Datensätzen, die jeweils einen Verlauf eines Fassungsrandes einer jeweiligen Brillenfassung beschreiben, und einen Speicher, wobei in dem Speicher das Computerprogramm nach Anspruch 40 gespeichert ist.
42. Verfahren zum Zentrieren eines Brillenglases in einer Brillenfassung, dadurch gekennzeichnet, dass
in einem Schritt (i) zu dem Brillenglas Zentrierparameter bestimmt werden, wobei das Bestimmen der Zentrierparameter das Ermitteln der Repräsentation des Rands des Brillenglases mit dem Verfahren nach Anspruch 39 umfasst und
in einem Schritt (ii) das Brillenglas mit den in Schritt (i) bestimmten Zentrierparametern in der Brillenfassung zentriert wird.
43. Verfahren zum Einschieifen eines Brillenglases in eine Brillenfassung, dadurch
gekennzeichnet, dass
in einem Schritt (i) zu dem Brillenglas Zentrierparameter bestimmt werden, wobei das Bestimmen der Zentrierparameter das Ermitteln der Repräsentation des Rands des Brillenglases mit dem Verfahren nach Anspruch 39 umfasst; und
in einem Schritt (ii) das Brillenglas basierend auf den in Schritt (i) bestimmten
Zentrierparametern für eine Anordnung in der Brillenfassung eingeschliffen wird.
44. Verfahren zum Herstellen eines Brillenglases, gekennzeichnet durch den
Verfahrensschritt Einschieifen des Brillenglases in eine Brillenfassung mit einem
Verfahren nach Anspruch 43.
EP18701185.3A 2017-01-27 2018-01-26 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells Pending EP3574420A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP17153538.8A EP3355214A1 (de) 2017-01-27 2017-01-27 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells
PCT/EP2018/051954 WO2018138258A1 (de) 2017-01-27 2018-01-26 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells

Publications (1)

Publication Number Publication Date
EP3574420A1 true EP3574420A1 (de) 2019-12-04

Family

ID=57909538

Family Applications (2)

Application Number Title Priority Date Filing Date
EP17153538.8A Ceased EP3355214A1 (de) 2017-01-27 2017-01-27 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells
EP18701185.3A Pending EP3574420A1 (de) 2017-01-27 2018-01-26 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP17153538.8A Ceased EP3355214A1 (de) 2017-01-27 2017-01-27 Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells

Country Status (4)

Country Link
US (1) US10859859B2 (de)
EP (2) EP3355214A1 (de)
CN (1) CN110447029B (de)
WO (1) WO2018138258A1 (de)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3413122B1 (de) 2017-06-08 2020-03-04 Carl Zeiss Vision International GmbH Verfahren, vorrichtung und computerprogramm zum bestimmen eines nah-durchblickpunktes
US11238611B2 (en) * 2019-07-09 2022-02-01 Electric Avenue Software, Inc. System and method for eyewear sizing
EP3876026A1 (de) 2020-03-06 2021-09-08 Carl Zeiss Vision International GmbH Verfahren und vorrichtungen zum bestimmen des vorneigungswinkels
EP3913424A1 (de) 2020-05-22 2021-11-24 Carl Zeiss Vision International GmbH Computerimplementiertes verfahren zur bestimmung von zentrierparametern für mobile endgeräte, mobiles endgerät und computerprogramm
CN111652113B (zh) * 2020-05-29 2023-07-25 阿波罗智联(北京)科技有限公司 障碍物检测方法、装置、设备以及存储介质
JP2022184415A (ja) * 2021-06-01 2022-12-13 株式会社エビデント ３次元画像表示方法、３次元画像表示装置、およびプログラム
EP4227732A1 (de) 2022-02-14 2023-08-16 Carl Zeiss Vision International GmbH Verfahren zur kopfbildaufzeichnung und entsprechende mobile vorrichtung
CN114815306B (zh) * 2022-04-20 2024-04-16 苏州明世光学科技有限公司 一种用于远视矫正的自由曲面单焦点散光镜片及设计方法
CN117078730B (zh) * 2023-10-12 2024-01-23 资阳建工建筑有限公司 基于模版匹配的防凸卡具配准方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR910000591B1 (ko) * 1986-10-30 1991-01-26 가부시기가이샤 도시바 안경 프레임 화상처리 기록방법 및 이를 실시하기 위한 시스템
DE10033983A1 (de) 2000-04-27 2001-10-31 Frank Mothes Einrichtung zur Bestimmung der Brillenglas-Zentrierdaten
EP1862110A1 (de) * 2006-05-29 2007-12-05 Essilor International (Compagnie Generale D'optique) Verfahren zur Optimierung von Brillengläsern
WO2009024981A2 (en) * 2007-08-21 2009-02-26 Visionix Ltd. Multifunctional ophthalmic measurement system
CN102301270B (zh) * 2009-01-30 2013-12-04 Hoya株式会社 眼镜镜片评价方法、眼镜镜片设计方法和眼镜镜片制造方法
FR2955409B1 (fr) * 2010-01-18 2015-07-03 Fittingbox Procede d'integration d'un objet virtuel dans des photographies ou video en temps reel
DE102011115239B4 (de) 2011-09-28 2016-02-11 Rodenstock Gmbh Bestimmung der Scheibenform unter Berücksichtigung von Tracerdaten
JP6096019B2 (ja) * 2012-03-26 2017-03-15 Hoya株式会社 モールド用成形型、モールド及び眼鏡レンズの製造方法
US10330952B2 (en) * 2012-12-19 2019-06-25 Hoya Corporation Spectacle lenses
EP2937729A4 (de) * 2012-12-19 2016-07-27 Hoya Corp Herstellungsverfahren und herstellungsvorrichtung für brillengläser
JP6063248B2 (ja) * 2012-12-25 2017-01-18 Hoya株式会社 レンズ加工システム、発注側端末装置およびレンズ発注方法
US9470911B2 (en) * 2013-08-22 2016-10-18 Bespoke, Inc. Method and system to create products
EP3262617A1 (de) * 2015-02-23 2018-01-03 Fittingbox Verfahren und verfahren für physisch präzises und echt wirkendes anprobieren von brillen in echt-zeit
WO2016164859A1 (en) * 2015-04-10 2016-10-13 Bespoke, Inc. Systems and methods for creating eyewear with multi-focal lenses
US11086148B2 (en) * 2015-04-30 2021-08-10 Oakley, Inc. Wearable devices such as eyewear customized to individual wearer parameters
KR102146398B1 (ko) * 2015-07-14 2020-08-20 삼성전자주식회사 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법
AU2015404164A1 (en) * 2015-07-27 2018-01-18 Amo Wavefront Sciences, Llc Optical imaging and measurement systems and methods for cataract surgery and treatment planning
NZ740299A (en) * 2015-08-21 2019-08-30 Magic Leap Inc Eyelid shape estimation using eye pose measurement
CN105469072B (zh) * 2015-12-14 2019-05-31 依视路国际公司 一种评估眼镜佩戴者和其所佩戴眼镜搭配度的方法和系统
DE102016106121A1 (de) * 2016-04-04 2017-10-05 Carl Zeiss Ag Verfahren und Vorrichtung zum Bestimmen von Parametern zur Brillenanpassung
CN105842875B (zh) * 2016-06-07 2018-07-24 杭州美戴科技有限公司 一种基于人脸三维测量的眼镜架设计方法
CN110268304B (zh) * 2016-12-30 2021-04-06 豪雅镜片泰国有限公司 用于设计眼镜镜片的方法，镜片，和用于设计镜片的装置
ES2714172T5 (es) * 2017-01-27 2022-09-07 Zeiss Carl Vision Int Gmbh Procedimiento y dispositivo, así como programa de ordenador para determinar una representación de un borde de lente de gafas
GB2559978A (en) * 2017-02-22 2018-08-29 Fuel 3D Tech Limited Systems and methods for obtaining eyewear information
FR3069687B1 (fr) * 2017-07-25 2021-08-06 Fittingbox Procede de determination d'au moins un parametre associe a un dispositif ophtalmique

Also Published As

Publication number Publication date
US20200018994A1 (en) 2020-01-16
US10859859B2 (en) 2020-12-08
EP3355214A1 (de) 2018-08-01
CN110447029B (zh) 2023-06-16
WO2018138258A1 (de) 2018-08-02
CN110447029A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
WO2018138258A1 (de) Verfahren, recheneinrichtung und computerprogramm zum bereitstellen eines fassungsrandmodells
EP3657236B1 (de) Verfahren, vorrichtung und computerprogramm zum virtuellen anpassen einer brillenfassung
EP3649505B1 (de) Verfahren, vorrichtung und computerprogramm zum virtuellen anpassen einer brillenfassung
EP3542211B1 (de) Verfahren und vorrichtung sowie computerprogramm zum ermitteln einer repräsentation eines brillenglasrands
EP3642670B1 (de) Verfahren, vorrichtung und computerprogramm zum virtuellen anpassen einer brillenfassung
EP3183616B1 (de) Ermittlung von benutzerdaten unter berücksichtigung von bilddaten einer ausgewählten brillenfassung
DE102011115239B4 (de) Bestimmung der Scheibenform unter Berücksichtigung von Tracerdaten
EP3956721B1 (de) Bestimmung mindestens eines optischen parameters eines brillenglases
EP3574370B1 (de) Computerimplementiertes verfahren zur bestimmung einer repräsentation eines brillenfassungsrands oder einer repräsentation der ränder der gläser einer brille
WO2020119842A1 (de) Verfahren zum generieren von herstellungsdaten zur herstellung einer brille für eine person und system dafür
EP3413122A1 (de) Verfahren, vorrichtung und computerprogramm zum bestimmen eines nah-durchblickpunktes
DE102021129171B3 (de) Verfahren, system und computerprogramm zur virtuellen voraussage eines realen sitzes eines realen brillengestells am kopf einer person mit individueller kopfgeometrie
DE102021109381A1 (de) Individualisierte brillenfassung und verfahren zum erzeugen von deren geometriedaten
WO2022022765A1 (de) Verfahren und vorrichtung zum automatischen bestimmen von herstellungsparametern für eine brille
Zhang et al. No-reference image quality assessment for defocus restoration

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190814

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20200316

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS