Markerless增强现实通过立体视频透明头盔显示装置

文摘

传统,相机定位为增强现实(AR)依赖于检测已知模式内捕获的图像。在这项研究中,一个markerless基于“增大化现实”技术方案设计了基于立体视频透明头盔显示器(HMD)设备。markerless提出基于“增大化现实”技术方案可以用于医学应用等培训,telementoring或术前解释。首先,基于“增大化现实”技术的可视化的虚拟模型在物理空间对齐到目标表面一种改进的基于迭代最近点(ICP)的注册算法,与目标表面结构由一对立体相机重建;markerless AR相机定位法是设计基于Kanade-Lucas-Tomasi (KLT)特征跟踪算法和随机样本共识(RANSAC)校正算法。我们的基于“增大化现实”技术的相机定位法是比传统的概略介绍和传感器的基于“增大化现实”技术的游戏环境。演示系统是评估一个塑料假头和多视图观察显示结果是令人满意的。

1。介绍

在过去的几十年里,增强现实(AR)已成为一个有吸引力的研究课题在机器视觉领域的潜力和可视化技术。作为混合现实的一部分和另一种虚拟现实(VR),基于“增大化现实”技术允许用户看到的虚拟物体叠加物理环境在同一时间。根据Azuma定义(1,2),基于“增大化现实”技术的系统有三个重要的性质:首先,它结合了真实和虚拟对象在实际环境中;第二,它运行交互、实时;第三,它注册(对齐)真实和虚拟对象。基于“增大化现实”技术创建了一个“下一代,以现实为基础的人机交互接口”(3),提供信息超出正常用户可以看到,并增强我们的现实世界经验(4,5]。

多年来,基于“增大化现实”技术的可视化的应用已扩展到包括越来越多的领域,如工程、工业制造、导航、娱乐,特别是医学应用。医学的目的AR-based应用程序从一个简单的概念,透过虚拟对象和看到病人的医疗信息和病人。基于“增大化现实”技术的医学应用带来的好处,因为它可以帮助可视化医疗信息以及病人在同一时间和同一物理空间内。在医学领域,基于“增大化现实”技术为先进医疗显示创建一个方法(6],它可以应用于telementoring [7),医疗程序培训(8),或医学数据可视化(9]。最近,将增强现实(AR)技术应用于计算机辅助导航系统(ign)已经成为医疗技术的一种新趋势。医学AR系统医学图像或解剖图形模型合并到一个场景的真实世界6,10,11]。的文献,我们发现一个成功的医疗AR系统必须处理两个主要问题:第一,如何准确地对齐术前与生理解剖学和医学信息,第二,如何有效地和清楚地提供虚拟解剖信息。

传统的医疗系统和应用程序显示医疗信息,如图像片或解剖结构使用虚拟现实(VR)屏幕上正则坐标系统。因此,外科医生使用这样的系统需要有一个良好的空间概念来解释virtual-to-real世界变换。为了训练的外科医生有一个神空间概念,这通常需要大量的临床经验。相比之下,基于“增大化现实”技术的医疗信息可视化提供了一个有吸引力的替代方法,因为显示使用现实世界坐标系统。一般来说,透明的基于“增大化现实”技术的系统使用一个可移动的摄像机捕获图像的物理空间和绘制虚拟对象到正确的位置在图像。结果,估计相机之间的空间关系和物理空间,也就是说,相机定位,最重要的问题是解决了在一个基于“增大化现实”技术系统(12,13]。空间关系也被称为外在参数的基于“增大化现实”技术的相机,这是三个平移参数和三个旋转参数,并且可以称为相机的位置和姿态。外在的精确估计参数确保了医疗信息可以准确地呈现在现场捕获的物理空间。传统的方法来估计这些外在参数是将场景中的黑白矩形模式可以作为参考在相机的视野检测(FOV) [14,15使用计算机视觉技术。一旦引用模式是基于“增大化现实”技术的相机检测到帧,外在的参数可以确定使用透视投影相机模型。另外,一些研究附加回射的标记,例如,红外反射标志,基于“增大化现实”技术的相机和跟踪这些标记通过一个光学跟踪传感器(13,16,17)为了估计摄像机的位置和姿态通过使用这些标记的位置。然而,在基于模式或传感器基于“增大化现实”技术显示,相机的视场是有限的,因为这些人工标记应该观察视场。此外,基于“增大化现实”技术呈现的准确性取决于正确的可能性大小和视场内的模式或标记的识别。

在本文中,我们提出一个markerless医疗应用程序的基于“增大化现实”技术的方案。markerless基于“增大化现实”技术方案主要是基于视频透明头盔显示器(HMD)设备与立体相机。我们使用立体相机重建特征点云的基于“增大化现实”技术的可视化的目标。一种改进的ICP算法应用于表面对齐数据从医疗信息创建的虚拟对象。改进的ICP算法有两个额外的特征。首先,应用随机摄动技术提供算法逃离局部最小值的机会。第二,一个权重策略添加到成本函数的ICP为了削弱异常点的影响。

然后基于“增大化现实”技术的相机移动时,特征点跟踪使用Kanade-Lucaz-Tomasi跟踪算法(18]在逐帧的基础上同时更新外部参数。此外,随机样本共识(RANSAC) [19)算法应用于保持KLT跟踪结果稳定在每一帧为了使基于“增大化现实”技术的可视化更顺利、更准确。此外,考虑到目标基于“增大化现实”技术的呈现可能基于“增大化现实”技术的相机的视场,仅一步是必要的,可以通过应用“骗健壮的特性(冲浪)20.)特征匹配算法进行目标探测。

本文的其余部分组织如下:在部分2,我们报道了一些关于基于“增大化现实”技术的可视化的相关工作。部分3包括所有材料和提出系统的方法。给出了实验结果和讨论部分4。最后,部分5使这项工作的结论。

2。相关的工作

相机定位是一个关键的组件在浓密的三维映射,同时定位和地图(大满贯),全程3 d重建。也是关键点的视频基于“增大化现实”技术的可视化问题,因为我们需要知道相机的姿势和位置,以呈现虚拟对象在相机里。有不同类型的相机定位方法,和最知名的相机定位方法属于planar-based方法。在过去的10年里,planar-based方法已经成为研究的主要类型之一,基于“增大化现实”技术的相机定位方法;其中一个例子是广泛使用的基于“增大化现实”技术的环境发展图书馆ARToolkit [21]。在这种方法中,一个预先设计矩形标记将被放置在相机的视场内,然后跟踪算法应用于帧捕获为了追踪标记(22,23]。

另一个类别是landmark-based方法(24]。在这种方法中,几个里程碑式的特征点提取相机图像通过使用特征提取算法。这些具有里程碑意义的特征点描述符也提取跟踪和与这些具有里程碑意义的特征点的三维位置。在每一帧,这些具有里程碑意义的特征点选择通过跟踪或比较相应的特征描述符的相似之处,就能够确定相机的姿势(25,26]。此外,库特et al。27)提出了一个概略介绍方法使病人的体积数据头盔显示器设备。他们的方案提供了一个有效的体绘制在一个闭塞的基于“增大化现实”技术的工作空间和解决问题医生的手。后来,Wieczorek et al。28]扩展这个计划通过提高阻塞由于医疗器械,增加新功能,如虚拟镜像AR系统。Suenaga et al。29日)也提出了一个基于基准标记方法对病人颌面部地区利用光学跟踪系统的可视化跟踪病人和使用移动设备来可视化病人的身体的内部结构。尼克洛et al。30.)使用15标记执行注册为了使用AR叠加虚拟肝脏病人。Debarba et al。31日)提出了一个方法来可视化解剖肝切除术在AR环境基准标记的使用,使定位的位置和跟踪场景中的医疗数据成为可能。

最近,有一些markerless AR系统在文献提出使用各种相机配置。例如,Maier-Hein et al。32)实施了markerless移动AR系统通过使用飞行时间相机安装在便携式设备,也就是说,一个平板电脑,查看病人的解剖信息。登记的方法,这种方法是一种各向异性的ICP算法和性能大约10帧/秒的速度。通过使用一个RGB-D先生,如微软的Kinect,布卢姆et al。33]利用显示设备,以增加体积CT数据集的信息到用户解剖教育。他们雇了一个骨架跟踪算法来估计用户的构成和扩展通用CT体积的大小根据用户之前执行基于“增大化现实”技术的覆盖。由于深度Kinect提供的数据不够准确造成估计,孟et al。34)提出了一种改进的方法通过使用地标来提高系统的性能。基于一个类似的概念,马赛et al。35)开发了一个基于“增大化现实”技术系统提供对病人使用微软Kinect医学数据可视化。他们使用微软提供的KinectFusion算法重建病人的头部数据和ICP算法的一种变体与脸跟踪策略结合使用在医学上的基于“增大化现实”技术,提出了一个扩展这种方法最近在36),在多帧,非刚性的注册方案,提出了解决问题的位移自然标记病人的脸上。为了加快所需的大量计算的实时非刚性的登记,需要很多的gpu和该系统的实现将会非常复杂的与之前的方法相比。此外,由于病人手术麻醉,他的面貌就改变,所以没有需要执行非刚性的登记患者CT数据对齐的脸。总之,尽管微软Kinect是流行的基于“增大化现实”技术的应用程序,它是在临床环境中使用的不方便,因为它的体积太大了,在医生的头上。

根据这些之前的作品,我们提出一个简单但有效的框架markerless增强现实可视化、基于立体视频透明的基于“增大化现实”技术。markerless AR过程主要遵循的原则landmark-based相机定位方法。一种改进的ICP算法对虚拟对象的对齐和特征点云的物理空间。这个框架提高了先前的研究在markerless AR可视化通过使用一个轻量级的立体头盔显示器代替重设备如微软的Kinect,它可以实现更准确的登记结果利用ICP的一种改进形式。该系统可以应用于医学应用,如培训、telementoring或术前解释。

3所示。材料和方法

的整个工作流程,提出了立体基于“增大化现实”技术方案如图1。目标对象的特征点云提取和重建立体相机。改进ICP-based表面注册算法被设计和应用为了使虚拟模型的特征点云物理空间的目标。

3.1。三维特征点云重建

首先,立体相机设置用于获取目标的三维信息在世界坐标系统(WCS)。然后利用冲浪算法来提取特征点左相机目标对象区域的图像。正确的相机图像中的对应点然后通过比较冲浪获得特征点的图像立体纵向约束的帮助下。对象区域记录供以后使用的跟踪复苏阶段。

根据针孔相机模型,一个3 d对象之间的透视投影点()及其投影点()可以被描述为 在哪里表示相机的内部参数。的参数表示焦距除以像素大小在方向,表示焦距除以像素大小在方向。点(,)的原则点投影二维图像平面。表示摄像机的外部参数,其中包含一个旋转矩阵和一个翻译向量WCS和摄像机坐标系统(CCS)。我们表示的投影矩阵 如果一对立体相机校准,我们可以获得内在两个相机的参数和外部参数。一个特征点在左摄像机图像,我们可以计算出投影线在WCS的透视投影和投影矩阵方程左相机: 同时,假设的对应点在相机图像,我们可以计算出另一个投影射线投影矩阵方程正确的相机: 两者之间的中间点常见的垂直投影线在WCS然后选为3 d对象的相应的一对(,)。通过计算每一对feature-corresponding的3 d对象的观点,我们可以获得一个3 d特征点云的目标对象。

3.2。Improved-ICP对齐算法的虚拟模型

在这项研究中,我们设计了一种改进的ICP-based表面注册空间对齐算法的虚拟对象和特征点云。改进的ICP算法是基于原来的ICP配准算法,它是使用最广泛的方法来解决3 d表面登记问题。然而,ICP遭受两个重要的弱点在处理局部最小值和异常值。因此,我们添加了两个策略来改善ICP算法以克服这些缺点。降低权重函数添加到异常值的影响,和一个随机扰动方案是用来帮助ICP逃离局部最小值。

3.2.1之上。基于距离加权函数

假设目标的三维特征点云浮动数据与点和表面点云虚拟对象的参考数据与点。最初的ICP使用刚性变换使这两个3 d数据点集以迭代的方式。在每一次迭代的ICP,每一个点在第一次发现它最近的点在和一个成本函数然后评估基于每一对对应的距离()。在改进的ICP算法中,我们修改了成本函数ICP的权重函数添加到所有最亲密的距离相应的双(),以便处理异常值的问题,如图所示 在哪里是一个基于距离的加权函数,确定中间的距离相应的对,所定义的

3.2.2。随机扰动方案

ICP达到局部最小值的方式是使用梯度下降的方法。ICP的在每个迭代中,当前解决方案的成本函数求值,然后沿着梯度方向的局部最小值。当注册达到收敛,我们可以得到一个转换解决方案哪些项目的一组点到另一个点集,总额的这两个点集之间的距离是最小的。尽管实际的成本函数的解空间是多维自变换由三个旋转操作()和三个翻译操作(),为了方便我们将解释的概念扰动策略使用一维解空间的例子如图2。假设初始位置在解空间使用ICP融合解决方案;因此,ICP登记将达到从通过探索的范围。让表示旋转元素从最初的解决方案融合解决方案;也就是说,。每个方向的旋转扰动是由使用一个抛物线概率密度函数,表示在(7)。大值相对较高的概率,提供一个更大的机会逃离局部最小值:

3.2.3。Improved-ICP算法

图3显示improved-ICP登记方案的流程图。改进的ICP的详细步骤描述如下。

步骤1。执行标准登记ICP浮动数据一致参考数据。解空间中的初始位置来标示和融合的解决方案来标示。最终的成本函数的值记录当前成本吗。

步骤2。检查是否比目前最好的ICP成本与否。如果是,接受转换时间最好的解决方案、更新最好的成本通过,继续步骤3。否则,移动一步4。

步骤3。扰乱对齐的数据与变换。一个变换选择根据(7)。转换然后应用到浮动数据并且算法移动一步1执行ICP登记。

步骤4。检查结果是否满足停止条件。如果最好的成本低于一个阈值或重复的数达到一定值,该算法停止和输出最终的转换。否则,继续步骤5。

第5步。检查摄动范围需要扩大。如果成本函数没有改善扰动,然后我们的规模α在(7)扩大搜索范围。否则,不需要扩展的搜索范围。后决定是否延长摄动范围,算法步骤3。

3.3。Markerless基于“增大化现实”技术的可视化

3.3.1。跟踪和相机姿态估计

markerless AR可视化的过程的流程图如图4。KLT追踪需要转向跟踪基于“增大化现实”技术的图像中提取的特征点。假设每一帧的跟踪结果表示为点集最初我们随机选择的数量分。第一种外在参数估计计算通过使用EPNP相机姿态估计算法(40]。然后,我们使用这些外在的参数项目3 d点这些特性在基于“增大化现实”技术的框架,获得一组二维投影点的数量点。理想情况下,如果所有点正确被跟踪,投影点和跟踪点在相机图像应该重叠或非常接近对方。的标准距离,为每一对投影点和跟踪点所示 如果大于一个预定义的阈值κ,然后点被认为是一个异类,一个追寻失败点。否则,点是一个窗。在这里,我们选择三个像素的阈值κ,这使得基于“增大化现实”技术的显示更加稳定。确定每一个点的窗,“窗”的跟踪结果测量,这意味着多少分的速度被跟踪正确在这个框架。内围层率的一个框架被定义为 在哪里代表的数量特征点跟踪正确代表的数量离群值。如果内围层率高于一个预定义的阈值,这表明,外在参数估计在当前帧是高度可靠,因此我们可以用这个评估结果外在参数正确的离群值。如果一个点被认为是一个异类,其投影点是用来代替这个异常值点。阈值在这项研究中被设置为0.8。

另一方面,如果内围层率小于,系统随机选择一个不同的组估计另一组外部参数。内围层率然后计算后再发现投影点三维点,。如果这个过程是在一个执行时间和所有内围层率还不到,系统跟踪失败,确定和跟踪恢复是必需的。

3.3.2。跟踪复苏

当跟踪失败时,我们使用上网功能比较法作为参考,帮助系统恢复到原来的跟踪状态。如前所述,在特征点云重建的步骤,一组冲浪要点是提取目标区域和表示,而相应的冲浪描述符然后估计,见 在哪里代表了th冲浪的关键点和冲浪的描述符吗冲浪关键点。的基于“增大化现实”技术的相机打开,准备基于“增大化现实”技术的可视化,从每一帧捕获的图像的基于“增大化现实”技术的相机,另一组冲浪要点与点是提取和表示 为每个关键点冲浪在相比,它是每一个冲浪关键点在通过计算范数距离的描述符和: 选择一双匹配如果标准描述符之间的距离小于0.7倍的距离second-nearest关键点。假设的数量相应的配对成功,如果大于一个预定义的阈值,它意味着目标对象是概率FOV的基于“增大化现实”技术的相机,然后系统移动到下一影像匹配步骤。否则,前面的过程不断重复,直到条件满足;也就是说,。

4所示。实验结果

拟议中的markerless基于“增大化现实”技术的方案是基于一个立体视频透明头盔显示器设备,1200 dxar Vuzix包装,显示在图5(一个)。因为这个工作的目的是一个基于“增大化现实”技术的可视化的医疗应用程序,选择一个塑料仿真头作为基于“增大化现实”技术的可视化的目标对象。计算机断层扫描图像的仿真头获得构建可视化的虚拟对象,显示在图5 (b)。

提出医学AR系统有两个特点:一个是不需要image-to-patient注册和另一个是pattern-less基于“增大化现实”技术的可视化。在本节中,实验进行了评估的性能对这些特性。首先,医疗信息定位的准确性是评价部分4.1。节4.2,可视化的结果显示提出的基于“增大化现实”技术的方案。

4.1。精度评价对齐

为了评估的准确性image-to-patient提出登记系统,一个塑料仿真头是利用幻影目标对象。之前扫描CT图像的幻影,五脸上皮肤标记连接的幽灵,如图6(一)。因为这些皮肤标记的位置可以很容易地发现在CT图像,这些标记被视为参考评估登记的准确性。一个商业3 d数字化仪,G2X Microscribe[产生的41),如图6 (b)利用建立参考坐标系,估计在物理空间的位置标记。根据规范,G2X的准确性是0.23毫米,这是适合皮肤的坐标定位标记作为评价地面真理。

在评估之前,校准步骤找到执行转换之间的立体3 d坐标系统,也就是说,世界坐标系统,数字化仪的坐标系统。为了执行校准,使用三角棱镜附带棋盘模式,如图6 (c)。这种棱镜放置在立体头盔显示器的视场。棋盘上的角点被数字化仪选择重建的立体相机。两组的3 d点,由数字化仪的坐标系统和立体头盔显示器,分别被用来估计一个转换通过使用最小均方(LMS)方法,以便重建3 d点通过立体相机可以转化为数字化仪的坐标系统。

塑料假头被放置在前面的立体相机的视场60厘米的距离。首先,我们使用了G2X数字化仪获得这些标记的3 d坐标。接下来,立体相机是用来重建头部的特征点云。接下来,另一个表面从CT图像中提取的仿真头。点云是改变了的通过应用然后注册的术前CT图像通过使用改进的ICP算法。Image-to-patient登记评估通过计算目标配准误差(过夜)42,43的五个皮肤标记。被定义为的混乱关系评估 在哪里表示的坐标th CT坐标系和标记的坐标吗th标记在。转换代表了刚性变换从改进ICP算法获得。图7显示了空间特征点云之间的对齐的结果从CT和虚拟物体表面;最初的重建面部表面的空间位置数据(白色)和CT表面数据(红色)。校准过程进行反复100次,每次我们稍微改变了幻影的位置和方向。每个过程记录和登记的非常手段和平均误差如表所示1。证明改进的ICP算法的性能,ICP的三种版本的方法,例如,Adaptive-ICP [37],Random-ICP [38],Fast-MICP [39),用于精度比较。从实验结果,指出使用Adaptive-ICP和Random-ICP非常大,因为没有良好的初始值。Fast-MICP,良好的初始条件是必要的,这样可以减少登记错误。另一方面,一个好的初始条件不需要在我们的案例中,因为提出改进ICP算法仍然可以通过高效error-minimization策略获得好的结果。如表所示1的意思是非常皮肤标记的范围内使用该方法2到4毫米。在个人电脑上英特尔酷睿2双核CPU 2.93 GHz CPU处理器、2 GB内存,处理帧速率达到30帧/秒。

4.2。Markerless基于“增大化现实”技术的可视化结果

提出的基于“增大化现实”技术的系统测试在一个塑料假头。在仿真头的情况下,三维结构仿真头的CT图像重建。提取的外表面三维结构构建的虚拟对象基于“增大化现实”技术的渲染,显示在图5 (b)。基于“增大化现实”技术的可视化结果从不同的观点在图所示8。CT模型仿真头的位置对齐。当相机开始移动,markerless基于“增大化现实”技术方案应用于立体图像,和两摄像机的外部参数估计逐帧。CT模型的仿真头呈现立体相机视图。

4.3。相机外部参数估计的精度评价

基于“增大化现实”技术的系统,基于“增大化现实”技术的外在参数估计的准确性相机是最重要的。为了评估提出了系统的基于“增大化现实”技术的可视化部分,光学跟踪设备,北极星Vicra,由北方数字Inc .)是用来评估的外在参数估计结果提出系统。北极星Vicra光学空间定位装置,它可以检测红外反射球通过使用一双红外摄像机。由于反射球固定在十字头式设备,称为动态参考系(连接部,DRF的姿态和位置就可以获得。DRF是附加到HMD为了追踪AR相机利用北极星Vicra传感器。根据这个产品的规格,北极星Vicra的定位误差小于1毫米。因此,基于“增大化现实”技术的相机的姿势和位置估计的北极星Vicra被认为是作为比较的参考评估的准确性提出无图案的基于“增大化现实”技术的系统。在这个实验中,我们评估拟议中的无图案的AR系统通过比较结果对北极星Vicra估计结果。

在这个实验中,HMD摄像机的外部参数估计的结果提出系统比较估计的450年北极星Vicra帧。差异的六自由度测量。北极星的跟踪结果Vicra视为地面真理进行比较。图9显示了旋转和评价结果图10显示了翻译的评价结果。蓝色曲线代表的评估结果提出系统,和红色曲线是北极星Vicra估计的结果。每个自由度的平均误差如表所示2。

5。结论

在传统的基于“增大化现实”技术的相机定位方法,一个已知的模式必须基于“增大化现实”技术的相机的视场内放置的目的估计摄像机的外部参数。在这项研究中,传统方法的缺陷是改善。markerless基于“增大化现实”技术的可视化方案,提出了利用一对立体相机构造表面数据的目标,和一种改进的基于ICP表面注册技术执行术前医学图像对齐模型以病人的真实位置。RANSAC-based校正是综合解决问题的基于“增大化现实”技术的相机位置不使用任何模式,和实验结果表明,该方法提供了一个准确、稳定,光滑的基于“增大化现实”技术的可视化。

与传统的基于模式的基于“增大化现实”技术的系统相比,该系统使用只有自然特性来估计AR相机的外参数。因此,它更为方便实用,因为基于“增大化现实”技术的相机的视场的要求并不局限AR的可见性模式。RANSAC-based修正技术是用来改善外在参数估计的鲁棒性的基于“增大化现实”技术的相机。拟议的系统评估image-to-patient登记和AR相机定位和塑料假头。系统已经被人类主体和显示测试有前途的基于“增大化现实”技术的可视化结果。预计在未来,广泛的临床试验进行进一步的调查。此外,医学基于“增大化现实”技术的环境将被集成到一个图像引导手术导航系统的应用程序。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

支持的工作是科学技术部、中国,在格兰特most104 - 2221 - e - 182 - 023 - my2和长庚医院与格兰特nos, CMRPD2C0041 CMRPD2C0042, CMRPD2C0043。作者要感谢Yao-Shang先生曾和Chieh-Tsai Wu博士,神经外科和医学增强现实研究中心,长庚纪念医院Shin-Tseng Lee博士,神经外科和医学增强现实研究中心,长庚纪念医院和Jong-Chih博士简,部门信息管理,海南大学为他们的有价值的建议,帮助改善我们的论文的内容。

引用

1. r·t·Azuma“增强现实的调查,”存在:遥控机器人和虚拟环境》第六卷,没有。4、355 - 385年,1997页。视图:谷歌学术搜索
2. r·t·Azuma y Baillot r .百灵达,s . k .菲娜,美国7月,和b·麦金太尔,“最近的增强现实技术的进步,”IEEE计算机图形学和应用程序,21卷,不。6,34-47,2001页。视图:出版商的网站|谷歌学术搜索
3. t . Jebara c . Eyster j·韦弗,t . Starner和a . Pentland”Stochasticks:增加台球的经验概率视觉和可穿戴式计算机、”诉讼的可穿戴计算机国际研讨会(97年ISWC”),页138 - 145年,剑桥,质量,美国,1997年10月。视图:谷歌学术搜索
4. s . k .菲娜,“增强现实:一种新的方式看,“科学美国人,卷286,不。4,48-55,2002页。视图:谷歌学术搜索
5. d . w . f . van Krevelen和r . Poelman”,增强现实技术的调查技术,应用程序和限制,“虚拟现实的国际期刊,9卷,不。2,页1 - 2010。视图:谷歌学术搜索
6. t . Sielhorst m·福伊尔斯坦,n .布”先进医学显示:增强现实的文献综述,”显示技术杂志》,4卷,不。4、451 - 467年,2008页。视图:出版商的网站|谷歌学术搜索
7. Loescher t、s . y .李和j·p·瓦希,“手术telementoring增强现实方法,”《IEEE国际会议系统,人与控制论(SMC的14)IEEE,页2341 - 2346年,圣地亚哥,加利福尼亚州,美国,2014年10月。视图:出版商的网站|谷歌学术搜索
8. f . Pretto i . h . Manssour m·h·洛佩斯,和m . s . Pinho”经验使用增强现实环境培训和评估医学生,”诉讼IEEE国际会议的多媒体和世博会研讨会(ICMEW 13),页1 - 4,加州圣何塞,美国,2013年7月。视图:出版商的网站|谷歌学术搜索
9. t·布卢姆r . staude e .欧拉,n .布”Superman-like x射线愿景:对脑-机接口医学增强现实”学报》第11届IEEE和ACM国际研讨会上混合和增强现实(ISMAR 12)IEEE,页271 - 272年,亚特兰大,乔治亚州,美国,2012年11月。视图:出版商的网站|谷歌学术搜索
10. 诉法拉利,g .——e . Troia A . Pietrabissa f·莫斯卡,“3 - d混合真实感立体可视化系统的医学数据集,“IEEE生物医学工程卷,56号11日,第2633 - 2627页,2009年。视图:出版商的网站|谷歌学术搜索
11. h·廖t . Inomata i佐,t . Dohi”3 d增强现实mri引导下手术影像立体视觉图像叠加使用积分,“IEEE生物医学工程卷,57号6,1476 - 1486年,2010页。视图:出版商的网站|谷歌学术搜索
12. j·费希尔·m·内夫、d . Freudenstein和d·巴茨“医学增强现实技术基于商业图像引导手术”学报第十Eurographics会议虚拟环境(EGVE ' 04)Aire-la-Ville,页83 - 86年,瑞士,2004年6月。视图:出版商的网站|谷歌学术搜索
13. c . Bichlmeier f·威默,s·m·海涅和n .布”上下文解剖模仿混合现场可视化方法改善医学增强现实,多感官深度知觉”学报第六届IEEE和ACM国际研讨会上混合和增强现实(ISMAR ' 07)奈良,页129 - 138年,日本,2007年11月。视图:出版商的网站|谷歌学术搜索
14. 加藤h . m . Billinghurst”标记跟踪和头盔显示器校准视频增强现实技术会议系统,”第二届IEEE和ACM国际研讨会上增强现实(IWAR ' 99)IEEE,页85 - 94年,旧金山,加州,美国,1999年。视图:出版商的网站|谷歌学术搜索
15. h·t·Regenbrecht m·t·瓦格纳和h t . Regenbrecht“交互协作增强现实环境中,”程序扩展抽象的人为因素在计算系统(CHI 02)ACM, 505,页504 - 2002。视图:谷歌学术搜索
16. 佐藤y、m . Nakamoto y玉城丹尼et al .,”形象指导乳腺癌手术使用三维超声图像和现实增强可视化,”IEEE医学成像,17卷,不。5,681 - 693年,1998页。视图:出版商的网站|谷歌学术搜索
17. d . Pustka m·胡贝尔c Waechter et al .,“无处不在的传感器网络的自动配置增强现实,”IEEE普适计算,10卷,不。3、68 - 79年,2011页。视图:出版商的网站|谷歌学术搜索
18. c .预和t·金,检测和跟踪点的特性,“技术。代表,卡内基梅隆大学,卡耐基-梅隆- cs - 91 - 132, 1991。视图:谷歌学术搜索
19. m·a . >和r·c·葛”随机样本共识:一个范例模型拟合应用图像分析和自动制图,”ACM的通信,24卷,不。6,381 - 395年,1981页。视图:出版商的网站|谷歌学术搜索
20. a . h .湾Ess、t . Tuytelaars和l . Van干傻事,“骗补健壮的特性(冲浪),”计算机视觉与图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
21. ARtoolkit,http://www.hitl.washington.edu/artoolkit/。
22. 加藤h . m . Billinghurst”标记跟踪和头盔显示器校准视频增强现实技术会议系统,”第二国际研讨会上增强现实,页85 - 94年,旧金山,加州,美国,1999年。视图:出版商的网站|谷歌学术搜索
23. m . Hirzer“增强现实应用程序标记检测,”研究论文格兰兹科技大学,奥地利格拉茨。视图:谷歌学术搜索
24. 格洛克,s . Izadi j . Shotton, a . Criminisi“实时RGB-D相机relocalization”《IEEE和ACM国际研讨会上混合和增强现实(ISMAR 13)IEEE,页173 - 179年,2013年10月澳大利亚阿德莱德。视图:出版商的网站|谷歌学术搜索
25. 大肠挫败和t·德拉蒙德“统一循环关闭和恢复实时单眼大满贯,”19世纪英国机器视觉研讨会论文集(BMVC ' 08)2008年9月,页,6.1 - -6.10。视图:出版商的网站|谷歌学术搜索
26. b·威廉姆斯、g·克莱因和里德,“自动relocalization和循环关闭实时单眼大满贯,”IEEE模式分析与机器智能,33卷,不。9日,第1712 - 1699页,2011年。视图:出版商的网站|谷歌学术搜索
27. o·库特,a . Aichert Bichlmeier et al .,“实时体绘制高质量可视化增强现实,”国际研讨会上增强环境学报》等医学影像增强现实技术在计算机辅助手术(AMI-ARCS 08年),MICCAI社会,纽约,纽约,美国,2008年9月。视图:谷歌学术搜索
28. m . Wieczorek a . Aichert o·库特et al .,“GPU-accelerated呈现医学增强现实方法程序,”Bildverarbeitung为了死Medizin (BVM 10)施普林格,亚琛,德国,2010年3月。视图:谷歌学术搜索
29. 廖h . Suenaga h .黄平君Tran h . et al .,“原位实时三维积分摄像和手术导航使用增强现实:一个试点研究,“国际口腔科学杂志》上,5卷,不。2、98 - 102年,2013页。视图:出版商的网站|谷歌学术搜索
30. s . a .尼克洛x Pennec, l .太阳系et al .,“肝热消融:增强现实系统设计和评价临床情况下,“医学图像分析,13卷,不。3、494 - 506年,2009页。视图:出版商的网站|谷歌学术搜索
31. h . g . Debarba j .大人物,a .马舍尔和d . Zanchet通过移动显示解剖肝切除术规划可视化和交互卷,173研究卫生技术和信息,2012年MMVR。
32. l . Maier-Hein a . m .弗朗茨·m·Fangerau et al .,“向移动增强现实对病人的医学图像可视化,”Bildverarbeitung毛皮Medizin死去h·汉德尔,j . Ehrhardt t . m . Deserno H.-P。·美茵茨合作撰写,t . Tolxdorff Eds。,Informatik aktuell, pp. 389–393, Springer, Berlin, Germany, 2011.视图:出版商的网站|谷歌学术搜索
33. t·布卢姆诉Kleeberger、c . Bichlmeier和n .布”Mirracle:增强现实技术现场使用魔镜的可视化人体解剖学,”19 IEEE虚拟现实研讨会论文集(VRW 12)IEEE,页169 - 170年,科斯塔梅萨,加州,美国,2012年3月。视图:出版商的网站|谷歌学术搜索
34. m·孟p . Fallavollita t·布卢姆et al .,“Kinect互动AR解剖学学习,”《IEEE国际研讨会上混合和增强现实(ISMAR 13)IEEE,页277 - 278年,2013年10月澳大利亚阿德莱德。视图:出版商的网站|谷歌学术搜索
35. m ., a . Apolinario a·c·苏萨和g . a . Giraldi”高质量的对病人的医学数据可视化在markerless增强现实环境中,“南方浸信会在交互式系统》杂志上,5卷,不。3,41-52,2014页。视图:谷歌学术搜索
36. a·c·苏扎,m·c·f·马赛,a . l . Apolinario Jr .)“Multi-frame markerless增强现实技术,自适应非刚性配准”学报13 ACM SIGGRAPH虚拟现实的连续性及其应用国际会议产业(VRCAI 14)7 - 16页。ACM,深圳,中国,2014年11 - 12月刊。视图:出版商的网站|谷歌学术搜索
37. j。李,学术界。黄,L.-C。刘,S.-T。李,s。谢长廷,S.-P。王”,修改soft-shape-context ICP登记系统三维点数据,”IEICE交易信息和系统,E90-D卷,不。12日,第2095 - 2087页,2007年。视图:出版商的网站|谷歌学术搜索
38. g . p . Penney p•j•爱德华兹,A . p .国王,j . m . Blackall p·g·巴舍乐,和d·j·霍克斯,”一个随机迭代最近点算法(stochastICP)”医学影像计算和计算机辅助Intervention-MICCAI 2001卷,2208在计算机科学的课堂讲稿施普林格,页762 - 769年,柏林,德国,2001年。视图:出版商的网站|谷歌学术搜索
39. j。李,学术界。黄,S.-T。王,C.-W。林,S.-T。李,“Fast-MICP无框架图像引导手术。”医学物理学,37卷,不。9日,第4559 - 4551页,2010年。视图:出版商的网站|谷歌学术搜索
40. 诉Lepetit、f . Moreno-Noguer和p . Fua”EPnP:准确的O (n)解决PnP型问题,“国际计算机视觉杂志》上,卷81,不。2、155 - 166年,2009页。视图:出版商的网站|谷歌学术搜索
41. Microscribe,http://www.emicroscribe.com/products/microscribe-g2.htm。
42. n·m·汉明,m·j·戴利j . c .爱尔兰和j·h·Siewerdsen“基准配置对目标配准误差的影响在头颈外科术中CT引导cone-beam,”《IEEE 30年国际会议在医学和生物工程协会(磨床' 08)IEEE,页3643 - 3648年,温哥华,加拿大,2008年8月。视图:出版商的网站|谷歌学术搜索
43. j·m·菲茨帕特里克j·b·西和c·r·毛雷尔Jr .)“预测误差在基于刚体点注册,”IEEE医学成像,17卷,不。5,694 - 702年,1998页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015 Chung-Hung谢长廷和Jiann-Der李。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。