3D Pose Estimation Oriented to the Initialization of an Augmented Reality System Applied to Cultural Heritage

• Autores: Rodriguez, RM, Aguilar, R, Uceda, S, Castaneda, B
• Formato: objeto de conferencia
• Fecha de Publicación: 2018
• Institución: Consejo Nacional de Ciencia Tecnología e Innovación
• Repositorio: CONCYTEC-Institucional
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.concytec.gob.pe:20.500.12390/949
• Enlace del recurso: https://hdl.handle.net/20.500.12390/949; https://doi.org/10.1007/978-3-319-75826-8_23
• Nivel de acceso: acceso abierto
• Materia: Realidad virtual; Realidad aumentada; Estimación de poses; Cultura digital; Fotogrametría; https://purl.org/pe-repo/ocde/ford#2.00.00

La realidad aumentada (AR) aplicada al patrimonio cultural pretende mejorar la experiencia de aprendizaje en sitios arqueológicos, no solo para los visitantes sino también para los investigadores. La estimación de Pose 3D es un problema común en aplicaciones para AR, reconocimiento de objetos, modelado 3D, entre otros. Los sistemas AR utilizan diferentes métodos para estimar la pose de la cámara: detección de bordes y detección de puntos clave, entre otros. La elección del método a utilizar depende de las características del escenario a detectar. En este trabajo se realiza un estudio comparativo de los principales métodos de estimación de pose basados ​​en modelos 3D. Además, presentamos la implementación y validación de un algoritmo de estimación de pose, orientado a la inicialización de un sistema AR aplicado a la “Huaca de la Luna”, una pirámide de ladrillos de adobe construida por la civilización Moche en el norte del Perú. El algoritmo propuesto presenta dos fases, una fase de entrenamiento, donde se extraen puntos clave 3D de una imagen de referencia, y una fase de detección, donde el proceso de inicialización se realiza comparando la correspondencia de puntos 2D/3D utilizando un algoritmo PnP. Hemos comparado cuatro variaciones del algoritmo de estimación de poses 3D utilizando diferentes métodos: descriptores SIFT y SURF para la descripción de puntos clave y algoritmos EPnP y REPPnP para la estimación de poses PnP. Los resultados muestran un error de traducción de 1,54 cm, con un tiempo medio de procesamiento de 2,78 s, un error máximo de reproyección de 1,5 píxeles y una tasa de estimación exitosa del 100 % en escenarios con condiciones de luz normales y altas.