Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

Avaliação de Frameworks de Realidade Aumentada

para Desenvolvimento Android
http://dx.doi.org/10.3991/ijim.v8i4.3974

I. Marneanu1, M. Ebner1 e T. Rößler2 1

Graz University of Technology, Graz, Áustria 2
Evolaris Next Level GmbH, Graz, Áustria

Resumo—Realidade Aumentada (AR) é a evolução do conceito de Realidade
Virtual (RV). Seu objetivo é melhorar a percepção de uma pessoa sobre o
mundo ao seu redor. AR é uma tecnologia de ponta em rápido crescimento
e uma variedade de ferramentas de implementação dela existe hoje. Devido
à heterogeneidade das tecnologias disponíveis, a escolha do framework
apropriado para uma aplicação móvel é difícil de ser feita. Essas estruturas
implementam diferentes técnicas de rastreamento e devem fornecer suporte
a várias restrições. Esta publicação visa apontar que a escolha do
framework adequado depende do contexto do aplicativo a ser desenvolvido.
Como esperado, é certo que nenhum framework é totalmente o melhor,
mas sim que cada um apresenta pontos fortes e fracos. Nossos resultados
demonstram que, dado um conjunto de restrições, uma estrutura pode
superar outras. Prevemos que nossa pesquisa seja o ponto de partida para
testar outras estruturas, dadas várias restrições. Os frameworks aqui
avaliados são de código aberto ou foram adquiridos sob Licença Acadêmica.
Termos do Índice —Realidade Aumentada, framework, Android,
avaliação.
métodos de rastreamento, especificamente rastreamento sem marcadores.
O rastreamento baseado em marcadores também é um método óptico,
mas tornou-se obsoleto [6]. Marcas fiduciais especiais devem ser criadas
para serem rastreadas. Eles precisam ser mantidos ao longo do tempo, o
que também é uma operação cara. O rastreamento baseado em
marcadores, por outro lado, pode atingir qualquer parte do ambiente ao
redor. Qualquer imagem ou objeto pode ser usado como alvo sem estar
vinculado a um marcador específico.
O rastreamento sem marcadores está ganhando cada vez mais espaço
contra o rastreamento baseado em marcadores, pois não requer a geração
de marcadores invasivos. Esses métodos extraem informações e
características sobre o ambiente, que podem ser úteis novamente
posteriormente.
Esta publicação está organizada da seguinte forma: a metodologia é
apresentada na seção II; a seção III descreve a configuração do ambiente
de teste e o processo de implementação; os resultados por critério são
apresentados na seção IV enquanto a discussão analisando esses
resultados pode ser encontrada na seção V; e finalmente concluímos o
artigo na seção VI.
II. METODOLOGIA

Seis frameworks AR foram pesquisados e avaliados após uma avaliação

I. INTRODUÇÃO
A Realidade Aumentada é uma tecnologia emergente muito promissora,
crescendo em popularidade em dispositivos móveis. Vários estudos de
pesquisa foram publicados no final de 2013, prevendo o futuro do mercado
de Realidade Aumentada [1]. Por exemplo, a Juniper Research estimou
que o número de usuários móveis de AR em todo o mundo crescerá
constantemente para 200 milhões até 2018 [2]. A tecnologia AR fez grande
progresso em telefones celulares, e a Juniper Research previu ainda em
2012 que mais de 2,5 bilhões de aplicativos móveis AR serão baixados
anualmente para smartphones e tablets até 2017 [3].
cuidadosa de 35 frameworks. Os 6 frameworks escolhidos suportam
desenvolvimento Android, bem como rastreamento sem marcadores. Um
critério importante na escolha dos frameworks a serem avaliados é a
disponibilidade da biblioteca. Vários estão disponíveis apenas para uso
comercial (com o objetivo de vender e lucrar) ou simplesmente não estão
disponíveis para o público em geral. Outros são acessíveis apenas por um
período de teste. Alguns são depreciados, como é o caso do Popcode, ou
mesmo apresentam barreiras linguísticas como o Koozyt, onde as
informações são fornecidas apenas em japonês. A Tabela I fornece as seis
estruturas, o país de desenvolvimento e o ano de início, bem como a
disponibilidade.

Estas premissas conduzem à questão de investigação – “Qual é

atualmente o melhor framework aberto para o desenvolvimento de uma TABELA I.
ESTRUTURAS AVALIADAS
aplicação móvel de Realidade Aumentada?” Com esse objetivo, avaliamos
frameworks abertos de AR para desenvolvimento móvel Android, devido Estrutura Desenvolvimento Disponibilidade
ao fato de que a plataforma iOS tem sido avaliada ao longo dos anos e ARLab Espanha (2006) Demonstração

resultados claros podem ser encontrados na dissertação de mestrado de ARToolKit EUA (2001) Licença acadêmica
Dominik Rockenschaub [4]. D'Fusion França (1999) Marca d'água
Vuforia Áustria (2011) Livre
Outro incentivo para pesquisar as estruturas de AR abertas específicas do
catchoom Espanha (2011) Demonstração
Android é o recente crescimento do mercado de trabalho registrado no
metaio Alemanha (2003) Marca d'água
desenvolvimento do Android [5].
Vários sistemas AR estão disponíveis hoje. Com base no hardware e
nas capacidades técnicas do dispositivo de teste, três técnicas principais Para efeitos de avaliação, foram definidos vários critérios. As estruturas
de rastreamento são definidas: rastreamento baseado em marcadores, são testadas ativamente e os tempos de teste são registrados. Assim, os
rastreamento sem marcadores e rastreamento por GPS. Nossa pesquisa quadros podem ser
avalia as estruturas de AR usando recursos visuais

iJIM ÿ Volume 8, Edição 4, 2014 37

Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

comparadas umas com as outras, dado um critério ou um conjunto de

critérios.
Para uma melhor visualização dos resultados, foi desenvolvido um
aplicativo de teste. Como resultado, diferentes frameworks podem
ser testados em tempo real e os resultados são salvos em um banco
de dados local. Os resultados são então apresentados em diferentes
visualizações.

III. CONFIGURAÇÃO E IMPLEMENTAÇÃO

Para cada critério, simulamos um ambiente de teste e cada

framework foi avaliado nas mesmas condições. Vários testes foram Figura 1. Sequência de teste do ponto de vista

realizados por framework para cada critério, assim o tempo médio de

teste é usado para comparar os frameworks.

A. Categorias de critérios
Duas categorias principais de critérios foram identificadas e
testadas ativamente: critérios ambientais e critérios de destino.
Os critérios ambientais representam as restrições encontradas na
vizinhança imediata, que são condicionadas pelo ambiente e
influenciam o reconhecimento da imagem de destino. Aqui são
testadas a influência de diferentes intensidades de luz ou o
desempenho dos frameworks ao lidar com fundos escuros versus
fundos claros. Figura 2. Sequência de Teste de Visibilidade

Outros critérios considerados incluem diferenças de ponto de vista,

área alvo visível, efeito de espelhamento e várias distâncias entre o
dispositivo de teste e a imagem alvo, bem como o ruído presente na
imagem alvo devido à sua deterioração ao longo do tempo.

• A avaliação do critério de intensidade de luz foi executada

em condições especiais de iluminação.
O critério de escuridão foi testado dentro de uma sala,
Figura 3. Sequência de teste de ruído
com luz natural ao nascer do sol. O segundo teste
também é realizado dentro de uma sala, superexpondo até que a estrutura não reconheça mais o alvo. • A
a imagem alvo à luz direta de uma luminária de mesa. avaliação do critério de fundo foi realizada em duas
O terceiro evento simulado acontece fechando e abrindo
sequências de teste de fundo, contrastes escuros versus
as persianas. Este experimento destina-se a replicar
claros. Esta reprodução destina-se a simular a colocação
mudanças repentinas na intensidade da luz. O efeito de
da imagem alvo contra fundos de alto contraste.
espelhamento é reproduzido rastreando as imagens de
destino em uma tela de computador. • A avaliação do
critério do ponto de vista foi realizada em quatro
perspectivas diferentes, de um ângulo de 45° para a
Os critérios do alvo, por outro lado, são os atributos da imagem do
esquerda, direita, para cima e para baixo da imagem
alvo que podem ser configurados e influenciam diretamente a
alvo, conforme ilustrado na Fig. 1.
detecção do alvo. Embora uma imagem possa ser uma imagem de
destino para uma estrutura, ela pode não ser suportada por outra. Por
exemplo, algumas estruturas são robustas para alterações de
• A visibilidade é testada revelando 10% da área visível a proporção ou várias taxas de contraste. Além disso, diferentes
cada passo. Uma folha de papel branca é usada para tamanhos de imagens de destino e vários materiais impressos
cobrir a imagem do alvo e destacá-la em etapas especiais são testados. Também avaliamos se existe ou não uma
incrementais, conforme mostrado na Fig. 2. Quando o diferença considerável no tempo de teste entre a detecção do alvo
alvo é reconhecido e a visualização aumentada, o original e sua escala de cinza.
aumento da etapa para. • A avaliação do critério de
• A avaliação do critério de escala de cinza foi realizada em
ruído foi realizada alterando digitalmente as imagens alvo e
uma imagem de destino de tamanho padrão impressa
adicionando diferentes níveis de ruído. A sequência de em escala de cinza. Um exemplo pode ser visto na Fig.
teste inclui cinco imagens de alvo com ruído, conforme 4.
mostrado na Fig. 3. O ruído é adicionado
• A avaliação da taxa de contraste é realizada em imagens
incrementalmente a partir de uma imagem de alvo com
de alvo modificadas digitalmente, conforme ilustrado na
10% de ruído em etapas de 20% até 90%.
Fig. 5. Quatro imagens de alvo são testadas com um
valor de contraste definido como -50 e a cada etapa é
• A avaliação do critério de distância foi realizada iniciando
incrementado em 50.
o teste de perto, a uma distância de 10 cm da imagem
• A avaliação do critério de tamanho foi executada em quatro
alvo. A distância aumenta a cada passo em 10 cm
imagens alvo diferentes. Cada uma das seis imagens-
alvo testadas foi

38 http://www.i-jim.org
Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

reduzido para 5 cm, 10 cm, 15 cm e 20 cm, conforme

mostrado na Fig. 6. A distância entre o dispositivo de
teste e a imagem de destino foi constante em um
padrão de 30 cm.

• A avaliação da relação de aspecto requer que as imagens

de destino sejam modificadas digitalmente. Assim,
cada uma das seis imagens-alvo originais é reduzida
vertical ou horizontalmente, reduzindo a altura,
respectivamente a largura para um terço (1/3), metade
(1/2) e dois terços (2/3), conforme indicado em Figura
7.
• A avaliação do critério material foi realizada em três
etapas distintas. O primeiro caso retrata a imagem-alvo
atrás de uma janela de vidro, como seria se um cartaz
fosse colocado dentro dos painéis laterais de um ponto
de ônibus. O segundo caso simula um cenário de
cardápio de restaurante onde o cardápio é plastificado
para proteger o papel contra deterioração e
contratempos como bebidas derramadas. A terceira
imagem de destino é impressa em papel fotográfico
brilhante, pois pode ser usada em um cenário para
exibição de anúncios promocionais ou como embalagem
de diferentes produtos promocionais.
Figura 7. Sequência de teste de razão de aspecto

Além das duas categorias mencionadas, são definidos critérios

de desempenho e usabilidade. Cada descrição do framework faz
questão de afirmar que algum problema gráfico básico foi resolvido
e o rastreador foi otimizado. Esses problemas básicos são coletados
em critérios de desempenho e é determinado se eles foram realmente
resolvidos ou não. Aqui mencionamos a oscilação constante, um
desfoque de movimento visível e a capacidade de lidar com
movimentos rápidos de forma que o conteúdo virtual não seja perdido.

O registro (o alinhamento preciso entre o mundo real e o objeto

virtual) é um fator importante a ser superado, assim como a
Figura 4. Sequência de teste em escala de cinza
capacidade de ocluir o objeto virtual quando necessário para criar a
sensação de que o objeto virtual pertence à cena e faz parte de a
cena.
Além disso, recursos especiais são implementados em cada SDK
para apresentar um produto mais abrangente.
Nem todos os recursos são suportados por todos os frameworks.
Portanto, eles são categorizados por usabilidade e é determinado
quais são endossados. Os recursos considerados incluem
rastreamento de rosto, detecção de texto, flash e uso da câmera
frontal. Além disso, a capacidade de exibir o conteúdo virtual mesmo
quando a imagem de destino não está mais na linha de visão,
conhecida como rastreamento estendido, é um recurso útil em alguns
casos de uso. Da mesma forma, a possibilidade de rastrear mais de
uma imagem de destino simultaneamente é útil.

Figura 5. Sequência de teste de contraste

B. Aplicativo Android
Desenvolvemos um aplicativo Android que integra os 6 frameworks
(ARLab, ARToolKit, D'Fusion, Vuforia, catchoom e metaio) e testa
ativamente os critérios ambientais e alvo. Por testar ativamente,
significa que uma estrutura é escolhida, sua visão de câmera é
aberta e um critério é selecionado para teste. Quando o ambiente
de teste é definido, o usuário inicia o cronômetro de teste
pressionando o botão Iniciar. Quando o conteúdo virtual é sobreposto
ao mundo real, o tempo de teste é salvo como o tempo necessário
para detectar e reconhecer a imagem de destino.

Figura 6. Sequência de teste de tamanho

iJIM ÿ Volume 8, Edição 4, 2014 39

Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

Determinamos se os critérios de desempenho e usabilidade são

suportados observando o comportamento dos frameworks em um
contexto neutro, nas imagens alvo padrão (sem condições especiais
de luz). Alguns recursos de suporte, como rastreamento facial e
detecção de texto, são definidos encontrando as informações na
documentação do framework.
Critérios e categorias de critérios podem ser adicionados à lista de
critérios predefinidos. Os casos de uso podem ser definidos adicionando
critérios ponderados em um contexto.
As estruturas podem ser comparadas umas com as outras, dada
uma restrição ou um conjunto de restrições. Além disso, está disponível
uma visão geral de cada estrutura, exibindo os tempos médios de teste
por estrutura para cada categoria de critério.

4. RESULTADOS
Figura 8. Intensidades de luz
Para preservar as mesmas condições de teste, como a luz do
nascer do sol, um critério é testado por todos os frameworks antes de
passar para o próximo critério. O ambiente de teste muda entre os
critérios e, ao testar um critério por vez para cada estrutura, o ambiente
é minimamente alterado durante o teste.

A. Critérios Ambientais

As intensidades de luz são suportadas em geral, conforme

observado na Fig. 8. No lado esquerdo estão os tempos médios para
as condições de brilho da lâmpada de mesa e da tela. O gráfico à
direita ilustra os tempos de teste dos testes de semi-escuridão e
mudança repentina. Metaio tem o menor tempo médio de teste, seguido
por Vuforia com um tempo médio de teste inferior a um segundo. O
pior tempo é registrado pelo ARToolKit, enquanto o ARLab e o
catchoom estão estáveis abaixo de um segundo e meio.

Figura 9. Ponto de vista

A maioria das estruturas detecta ângulos de 45°. Os tempos de
teste do ponto de vista são mostrados na Fig. 9, o gráfico esquerdo
fornece os tempos médios de teste para as perspectivas esquerda e
direita, enquanto no lado direito são apresentados os resultados dos
pontos de vista para cima e para baixo. O ARToolKit oferece bons
tempos de teste, mas deve-se considerar que ele reconhece apenas
duas das quatro perspectivas. O ARLab tem dificuldade em detectar a
imagem alvo de um ângulo de 45° para cima. Os outros pontos de vista
são mais fáceis de detectar.
Três das seis estruturas detectam a imagem alvo de um ângulo reto de
45° em menos de meio segundo.
A detecção com visibilidade de 10% e 20% requer um tempo de
processamento mais longo. O Vuforia detecta o alvo com 10% de
visibilidade em algum lugar entre um e dois segundos, sendo o único
framework que pontua esse desempenho. Para mais de 20% de
visibilidade, a Fig. 10 ilustra que o tempo médio de Vuforia é inferior a
um segundo. O Catchoom detecta a imagem alvo, tendo apenas 20%
descoberto, em pouco mais de dois segundos e mais rápido devido a Figura 10. Visibilidade
maior visibilidade. ARLab e metaio precisam de pelo menos 40% da
área visível antes de iniciar a detecção, enquanto ARToolKit não pode segundo. No entanto, Vuforia ainda é o mais impressionante, enquanto
detectar nada abaixo de 80% de visibilidade. metaio supera D'Fusion e catchoom.
A Tabela II fornece as distâncias mínimas e máximas suportadas
Vuforia e metaio têm tempos muito semelhantes ao lidar com o por cada estrutura. Como há muitas distâncias a serem exibidas em
ruído. No entanto, o Vuforia detecta uma imagem de alvo com nível de um gráfico legível, a Fig. 12 representa a média de todas as distâncias
ruído de 200%, enquanto o metaio chega a 70%. A Fig. 11 exibe o suportadas por estrutura. O Vuforia é retratado como o framework mais
resultado médio do teste para os alvos com ruído de 10 e 30% à rápido quando se trata da distância entre o dispositivo de teste e a
esquerda e níveis de ruído de 50, 70 e 90% à direita. Os tempos mais imagem de destino. A Metaio deve ficar em segundo lugar, senão em
rápidos ainda são registrados pelo metaio, enquanto o ARLab é o primeiro lugar, tendo em vista que seu tempo médio de prova aumentou
detector mais lento. por causa do extra
Quatro das seis estruturas têm um tempo de detecção superior a um

40 http://www.i-jim.org
Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

esforço necessário para detectar o alvo a 240 cm de distância. O A Fig. 13 demonstra o tempo médio necessário para uma
pior timing é registrado pelo framework ARLab. estrutura detectar o alvo em cores brilhantes versus um alvo
colocado contra um fundo de cor escura . O gráfico da esquerda
TABELA II. ilustra a média de todos os tempos de teste por framework, e o
DISTÂNCIAS SUPORTADAS POR ESTRUTURA da direita detalha os dois casos possíveis. O D'Fusion suporta
fundos claros e escuros de maneira constante. D'Fusion e Vuforia
Distância ARLab ARToolKit D'Fusion
têm tempos semelhantes lidando com contrastes escuros,
10cm sim sim
20cm
enquanto Vuforia funciona um pouco melhor no caso de fundos
sim Sim
30cm sim SIM sim
mais claros. Vuforia é a única estrutura que armazenou um tempo
40cm sim SIM sim melhor em fundos claros do que em fundos mais escuros. Como
50cm sim SIM sim ambos os gráficos podem atestar, metaio é o líder do critério de
60cm sim sim fundo.
70cm sim sim
80cm sim sim
90cm sim
B. Critérios-alvo
Testamos a imagem de destino original e sua versão em
Distância Vuforia catchoom metaio
escala de cinza para comparar os tempos de teste, conforme
10cm
20cm
mostrado na Fig. 14. O Metaio registrou o menor tempo de teste,
sim sim sim
enquanto três outros frameworks foram testados em menos de um segundo.
30cm sim sim sim
40cm
Catchoom e ARLab registraram tempos de pouco mais de um
sim sim sim
50cm sim sim sim segundo. Como pode ser visto, colorido ou cinza, o tempo de
60cm sim sim sim detecção é praticamente o mesmo. Uma pequena diferença pode
70cm sim sim sim ser observada no ARLab.
80cm sim sim sim
90cm Todas as estruturas passaram no teste de relação de
sim sim sim
150cm sim sim sim contraste , mas não sem dificuldades, como conclui a Fig. 15.
210cm sim sim O gráfico à esquerda ilustra os tempos padrão de teste de alvo
240cm sim (nível de contraste 0) e o nível de contraste -50. O lado direito
mostra os tempos médios para as imagens-alvo de 50 e 100
níveis de contraste. ARLab testou mal e metaio detém o

Figura 11. Ruído Figura 13. Plano de fundo

Figura 12. Distância

Figura 14. Escala de cinza

iJIM ÿ Volume 8, Edição 4, 2014 41

Machine Translated by Google

PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID

Figura 15. Taxa de contraste Figura 17. Proporção

tempos de teste mais rápidos. ARToolKit, D'Fusion e Vuforia também

armazenaram tempos médios de teste abaixo de um segundo.
O Catchoom leva em média um segundo e meio, enquanto o ARLab
leva o dobro do tempo, cerca de 3 segundos e meio, para detectar
imagens-alvo de diferentes níveis de contraste.
Os frameworks que detectam tamanhos diferentes mantêm
constantes os tempos médios de teste ao longo dos testes, conforme
demonstrado na Fig. 16. O ARLab reconhece apenas alvos de 10 cm
de altura e o D'Fusion não detecta imagens de 20 cm de altura
enquanto o ARToolKit reconhece apenas alvos de 20 cm de altura.
Metaio tem o tempo mais rápido e logo atrás estão ARLab e Vuforia,
ambos a pouco mais de meio segundo.
Catchoom testa o tempo médio mais alto e a maioria dos vários
tamanhos de alvo são detectados em um segundo.
Catchoom precisa de mais de um segundo ao lidar com tamanhos
maiores.
Figura 18. Material
Metaio é a única estrutura que suporta todas as seis alterações
de proporção . O ARLab, por outro lado, não detecta nada. Vuforia
é o framework mais próximo do metaio. na detecção de vidro e o pior em plástico. A Metaio leva vantagem
No entanto, o metaio ainda apresenta os melhores tempos e cobre em brilhantes e plásticos enquanto D'Fusion e Vuforia os toleram,
todos os constrangimentos. A Fig. 17 mostra os resultados médios apresentando pior desempenho em vidro. O ARToolKit se mantém
para a proporção horizontal à esquerda e as proporções verticais constante em torno do segundo marcador.
consideradas à direita.
Todos os materiais são suportados por todos os frameworks,
com exceção do ARToolKit, que não foi testado em vidro (dificuldades
V. DISCUSSÃO
técnicas). O gráfico da esquerda na Fig. 18 denota a média geral
para cada estrutura e o da direita divide essa média pelos tipos de Várias restrições diferentes foram testadas nas estruturas
material: vidro, papel brilhante e plástico. ARLab tem o melhor tempo avaliadas. Essas restrições levantam dificuldades para alguns
frameworks, enquanto outros as superam facilmente.

A. Cenários

Por fim, definimos vários casos de uso chamados cenários. Um

cenário é uma coleção de critérios considerados para um contexto
específico, reconhecendo sua importância por meio de pesos.

Cenário 1: considere um aplicativo interno para visualizar objetos

grandes, como móveis, artigos de decoração e eletrodomésticos.
Uma imagem de destino seria colocada no local onde o objeto real
estaria e o objeto virtual seria exibido no topo do alvo. Algumas
restrições que devem ser consideradas incluem:

• Quão próximo ou distante o usuário pode estar do alvo.

• Ter diferentes pontos de vista para uma melhor visão do
objeto virtual.
Figura 16. Tamanho

42 http://www.i-jim.org
Machine Translated by Google
PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID
• Oclusão do objeto virtual por objetos reais se
necessário.
• Um alinhamento correto entre a cena real e o objeto virtual. •
Utilizar mais de um alvo para um melhor posicionamento
do objeto virtual, no lugar certo e na escala certa. • Ver o objeto
virtual mesmo quando o alvo não está mais visível.
Para este cenário, metaio e Vuforia marcam os pontos mais altos.
Catchoom é deixado para trás porque não suporta rastreamento
estendido.
Cenário 2: Todos os critérios de destino são considerados para
classificar os frameworks ao lidar com um cenário de aplicativo de
revista. Uma imagem na revista representa uma imagem de destino
para o aplicativo da revista. Ao passar o mouse sobre o smartphone, o
conteúdo virtual é revelado ao usuário.
Mais restrições são consideradas juntamente com: •
Imagens de cor cinza e imagens de forte contraste. • Imagens
de tamanho pequeno. • Imagens impressas em diferentes
tipos de papel. • Reconhecer imagens desde que não sejam
totalmente visíveis. • Detecção de texto para suportar as
imagens.
Catchoom e ARLab têm uma compreensão melhor dos critérios
ambientais do que metaio e D'Fusion.
No entanto, metaio suporta detecção de texto e catchoom não.
Cenário 3: Os dois casos de uso apresentados acima são cenários
internos. Agora também consideramos cenários ao ar livre e
suponhamos que uma empresa tenha uma nova ideia de marketing e
use AR para cartazes localizados de forma criativa nos painéis laterais
dos pontos de ônibus. Um usuário pode estar no ponto de ônibus
olhando para o cartaz ou notá-lo de dentro de um ônibus em movimento
e tentar decifrar sua mensagem. Um cenário ao ar livre se concentra
nos critérios ambientais, juntamente com:
• Mudanças repentinas de luz, como o sol se escondendo atrás
das nuvens.
• Quão longe o usuário pode estar do alvo. • Deterioração
do cartaz com o tempo devido à chuva, vento, exposição solar,
etc. • Um fundo dinâmico, como pessoas andando atrás
dele ou carros passando. • Quanto do pôster é visível de onde
o usuário está sentado.
• Movimentos rápidos conforme o usuário passa no
ônibus. • Uma vez que o pôster é reconhecido, o conteúdo
virtual é persistente mesmo que o usuário esteja em um
ônibus em movimento.
A Vuforia lidera neste cenário, seguida pela catchoom. O Vuforia
fornece melhor suporte do que o catchoom para restrições de
desempenho e usabilidade.
Cenário 4: Alguns supermercados hoje usam AR para promover
seus produtos. Passando por uma prateleira com diversos produtos, o
cliente pode apontar a câmera para as caixas, selecionar um produto e
iniciar um jogo. Por exemplo estourando algumas bolhas, de forma que
quando um número pré-definido de bolhas estouradas é atingido, o
cliente ganha um desconto
iJIM ÿ Volume 8, Edição 4, 2014
para o produto escolhido. Alguns recursos devem ser suportados e
alguns requisitos devem ser atendidos, como:
• Suporte para mais de uma imagem de destino por frame, de
forma que o cliente possa escolher qual produto quer
jogar. • Uma imagem borrada dificultaria o jogo para o
cliente.
• A imagem de destino pode estar em uma caixa de cereal ou um
rótulo em uma garrafa de vinho.
• O flash pode ser necessário se não houver luz suficiente na
loja para que o aplicativo reconheça o alvo. • A etiqueta
pode ser rasgada ou a imagem na caixa de cereal pode ser
rasgada.
Vuforia ganha a pontuação mais alta, seguida de perto por metaio.
A diferença mais perceptível é dada pelo suporte a movimentos rápidos;
pelos testes realizados percebeu-se que o metaio não suporta
movimentos rápidos.
Cenário 5: Os próximos dois casos de uso requerem recursos
especiais, como reconhecimento de texto e detecção de face. Existe
hoje um aplicativo para traduzir texto do inglês para o espanhol e vários
outros idiomas. Imagine que você está visitando um país estrangeiro
no qual não conhece o idioma e precisa de ajuda para se locomover.
Este aplicativo pode ser usado para traduzir sinais, anúncios de janela
e menus. Uma característica importante que a estrutura de Realidade
Aumentada deve suportar é a detecção de texto, bem como:
• O contraste entre o texto e o
fundo onde está escrito. • Diferentes
materiais nos quais o alvo é impresso, papel brilhante, chapas
de metal, vidro e outros. • Lide com a oscilação, pois uma
oscilação constante da palavra traduzida dificultaria a leitura.
• Quão longe o usuário pode estar do alvo. • Contaminação
ao lidar com sinais externos.
Metaio e Vuforia registram os melhores resultados para os critérios
ambientais relevantes, enquanto nenhum framework se distingue
quando se trata de critérios alvo.
Cenário 6: Já existem vários aplicativos para experimentar
virtualmente produtos como óculos, chapéus e encomendá-los online.
Tome óculos de sol, por exemplo. Ao usar esse aplicativo, o cliente
pode navegar pelo catálogo, escolher um par de óculos, alternar entre
as cores disponíveis e os óculos de sol são projetados na imagem do
rosto olhando para trás no telefone. O recurso mais importante que
deve ser suportado é o rastreamento de face, juntamente com: • Um
fundo estático para facilitar a detecção de face. • Uma fonte de luz
constante ou a cor da pele muda constantemente. • Movimentos
rápidos levam à perda do rastreamento. • A possibilidade de
mudar para a câmera frontal.
D'Fusion é o framework que melhor se encaixa nas restrições
impostas por tal caso de uso, seguido por metaio e Vuforia. Vuforia não
suporta rastreamento facial, perdendo pontos, enquanto D'Fusion
supera metaio por suportar movimentos rápidos.
A Tabela III mostra a estrutura recomendada para cada
dos casos de uso descritos.
43
Machine Translated by Google
PAPEL
AVALIAÇÃO DE FRAMEWORKS DE REALIDADE AUMENTADA PARA DESENVOLVIMENTO ANDROID
TABELA III.
ESTRUTURAS RECOMENDADAS
Cenário Estrutura
Aplicativo de design de interiores Metaio
Aplicativo de revista Metaio
Aplicativo de abrigo de ônibus Vuforia
Aplicativo de promoções de supermercado Vuforia
Aplicativo Tradutor Turístico metaio
Aplicativo mCommerce D'Fusion
B. Descobertas
Testar as estruturas no alvo de tamanho padrão de várias distâncias
trouxe algumas descobertas interessantes. De perto, a 10 cm de
distância da imagem alvo, o alvo na maioria dos casos não é
completamente visível. No entanto, o ARToolKit e o ARLab reconheceram
os alvos. Isso é surpreendente porque o ARToolKit precisa de 80% da
área visível do alvo, enquanto o Vuforia requer apenas 10% e ainda
não conseguiu reconhecer o alvo de perto. A partir desses achados,
conclui-se que o tamanho da imagem alvo e a distância a ela não estão
fortemente correlacionados.
Os testes de intensidade de luz revelaram um rastreador ARToolKit
fraco ao lidar com mudanças repentinas nas condições de luz ou um
ambiente semi-escuro. Cada uma das quatro sequências consideradas
para testar intensidades de luz instiga questões ambientais. Em cada
caso, quatro das seis estruturas mostram sinais de trabalho extra.
Outro resultado surpreendente foi registrado pelo Vuforia, que
consegue detectar a imagem de um alvo com nível de ruído de 200%.
A maioria das estruturas ainda pode superar 70%, algumas até 90%,
mas 200% é uma conquista digna de menção.
VI. CONCLUSÃO
Este artigo apresentou uma técnica metódica para avaliar frameworks
AR abertos para desenvolvimento Android. Uma série de critérios de
avaliação são definidos e os resultados publicados. Como protótipo,
desenvolvemos um aplicativo de teste que é implementado usando
Eclipse com Android Development Tools (ADT). O protótipo pode testar
ativamente as estruturas integradas e salvar os tempos de teste em um
banco de dados local para posterior comparação.
Gostaríamos de afirmar que nenhum framework AR é melhor que
outro, cada um com suas vantagens e desvantagens. Em algumas
circunstâncias, dado um conjunto de restrições, uma estrutura pode
superar outras.
44
Em trabalhos futuros, vamos concentrar nossa atenção no suporte a
recursos opcionais, como multi-targets, rastreamento facial e detecção
de texto. O aplicativo em si pode ser desenvolvido para se tornar uma
poderosa ferramenta de avaliação.
Para uma documentação mais detalhada da metodologia apresentada
e os resultados podem ser encontrados em [7].
RECONHECIMENTO
Este trabalho foi financiado pelo Institute of Information Systems and
Computer Media da Graz University of Technology e financiado pela
empresa de software Evolaris Next Level GmbH.
REFERÊNCIAS
[1] TechNavio - Infiniti Research Ltd. Mercado global de realidade aumentada 2014-2018. Um
relatório de pesquisa de mercado.
[2] Pesquisa da Juniper. Realidade aumentada móvel: smartphones, tablets e óculos
inteligentes 2013-2018. Um relatório de pesquisa de mercado.
[3] Pesquisa da Juniper. Mais de 2,5 bilhões de aplicativos móveis de realidade aumentada
serão instalados anualmente até 2017. Um relatório de pesquisa de mercado.
[4] Dominik Rockenschaub. "Desenvolvimento e aplicação de uma abordagem sistemática
para analisar estruturas de realidade aumentada baseadas em marcadores para
dispositivos móveis.", Tese de mestrado, Johannes Kepler University Linz, Linz,
Áustria, 2012.
[5] Jennifer Lynn. iOS vs. SO: o mercado de trabalho atual está crescendo mais rápido
Para desenvolvedores Android do que Apple.
[6] José Dolz. Realidade aumentada sem marcadores.
[7] Marneanu Iulia. “Evaluation of Augmented Reality Frameworks for Android Development”,
Dissertação de Mestrado, Graz University of Technology, Graz, Áustria, 2014.
AUTORES
I. Marneanu é aluno de mestrado na Graz University of Technology,
Rechbauerstraße 12, 8010 Graz, Áustria (e-mail:
iulia.marneanu@student.tugraz.at).
M. Ebner, Assoc. O Prof. trabalha no Instituto de Sistemas de
Informação e Mídia de Computador da Graz University of Technology,
Inffeldgasse 16c, 8010 Graz, Áustria (e-mail: martin.ebner@tugraz.at).
T. Rößler está trabalhando na Evolaris Next Level GmbH, Hugo-
Wolf-Gasse 8, 8010 Graz, Áustria (e-mail: Thomas.Roessler@evolaris.net).
Este trabalho foi financiado em parte pelo Institute of Information Systems and Computer
Media da Graz University of Technology. Enviado em 20 de junho de 2014. Publicado
conforme reenviado pelo autor em 14 de outubro de 2014.
http://www.i-jim.org