用于提供镜架镜圈模型的方法、计算装置、和计算机程序与流程

为了将眼镜片正确地装配到眼镜架中，一方面有必要确定所谓的定心参数，使得可以将镜片的光学中心与对应眼睛的视轴对准，以便由此例如获取关于瞳距的信息以及关于瞳孔相对于眼镜架的高度的信息。另一方面，有必要了解由眼镜架限定的眼镜片支承边缘，眼镜片将被接纳在该眼镜架中。

除了关于瞳距的信息以及关于瞳孔相对于眼镜架的高度的信息之外，术语“定心参数”尤其还包括以下变量：单眼瞳距pd、根据参考点要求和/或根据眼枢轴点要求的角膜顶点距离hs、单眼定心距离、定心点坐标、镜片距离、定心点的偏心、镜片高度与宽度、镜片中心距离、眼镜片前倾角α、镜架镜片角β、配适高度。

这些定心参数通常由眼科配镜师确定。重要的定心参数在例如标准eniso13666:2012（d/e）中进行了定义，并且可以由彼此相对站立或坐着的配镜师和受试者建立，其中，受试者戴上他/她选择的、其中装配了眼镜片的镜架。要求受试者看向远处，并且接着配镜师基于他/她的视觉判断在镜片或带横隔线的接触膜上在观察参考点处绘制十字，他从与受试者相对的视觉参考中看到该十字。接着，这个十字（定心十字）确定要用于镜架中的眼镜片的光学中心点的位置。该方法针对受试者的每只眼睛分开进行。如此建立的定心十字之间的距离是瞳距pd。

然而，为了确定定心参数，现在还使用自动测量系统。例如，在wo01/84222a1中描述了这样的测量系统。该系统包含以高度可调方式容纳在柱上的数码相机，其透镜与反射镜和光源一起布置在壳体的正面的区域中。该系统尤其可以测量距离并捕捉尺寸，这些尺寸必须在通过研磨来装配眼镜片时加以考虑。在这个系统中，存在连接至数码相机的计算机，该计算机通过对戴着眼镜架、并且眼镜架上固定了测量支架的眼镜配戴者的图像进行图像评估来确定眼镜架的定心参数。

在这些测量系统中的一些测量系统中，同时或依次记录戴着限制性眼镜架的人的头部的一个或多个图像，并且从所记录的图像通过图像分析来确定定心参数。这个过程中使用的算法尤其是基于对所记录图像中的眼镜架的镜架镜圈的识别。

例如，在de102011115239a1中也描述了这种类型的设备和方法。在其中描述的流程的情况下，存在针对当前要在人的头部上测量的眼镜架的跟踪器数据集。在这种情况下，根据上文提及的dineniso13666，跟踪器是为了将镜片磨边成形而对眼镜架的镜片形状进行准确的、通常三维的测量的设备，即，测量眼镜架的镜架镜圈的设备。在这种情况下，为了确定跟踪器数据集，跟踪器可以测量眼镜架的镜架镜圈、或被成形以插入镜架镜圈中的支撑镜片的镜片边缘。在这两种情况下，跟踪器数据集不仅描述眼镜架的镜架镜圈、还描述眼镜架的其他部分。跟踪器数据集一旦已经由跟踪器产生，通常包含指示数据集的源（即，所使用的跟踪器）的信息。然而，这个信息也可以在处理跟踪器数据集的过程中被去除。于是de102011115239b4中的流程是基于在图像记录中找到由跟踪器数据集描述的轮廓。这涉及使用常规的图像分析方法，例如图案搜索或所谓的样板匹配，后者例如在2017年1月17日的维基百科上的文章“templatematching[样板匹配]”中进行了描述。图案搜索（也被称为基于图案的搜索或图案匹配）是对符号处理方法的指代，其基于预定义图案（在这种情况下由跟踪器数据集预定义）来标识所记录图像中的对应结构。

与其他流程相比，根据de102011115239b4中的解释，使用跟踪器数据集有助于识别图像中的镜架镜圈。然而，这个流程的一个缺点是，跟踪器数据集、并且因此所戴上的眼镜必须是已知的，以在所记录的图像中找到镜架镜圈。然而，典型地，仅当顾客已经选好眼镜要购买时，配镜师才会根据镜架生成跟踪器数据。此外，由于生成跟踪器数据是耗时的，因此通常仅在顾客已经离开眼镜店时才生成跟踪器数据，否则会导致顾客长时间等待。另一方面，配镜师的常规工作流程在选好眼镜架之后的部分直接就是确定定心参数，由此顾客可以在下次拜访时收到成品眼镜。

因此，实施de102011115239b4中的方法因此必须改变配镜师的常规工作流程，这还意味着顾客拜访配镜师时的等待时间。此外，这个流程也是费力的，因为为此目的，每个配镜师必须对每个镜架提供相应的跟踪器数据集，或者必须在确定定心参数之前创建跟踪器数据集。最后，需要这些跟踪器数据集至少优选地为三维数据集（即，描述镜架镜圈的三维形廓的数据集），而一些常规的跟踪器仅生成在平面上描述镜架镜圈形廓的二维数据集。

黄祖浩（szu-haohuang）等人的“human-centricdesignpersonalizationof3dglassesframeinmarkerlessaugmentedreality[无标记增强现实中3d眼镜架的以人为中心的设计个性化]”，高级工程信息学26(2012)第35至45页描述了一种用于虚拟装配眼镜架的方法。在这种情况下，使用了眼镜架的参数模型，所述模型是通过对所存储的多个眼镜架模型进行主成分分析来创建的。在这种情况下，眼镜架模型作为对应于眼镜架的cad（计算机辅助设计）数据集的多边形网格呈现。

us2015/055085a1披露了虚拟地试戴眼镜，为此目的使用眼镜的模型。通过主成分分析来分析所记录的头部图像。

吴晨宇（wuchenyu）等人的“automaticeyeglassesremovalfromfaceimages[从面部图像中自动去除眼镜]”，ieeetrans.关于图案智能和机器智能，第26卷第3期第322至336页披露了一种从所记录的头部图像中去除眼镜的方法。这涉及使用各种不同的学习方法以及一种用于眼镜架的参数模型。其中使用的参数模型的描述镜架形状的参数被假定为具有正态分布。

戴安娜·博尔扎（dianaborza）等人，“eyeglasseslenscontourextractionfromfacialimagesusinganefficientshapedescription[使用高效形状描述来从面部图像中提取眼镜片轮廓]”，sensors[传感器]2013,13，第13638至13658页披露了一种用于根据图像记录来精确确定眼镜的位置以及眼镜架的大小和形状的方法。在这种情况下，使用了基于傅里叶描述符的眼镜架2d模型。

在此背景下，本申请的目的总体上是提供用于提供镜架镜圈模型的方法、计算装置和计算机程序，其中，该镜架镜圈模型旨在涵盖多个眼镜架，使得例如对于上文解释的为了确定定心参数的图像分析，不必针对每个眼镜架创建单独的跟踪器数据集。

以上引用的黄祖浩等人的出版物包括眼镜架的模型，并且这些模型用于通过主成分分析来获得整个眼镜架的模型。这种类型的模型仅在有限程度上适合于在开篇解释的镜架镜圈识别，因为该模型包含关于眼镜镜腿的数据，例如，其与识别镜架镜圈无关、但是也仍必须进行处理。

因此，本发明的第一个目的是提供一种用于提供镜架镜圈模型的方法，与黄祖浩等人的方法产生的模型相比，该镜架镜圈模型更好地适合于前述在de102011115239b4中描述的镜架镜圈识别。

为此目的，根据本发明的第一方面，提供了如权利要求1所述的计算机实施方法。从属权利要求2至12限定了第一方面的方法的另外的实施例。

采用参数的高斯分布作为以上引用的吴晨宇等人的出版物中的基础。然而，真实镜架镜圈的形状不一定根据高斯分布变化。如果在根据de102011115239b4识别镜架镜圈时采用高斯分布作为基础，则这导致该方法达到品质上不达标的解决方案，因为许多镜架镜圈形状没有包含在该模型中，并且因此完全无法检测到。

因此，本发明的第二个目的是提供一种用于提供镜架镜圈模型的方法，与具有固定的参数高斯分布的模型相比，该模型更好地适合于标识镜架镜圈。

为此目的，根据本发明的第二方面，提供了如权利要求13所述的计算机实施方法。从属权利要求14至18限定了第二方面的方法的另外的实施例。

根据黄祖浩等人的用于提供眼镜架的模型的方法（该方法使用了主成分分析）尤其在数学上相对复杂。由此，本发明的第三个目的是提出一种用于提供镜架镜圈模型的简化方法。

为此目的，根据本发明的第三方面，提供了如权利要求19所述的计算机实施方法。从属权利要求20至22限定了第三方面的方法的另外的实施例。

根据黄祖浩等人的方法假定了，眼镜架的3d数据以适合于主成分分析的形式呈现。如果例如在使用不同的测量仪器（例如，不同的镜架制造商或配镜师使用不同的跟踪器）来确定的情况下，描述眼镜架的镜架镜圈的数据是源自不同的源，则数据以不同的格式呈现并且还可能是测量过程导致的噪声，即具有由测量引起的波动。

由此，本发明的第四个目的是提供一种用于提供镜架镜圈模型的方法，在该方法中能够更好地处理来自不同源的数据和/或噪声数据。

为此目的，根据本发明的第四方面，提供了如权利要求23所述的计算机实施方法。从属权利要求24至32限定了第四方面的另外的实施例。

另外的从属权利要求限定了用于图像分析的方法，所述方法使用根据上述方面之一创建的镜架镜圈模型。此外，提供了如权利要求40所述的用于执行上文限定的方法之一的计算机程序、以及如权利要求41所述的对应的计算机装置。

由上述方法提供的镜架镜圈模型可以尤其应用于将眼镜片定心、通过研磨来装配眼镜片、以及用于制造眼镜片。为此目的提供了如权利要求42、43、和44所述的方法。

根据本发明，提供了一种用于提供镜架镜圈模型的方法，该方法包括：

提供多个数据集，每个数据集描述了相应眼镜架的镜架镜圈的形廓，并且

基于该多个数据集来提供镜架镜圈参数模型。

在这种情况下，镜架镜圈的形廓应理解为是指用于一个眼镜片或用于两个眼镜片（左眼镜片和右眼镜片）、即针对上述区段之一或二者的镜架镜圈形廓。镜架镜圈参数模型是具有一个或多个可变参数的镜架镜圈模型。于是，这一个或多个参数的变化导致由镜架镜圈模型描述的镜架镜圈的几何形状的变化，例如与大小或形状有关、或与两个眼镜片的第一区段和第二区段相对于彼此的取向有关的变化。这类似于用cad（计算机辅助设计）技术进行参数建模（参见http://www.blien.de/ralf/cad/db/para_mod.htm，2017年1月27日），其中，在本申请中，这些参数不限于尺寸、和几何形状（例如与大小和/或形状有关）变化，因为参数的变化通常是可能的。因此，这种类型的模型的参数是变量，通过这些变量，镜架镜圈模型所描述的镜架镜圈是可变的。在本文使用的意义上，镜架镜圈参数模型还可以是所谓的非参数模型；例如在维基百科文章“nonparametricstatistics[非参数统计学]”中描述了非参数模型。这涉及的模型的模型结构不是先验定义的，而是仅基于多个数据集来确定的。它们同样具有参数，但是所述参数的类型和数量同样不是先验定义的。如果在数据中不满足特定参数模型（例如，高斯分布）的必要先决条件，它们也同样适用。

借助于基于多个数据集提供的镜架镜圈参数模型，多个数据集影响该模型。这具有以下效果：镜架镜圈参数模型适用于多个不同的眼镜架，包括不是由所述多个数据集中的数据集直接描述的眼镜架。通过镜架镜圈参数模型的一个或多个参数，镜架镜圈参数模型于是可以与特定眼镜架的镜架镜圈相适配。

根据本发明的第一方面，可选地还在本发明的其他方面，本文使用了眼镜架的不同眼镜数据的跟踪器数据集，所述数据集是使用多个对应的眼镜架确定的。使用跟踪器数据集是指数据仅针对所需要的镜架镜圈呈现，而不是另外针对眼镜架的其他部分、例如镜腿呈现。与黄祖浩等人的出版物中使用的模型相比，跟踪器数据集仅包含描述镜架轮廓的空间或平面点的序列。它们不是如上文引用的黄祖浩的出版物中的多边形网格，多边形网格除了点之外还包含边缘和区域。这可以简化镜架镜圈模型的创建和随后的图像分析，因为不需要首先根据整个眼镜架的模型来计算镜架轮廓。此外，如黄祖浩等人的方法中的与眼镜架有关的眼镜架的多边形网格（例如呈cad数据集的形式）通常是配镜师不可获得的，因为它们是镜架制造商的商业秘密。然而，相比之下，大多数配镜师都具有跟踪器，所述跟踪器可以容易地用于获得多个跟踪器数据集。因此，根据本发明的第一方面的方法也可以由配镜师容易地执行，而配镜师不必依赖于第三方（例如，镜架制造商）提供数据集。

在第二、第三和第四方面的其他实施例中，作为其替代方案，还可以使用来自眼镜架制造商的眼镜架cad数据（计算机辅助设计），所述数据被眼镜架制造者用于制造或设计眼镜架。优选地，所述数据集在此作为3d数据集呈现，即，它们描述相应的镜架镜圈的空间形廓。由于可以确定所有三个空间方向，因此以这种方式产生更准确的模型。然而，还可以使用2d数据集，所述数据集仅在平面上描述镜架镜圈的形廓。

特别地，通过使用多个数据集可以实现的是，镜架镜圈参数模型不允许获得任何“非典型的”镜架镜圈形廓，例如与截头眼镜片、非对称眼镜片、或镜片边缘具有凸起或凹陷（即，高曲率）的眼镜片相对应的镜架镜圈。

这些数据集优选地作为3d数据集呈现，即，三维地描述相应镜架镜圈的形廓的数据集。特别地，数据集可以作为点云存在，其具有位于镜架镜圈上的多个测量点。如果例如由于跟踪器仅提供2d数据集而仅呈现2d数据集（即，在平面上描述镜架镜圈），则可以由其通过镜架镜圈所框住的眼镜片的近似来生产三维数据集，作为平面或抛物面或者类似的3d模型。为此目的，举例而言，在一个实施例中，可以确定定心参数、例如前倾角（根据dineniso13666:2012的5.18）和镜架镜片角（根据dineniso13666:2012的17.3）的典型值。通过确定多个眼镜片的前倾角和镜架镜片角的平均值、中值或类似分布特征，可以根据眼镜片的订单统计学来实现这种确定。替代性地，还可以简单地假定这些参数的典型值。此外，可以假设眼镜片所处的两个平面、抛物面或类似的3d模型相对于彼此的对称性。利用前倾角、镜架镜片角和对称性假设，然后得到两个这平面的位置（例如，由平面上的法向向量、和法向向量的参考点定义），然后将2d数据集投影到其中。

即使3d数据集和相应的3d镜架镜圈模型是优选的，根据本发明的方法也可以基于2d数据集来提供2d模型。这在某些应用中同样是有利的。在这方面，2d数据集少于相应的3d数据集（数据更少），并且2d模型在大多数情况下由于较低的维度性而具有较少的参数，使得使用2d模型的优化方法（例如，如果该模型适于图像中的镜架镜圈，如后文描述的）具有较低的复杂度。在一些应用中，例如当标识单独图像中的镜架镜圈时，实际上仅需要2d模型。

在一个变体中，提供该镜架镜圈参数模型可以包括：根据该多个数据集来计算该镜架镜圈参数模型。在此，该多个数据集因此用作新创建镜架镜圈参数模型的基础。其一个实例是基于该多个数据集的机器学习。2017年1月17日检索的德语维基百科文章“maschinelleslernen”[“机器学习”]中解释了机器学习的概述，并且它是根据经验获得的人工知识生成的通用术语。在当前实例中，所述多个数据集代表经验，并且镜架镜圈参数模型代表生成的知识。所引用的维基百科文章还给出了本文可以使用的各种途径和算法的概述。

用于根据该多个数据集来计算镜架镜圈参数模型的一种可能的流程是应用主成分分析。主成分分析（pca）是一种创建了多个所谓的“主成分”的多变量统计学方法，其中，数据集于是可以表示为所述主成分的平均值之和以及线性组合。这涉及例如首先根据该多个数据集来确定平均值并从这些数据集中减去该平均值。然后根据结果来确定主成分。在这种情况下，这些主成分彼此正交。这意味着每个数据集的表示是独特的，即，相应的线性组合具有独特的系数。然后，这些主成分的此类线性组合的这些系数表示镜架镜圈参数模型的参数。此外，主成分分析的一个优点是可以最小化模型空间的维数，使得丢失的信息尽可能少。模型空间的维数等于模型的参数的数量，并且在主成分分析的情况下等于主成分的数量（每个主成分一个系数）。例如，在2017年1月17日检索的德语维基百科文章“hauptkomponentenanalyse”[“主成分分析”]中更详细地描述了主成分分析。

还可以以类似于下文进一步描述的滤波的方式来使用主成分分析，以去除噪声或其他伪像。由上述主成分分析得出的主成分描述了镜架镜圈的典型曲线形廓，这些镜架镜圈的线性组合可以用作由该多个数据集定义的原始镜架镜圈的近似值。特定镜架镜圈的主成分的系数由相应的镜架镜圈投影到主成分上而定义的曲线决定。通过省略具有低重要性的主成分（小系数，对应于沿着该主成分，相应镜架镜圈的相应数据集具有小方差），可以消除噪声成分。因此，通过省略这样的主成分，通过主成分分析进行的镜架镜圈表示还可以满足滤波函数。

作为替代方案，可以使用独立成分分析（ica），这在例如在2017年1月20日检索的德国维基百科文章“unabhängigkeitsanalyse”[“独立成分分析”]中进行了描述。这种类型的分析同样给出多个成分，这些成分（总和为相对于平均值的线性组合）可以表示所述数据集。然而，这些成分在此不正交，并且因此至少部分地存在表示数据集的多种可能性（即，多个系数集）。并且在此，线性组合的系数表示镜架镜圈参数模型的参数。

在本发明的第二方面，可选地还在本发明的第一或第四方面，提供该镜架镜圈参数模型包括：基于该多个数据集来计算预定义的镜架镜圈参数模型的参数的概率分布。因此，在这个变体中，不是全新创建镜架镜圈参数模型，而是首先预定义镜架镜圈参数模型。此类模型的一个简单实例是关于中心平面对称的两个平面，其中每个平面大致地描述了眼镜片的位置。代替这些平面，更高阶形状也是可能的，例如具有相关参数的二次或三次样条。在这种情况下，样条是由二次函数、三次函数、或甚至更高阶函数分段构成的函数，使得过渡是连续的或连续可微分的。例如，在2017年1月17日检索的德语维基百科文章“spline”[“样条”]中描述了样条。此外，还可以通过这些平面内的参数几何形状来进一步描述镜架镜圈。其一个简单的实例是椭圆，其特征可以是例如半长轴（通常用a表示）和半短轴（通常用b表示）的长度作为参数。在这种情况下，由半长轴形成的长轴是延伸经过椭圆的焦点的轴，并且由两个半短轴形成的短轴与长轴垂直。

然后可以针对这些参数来创建概率分布。为此目的，预定义的镜架镜圈参数模型可以例如与每个数据集相适配，以获得数据集的相应参数值。这样的适配可以例如使用最小二乘法（参见2017年1月17日检索的德国维基百科文章“methodederkleinstenquadrate”[“最小二乘法”]）或者使用其他常规适配方法来进行行。以此方式，获得了该多个数据集的参数值，接着可以以统计方式进行评估。举例而言，可以指示每个参数值的平均值和标准偏差。借助于该流程，可以检测并分析这些参数值的任意分布，并且不限于比如高斯分布等预定义分布。在这种情况下，可以通过直方图（例如在2017年12月11日版本的德国维基百科文章“histogramm”[“直方图”]中描述的）以简单的方式进行统计学评估。

然后，可以在之后使用该模型期间使用这些概率分布，以便通过使用伴随地考虑了该统计学分布的适配方法来将镜架镜圈参数模型与特定镜架镜圈（例如，在图像中标识的镜架镜圈）更快速地适配。此类伴随地考虑了待优化参数的概率分布的优化方法包括例如马尔可夫链蒙特卡罗方法（mcmc方法）。例如在克里斯托弗·毕晓普（christopherbishop）的“patternrecognitionandmachinelearning[模式识别与机器学习]”，springerverlag2006，isbn-10：0-387-31073-8中描述了此类优化方法。这些方法通过根据模型的最佳参数的概率分布随机选择各个参数、并且接着评价由此产生的特定模型（即，具有以这种方式选择的参数的模型）与数据的匹配程度来估计所述最佳参数。这经常重复例如超过10000次或更多次，其中，重复次数还取决于分别选择的方法及其实现方式。获得的结果是模型参数集（即，所有参数一起）的概率分布，由此可以选择例如具有最高概率的参数集作为“最佳适配”，即作为适配的模型，或替代性地，例如分布的平均值或中值：特别地，也可以以此方式来确定上述非参数模型的参数的概率分布。

在本发明的第三方面，可选地还在本发明的第一或第四方面，提供该镜架镜圈参数模型包括：提供该多个数据集或根据该多个数据集得出的多个另外的数据集作为模型，其中，该镜架镜圈参数模型的参数于是指示该多个数据集中的或该多个另外的数据集中的数据集。因此，在此将这些数据集或由此得出的另外的数据集直接用作模型，并且参数指示相应的数据集，例如一定数量的数据集。以此方式，例如，通过主成分分析来对数据集进行复杂处理对于创建模型不是必需的。在这样的镜架镜圈参数模型的情况下，为了例如与图像中找到的镜架镜圈相适配，可以选择最接近图像中的镜架镜圈的数据集（例如，再次通过最小二乘法）。在这种情况下，得出的另外的数据集是通过应用比如下文解释的变换等数学运算而从所述多个数据集中获得的数据集。

在本发明的第四方面，可选地还在本发明的其他方面，提供该镜架镜圈参数模型包括：变换该多个数据集。以此方式获得了多个经变换的数据集。在这种情况下，数据集的变换应理解为是指对数据集应用一种运算以将数据集转换为不同的形式，即相应的另外的数据集，其中，至少大致地维持关于镜架镜圈的几何形状的数据集信息。这种类型的变换尤其可以用于归一化或重新参数化，以将原本的所述多个数据集转化成相互对应的格式。这里的重新参数化是描述镜架镜圈的参数和/或值（例如，坐标）的变化，例如所使用的坐标系的变化或所使用的坐标系的基础（例如参考点）的变化。下文进一步解释了特定实例。

为此目的，在本发明的第四方面的第一变体中，可选地还在本发明的其他方面，变换可以包括坐标变换。在坐标变换中，第一坐标系中存在的数据被转换到第二坐标系中。由于这种坐标变换，不同的第一坐标系中存在的数据集在此可以被变换到共用的第二坐标系中，和/或数据集可以被转换到更适合于后续处理的坐标系中。在这方面，以笛卡尔坐标（2d：(x，y)，或3d：（x，y，z））存在的数据集可以被转换为极坐标（φ,r）（2d）或球坐标(φ,ψ,r)（3d）。此外，通过坐标变换，可以将数据集的坐标系带到相互对应的参考点。举例而言，用于一个眼镜片的镜架镜圈的某个区段的中点可以用作参考点，其中具体地，几何形心可以用作中点。在其他实施例中，用于两个眼镜片的镜架镜圈部分之间的中点也可以用作参考点。此外，通过坐标变换，可以实现旋转，以便将数据集沿相同的方向定向。在这方面，举例而言，将根据相应眼镜架中的左和右眼镜片的围框系统（来自2013年10月的5.4dineniso13666）的中点相连的水平方向可以被定义为x轴，并且与之垂直于的方向被定义为y轴和z轴。举例而言，可以将近似这些眼镜片的平面的两个法向的平均值定义为z轴（在描述用于一个眼镜片、例如左眼镜片的镜架镜圈的两个区段的数据集的情况下），并且将与之垂直的方向定义为y轴，其中，眼镜片由所述数据集定义。接着通过旋转，将所述多个数据集中的所有数据集定向到这个坐标系中。

此外，在本发明第四方面的第二变体中，可选地还在本发明的其他方面，变换还可以包括：对由数据集定义的镜架镜圈进行重新采样，其中，由例如极坐标形式的数据集定义的几何形状通过围绕共同参考点的恒定角度步长来进行采样。在这种情况下，可以如上文解释的来选择参考点。以此方式，数据集在其表示方面更加统一，这简化了随后的进一步处理，例如应用如上解释的机器学习方法。这样的重新采样是重新参数化的一个实例。

在本发明的第四方面的第三变体中，可选地还在本发明的其他方面，变换包括：使用低通滤波器对数据集进行滤波，以便实现由数据集定义的镜架镜圈几何形状的平滑。在这种情况下，滤波应理解为是指在上述意义上的数据集变换，通过该变换，在数据集的创建期间产生的噪声或其他测量伪像被减少或消除，即，部分或完全抑制了信号的部分方面。此类滤波的实例包括高斯滤波（参见2017年1月18日版本的德语维基百科文章“gauß-filter”[“高斯滤波器”]）或傅里叶滤波。在傅里叶滤波的情况下，对数据集执行从空间域到频域的傅里叶变换，然后对所得频谱的高频分量进行衰减、即减小，以进行低通滤波。对于此类傅里叶滤波，可以将数据集的点的数据的两个维度（例如，数据集的点的x坐标和y坐标）表示为复数（通过指示实部的x坐标和指示虚部的y坐标）。在三维数据集的情况下，可以单独对第三维度（在这种情况下为z坐标）进行滤波。在这种情况下，可以利用傅里叶基的周期性来进行傅里叶变换。频域中的高斯滤波也是可能的，其中，这里三个维度可以彼此独立地进行滤波，并且可以通过在开始时和在结束时发生的周期性延续来利用周期性。

然后可以执行逆变换（傅里叶逆变换）。在其他示例性实施例中，还可以在频域中对上述模型的计算进行进一步处理，并且例如仅在此之后进行逆变换。

滤波可以促进提供镜架镜圈模参数型的后续过程，因为在镜架镜圈模型中不必考虑这样的测量伪像或噪声。

在本发明的第四方面的第四变体中，可选地还在本发明的其他方面，变换包括：通过参数曲线来近似所述数据集。参数曲线是用参数描述的曲线。此类参数曲线的一个实例是已经提到的样条曲线。在这种类型的实施例中，例如再次借助于最小二乘法使这些曲线与每个数据集相适配，使得最终每个数据集用相应的参数、例如样条系数表征。这首先实现平滑，因为就好像经过数据集所定义的点设置平滑曲线。

以此方式，数据集被减少为具有较少自由度的表示（现在仅为参数值），这可以在为了提供镜架镜圈参数模型的后续处理期间简化计算复杂度。参数曲线的此类适配是重新参数化的另外的实例。

此类后续处理的一个实例是图像分析。对于此类图像分析，根据本发明提供了一种方法，该方法包括：

提供戴着眼镜架的头部的至少一部分的至少一个图像，

提供通过上文讨论的方法之一创建的镜架镜圈参数模型，以及

使用该镜架镜圈参数模型来分析该至少一个图像。

对图像的分析应理解为是指对图像的处理，该处理最终有助于从该至少一个图像获得信息。

此类信息的一个实例是在优选地从不同方向记录的一个或多个图像中检测到镜架镜圈。这种检测也称为分割。分割通常被理解为是指标识特定图像组成部分。如果存在参数必须进行适配的镜架镜圈模型，则在相当大程度上有利，因为在图像中根本只能表示曲线的特定适宜轮廓。如果没有这样的模型，则难以找到满足一个眼镜片边缘或两个眼镜片边缘的特征性质的曲线；例如，在3d镜架模型中自然给出在图像中检测到的两个镜片的对称性。与此相比，在图像分割方法中难以获得两个眼镜片的对称性，因为在3d镜架镜圈成像到图像期间的透视畸变导致不对称的2d轮廓。由于检测到镜架镜圈，则可以确定定心参数，如在开篇参考de102011115239b4所解释的。

因此，信息的另外实例还有镜架镜圈参数模型的参数的具体确定，这些参数可以通过在一个或多个图像中检测到镜架镜圈并将镜架镜圈模型与所检测到的镜架镜圈相适配来获得。在使用多个图像的情况下，这些图像优选地从多个方向记录，这提高了镜架镜圈的检测准确度。根据这些参数，还可以计算描述为了与图像相适配而对镜架镜圈模型进行的平移、旋转、缩放等的其他参数。如果已知镜架镜圈模型的特定参数，则确定镜架的空间位置。

根据在开篇解释的镜架镜圈的定义，包括无框眼镜和具有部分镜架的眼镜，利用镜架镜圈的位置，还知道了并且因此可以确定待插入镜架中的对应眼镜片的边缘的表示。因此，还可以确定如上所述的用于检测镜架镜圈的眼镜片边缘的此类表示。

本发明将眼镜片边缘的表示理解为是指在标准eniso13666:2012(d/e)的第13.1节中存在的眼镜片的支承边缘的表示。

眼镜片边缘的表示是数据集，根据该数据集、基于描述眼镜片的额外变量，可以适当地明确确定眼镜片的背向眼镜配戴者的支承边缘的三维形廓。眼镜片边缘的表示例如可以是眼镜片边缘在图像记录装置的图像传感器的像平面中的投影所环绕的区域，眼镜片投影到该区域中而实现图像捕捉。

在全框眼镜的情况下，眼镜片的支承边缘对应于眼镜架内镜圈。在半框眼镜的情况下，眼镜片的支承边缘一方面应理解为是指眼镜片的与眼镜架内镜圈相对应的边缘、以及不与眼镜片镜架相连的镜片外边缘。在无框眼镜的情况下，眼镜片的支承边缘是镜片外边缘。

于是可以由此来确定镜架特有的定心参数，例如前倾角或镜架镜片角。如果还另外知道眼睛在空间中的位置，则可以完全确定定心参数。

因此，还提供了用于使眼镜片在眼镜架中定心的方法，其特征在于，步骤(i)包括：确定与眼镜片有关的定心参数，其中确定定心参数包括确定通过如上所述的方法获得眼镜片的边缘的表示；并且步骤(ii)包括：使用步骤(i)中确定的定心参数来将眼镜片在眼镜架中定心。

另外，提供了一种通过研磨来将眼镜片装配在眼镜架中的方法，其特征在于，步骤(i)包括：确定与眼镜片有关的定心参数，其中确定定心参数包括确定通过如上所述的方法获得的眼镜片的边缘的表示；并且步骤(ii)包括：基于在步骤(i)中确定的定心参数通过研磨来装配眼镜片以布置在眼镜架中。

最后，用于生产眼镜片的方法的特征也在于如上所述通过研磨来装配眼镜片的方法步骤。

在这方面，通过根据本发明的镜架镜圈模型，可以执行对眼镜片定心、通过研磨进行装配、以及产生眼镜片，而不需要配镜师必须如开篇引用的de102011115239b4中那样改变工作流程。

在通过镜架镜圈模型来在图像中检测镜架镜圈之后，还可以根据该图像来确定眼镜的特性作为信息，例如眼镜的颜色、形状或大小。

如果3d镜架模型的特定参数是已知的或之前已经估计出，则还可以根据在一个或多个图像中标识镜架镜圈来获得相机参数来作为信息，例如所使用的经校准相机的外在参数（位置）、或未经校准相机的内在和外在相机参数两者。这对于空间位置未固定的移动设备（例如，智能手机或平板电脑）被用于进行图像记录的应用可能尤其有用。替代性地，还可以例如通过对优化问题求解来同时确定3d模型的参数和相机参数。

在这种情况下，相机的相机参数应理解为是指外在参数，即不是由相机本身的特性产生的参数，比如空间中的相对取向，即相机的光轴相对于其他物体的相对取向；还以及相机的内在参数，即相机本身的特性。此类内在参数的一个实例是以下参数：定义如何将空间点在相对于相机的坐标系中的坐标转换成这个点的像素在图像传感器的像平面中的坐标。涉及确定这种类型的相机参数的相机校准的详细描述在例如理查德·哈特利（richardhartley）和安德鲁·齐瑟曼（andrewzisserman）的第2版,剑桥大学出版社2004的教科书“multipleviewgeometryincomputervision[计算机视觉中的多视图几何]”的第8页中找到。

还可以使用所获得的信息来改变或增强图像。在这方面，在确定镜架镜圈模型的参数之后，取决于在该区域中给定光源的位置和随后的图像修复（修复纹理），可以从图像中移除通过将镜架镜圈投影到头部上而产生的伪像，例如图像中眼镜在头部上的阴影。同样可以通过根据相机成像特性将镜架模型投影到图像中来从图像中移除镜架，并且从图像中移除由此确定的轮廓并且通过图像修复来修复。

在分析过程中使用镜架镜圈参数模型使得分析能够被简化，下文讨论了其实例。

提供至少一个图像可以包括：例如通过以固定几何形状布置的一个或多个相机来记录一个或多个图像。在具有固定几何形状的多个相机或单一相机（相对于头部进行预限定的（并且因此已知的）或任意的移动，以从不同方向来记录头部）的情况下，这尤其使得可以对头部进行三角测量，即确定头部的三维轮廓。例如，在开篇提及的de102011115239a1中也描述了这种类型的图像记录。

存在使用镜架参数模型进行图像分析的各种可能性。在这方面，可以使用镜架参数模型来促进所述至少一个图像的分割，特别是在所述至少一个图像中标识镜架镜圈。

应注意的是，在镜架镜圈的分割过程中出现两个主要问题。首先，镜架边缘可能难以标识或根本无法标识（例如，在无框眼镜架的情况下或在颜色与皮肤颜色相似的眼镜架的情况下）。这可能具有边缘仅被不完全标识的影响。其次，图像中存在的边缘可能被错误地标识为镜架边缘（例如，如果可以透过眼镜的外镜圈看到头发或背景，则这产生相对于面部皮肤的颜色而言的很容易与框架边缘混淆的突出边缘）。为了正确地推断出不完整的边缘，和/或为了排除不正确的边缘，可以使用镜架参数模型，因为镜架轮参数模型不允许任何非典型的镜架镜圈形廓（例如截顶镜片、非对称镜片、具有凸起或凹陷——即具有高曲率——的镜片边缘等）。

在一个实施例中，在此类分割的事件中，在2d镜架镜圈模型的情况下，在图像中标识镜架镜圈的可能解的空间可能局限于镜架参数模型所预定义的可能性，即开始时仅在图像中搜寻可用镜架参数模型描述的镜架镜圈。在一个实施例中，在3d镜架镜圈模型的情况下，使用了相机校准数据。相机校准数据描述空间上的（三维）点到由用于记录所述至少一个图像的相机记录的图像上的映射规范。借助于所述相机校准数据，可以将镜架镜圈参数模型投影到图像中并且用来标识镜架镜圈的边缘。在这种情况下，投影应理解为是指3d模型到2d图像的映射。在一些实施例中，如果不存在校准数据，则例如可以通过在第一步骤中伴随地优化或估计上述映射规范，将镜架镜圈模型投影到该至少一个图像中。

该至少一个图像还可以包括从不同方向记录的多个图像，例如作为立体图像记录。通过三角测量，可以根据从立体图像记录中已知的计算步骤来由此计算3d图像，在该3d图像中，可以使用3d镜架镜圈模型来标识镜架镜圈。通过在图像中标识镜架镜圈，接着对这个镜架镜圈还已知了镜架镜圈参数模型的参数，例如如果在共同优化方法中进行参数的分割和确定的话。接着可以使用具有如此确定的参数的镜架镜圈参数模型来例如确定定心参数,如下文将进一步简要解释的。

如上文解释的，如果存在镜架镜圈参数模型的参数的概率分布，则同样可以例如通过在图像分析中将参数的平均值最初当作基础来使用它们。然后可以例如在mcmc方法中按顺序地改进该值，这包括：根据各个参数的分布随机地选择相应的参数集，并且然后计算投影到图像中的镜架边缘之间的距离，其中例如通过边缘检测器检测图像中的边缘。该方法经常重复，并且由此得到具有相关距离的参数分布。最后，可以选择具有最小距离值的参数集作为最佳参数集。

替代性地，可以将参数的平均值用作优化问题中的初始值，例如在梯度下降方法中。

在另一个实施例中，为了改善对镜架镜圈的标识，还可以包括根据至少一个图像确定的镜架镜圈与镜架镜圈参数模型的偏差、例如为成本函数中的惩罚项的形式，用于确定至少一个图像中的镜架镜圈。惩罚项变得越大，瞬时标识的镜架镜圈离镜架镜圈参数模型越远。因此，这构成了现有优化方法中的附加，例如mcmc方法或梯度下降方法、图形切割方法、马尔可夫随机场优化方法等中的附加。例如在克里斯托弗·毕晓普的“patternrecognitionandmachinelearning[模式识别与机器学习]”，springerverlag2006，isbn-10：0-387-31073-8中描述了这种类型的优化方法。

为此目的，在一个实施例中，可能的镜架镜圈被数学地描述为例如点序列、或描述为描述要插入到图像上的眼镜架中的眼镜片的二元函数，其中该函数的自变量例如在0（在眼镜片外）与1（在眼镜片内）之间。在这种情况下，这组可能的镜架镜圈构成了镜架镜圈函数系列。然后为了在该至少一个图像中标识镜架镜圈或其形状，定义了成本函数，该成本函数例如使用图像中的边缘或图像中的颜色并对每个可能的镜架镜圈指派值。于是，这个成本函数的最小值（对镜架镜圈函数系列执行最小化——因此，成本函数是函数或镜架镜圈的函数）是与成本函数的假设（边缘和颜色等）相匹配的最佳镜架镜圈函数。接着除了成本函数中的其他项（边缘、颜色、对称性等）之外，可以对成本函数添加惩罚项，所述惩罚项包含在至少一个图像中（在数学表示）中待标识的镜架镜圈与可以由镜架镜圈参数模型描述的所有可能轮廓的偏差。在这种情况下，惩罚项通常是成本函数中的附加项，该成本函数取决于特定情形（在这种情况下取决于镜架镜圈与镜架镜圈参数模型的偏差）而增加“成本”，即该函数的值。即，远离可由镜架镜圈参数模型描述的镜架镜圈的空间的、关于要标识的镜架镜圈的解在待标识的镜架镜圈的优化（即，在用于在至少一个图像中尽可能好地标识镜架镜圈而使得所标识的镜架镜圈尽可能准确地对应于实际存在的镜架镜圈的一种优化中）中具有高成本。可以对优化在至少一个图像中待标识的镜架镜圈的所有可能的成本函数添加惩罚项。

在另一种分析可能性中，通过常规方法，例如通过在de102011115239a1的说明书的开篇部分提及的方法，在图像中标识镜架镜圈。接着，将镜架镜圈参数模型与所标识的镜架镜圈相适配，即，优化该镜架镜圈参数模型的参数，以获得在镜架镜圈参数模型与该至少一个图像中标识的镜架镜圈之间的最大可能的对应性。可以根据最小二乘法或某种其他的常规优化方法来进行这种适配。在本申请的情况下，与如上所述的使用参数镜架镜圈缘模型进行分割的情况相比，确定镜架参数模型的参数更简单，因为仅需找到参数并且已经在图像中标识了镜架镜圈。

接着在确定参数之后，可以使用镜架镜圈参数模型来进行进一步评估。举例而言，另外，可以根据该至少一个图像中或者通过相对于相机的距离测量值来确定眼睛的位置，并且接着可以根据眼睛的位置和镜架镜圈参数模型来确定开篇提及的定心参数。由于所述定心参数是简单的几何变量，因此它们简单地由镜架镜圈的几何描述（该描述是由镜架镜圈参数模型给出）以及眼睛相对于其的位置而得出。还可以在没有眼睛位置的情况下，仅根据镜架镜圈参数模型来确定一些定心参数，例如由眼镜片最外边缘的水平和竖直切线形成的矩形的尺寸（根据5.1dineniso13666：2012的围框系统），因为它们仅取决于镜架镜圈的尺寸和形状。

在镜架镜圈参数模型包括多个数据集或根据该多个数据集得出的另外的数据集的情况下，镜架镜圈参数模型与图像中标识的镜架镜圈的适配还可以包括：从该多个数据集或该另外的数据集中标识最佳匹配数据集。为此，举例而言，对于该多个数据集中的或该多个另外的数据集中的所有数据集，计算与所标识的镜架镜圈的偏差，并选择偏差最小的数据集。接着，该数据集的数量构成所确定的参数。

上述方法典型地以计算机实施的方式执行。因此，本发明的另外的方面提供了一种包括程序代码的计算机程序，该程序代码在计算装置的一个或多个处理器上被执行时实施上述方法之一。

最后，还提供了一种包括处理器和存储器的对应计算装置，该存储器中存储了对应的计算机程序。在这种情况下，该存储器具体可以是物理有形存储器。在这种情况下，该计算装置还包括用于接收数据集的数据输入端。在这种情况下，该数据输入端可以是网络连接以便经由比如因特网等网络来接收数据集，或者可以是用于存储介质的接收器以接收存储在存储介质上的数据集、例如是用于接收存储棒的usb接口或用于接收光存储介质的光驱（dvd或cd驱动器）。

为了进一步解释，下文基于示例性实施例、参照附图来甚至更详细地解释本发明。在图中：

图1示出了根据一个示例性实施例的方法的流程图，

图2示出了根据另外的示例性实施例的方法的流程图，

图3示出了根据一个示例性实施例的计算装置的框图，

图4示出了用于阐述数据集的简图，以及

图5示出了用于阐述参数模型的展示。

图1示出了流程图，总体上示出了根据一个示例性实施例的方法的序列。在步骤10中，该方法包括：提供多个数据集，每个数据集标识眼镜架的镜架镜圈的形廓。如已经解释的，所述数据集可以包括跟踪器数据或cad数据。接着在步骤11中，该方法包括：基于步骤10中提供的数据集来提供镜架镜圈参数模型，其中，对于所述提供，可以使用已经解释的可能性。

图2示出了根据一个示例性实施例的方法的更详细流程图。在图2的示例性实施例中，步骤20包括：提供数据集、例如跟踪器数据作为训练实例。步骤21包括：执行预处理，即，例如通过已经描述的坐标变换或重新参数化来将数据集变换成不同格式。

接着在步骤22中，基于经预处理的数据集，例如通过主成分分析来生成镜架镜圈参数模型、在这种情况下为3d模型。接着如步骤23至26所指示的，可以以各种方式来使用这种模型。步骤23包括：使用3d模型来执行例如对戴着眼镜架的头部的至少一部分（尤其是眼睛部分）的一个或多个所记录图像的分割。因此，在此，如上所述，使用镜架镜圈参数模型来简化所记录图像中的镜架镜圈的标识。

在步骤24中，如所描述的，在标识一个或多个图像中的镜架镜圈的优化过程中，基于瞬时标识的镜架镜圈与镜架镜圈参数模型的偏差来创建惩罚项。在步骤25中，同样如已经解释的，数据集或经预处理的数据集可以原样用作库。在步骤26中，首先在一个或多个图像中标识镜架镜圈，接着将镜架镜圈参数模型的参数与所标识的镜架镜圈相适配。接着如所描述的，步骤23至26最终可以用于确定定心参数。

图3示出了根据一个示例性实施例的计算装置30的框图。计算装置30包括处理器31和其中存储了程序代码的存储器32，例如随机存取存储器（ram）或只读存储器（rom）。当存储在存储器32中的程序代码在处理器31上运行时，上述方法中的一种或多种方法、尤其图1或图2的方法被实施。为此，对应的数据集（比如，所描述的跟踪器数据或cad数据）经由数据输入端33被馈送到计算装置30。接着，在数据输出端34处输出如所描述的确定的对应镜架镜圈参数模型。应注意的是，数据输入端33和数据输出端34也可以物理地相同，例如可以由网络接口等形成。例如，可以使用可商购的计算机作为这种类型的计算装置30，接着相应地对其进行编程。

图4以2d表示示出了用于阐述上文解释的概念的多个数据集40。在图4中，每个数据集对应于指代眼镜架的镜架镜圈的某个区段的闭合线。根据表示例如来自不同眼镜架的测量值的跟踪器数据的这多条线，于是可以创建如所描述的镜架镜圈参数模型。

图5示出了用于阐述镜架镜圈参数模型的简图。在图5的实例中，椭圆50用作模型，并且椭圆50的半长轴a和半短轴b用作参数。在已经描述的其中一个变体中，椭圆50可以例如用作预定义的镜架镜圈参数模型50。接着可以将椭圆50与每个数据集、例如与图4中的数据集40的每条曲线相适配，以由此获得每个数据集的半长轴a的值和半短轴b的值。根据这样确定的值，于是可以例如以直方图的形式或平均值和标准偏差的形式创建参数a和b的概率分布。应注意的是，在这种情况下，仅选择椭圆50作为简单实例，并且更复杂的几何形状也是可能的。通常应注意的是，所展示和描述的示例性实施例仅用于阐述，而不应被解释为限制性的。

一些示例性实施例由以下条款来限定：

条款1一种用于提供镜架镜圈模型的方法，包括：

提供多个数据集，每个数据集描述了相应眼镜架的镜架镜圈的形廓，并且

基于该多个数据集来提供镜架镜圈参数模型。

条款2如条款1所述的方法，其中提供该镜架镜圈参数模型包括：根据该多个数据集来计算该镜架镜圈参数模型。

条款3如条款2所述的方法，其中该计算包括对该多个数据集进行机器学习。

条款4根据条款2或3所述的方法，其中，该计算包括对该多个数据集进行主成分分析和/或独立成分分析。

条款5根据条款1至4中任一项所述的方法，其中，提供该镜架镜圈参数模型包括：基于该多个数据集来计算预定义的镜架镜圈模型的参数的概率分布。

条款6根据条款1至5中任一项所述的方法，其中，提供该镜架镜圈参数模型包括：提供该多个数据集或根据该多个数据集得出的多个另外的数据集，其中，该镜架镜圈参数模型的参数指示该多个数据集中的或该多个另外的数据集中的数据集。

条款7根据条款1至6中任一项所述的方法，其中，提供该镜架镜圈参数模型包括：变换该多个数据集。

条款8如条款7所述的方法，其中该变换包括：坐标变换、和/或以相同的角距离对由所述数据集定义的曲线进行采样、和/或对所述数据集进行滤波、和/或用参数曲线对所述数据集进行近似。

条款9如条款8所述的方法，其中该坐标变换包括：变换成由相应数据集描述的镜架镜圈的相互对应的参考点、和/或所述数据集的相同取向。

条款10一种用于图像分析的方法，包括：

提供戴着眼镜架的头部的至少一部分的至少一个图像，

提供通过条款1至9中任一项所述的方法创建的镜架镜圈参数模型，并且

使用该镜架镜圈参数模型来分析该至少一个图像。

条款11如条款10所述的方法，其中分析该图像包括：借助于该镜架镜圈参数模型来标识该至少一个图像中的镜架镜圈。

条款12如条款11所述的方法，其中标识该镜架镜圈包括优化过程，该优化过程具有取决于待优化的镜架镜圈与该镜架镜圈参数模型的偏差的惩罚项，和/或包括基于该镜架镜圈参数模型的参数的概率分布来标识该镜架镜圈。

条款13如条款10所述的方法，其中该分析包括：标识该至少一个图像中的镜架镜圈、并且基于所标识的镜架镜圈来适配该镜架镜圈参数模型的参数。

条款14一种包括程序代码的计算机程序，该程序代码当在处理器上被执行时，实施根据条款1至13中任一项所述的方法。

条款15一种计算装置，包括：

处理器，

用于接收多个数据集的数据输入端，每个数据集描述了相应眼镜架的镜架镜圈的形廓，以及

存储器，其中，根据条款14所述的计算机程序存储在该存储器中。