
Augmented Reality und Computer Vision Wie AR-Anwendungen die reale Welt verstehen, um virtuelle Objekte nahtlos zu integrieren
By Sloane GarrettLength8h 49m
About this audiobook
Was passiert in deinem Code, wenn ein virtueller Kaffeebecher auf einem echten Schreibtisch stehen bleibt — und nicht durch die Tischplatte fällt?
Dieses Buch liefert die Antwort. Keine oberflächlichen Tutorials, keine Blackbox-Frameworks. Hier lernst du, wie Augmented Reality wirklich funktioniert: von der Kamerakalibrierung über Feature-Tracking und SLAM bis zur Integration neuronaler Netze in eine durchgängige AR-Pipeline. Alles in Python, alles ausführbar auf deinem Laptop.
Du wirst:
Verstehen, warum ein AR-Objekt driftet — und wie du die Pose-Schätzung mit robusten Algorithmen stabilisierst
Eine 3D-Karte deiner Umgebung bauen, ohne teure Hardware: nur Webcam, Python und OpenCV
Deep-Learning-Modelle für Objekterkennung nahtlos in Echtzeit-Pipelines einbinden — nicht als isolierte Skripte, sondern als produktionsreife Komponenten
Die Architektur hinter ARCore und ARKit nachvollziehen, statt sie blind zu importieren
Jedes Kapitel ist code-zentriert, getestet unter Python 3.10+ und konzipiert für handelsübliche Hardware. Kein HoloLens, kein LiDAR nötig. Die Prinzipien übertragen sich auf jede Plattform.
Wenn du Python beherrschst und wissen willst, wie Computer Vision und AR zusammenspielen — nicht als Zauberei, sondern als System aus mathematischen Bausteinen, die du selbst zusammensetzen kannst — ist dieses Buch dein nächster Schritt.
Hol dir jetzt die Architektur, die zwischen einem Prototyp und einer stabilen AR-Anwendung entscheidet.
Audiobook details
GenreTechnology, Other
Length8 hrs 49 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
LanguageEnglish
Table of contents
1Vorwort: Für wen dieses Buch ist
50Übungen zu Kapitel 6
2Für wen dieses Buch ist
51Zusammenfassung
3Entwickler:innen mit Python-Erfahrung
52Kapitel 7 — Rendering und Projektion virtueller Objekte
4Data Scientists und ML-Ingenieure
53Koordinatensysteme und Transformationen
5Studierende und Forschende der Informatik
54OpenGL-Rendering in ein Kamerabild
Show all chaptersShow less
6Wo du nicht richtig bist
55Occlusion und Tiefentests
7Ein Wort zur Ausrüstung
56Übungen zu Kapitel 7
8Was Sie brauchen
57Kapitel 8 — Lichtschätzung und realistische Beleuchtung
9Was Sie brauchen
58Schätzung der Umgebungsbeleuchtung
10Technische Voraussetzungen
59Farbtemperatur und Weißabgleich
11Wie dieses Buch aufgebaut ist
60Physikalisch basiertes Rendering (PBR) für AR
12Repository und Code-Beispiele
61Umgebungsmaps und Image-Based Lighting
13Zeitaufwand
62Schattenprojektion in AR
14Ein letzter Hinweis
63Übungen zu Kapitel 8
15Kapitel 1 — Grundlagen der Augmented Reality
64Kapitel 9 — Objekterkennung und semantisches Verständnis
16Was ist Augmented Reality?
65Objektklassifikation und -detektion mit Deep Learning
17Die AR-Pipeline: Von der Kamera zum Overlay
66Integration der Detektion in eine AR-Anwendung
18Hardware und Sensorik für AR
67Semantische Segmentation zur Szenenanalyse
19Übungen zu Kapitel 1
68Übungen zu Kapitel 9
20Kapitel 2 — Kameramodell und Kalibrierung
69Kapitel 10 — Interaktion: Berührung, Geste und Blick
21Das Lochkameramodell
70Touch-basierte Interaktion auf mobilen Geräten
22Kamerakalibrierung mit OpenCV
71Handgestenerkennung mit MediaPipe
23Verzerrungskorrektur und Bildentzerrung
72Blickverfolgung für kontextbezogene AR
24Übungen zu Kapitel 2
73Übungen zu Kapitel 10
25Kapitel 3 — Feature Detection und Matching
74Kapitel 11 — AR auf mobilen Plattformen: ARKit und ARCore
26Einführung in lokale Bildfeatures
75Überblick über ARKit und ARCore
27Feature Matching mit Brute-Force und FLANN
76ARCore in Python: Umgebungsmesh und Tracking
28Homographie und Perspektiventransformation
77Persistente AR mit Cloud Anchors
29Praktische Anwendung: Bild-Stitching
78Übungen zu Kapitel 11
30Übungen zu Kapitel 3
79Zusammenfassung
31Kapitel 4 — Pose Estimation und Tracking
80Kapitel 12 — Performance-Optimierung für Echtzeit-AR
32Das Perspective-n-Point-Problem
81Profiling der AR-Pipeline
33Fiducial Marker: ArUco und QR-Codes
82Beschleunigung mit C++ und pybind11
34Visuelles Tracking über mehrere Frames
83GPU-Beschleunigung mit CUDA und OpenCL
35Die PnP-Problematik verstehen
84Multithreading für parallele Verarbeitung
36Kamerapose aus 2D-3D-Korrespondenzen schätzen
85Adaptive Qualitätsstufen
37Einen einfachen Marker-Tracker implementieren
86Übungen zu Kapitel 12
38Übungen zu Kapitel 4
87Kapitel 14 — Ausblick: Zukunft der AR und Computer Vision
39Kapitel 5 — Tiefenschätzung und Punktwolken
88Neue Technologien: Neural Rendering und Gaussian Splatting
40Stereogeometrie: Grundlagen
89AR-Brillen und Wearables: Technische Herausforderungen
41Berechnung der Disparity Map
90Ethik und Datenschutz in AR
42Von der Disparity zur Punktwolke
91Nächste Schritte für dein eigenes Lernen
43Praktische Überlegungen für AR
92Übungen zu Kapitel 14
44Übungen zu Kapitel 5
93Über den Autor
45Zusammenfassung
94Anhang: Glossar
46Kapitel 6 — SLAM: Simultaneous Localization and Mapping
95Anhang: Referenztabellen: OpenCV-Funktionen und ARCore-Parameter
47Was ist SLAM?
96Anhang — Referenztabellen: OpenCV-Funktionen und ARCore-Parameter
48Visuelle Odometrie als SLAM-Baustein
97OpenCV-Funktionen für AR-Workflows
49Loop Closure und globale Optimierung
98ARCore-Parameter