TELKOM NIKA , Vol. 11, No. 7, July 201 3, pp. 3568 ~ 3575   e-ISSN: 2087 -278X           3568      Re cei v ed  Jan uary 6, 2013;  Re vised Ap ril  3, 2013; Accepted April 1 5 , 2013   Mobile Camera as a Human Vision in Augmented  Reality       Edmund Ng  Gaip Wen g * , Rehman  Ulla h Khan, Sha h ren Ahm a d Zaidi Adruc e ,  Oon Yin Bee  F a cult y   of Cog n itive Sci ences  and Hum an D e vel opme n t (F SCSHD), Univ ersiti Mala ys ia  Sara w a k  (UNIMAS) 943 00 Kota Sam a r aha n, Sara w a k ,  Mala y s ia    T e l:  + 60(82) 58 149 1, + 60(82)  581 49 2,  + 60(8 2 ) 581 49 3, F a x: + 60(82) 581 5 67    *Corres p onding author, e -mail: nggiap w eng@y a hoo.com       A b st r a ct   T he real w o rld  objects can b e  recog n i z e d   by  usin g mark er base d  and  mark er-less a u g mente d   reality syst ems. Mostly, the previous  dev e lopers  used  m a rk ers based augm ented reality system s.   How e ver, thos e systems  actu ally  hid e   the r e ality a nd it w a s  also  difficult to  keep th e  mark ers everyw her e.   F u rthermore, the previ ous  mark er-less a ppro a ches us e client-serv e r  architecture, w h ich  is   dr astical l y   affected by  ne tw ork latency. Smart pho ne  camera  is  mat u red  en oug h that it can r e c ogn i z e  re al w o rl d   obj ects w i thout markers. It can gui de  users  abo ut their loc a tion a nd the d i rectio n in a co nven ient w a y. T h e   use of Smartp hon e is best s u ited for o u tdo o r mo bil e   au g m e n ted-r eal ity app licati ons. T herefor e, a ma rker- less natur al features bas ed t r acking  system in mobile augm ented realit y was form ulated. In the adapted  framew ork, the  state-of-the-ar t al gor ith m  (sp eed  up r obust  features)  w a s  mo difi ed for c o mputi ng i m ag e   features fro m  li ve mobi le ca mera i m a ge  and  compar es w i th local l y store d  i m a ges fe ature s  for recogn itio n .   Moreov er, the local static  dat abas e of locati on tag ged i m a ge featur es usi ng SQ Lite w a s  imp l e m ented t o   bypass t he s e rver. The pr oposed system  w a s tested  in  a m o bile  AR- p rot o type  application us ing iP hone  called  UNIMA S Guide. It was found fr om the res u lts that t he  adapted  m a rker-less system  c o uld r e cogni z e   the rea l  w o rld  obj ects in s p e edy, easy  an d  conve n i ent  w a y. T h is tech n o lo gy ca n b e   app lie d i n  tour i s m  ind u stry, surge r y and ed ucati ona l fields.     Ke y w ords :  au gmente d  rea lity, marker-l ess, outdoor, i m a g e  features, i m a ge reco gniti on,  static databas e          Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .         1. Introduc tion   Augmente d  reality usin g  emerging te chnolo g ies su ch a s  gl obal  positio ning  system  (GPS), accel e rom e ter, gyroscop e, com pass an d mo bile vision, provides a b e st opportunity  to  Smartpho ne  use r s to expl ore th eir  su rroundi ng s. Th e re al  worl d  obje c ts  ca n b e  re co gni zed  by   usin g marke r  ba sed a n d  marke r-le s s aug mente d  reality sy stem s.   Mostl y , the previous  develop ers u s ed m a rke r s  based au gm ented reality system s. Ho weve r,  t h o s e  sy st em s a c t ually   hide the  real ity and it wa s al so difficu lt to  keep th e marke r s  e v erywhe re. F u rthe rmo r e, the  previou s   marker-le s s a pproache s u s e  client-serve r a r chite c tu re,  which  is drasti cally affe cted  by   netwo rk l a te ncy. The ma rke r s-b a sed  augme n ted r eality was a pplied in diff erent field s  l i ke  medical visu alizatio n, mai n tenan ce  an d repai r,  nav igation  and   entertain ment . Ho weve r, the  markers  are   not suitable f o r o u tdoo r m obile a ugm en ted re ality be cau s e  ma rke r s hi de the  re ality  and  need  to  kee p  eve r ywhere  [1]. Its range  is also   very limited  a nd e nd-users often d on’t li ke  them. Marke r -less  natu r al f eature s   ba se d app ro ac he  [2], can  re cog n ize  re al  worl d obje c t s , su ch   as si ghts, b u ilding s , and  living beings and ov e r come the s e  limitations. Robu st feature   descri p tors  such  as SIFT [ 3 ], SURF [4],  and G L O H  [5 ] are mo st sui t able for  appli c ation s   su ch  as   image  re cog n ition [6] and  image   re gistration  [7 ]. T hese de script ors are  stabl e und er  different  viewpoi nts a nd lightin g  condition s. Th ese  de scri pt ors a r e id eal ly suited  for  sea r ching  im age   databa se s b e c au se th ey are re pre s e n tin g  feature poi nts a s  hi gh-di mensi onal ve ctors. However,  tracking  fro m  natu r al feat u r es i s  a  com p lex pr oble m  and usually  p e rform e d   on  a  remote se rve r   [8], [9], [10]. It is th erefore  a  ch alle nging  task to u s e  natu r al featu r e t r acking  in  m obile  Augmente d   Reality ap plications.  Ho we ver, the m obi le pho ne s a r e very in exp ensive,  attractive   targets fo r outdoor AR. T he improve m ents in  Smartphone capa bilities  and g r eat potential  of  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X     Mobile Cam e ra as a  Hum a n Vision in Au gm ented Rea lity (Edm und Ng Gai p  We n g )  3569 comp uter/mo b ile visio n  m o tivated us t o  implem ent marker-le s s natural   feature  ba sed mo bile  augme n ted reality.  A re cent  exa m ple of  an A R  o b je ct tra c king  ap plicati on i s  the  Su doku G r ab  [1 1]. This  appli c ation  can tra ck a S udo ku pu zzle  and solv e it,  adding the  missi ng nu m bers in the e m pty  Sudoku sl ots. Georg Klei n et al. creat ed an  appl i c ation which can an alyze t he surrou ndi ngs,  ma k i ng  it po ss ib le to  re n der  d i ffe re n t  3D c h a r ac te rs lo ok li ke  they a r e  sitting o n  t he d e sk i n  th e   physi cal worl d  [12]. Occi p i tal develope d Red  La se r whi c h  can tra ck it s environ ment. It is a g ood  example to scan a nd an al yze the ca me ra view by iPhone [13].   No kia’ s MA RA proj ect   by   Kähäri  an d M u rphy  [14] d o e s  not  perfo rm any i m ag e  analysi s ,  instea d it uses an extern al GPS for locali zation  an d an inertial  sen s o r  to pro v ide orientati on.  Phone Guid e   [15]  is clien t -se r ver obje c t  re co gni tio n  sy stems. T he sy stem  e m ploys  a ne ural   netwo rk train ed to re cogni ze no rmali z e d  colo ur  featu r es a nd is u s ed as a m u se um guide. Se ifer  et al. [16] used a m obile  system  ba se d on  a ha nd-held d e vice,  GPS sen s o r ,  and a  came ra for  road sid e  sig n  detectio n  and invento r y. Their  algo rithm ha s go od quality re sults in m o b ile  set t i ng s.   For o b ject d e tection a nd  re cog n ition, Frit z et  al. [17] u s ed  a modifie d  versi on of the SIFT  algorith m . Th e syst em u s e s  a  c lie nt-server archite c tu re, where  a mobile phon e   client ca ptures  an image of an urb an env ironm ent and  send s it to  the se rver for  analysi s . The  SURF algo rit h m  has be en u s ed su ccessful ly in a variety of applic atio ns, inclu d ing  an intera ctive  museu m  gui de   [18]. Local  de scripto r s  hav e also be en  use d  for  tracking. S k rypny k an d Lo we [ 19] use the S I FT   feature s  for  reco gnition, tracki ng, an d  virtual obje c t  place m ent.  Came ra tracking i s  do ne  b y   extracting SI FT features from a video f r ame, matchi n g  them ag ain s t features in   a datab ase, a n d   usin g the co rre sp ond en ce s to comp ute the came ra pose. Takacs et al. [20] applied S URF  feature s  usi n g video co der motion vecto r s fo r m obile  augme n ted reality applicat ions.    Yeh et  al. [21 ]  pro p o s ed  a  system  for  de terminin g a  u s er’ s  location  from  a m obil e  devi c e   via image ma tching. Th e a u thors first b u ild a “b o o tst r ap data b a s e ”  of image s o f  landmarks a n d   train a CBIR algorithm o n  it. Since the im age s in the bootstrap databa se  are tagged  with   keyword s ,  when  a q u e r y image  i s  m a tche d a gain s t the  boot st rap  datab ase ,  the a s soci a t ed   keyword s   ca n be  used to  find more tex t ually relate d  image s throu gh a  we b sea r ch.  Finally, the  CBIR alg o rith m is ap plied  to the image s retu rn ed from the web  sea r ch to pro duce only th ose  image s that are visually rel e vant.  The pu rpo s e  of this re sea r ch is to find  solution for ma rke r-l ess mo b ile augme n te d reality  and  solve  th e cli ent-se r ve r p r obl em. T he p r op os ed  frame w o r k  can di scover the  surro undi ngs  and p r ovide i n formatio n a bout differe nt object s .  Thi s  sy stem ca n be u s ed  e a sily in different  fields of life just by cha ngi ng image s fe ature s  data b a se. Th e syst em, use s  mo dified versi o n  of  SURF [4] fo r obje c t tra cki ng an d recog n ition. In this re sea r ch the  re sea r chers  modified S U RF  becau se origi nal SURF u s es IPLImage  and iP hone  camera gen erate s  UIIma ge. The mob ile  memory wa s  saved by  redu cing 64-e l ement  de scri ptor to 3 2 -e lement  witho u t affecting i t s  efficien cy. The numb e r of  octave s wa s  also  redu ce d  to two and n u mbe r  of intervals p e r o c ta ve   to three. In the formulate d   approa ch, fe ature p o ints  were extra c te d from in comi ng video fra m es  of iPhone ca mera at ru n-ti me and mat c hed ag ain s t a local data b a s e of feature  points a nd G P S  data sto r ed  i n  mobile. T h e GPS data  wa s u s ed  as  index an d pri m ary key in  databa se  de sign.  The se archi n g query was optimized b y  using this  prima r y key. After succe ssful m a tchin g  a   homog ra phy  matrix and t r ansfo rmatio n  matrix   we re cal c ul ated  from mat c hin g  point s u s ing   comp uter vi sion techniq u e s a nd m o b ile se nsi ng t e ch nolo g y such  as a c celero meter a n d   comp ass [12] , [23].      2. Metho dolog y     iPhone 3GS  and ope n su rf library [24] were  used fo r feature s  extractio n  and  creating   the de scripto r s. Furth e rm ore, Open  CV  2.2 [25] wa s  use d   for im ag e co nversion  from UIma ge  to   IPLImage an d vice versa.     2.1. Open SURF    Open -SURF l i bra r y  [24] use s  the SURF [4]  algorith m  whi c h is o ne of the best interest  point dete c to rs a nd d e scri p tors  cu rrentl y  avail able. It has b e st p e rform a n c e a s  compa r e d   to   other inte re st  points  de scri ptors like  [3] and G L O H   a s  sho w n  by Mi kolaj c zyk [5]. As mobil e  ha s a  limited re sou r ce s so th e op en su rf library  was m odifie d . The de scri ptor si ze  wa s redu ce d to 3 2 - Evaluation Warning : The document was created with Spire.PDF for Python.
                              e-ISSN:  2087 -27 8 X   TELKOM NIKA  Vol. 11, No . 7, July 2013  : 3568 – 357 5   3570 element, nu mber of o c ta ves to two a nd num ber o f  intervals pe r octave to t h ree. Li ke m any  feature d e scriptor alg o rith ms it also ext r act s  re gion s of interest th at tend to be  repe atable a nd  invariant und er  tran sform a tions su ch  as brig htne ss o r  p e rspe ctive chang e s . An ima g e  is  analyzed at  several  scale s , so inte re st points  ca n be  extracte d fro m  acro ss  all  possibl e scal es.  Additionally, t he d o mina nt  orientatio n  of ea ch  of  the  interest  poin t s is d e termi ned to   sup p o r t  rotation -invari ant mat c hing . An exampl e imag e a n d  its d e tecte d  intere st p o in ts a r e  sho w n  in   Figure 1.          Figure 1. SURF interest p o ints dete c tio n  on  iPhone  3GS, squ a re s indicate fou n d  feature s       In the descri p tor co mputa t ion step, ea ch ex tra c ted  interest poi nt defines a  circula r   regio n  from  whi c h on e d e scripto r  is  computed. Ea ch inte re st p o int is a s soci ated with a  32- element  de scriptor. It  wa s  found th at th e de script o r   size in  case  of iPhone  im age th us ran ges  betwe en 0KB  and  190KB  per im age,  wi th an ave r ag e  of ro ughly  35KB. In this way a  datab ase   of more than  one hu ndred i m age s features  can be lo a ded in on e ap plicatio n.    2.2. Feature  Data base   A locatio n  ta gged  feature s  d a taba se  al ong  with a  fra m ewo r k give n by [2] were  used fo r   getting GPS  data a nd  rela ted info rmatio n. The  inform ation  wa s  sto r ed  in  a SQlit e data b a s e.  As  SQLite is a  serve r-l ess  static  data b a s e sy stem  so  it wa s  used  in the  re so urce fold er.  The   latitude and l ongitud e  of locatio n  we re  employed  a s  a p r ima r y key and ind e x in the datab ase   desi gn a s  sh own in Fig u re  2.           Figure 2. Re cord for  storin g image featu r es  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X     Mobile Cam e ra as a  Hum a n Vision in Au gm ented Rea lity (Edm und Ng Gai p  We n g )  3571 2.3. Sy stem  O v erv i e w   The syste m  is fully implemented on th e mobile  devi c e, and run s  at close to re al-time,  while m a intai n ing ex cellen t  reco gnition  perfo rm an ce. Whe n  the  system  starts it gets vid e o   frame s  fro m  li ve cam e ra. As iPho ne  use s   UIImage  cl ass a nd  Ope n CV lib ra ry u s e s  the  IplImage   cla s s to h o ld  image  data.  Ope n CV  wa s u s e d  to  create a n  IplI mage i m ag e  from  a  UIImage  image, and a  UIImage ima ge from an Ip lImage imag e .  Image features from live came ra fra m es  were extra c t ed an d at th e sa me time  the u s er  lo cation was cal c ulate d  from   GPS data. Next,  these  feature s  a r e  com p a r ed  with the   feature s   stored in  datab a s e.  T he q u e r y optimize  wa s   optimize d  by  the usi ng GP S position  as a prima r y ke y and index.  In this way the exact record   wa s a c cesse d  witho u t scannin g  the  whol e data b a se. T hen  th e su rf d e scri ptor  comp ari s on   function ality wa s u s e d  to   recogni ze  the  obje c t. O n ce  the  obje c t i s  re co gni zed  then th e  obje c t’s  homg r ap hy matrix and  transfo rmat ion matrix   are cal c ulate d  from the matche d poi nts  orientatio ns.  The co nceptu a l diagram of pr op osed fra m ewo r k is sh own in Fig u re  3.            Figure 3. Con c eptu a l diag ram of prop osed frame w o r k      The re sea r ch ers inte nde d that the whole  pr ocess to be done directl y  on a mobile device   for seve ral re aso n s. Th e p r opo se d fram ewo r k  sig n if icantly redu ce s the system l a tency a s  it is   indep ende nt of serve r . Mo reove r , it can also   work at any locatio n  of the use r .   C a mer a  image   and GPS dat a  Extract features  Comp are wit h   feature s  in  Datab a s e   No   Guide   Use r Re cog n ized? Yes  Cal c ulate p o se  matrix   Augment re al ity    Start  End Evaluation Warning : The document was created with Spire.PDF for Python.
                              e-ISSN:  2087 -27 8 X   TELKOM NIKA  Vol. 11, No . 7, July 2013  : 3568 – 357 5   3572 3. Resul t s  and  Discus s ion   The Ope n  SURF lib ra ry wa s applie d as a f eature descri p tor in  t he system for iPhon e   3GS devi c e s . Test s were  con d u c ted a n d  re sult s were re co rde d  u s ing iP hone   3GS. The  scale   level pyra mid  co nsi s ts out  of two  octave s  with  th ree  l a yers ea ch.  T he  system  wa s te sted  outsi de  the cam p u s . The Steve Job’ s pi cture  feature s  we re compa r ed  for re cogniti on quality wi th   Qual comm S D K [26] an d the propo se d  system. It  wa s foun d that the pr opo se d frame w ork  ov er  perfo rms the  Qual comm S D K [26] as sh own in Fig u re s 4 and 5.    From  Figu re s 1  and  5  and  from  the  an alysis result i t  is  obviou s  t hat Qu alcom m  can’t  track well thi s  image. But  the propo se d sytstem  ca n track this  well even in  different lighti n g   con d ition s  and from different viewpo ints. In  university ca mpu s  the prop o s ed sy stem  can  recogni ze all  those d epa rtments an d ce nters  whi c h  were incl ude d in the feature datab ase from   different viewpoints a s  sho w n in Figu re s 6 and 7.          Figure 4. Analysis re sult of  Qual comm S D K          Figure 5.  Feature s  dete c ted by Qual co mm SDK          Figure 6.  Ce nter of excell enc e mono gram re cog n ize d  by propo se d frame w ork i n  bad lightin g   condition  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X     Mobile Cam e ra as a  Hum a n Vision in Au gm ented Rea lity (Edm und Ng Gai p  We n g )  3573     Figure 7.  Re cog n ition of Faculty logo by  propo se d fra m ewo r k      A su rvey of t he  state of th e art A R  m o b ile br owse rs  wa s give n by  Butcha rt [27]  in Ma rch  2011.To  com pare   the   p r op ose d  system  with cu rre ntly availabl e b r o w sers,  sele ct ed  colu mn s o f   the survey ta ble we re eval uated.       Table 1. AR  Browse rs  Co mpari s o n   Product   Marker based   Mark er-l es s   Offline mode   Platform  La y a r  No  No  Online  onl y  iPhone,  Android, S y mbia n  Junaio  Y e s   Y e s   Online onl y  iPhone, Android,   Nokia (N8)   Wikitde API   No  No  Offline  iPhone, Android   Wikitde Worlds  No  No  cacheable  iPhone, Android,  Sy m b i a n  Sekai Camera   No  No  Online onl y  IPhone, Android,  iPad,  iPodTouch  Libre Ge osocial  source  plugin Online  onl y  Android       Two  criteria  such  a s  ma rle r -less  and  offli ne mo de  we re u s ed fo r  evaluation  of Ta ble 1. It  wa s di scovered that, the  most of  the  b r owse r  can’t  sup port m a rker-l ess. However, some o f  the   bro w sers can  supp ort ma rker-le s s whi c h depe nd s o n  desktop  po werful  se rver using  netwo rk.  Since the p r evious b r o w sers h a ve few limitat ions such as n e t work laten c y, uploading  and   downloadi ng  of co ntents.  The p r op ose d  fram ew o r k covered  th e above  m entio ned  p r o b lem s   by  usin g local feature data b a s e.      4.   Conclusion   A  mar k e r-le s s v i si on- ba se d A R   sy st em  wa s  p r e s e n ted that  re co gnize an d track real   worl d obje c t s  in re al-tim e wi thout m a rkers. Signi ficant im provement in pe rforma nce was  achi eved by  usin g stati c  d a taba se of i m age f eatu r e s . The  pro p o s ed f r ame w o r k  explored n o vel  resea r ch dire ction s . These  were p r eviou s ly  only possi ble with de sktop comp uters and no w ca n  be exe c uted  with a m obil e  device. Th e develo per  and p r og ram m ers can a p p ly the pro p o s ed   frame w ork in  tourism indu stry, games an d edu cation al  fields.        Referen ces   [1]    Reitmay r  G, Schmalstieg  D,  editors.  Locati on base d  app li cations   for mo bile   a u g m e n te d  re ality . 4th  Australas i an U s er Interface C onfere n ce. 20 0 3 . Adela i d e , Australia: Austral i an Com puter S o ciet y, Inc.  Evaluation Warning : The document was created with Spire.PDF for Python.
                              e-ISSN:  2087 -27 8 X   TELKOM NIKA  Vol. 11, No . 7, July 2013  : 3568 – 357 5   3574 [2]    Edmun d  Ng Gaip  W ,  Rehma n  Ull ah  k, Sha h ren   Ahma d Z a idi  A, Oon  YB. A frame w or k for Outdoo r   Mobil e  A ugm e n ted  Re alit y.  IJ CSI Internati o n a l J ourn a l  of C o mputer  Scie n c e Issues . 20 1 2 ;  9(2): 41 9- 23.   [3]    Lo w e   DG. Disti nctive ima ge f eatures from s c ale-i n var i ant k e ypo i nts.  Internatio nal  jour na l of co mpute r   vision . 2 0 0 4 ; 60(2): 91-1 10.   [4]    Ba y   H, T u y t e l a a rs T ,  Van Gool L. Surf: Spe ede d up ro bus t features.  Co mp uter Visi on – E CCV 20 06 .  200 6: 404- 17.   [5]    Mikola jcz y k K, Schmid C. A p e rformanc e ev alu a tion  of loca l descri p tors.  IEEE transactions on patter n   ana lysis an d machi ne int e lli ge nce . 200 5; 27( 10): 161 5-3 0 .  [6]   Darrell  KGaT ,  editor.  T h e  Py ramid M a tch  Kerne l : Discri m i nativ e  Classification with  Sets of Im age  F eatures . ICC V . 2005.   [7]    Lo w e  MB aD. A u tomatic Pa nor amic Image Sti t ching Us in g In varia n t F eature s .  Internation a l  Journa l of   Co mp uter Visi on . 200 7; 74: 5 9–7 7.  [8]    M Pielot N H , C Nicke l, C Menke, S Sam a di, an d S Bol l  editor. Eva l uati on of Cam e ra  Phon e Bas e d   Interaction to Access Informa tion Related to Posters.  Mobil e  Interaction w i t h the Real W o rld . 200 8.  [9]   Ay d ı n B, Gens el J, C a l abretto  S, T e llez B. A RCA MA-3D – A  Conte x t-A w a r e  Augm ente d  R ealit y M o b i l e   Platform for Enviro nmenta l  Discover y .  W e b and W i re les s  Geograp hic a l Informati on S ystems . 20 12:   17-2 6 .  [10]    Reitma yr  G, Schmalsti eg  D ,  editors.  Data  man a g e ment  strategi es for  mob ile  a ugm ented  re alit y.   ST ARS 2003; T o ky o, Ja pan.   [11]    Schal l G, W a g ner D,  Reitma yr G, T a ichma nn E,  W i es er  M, Schmalstie g  D, H o fman n- W e llen hof B ,   editor. Glob al  Pose Estimation usi ng Mu lti-Sens or F u sion for Outdo o r Augme n ted  Realit y. 8t h   IEEE/ACM Internatio nal Sy mp osiu m o n  Mi xe d and Au g m e n ted Re ality (ISMAR 200 9) ; 20 09.   [12]    Honk amaa P, Siltan en S, Jäppi nen J, W o o d w a r d  C, Korkalo O, editor.  Interactive out door  mo bil e   aug mentati on  usin g markerl e ss tracking a n d  GPS . Virtual  Real it y  Inter n ation a l C onfer ence (VRIC).  200 7; Lava l , F r ance.   [13]    Greeni ng C. i P hon e Su dok u Grab. Jap a n   20 08 [cite d  201 2 Ma y  16 2 0 1 2 ]; Availa bl e from:   http:// w w w . cm grese a rch.com / sudoku g ra b/.  [14]   Murray   GKaD,  editor.  P a ra lle l tracking   a nd mapp ing   o n  a  c a mer a  pho ne . I n ternatio nal  S y mposi u m o n   Mixed a nd Au g m ented R eal it y (ISMAR). 2009.  [15]   Occipital L. Re dlas er 201 1 [cited 20 12 Ma y 1 6  201 2]; Availa ble from: http://redl aser.com/.  [16]   Greene K. H y p e rlink i n g  real it y via pho nes.  MIT  T e chnolo g y Review , Nove mber/Dec emb e r. 2006.   [17]    Bruns E, Bimb er O. Adaptive  traini ng of vi de o sets for imag e reco gniti on o n  mobi le  pho n e s.  Person al  and U b iq uito us  Computi n g . 20 09; 13(2): 1 65- 78.   [18]   Seifert C, Pa let t a L, Jeitl e r A,  Hödl  E, Andr eu  JP, Lul e y  P, et  al. Visu al  ob je ct detectio n  for  mobi le r oad   sign i n vent or y .   Mobil e  Hu man- Co mp uter Interaction – Mob i l e HCI . 2004: 5 8 7 - 90.  [19]    Fritz G ,  Seifert C, Paletta L,  editors.  A m o bile vision system  for urban  detection with in formative loc a l  descriptors . ICVS ’06: Fourt h  IEEE Intern ational  Conf er ence on Computer V i sion S y stems. 2006:   IEEE.  [20]    Ba y H, Fas e l  B,  Van G ool   L, ed itors.  Int e ractive   muse um g u id e: F a st and  ro bust  recog n itio n  of   m u se um  ob j e cts . 4 t h  i n te rn a t i o na l  con f e r e n ce  o n  Ada p t i v e  mu l t i m ed i a  re tri e val :  u s e r , co n t ex t, and  feedb ack 20 07 ; Springer-V erl ag Berl in, Hei d elb e rg: Citese e r .  [21]    Skry pny k I,  Lo w e  DG, edit ors.  Scen e  mode lli ng, r e co gniti on  an d tr ackin g  w i th  in varia n t i m a g e   features . ISMA R ’04:T h ird IEEE and ACM  International  S y mposium on M i xed  an d Augm ented Realit y  (ISMAR’04). 2 004.   [22]    T a kacs G, Chandras ekhar V,   Girod B, Grzeszczuk R, editor s .  F eature tracking for  mo bil e  aug me nte d   reality  usi ng v i deo  cod e r  moti on v e ctors . Sixth IEEE and A C M Internat ional S y mposium  on Mixed an d  Augme n ted R e alit y  (ISMAR ’0 7). 2007.   [23]    Yeh T ,   T o llmar  K, Darre ll T ,  editors.  S earc h in g the  w eb  w i th mo bil e   images  for l o cati on r e cog n iti o n .  IEEE. 2004.   [24]    Evans C. Open SURF  Co m puter Visi on  Librar y.   [cited Ma y   17 , 2012]; Avail abl e from:   http:// w w w . chr i sevans dev.co m /computer-vi s ion- ope nsurf.html.  [25]    Open S ourc e  I .  Open  Com p u t er  Visi on  Li brar y .  s ourc e forg e;  [cited   M a y 17,  20 12]; Av aila bl e from:   http://sourceforge.net/proje cts / opencv libr a r y /f iles/.  [26]    Devel o p e rs. Q. Qualcomm SDK.    [cited Ma y  2 4 ,  2012]; Availa bl e from:  https://ar.qualc o mm.at/qdevnet/sdk/ios.  [27]    Ben Butch a rt  E. Augment ed  Real it y for Sm ar tpho nes: A  Guide for  dev e l op ers an d co n t ent pub lis hers  Rep o rt. UK: JISC Observator y. Ma y   20 11. R eport No: 1.1.   Evaluation Warning : The document was created with Spire.PDF for Python.