DE69803168T2

DE69803168T2 - Videokonferenzsystem

Info

Publication number: DE69803168T2
Application number: DE69803168T
Authority: DE
Inventors: Georges Buchner; Jean-Pascal Jullien; Yannick Mahieux; Christian Wipliez
Original assignee: France Telecom SA
Current assignee: Orange SA
Priority date: 1997-03-27
Filing date: 1998-03-26
Publication date: 2002-08-22
Anticipated expiration: 2018-03-27
Also published as: EP0970584A1; EP0970584B1; JP2009081861A; DE69803168D1; DK0970584T3; US6624841B1; FR2761562A1; JP4885928B2; CN1257631A; JP2001517395A; FR2761562B1; CA2284884A1; JP4699574B2; CN1147143C; ES2171016T3; CA2284884C; WO1998044734A1

Description

Die Erfindung betrifft ein Video- oder Telefonkonferenzsystem zwischen Teilnehmern, die sich an verschiedenen, im Allgemeinen entfernten Orten befinden.
Sie betrifft Multipunkt-Systeme, das heißt Systeme, die ermöglichen, eine audiovisuelle Verbindung zwischen Teilnehmern mehrerer Orte herzustellen. Sie betrifft auch Punkt-zu-Punkt-Systeme, das heißt Systeme, die nur zwei Orte audiovisuell verbinden. Sie betrifft außerdem Videophone, die durch Konferenzbrücken verbunden sind.
Die Einrichtungen für ein Videokonferenzsystem für einen bestimmten Ort befinden sich in einer Lokalität, die in der Folge Raum oder Studio genannt wird. Die Teilnehmer sitzen meist um einen Konferenztisch herum, vor einem Bildschirm.
Heute schlagen die kommerziellen Videodienste und -systeme Multipunkt- Verbindungen von begrenzter audiovisuellen Qualität vor, bedingt entweder durch die Qualität der Endeinrichtungen (Tonwiedergabe und Bildwiedergabe), oder intrinsisch bedingt durch das Fehlen von Übertragungsleistung, verursacht durch die vom benutzten Netzwerk abhängige Begrenzung des Durchlassbands.
Die Konferenzsysteme sind nämlich entsprechend mehreren Konfigurationen an digitale Netze angeschlossen, hauptsächlich an RNIS-Netze, im Punkt-zu-Punkt-Betrieb oder im Multipunkt-Betrieb.
So variiert im NUMERIS-Netz die für diese Dienste angebotene Leistung zwischen 128 kbit/s für den unteren Bereich und 384 kbit/s für den oberen Bereich.
Die benutzten Terminals entsprechen prinzipiell den ITU-Standards sowie der Gesamtheit der H320-Normen.
Bei bestimmten System kann man zum selben Zeitpunkt immer nur einen entfernten Raum sehen. Das stört die Benutzer, die sich nicht alle gleichzeitig sehen können. Ein manuelles oder automatisches Umschaltsystem wählt den Raum aus, der auf dem Bildschirm präsentiert wird. Im Allgemeinen handelt es sich um den Raum, der das stärkste Audiosignal überträgt (Stimmumschaltung). Dies ist der Fall der Konferenzbrücken, die das Bild in Abhängigkeit von einer Vokaldetektion umschalten, das heißt entsprechend dem akustisch aktivsten Raum.
Andere Systeme benutzen die ITU-Normung des Typs H 320 oder H 323 oder eine andere, und schalten eine Zentraleinheit ein, um die Bilder aller Multipunkt- Videokonferenz-Einrichtungen oder MCUs (Abkürzung von Multi Conference Unit) zu empfangen, wie definiert durch die Normen H 231 und H 243. Diese Einheit gibt Bilder wieder, indem sie das Durchlassband in Richtung einer MCU ebenso oft teilt, wie Bilder zu übertragen sind.
Dazu realisiert man eine Codierung, die die zu übertragenden Daten stark komprimiert, mit einem Kompressionsfaktor von 40 bis 50. Man verliert also ungefähr ³/&sub4; des von jedem Raum übertragenen Bildes (bei Multipunkt-Systemen bis zu 5 Räume).
Die digitale Kompression der verwendeten Bilder kann vom Typ H 320 mit einer H 261-Codierung sein, oder vom Typ H 323 mit einer H 263-Codierung, oder vom Typ moving JPEG (ISO-Norm), oder vom Typ MPEG1 oder vom Typ MPEG2.
Bei jedem dieser Profile können die gesendeten Bilder vom Typ Informatik- bzw. Computerdatei sein.
In allen Fällen sind die empfangenen Bilder schlecht und vermitteln auf gar keinen Fall den Eindruck der Mitanwesenheit.
Das Dokument mit der größten Nähe aus dem Stand der Technik ist WO-A-94 16 517 (BELL COMMUNICATIONS RES) vom 21. Juli 1994, das ein Telekonferenzsystem beschreibt, das die Stereowirkung des Tons in Abhängigkeit von der Position der aktiven Person steuert, wobei auf der Senderseite mehrere Richtungsmikrophone verwendet werden, die ein monophones Signal und ein "Richtungs"-Signal übertragen und aufgrund dieser Signale auf der Empfängerseite ein räumliches Stereophoniebild erzeugen, das dem übertragenen Bild entspricht, das heißt, dass der Ton einer Quelle von der Abbildung dieser Quelle auf dem Bildschirm zu kommen scheint.
Das Dokument von SUSUMU ICHINOSE: "VISUAL TELEPHONE" vom 1. März 1993, NTT REVIEW, Vol. 5, Nr. 2, Seiten 59-66, XP000364720, beschreibt ein Telekonferenzsystem mit echtem Eindruck aufgrund einer 3D-Videodarstellung und selbstverständlich einer entsprechenden Tonübertragung. Darüber, wie dieser Ton plastisch gemacht wird, werden keine Details angegeben.
Im Falle des Tons verwendet man Codier- oder Kompressionssysteme mit Bitraten des Typs G722 oder G711, die die Originalqualität des Tonsignals nicht berücksichtigen, weder bei der Bandbreite noch bei der Codierqualität selbst.
Das erfindungsgemäße Videokonferenzsystem hat die Aufgabe, Fernkonferenzen ein Maximum an Telepräsenz anzubieten, indem die Grenzen der heute kommerzialisierten Systeme überschritten werden. Es ermöglicht, entfernte Teilnehmer auf Bildschirmen sichtbar zu machen (annähernd im Maßstab 1 : 1), mit deutlicher Wiedergabe von Strukturen und Gebärden und einer Übereinstimmung der sichtbaren Bilder und der hörbaren Bilder dank einer Räumlichmachung der von den entfernten Teilnehmern erzeugten Töne bzw. Geräusche, gesteuert in Abhängigkeit von der Bildaufnahme.
Es ermöglicht die Realisierung einer Dauerpräsenz der entfernten Teilnehmer, selbst in Multipunkt-Situationen. Das System ermöglicht außerdem eine Minimalisierung der Parallaxefehler (auf Englisch "eye contact"), indem n ziemlich nahe bei den aufzunehmenden Bildern befindliche Kameras benutzt werden (angeordnet zum Beispiel in Öffnungen des Bildschirms), wie dies in der Folge angegeben wird. Es ermöglicht auch eine High-Fidelity-Tonwiedergabe.
Die vorliegende Erfindung hat insbesondere ein Videokonferenzsystem nach Anspruch 1 zum Gegenstand.
Das Bild der entfernten Teilnehmer wird im Studio in einem Maßstab von nahezu 1 : 1 erzeugt, wobei dieser Maßstab abhängig ist von dem Abstand zwischen dem Bildschirm und dem Tisch, wo sich die Teilnehmer befinden. Dies führt zum Beispiel zu einem Bildschirm mit den typischen Abmessungen von ungefähr 5 · 2 m, um 4 entfernte Räume mit Jeweils ungefähr 4 Personen sichtbar zu machen.
Das Videokonferenzsystem umfasst eine oder mehrere Aufnahmeeinheiten (CA1), (CA2) und Tonaufnahmesysteme (Mikrophone oder akustische Antennen). Die Tonaufnahmegrößen bzw. -daten werden der einen oder anderen der Bildaufnahmeeinheiten zugeordnet, je nach dem, ob die übertragenen Videosignale von der einen oder der anderen Einheit (CA1), (CA2) stammen.
Noch genauer ermöglicht die Zuordnung, eine "subjektive Überlagerung" zu erhalten, wobei die Tonquelle sich nahe (in der Achse) beim zugeordneten Bild befindet.
Nach einem anderen Merkmal der Erfindung umfassen die Tonaufnahme- und - wiedergabeeinrichtungen:
- eine Erfassungs- und Digitalisierungseinheit der Signale;
- eine Einheit zur Wiedergabe und Digital-Analog-Umsetzung der Signale;
- n Mikrophone, verteilt vor den Teilnehmern des genannten Orts;
- p Lautsprecher, verteilt längs des Bildschirms, wobei p proportional zur Größe des Bildschirms ist;
- Einrichtungen zur Herstellung der Übereinstimmung zwischen einem oder mehreren Mikrophonen, dem von diesem oder diesen Mikrophon(en) stammenden Signal(en) und dem oder den Lautsprecher(n) der entfernten Orte, die dazu bestimmt sind, diese Signale wiederzugeben;
- Einrichtungen zu Anpassung an das Netz, darin bestehend, die Bitrate zu reduzieren;
- Echokontrolleinrichtungen.
Die Herstellung eines Raumtons ermöglicht, die Tonbilder und die visuellen Bilder in Übereinstimmung zu bringen. Außer der Tatsache, dass dies den Effekt der Telepräsenz stark erhöht, ermöglicht es, mehrere parallele Konversationen zwischen den beiden entfernten Räumen durchzuführen. Das Führen der Konversationen wird vereinfacht durch die Möglichkeit, sich auf die Person zu konzentrieren, der man zuhören möchte, wie bei einer natürlichen bzw. normalen Besprechung.
Die Einrichtungen zur Herstellung der Übereinstimmung zwischen Mikrophon, von diesem Mikrophon stammendem Signal und Lautsprecher an den entfernten Orten, die dieses Signal wiedergeben, werden durch Programmierung der erwünschten Konfiguration realisiert. Diese Programmierung kann darin bestehen, eine oder mehrere vorher festgelegte Konfigurationen abzuspeichern.
Nach einem anderen Merkmal umfassen die Bildaufnahmeeinrichtungen für jeden Ort q Kameras, wobei diese Anzahl vorzugsweise größer oder gleich 2 ist. Die Kameras sind vor den Teilnehmern des genannten Orts angeordnet, so dass sie auf die verschiedenen Bildanzeigezonen der verschiedenen Teilnehmer auf dem Bildschirm verteilt sind, oder in der Nähe dieser Zonen. Die Kameras können praktisch in dem unteren Teil oder dem oberen Teil verteilt sein, oder um den Bildschirm herum.
In jedem Raum können mehrere Kameras sein, die unter verschiedenen Winkeln um die Teilnehmer herum angeordnet sind. Die Aufnahmen, die einem Ort zugesendet werden, sind diejenigen, die durch die Kamera aufgenommen werden, die sich in der Nähe des für diesen Ort projizierten Bildes befinden. Dies ermöglicht, den Parallaxe- Effekt zu verringern, die Augen- bzw. Gesichtspunkte zu differenzieren und eine Lokalisierung jedes sich beteiligenden Teilnehmers in Abhängigkeit von seiner physischen Disposition an dem Ort und dann insgesamt zu rekonstruieren.
In der Punkt-zu-Punkt-Situation, wo mehrere Bilder über die Breite des Bildschirms nebeneinandergestellt werden, wird jedes Bild mit einer Teilbildaufnahme des Raums aufgebaut. Dies ermöglicht, besser sehen zu können, wer auf dem Bildschirm wen betrachtet, und folglich besser der Dynamik der Besprechung zu folgen.
In der Praxis befinden sich die Kameras unter den (oder im unteren Teil der) auf den Bildschirm 10 projektierten Bilder.
Bei einer Konfiguration mit zwei nebeneinandergestellten Bildern (Seite an Seite) sind die Kameras rezentriert und befinden sich in einem Abstand von der Bildschirmmitte, der ungefähr einem Drittel der Breite des Bildes entspricht, das heißt einem Sechstel der Gesamtbreite des Bildschirms. Diese Rezentrierung minimiert das Problem der Überlagerung an den Rändern der beiden durch die beiden Kameras aufgenommenen Bilder.
Die Orte sind durch Hochleistungs-Datennetze miteinander verbunden, entweder im Punkt-zu-Punkt-Betrieb oder im Multipunkt-Betrieb oder durch eine Videokonferenzbrücken-Zentraleinheit MCU (Multi Conference Unit).
Weitere Besonderheiten und Vorteile der Erfindung gehen aus der nachfolgenden, erläuternden und nicht einschränkenden Beschreibung hervor, bezogen auf die beigefügten Zeichnungen:
- die Fig. 1 und 2 zeigen schematisch das Problem der Kopräsenz, das die Erfindung löst,
- die Fig. 3 zeigt das Prinzipschaltbild der Erfindung,
- die Fig. 4 zeigt das Schaltbild der praktischen Ausführung der Ausrüstungen in einem Studio,
- die Fig. 5 entspricht einem Schaltbild einer speziellen Ausführung, die einer Verbindung zwischen 3 Studios entspricht,
- die Fig. 6 entspricht einem Schaltbild einer speziellen Ausführung, die einer Verbindung zwischen 2 Studios entspricht,
- die Fig. 7 bis 9 zeigen ein Beispiel verschiedener "Bildschirmbilder", die auf dem großen Bildschirm die Bildwand bilden,
- die Fig. 10 bis 13 entsprechen verschiedenen Arten der Verbindung zwischen den erfindungsgemäßen Studioausrüstungen oder audiovisuellen Terminals bei den unterschiedlichen Netzkonfigurationen.
Um den Kopräsenz-Effekt zu beschreiben, zeigt die Fig. 1 eine Lösung einer virtuellen Versammlung mit einer sich der Realität annähernden Visualisierung.
Nehmen wir an, 12 Personen sitzen um einen virtuellen runden Tisch. Eine der Personen sieht 4 andere benachbarte Personen der Gruppe durch ein kleines Fenster und, indem man die Fläche abwickelt, ist es, als würde sie diese 4 Personen auf einem ebenen oder quasi-ebenen Schirm sehen. Derart sieht sie die 8 anderen jeweils zu einer Gruppe von 4 zusammengefassten Personen in 2 verschiedenen Studios auf 2 Bildschirmen praktisch in einer ebenen Situation bzw. Simulation. Im Allgemeinen ist der virtuelle Tisch nicht rund sondern länglich, mit den beiderseits sitzenden Gruppen. So sieht die Person E die Person A zu ihrer Linken und die Person F zu ihrer Rechten mit kontinuierlicher Nachbarschaft zwischen allen Einzelpersonen.
Die Fig. 2 zeigt den oder die Bildschirme, die leicht gekrümmt sind, um ein "Eintauchen" zu reproduzieren bzw. zu simulieren.
Diese Umgebung ermöglicht unter anderem, die Effekte der zwischen den Teilnehmern ausgetauchten Blicke wiederzugeben, indem eine Annäherung des Spiels der Augen reproduziert wird, die sich drehen und sich beobachten. Zum Beispiel kann die Person A die Person E beobachten, und alle anderen Personen sehen, wie die Person A die Person F betrachtet, mit einer Annäherung der subjektiven Blickwinkel.
Das Schaltbild der Fig. 3 ist ein Prinzipschaltbild, das ein erfindungsgemäßes Telefonkonferenzsystem zeigt.
Selbstverständlich können andere Positionen gewählt werden bezüglich der Teilnehmer (sitzend oder stehend, um einen Tisch herum oder nicht), bezüglich der Kamera oder der Kameras und bezüglich der akustischen Einrichtungen (Lautsprecher), solange diese Positionen ermöglichen, einen Raumton und eine Bildwand zu erhalten, die ein totales Eintauchen aller Teilnehmer simulieren.
Ein Ort A ist mit anderen Orten B ... K durch ein Hochleistungs-Datennetz verbunden. Die verschiedenen Möglichkeiten zur Verbindung dieser Orte werden in der Folge durch die Fig. 10 bis 13 detailliert. Man kann zum Beispiel das Netz RNIS (mit Dienste-Integration) benutzen, indem man mehrere Zugänge SO zusammenfasst. Man kann auch "Datenautobahnen" oder das Internet oder Zugänge zu HDSL benutzen. Solche Netze sind keine Hindernisse für analoge Tonsignale des Durchlassbands über 7 kHz, sobald man Datenkompressionssysteme einsetzt, die die ursprüngliche Qualität aufrecht erhalten. Dies gewährleistet eine hohe Tonqualität, die der einer digitalen Kompaktdisk (CD) entspricht.
Das benutzte Übertragungsnetz kann das ATM-Netz oder jedes andere Netz mit hoher Bitrate des digitalen Typs oder sogar analogen Typs sein. Alle Bilder können zu den verschiedenen Orten mit ausreichend großen Bitraten übertragen werden, ohne beim Codieren den Kompressionsfaktor erhöhen zu müssen.
Zum Beispiel werden die codierten Bilder zwischen 384 kbit/s auf Numeris und 2 Mbit/s je nach Netztyp übertragen.
Die Videokonferenz wird gesteuert oder ferngesteuert durch Einheiten 100A, 100K, die durch das Netz oder die Netze R kommunizieren, um sich insbesondere abzustimmen bezüglich der zwischen Teilnehmer, Tonbild und visuellem Bild herzustellenden Übereinstimmung. Mit anderen Worten übertragen die Steuereinheiten entweder eine Beschreibung der Konfiguration mit den übertragenen Signalen, wenn die Konfiguration nicht vorher schon definiert worden ist, oder die unter mehreren schon vorher für alle Orte definierten Konfigurationen ausgewählte Konfigurationsart. Sie sind fähig, alle Ausrüstungseinheiten des Studios entsprechend der gewünschten Konfiguration zu steuern. Unter den für eine Konferenz möglichen Konfigurationen kann man eine Punkt-zu- Punkt-Verbindung haben oder Multipunkt-Verbindungen zwischen 2 oder 4 oder 5 und mehr Orten.
Die Konfiguration besteht praktisch in der Beschreibung der Verbindung zwischen einem Teilnehmer und einem Ort P1(A), dem oder den Tonaufnahmesystemen M1 (Mikrophone oder akustische Antennen), die seine Rede auffangen, die Kamera CA1, die ihn filmt, derart dass dieses Bild IP1(A) am Ort B übereinstimmt mit dem (oder den) Lautsprecher(n), die den von dem oder den Mikrophonen M1 stammenden Ton wiedergeben.
Ein Ort A umfasst dazu n Mikrophone, p Lautsprecher und q Kameras. Für einen gegebenen Ort ist die Anzahl der Lautsprecher proportional zu der Größe des Bildschirms (entweder zu der Breite oder zu der Fläche dieses Bildschirms).
Für die um einen Tisch sitzenden Teilnehmer ist der große Schirm 10 angeordnet vor dem Konferenztisch eines in Betracht gezogenen Orts und die Bildschirmbilder (jedes Orts) werden auf so auf diesen Bildschirm projiziert, dass die entfernten Teilnehmer sich zum Beispiel auf derselben Höhe wie die örtlichen Teilnehmer befinden, um so einen virtuellen Tisch zu bilden.
Wenn der Teilnehmer P1 (A) sich an den Teilnehmer P1(B) wendet, sind es die Aufnahmen der Kamera CA1 des Orts A, die zu den anderen Orten B bis K übertragen werden. Ebenso werden die Aufnahmen der Kamera CA1 des Orts B zu den Orten A, C bis K übertragen. Wenn kein Teilnehmer in den anderen Orten das Wort ergreift, ist die Kamera, die die Aufnahmen an diesen Orten durchführt, unbeteiligt, aber die Bilder von allen Teilnehmern werden trotzdem übertragen.
Die Aufnahmebefehle für die anderen adäquaten Kameras werden durch die Steuereinheiten 100A-100K gesteuert, die an den Orten präsent sind, oder von einem Überwachungsort aus ferngesteuert.
Die Regelung zwischen der durchgeführten Tonaufnahme und der Kamera, die die visuelle Aufnahme durchführt, realisiert man mittels eines dem Fachmann bekannten Steuerungsprogramms. Dieses Programm wird durch die Einheiten 100A bis 100K ausgeführt, um Bilder zu erhalten, die, wenn auf die Bildschirme projiziert, den Eindruck vermitteln, dass die betreffenden Personen sich wirklich anschauen.
In der Praxis kann dieser Effekt mit nur zwei Kameras erzielt werden.
Die über das Netz übertragenen Bilder werden an jedem Ort empfangen und durch die Videoeinheiten 300 verarbeitet, um nebeneinander und/oder übereinander auf den Bildschirm projiziert zu werden. Alle empfangenen Bilder werden auf dem Bildschirm 10 jedes Orts visualisiert, wobei der Bildschirm eine Bildwand bildet.
In dem speziellen Fall eines Punkt-zu-Punkt-Systems entsprechen die auf jeden Bildschirm projizierten Bilder einem einzigen Raum. Diese Situation ermöglicht, die Bildqualität zu verbessern. Dazu wird in diesem Fall vorgeschlagen, die beiden jeweils durch eine Kamera aufgenommenen Bilder zu übertragen. Jede Kamera macht Teilaufnahmen des Raums. In der Praxis filmt eine Kamera eine Hälfte der Szene und die andere filmt die andere Hälfte.
Die Aneinanderfügung der Bilder wird durch die Verarbeitungseinheiten 100A und 100B gesteuert, die die Videoverarbeitungseinheiten steuern, um auf dem Bildschirm aus den von beiden Kameras stammenden Signalen ein einziges Bild herzustellen. Diese Bildverkettung ist eine an sich klassische Verarbeitung.
In der Fig. 4 sind die Verarbeitungs- und Steuereinheiten des Systems detaillierter dargestellt. Es handelt sich hier wieder um ein Beispiel, das dem Fall entspricht, wo man zwei Kameras pro Studio hat.
Anschließend wird der Video-Teil beschrieben.
Die erste Kamera CA1 ist mit einem Videocodierer 303 verbunden und ein Videodecodiersystem 304 ist mit einem ersten Projektor PR1 verbunden. Das Decodiersystem wird durch einen oder mehrere Decodierer gebildet, so dass jeder Decodierer die von einem Ort stammenden Videosignale decodiert. In der Folge der Beschreibung ist zur Vereinfachung von dem Decodierer 304 die Rede, wobei man weiß, dass es sich um mehrere Decodierer handeln kann.
Der Codierer und der Decodierer sind mit einer Schnittstelle 301 zur Anpassung und zur Übertragung der Videosignale durch das Netz R verbunden. Diese Schnittstelle ist im Falle einer Übertragung auf dem ATM-Netz zum Beispiel eine AAL1 Schnittstelle (Adaptation Layer).
Diese Schnittstelle ist mit einer physischen Support-Schnittstelle 400 verbunden.
Die Steuereinheit 100A sendet zum Beispiel durch ein lokales Netz RL die Steuersignale CD1, DC1, IV1 an den Codierer, den Decodierer und an die Anpassungsschnittstelle 301, je nach Konfiguration der Videokonferenz.
Auf gleiche Weise ist die zweite Kamera CA2 mit einem Codierer 305 verbunden, der seinerseits selbst mit einer Schnittstelle 302 zur Anpassung an das Netz verbunden ist. Ein Decodierer 306 ist mit dem zweiten Projektor PR2 und mit der Schnittstelle 302 verbunden. Die Schnittstelle 302 ist mit der physischen Support-Schnittstelle 400 verbunden.
Die Steuereinheit sendet die Steuersignale CD2, DC2 und IV2 jeweils an den Codierer, den Decodierer und die Anpassungsschnittstelle, je nach Konfiguration.
Ein Videocodierer kann funktionell mit mehreren Decodierern verbunden sein, mittels Techniken, die nicht die Erfindung betreffen.
Man könnte an einem Ort, der dann mit einem der Codierer 303 oder 305 verbunden wäre, eine dritte Kamera installieren und auf diese Weise Aufnahmen einer Person übertragen, die man bevorzugen möchte. Die Aufnahmen dieser Kamera würden durch den Codierer codiert, mit dem sie verbunden ist, und an alle anderen Orte gesendet. Man müsste dann an den anderen Orten einen zusätzlichen Decodierer vorsehen, in dem Decodiersystem 303 oder 306 dieser Orte, um das von dieser Kamera stammende Signal zu decodieren und auf dem Bildschirm 10 der Orte die diese Aufnahmen betreffenden Bildschirmbilder sichtbar zu machen.
Die Projektoren sind entweder Videoprojektoren oder Flüssigkristall- Retroprojektoren. Die Projektion kann direkt sein, wenn man einen Plasmabildschirm verwendet.
Anschließend wird der Audio-Teil beschrieben.
Die N Mikrophone sind mit einer Erfassungseinheit der Signale 201 verbunden, die die Digitalisierung der Signale durchführt. Die Ausgänge dieser Einheit 201 liegen an den Eingängen einer Dämfungseinheit 207 zur Kontrolle des Echos. Die Ausgänge der Dämpfungseinheit liegen an den Eingängen eines Bitratenreduzier-Codierers des Audiosignals 202, gesteuert durch die Einheit 100A. Der Codierer 202 führt auch die Matrizierung der Mikrophonsignale durch, zur Anpassung an die Anzahl der in dem Netz für die Übertragung verfügbaren Kanäle. Der Audio-Anpassungscodierer 202 ist mit einer Schnittstelle 204 zu Anpassung an die Übertragung auf dem Netz R verbunden, wobei es sich um eine AAL5-Schnittstelle für das ATM-Netz handelt. Diese Schnittstelle ist mit der physischen Support-Schnittstelle 400 verbunden.
Die Schnittstelle 204 ist fähig, die codierten Audiosignale in das Netz einzuspeisen und die durch die anderen Orte gesendeten Audiosignale zu empfangen. Die empfangenen Signale werden durch die Schnittstelle 204 verarbeitet und an eine Decodier- und Entmatriziereinheit 203 der Audiosignale gelegt.
Die durch die Decodier- und Entmatriziereinheit 203 gelieferten Signale werden an den (die) gewünschten Lautsprecher gelegt, mittels einer Einrichtung 205 zur Wiedergabe und Analog-Digital-Wandlung der Audiosignale. Diese Einheit 205 kann also die verlangten empfangenen Signale in die Lautsprecher einspeisen.
Falls die Konfiguration vorgesehen und in einem Speicher 110 der Steuereinheit abgespeichert ist, hat die Einheit 100A in der gespeicherten Tabelle eine Information, die angibt, dass der Ausgang 51 des Decodierers das Signal liefert, das empfangen wurde, entweder durch das Mikrophon M1 oder durch eine Gruppe von Mikrophonen eines Orts B, zu denen M1 gehört, und dass folglich dieser Ausgang zum Lautsprecher Hn oder einer Gruppe von Lautsprechern geleitet werden muss, zu denen H1 gehört, um in der Nähe des Bilds des Teilnehmers zu sein, der gesprochen hat.
Die Erfassungssysteme (Mikrophon und Einheit 205) werden so gewählt, dass das Durchlassband des Sprachtonsignals berücksichtigt wird, und so, dass es für Frequenzbänder mit 7 kHz funktioniert (was die untere Grenze des Systems bezüglich Qualität bildet). Das Codiersystem wird ebenfalls so gewählt, dass diese Originalqualität berücksichtigt wird, und man wählt zum Beispiel Bitraten-Reduzieralgorithmen, wie beschrieben durch die Normen MPEG1 oder MPEG2. Die Erfassungssysteme werden auch so gewählt, dass der Geräuschabstand gut ist.
Als Beispiel einer möglichen Konfiguration im Falle einer Punkt-zu-Punkt- Konferenzschaltung mit zwei Räumen hat man 6 Kanäle für den Ton, also einen für jedes Mikrophon. Im Falle von 3 Räumen hat man zweimal 3 Kanäle für den Ton an jedem Ort. Für den Art A ermöglichen 3 Kanäle die Audio-Verbindung zwischen A und B, und die drei anderen ermöglichen die Audio-Verbindung zwischen A und C (id. für B und für C).
Das Bild und der Ton werden mit einer möglichst kleinen Zeitverschiebung übertragen (in der Größenordnung einer hunderstel Millisekunde), was in Verbindung mit der Qualität und der Größe des Videobildes zum Beispiel einem Tauben ermöglichen kann, von den Lippen der entfernten Teilnehmer zu lesen.
Die Audio-Ausrüstung umfasst außerdem eine Echokontrollschaltung 206, die durch Veränderung der Verstärkung der Mikrophon-Signale mittels der variablen Dämpfungseinheit 207 nach Verfahren funktioniert, die an sich klassisch sind. Diese Schaltung ist mit den Ausgängen der Einheit 201 und mit den Eingängen der Einheit 205 verbunden.
Das Schaltbild der Fig. 5 zeigt einen speziellen Fall einer möglichen Konfiguration. Es handelt von einer Video-Konfiguration zwischen drei Orten A, B und C.
Um diese Figur zu vereinfachen, wurden die direkten Verbindungen zwischen den verschiedenen Orten nach dieser Konfiguration realisiert, wobei das Übertragungsnetz weggelassen wurde.
Diese Konfiguration wird für 3 Orte A, B und C beschrieben.
Die Orte A und B haben jeweils zwei Kameras CA1 und CA2, die ermöglichen, Aufnahmen von ein und demselben Ort unter verschiedenen Winkeln zu machen.
Nach dieser Konfiguration realisiert man Punkt-zu-Punkt-Verbindungen für die Codierer und die Decodierer.
Die Kamera CA1 ist mit dem Codierer 303 des Orts A verbunden, wobei dieser Codierer mit dem Decodierer 304 verbunden ist, der mit dem Projektor verbunden ist, der ermöglicht, das Bildschirmbild E1(A) zu erzeugen (von der Kamera CA1 des Orts A stammend).
Der Codierer 303 des Orts B ist mit der Kamera CA1 des Orts B verbunden. Das durch den Codierer gelieferte Signal wird durch den Decodierer 304 des Orts A decodiert, um das Bildschirmbild E1(B) zu liefern (von der Kamera CA1 des Orts B stammend).
In dem Studio C platziert man eine einzige Kamera CA1. Diese Kamera ist mit zwei Codierern 304(A2) und 304(B2) verbunden. Der Codierer 304(A2) ist mit dem Decodierer 306 des Orts A verbunden, der das Bildschirmbild E1(C) liefert.
Von den Decodierer 306 des Orts C hingegen ist der eine mit dem Codierere 305 des Signals der Kamera CA2 des Orts A verbunden und der andere mit dem Codierer 305 des Signals der Kamera CA2 des Orts B, um jeweils am Ort C die Bildschirmbilder des Orts A, das heißt E2(A), und des Orts B, das heißt E2(B), anzuzeigen.
Die Audio-Verarbeitungseinheit sind bei dieser Konfiguration ebenfalls doppelt, um eine Audio-Einheit 202, 203, 205 mit jedem Ort zu verbinden.
Die Fig. 6 zeigt eine Punkt-zu-Punkt-Verbindung zwischen einem Ort A und einem Ort B. tn diesem Fall liefert jede Kamera CA1, CA2 eine Teilaufnahme des Orts. Im Falle der Übertragung von 6 Audio-Flüssen (6 Mikrophone) benutzt man zwei Codierer- Decodierer mit 3 Kanälen für jeden Ort.
Die Fig. 7 bis 9 zeigen jeweils die in den Orten A, B und C projizierten Bildschirmbilder. Im Ort A, Fig. 7, ermöglicht das Bildschirmbild E(4,3,2,1), Bilder zu visualisieren, die von einzelnen Terminals stammen, und das Bildschirmbild E(C,B) ermöglicht, die überlagerten bzw. übereinanderliegenden Bilder der Orte C und B zu visualisieren.
Die Fig. 8 entspricht der Visualisierung in dem Ort B und die Fig. 9 der Visualisierung in dem Ort C.
Die Fig. 10 bis 13 zeigen Beispiele von möglichen Verbindungen zwischen den Orten.
Die Fig. 10 entspricht 4 Studios, die durch ein ATM-Netz oder eine anwendungsspezialisierte Verbindung verbunden sind.
Die Fig. 11 entspricht Verbindungen, die durch eine Zentraleinheit (MCU) (Videokonferenzbrücke) verbunden sind.
Die Fig. 12 entspricht Netz-Mischverbindungen und einer MCU-Einheit, das heißt einer handelsüblichen Videokonferenzbrücke mit einer Verarbeitung, bei der Audiosignale der Studios 1, 2 und 3 unterdrückt werden, da die Orte, die Direktverbindungen und eine Verbindung durch diese Einheit haben, gestört würden durch die Überlagerung der Signale mit zeitlicher Verzögerung, die von den direkten Netzverbindungen und den MCU-Verbindungen stammen.
Die Fig. 13 zeigt den Fall der Verbindung durch Netze der verschiedenen Typen Numeris, ATM, anwendungsspezialisierte Verbindung.

Claims

1. Videokonferenzsystem zwischen Teilnehmern, die sich an N verschiedenen Orten befinden, wobei N > 2 und jeder Ort einen Bildschirm, Bildaufnahme- und Wiedergabeeinrichtungen, Tonaufnahme- und Wiedergabeeinrichtungen umfasst, bei denen:

- der Bildschirm ein großer Schirm (10) des Typs Projektions- oder Retroprojektionsschirm oder des Direktsichttyps ist, gebildet durch ein oder mehrere Anzeigesysteme, die eine Bildwand bilden, um simultan alle entfernten Teilnehmer in einem Raum sichtbar zu machen, wiedergegeben auf der Bildwand, die diesen Schirm (10) bildet,

- die Tonaufnahme- und Wiedergabeeinrichtungen für jeden gegebenen Ort Ton- Raumverteilungseinrichtungen (100A, 100K, Hi, Mj) umfassen, um eine Übereinstimmung herzustellen zwischen dem von jedem entfernten Teilnehmer erzeugten Ton und seinem auf dem Schirm sichtbaren Bild,

dadurch gekennzeichnet,

- dass ein in Betracht gezogener Ort die von den anderen Orten ausgesendeten Bilder und Tonsignale empfängt und sie in Abhängigkeit von der hergestellten Übereinstimmung wiedergibt, wobei das Sehen und Hören der anderen Orte und der Sprecher simultan ist und durch Stimmenaustausche erfolgt, gleichzeitig zwischen mehreren Teilnehmern, ohne Unterbrechung oder Störung der anderen, wobei jeder Ort dafür umfasst:

- Tonaufnahme- und -wiedergabeeinrichtungen, enthaltend:

- eine Einheit zur Erfassung und Digitalisierung der Signale (201),

- eine Einheit zur Wiedergabe der Signale und zur Digital-Analog-Umsetzung (205);

- n Mikrophone (M1, ..., Mn), verteilt vor den Teilnehmern des genannten Orts;

- p Lautsprecher (H1, ..., HP), verteilt längs des Schirms, wobei p zur Größe des Schirms proportional ist;

- Einrichtungen zur Anpassung an das Netz, darin bestehend, die Datenrate zu reduzieren;

- Echo-Kontrolleinrichtungen; und

- Einrichtungen zur Herstellung der Übereinstimmung zwischen dem Mikrophon, dem aus diesem Mikrophon stammenden Signal und dem dieses Signal wiedergebenden Lautsprecher, Speichereinrichtungen (110), eine oder mehrere Konfigurationen umfassend, die die erwünschten Übereinstimmungen herstellen.

2. Videokonferenzsystem nach Anspruch 1, dadurch gekennzeichnet, dass die Abmessungen des die Bildwand bildenden Schirms (10) so gewählt werden, dass sie eine Anzeige der Bilder aller Orte mit einer Darstellung der Teilnehmer ungefähr im Maßstab 1 : 1 ermöglicht.

3. Videokonferenzsystem nach Anspruch 1, dadurch gekennzeichnet, dass die Bildaufnahmeeinrichtungen eine erste (CA1) und eine zweite (CA2) Bildaufnahmeeinheit umfassen, und dass die Tonaufnahmedaten der einen oder der anderen der genannten Bildaufnahmeeinheiten zugeordnet werden, je nach dem, ob die übertragenen Videosignale von der einen oder der anderen der genannten Einheiten (CA1), (CA2) stammen.

4. Videokonferenzsystem nach Anspruch 1, dadurch gekennzeichnet, dass die Tonaufnahmeeinrichtungen mehrere Mikrophone, Erfassungseinrichtungen der Tonsignale sowie Codier- und Matriziereinrichtungen (205) der genannten Signale umfassen.

5. Videokonferenzsystem nach Anspruch 1, dadurch gekennzeichnet, dass die Tonwiedergabeeinrichtungen Decodiereinrichtungen und Dematriziereinrichtungen (203) der Tonsignale (203), Wiedergabeeinrichtungen der Tonsignale (205) und mehrere Lautsprecher umfassen.

6. Videokonferenzsystem nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass jede Bildaufnahmeeinheit für jeden Ort q Kameras umfasst, die vor den Teilnehmern des genannten Orts so aufgebaut sind, dass jede Kamera sich auf dem Bildschirm der verschiedenen Gruppen entfernter Teilnehmer in unterschiedlichen Anzeigezonen befindet.

7. Videokonferenzsystem nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Zahl von q Kameras pro Ort höher oder gleich 2 ist, um die perspektivischen Effekte der Bildaufnahme wiederzugeben.

8. Videokonferenzsystem nach einem der Ansprüche 1 bis 6, bei dem die Videokonferenz nur zwischen zwei voneinander entfernten Orten stattfindet, dadurch gekennzeichnet, dass eine Kamera (CA1) eine partielle Bildaufnahme der lokalen Örtlichkeit mit einer ersten Gruppe von Teilnehmern liefert, und dass die andere Kamera (CA2) eine partielle Bildaufnahme der lokalen Örtlichkeit mit der zweiten Gruppe von Teilnehmern liefert, und dass die beiden Bilder nebeneinander gestellt werden, um zu ermöglichen, alle Teilnehmer sichtbar zu machen.

9. Videokonferenzsystem nach einem der Ansprüche 1 bis 8, bei dem für die Bildaufnahmen mehrere Kameras benutzt werden, dadurch gekennzeichnet, dass die genannten Kameras (CA1, CA2) unter den projizierten Bildern platziert sind.

10. Videokonferenzsystem nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass es außerdem mehrere Videoprojektoren oder Retroprojektoren (PR1, PR2) des Katodenstrahlröhren- oder Flüssigkristalltyps umfasst, um eine Wiedergabe der Bilder ungefähr im Maßstab 1 : 1 zu erhalten.

11. Videokonferenzsystem nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass es an jedem Ort über Bildverarbeitungseinrichtungen verfügt, die fähig sind, eine Nebeneinanderstellung oder Überlagerung der von den entfernten Orten empfangenen Bilder (301, 304) herzustellen, um zu ermöglichen, alle Bilder auf dem Schirm (10) darzustellen.

12. Videokonferenzsystem nach einem der vorangehenden Ansprüche, bei dem die Orte direkt über ein Hochleistungs-Übertragungsnetzwerk (R) oder indirekt durch eine Videokonferenzbrücke oder durch Videokonferenznetzwerk und -brücke verbunden sind.

13. Videokonferenzsystem nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Verarbeitungseinrichtungen umfassen:

- eine Verarbeitungs- und Verwaltungseinheit des Typs Mikrocomputer oder Arbeitsstation (100A, ..., 100K),

- Video-Coder/Decoder (303-306) und Audio-Coder/Decoder, gesteuert durch die Verarbeitungseinheit, und

- Schnittstellen (301, 302, 204) zur Anpassung an die Übertragung für das genannte Netzwerk.

14. Videokonferenz nach Anspruch 13, dadurch gekennzeichnet, dass das Netzwerk ein Asynchronübertragungsnetzwerk des Typs ATM ist, dass die Übertragungsschnittstellen für die audiovisuellen Signale Schnittstellen des Typs AAL1 sind, und dass die Übertragungsschnittstellen für die Steuersignale der Videokonferenz zwischen den Verarbeitungseinheiten Schnittstellen des Typs AALS sind.