基于Kinect传感器的羊体体尺测量系统

在基于机器视觉的羊体体尺测量中,当光线、背景等产生干扰时,彩色图像无法准确提取出羊体轮廓,且羊体站姿的变化也会造成测量误差.基于VS2010,Windows SDK搭建羊体测量系统,为解决背景干扰的问题,采用Kinect传感器获取现场羊体彩色和深度图像,将彩色与深度图像相结合提取羊体轮廓;结合深度信息建立羊体空间轮廓线拟合平面,并计算其与像平面夹角,进行体位站姿纠偏后得到羊体体尺数据.经过实验测试,相对误差在4.3％以内.     

基于机器视觉的非接触式马体尺测量方法

目前马体尺测量方法是直接接触测量，此方法不仅耗费大量的人力、财力，而且操作步骤繁琐。本文首先总结归纳测量马体体尺的方法，其次对这些年来已有的畜牧体尺测量方法进行综述，阐述马体体尺测量方法的主要内容，并对马体体尺测量方法进行展望。本文对10匹不同年龄的雌性马图像进行灰度化、去噪、阈值化分割、提取轮廓等图像预处理，进行图像角点检测，标识出轮廓边缘的所有交点，再利用像素遍历识别出马体的关键点，如肩甲点、前脚点、胸骨前缘点、臀部点、臀部最高点等；同时运用海伦秦九韶公式和几何关系计算方法，计算出马体的体高、体长等数据。通过运用此方法测量得出，马体体长平均相对误差为3.97％，马体体高平均相对误差为4.45％。此方法为马体体尺研究者提供了科学的研究依据。     

基于Kinect深度信息的手指及手部跟踪研究

提出一个基于深度信息对手指和手部进行实时跟踪,并可用于控制电子设备API的方案。首先使用Kinect获取深度信息,然后生成手部的三维点云,进行过滤转换成像素矩阵;再使用K-curvature算法获取指尖,进而获取手指长宽、手指朝向和手掌朝向等数据。实验结果证明该方案识别追踪效果稳定且高效,不受光照和复杂背景影响。能够同时跟踪双手共十个手指和两个掌心的动作轨迹,可用于控制电子设备API,使用者也能用手指在空气中通过Kinect输入字符。     

基于Kinect的深度数据融合方法

与传统三维激光扫描仪相比, Kinect作为一种新型深度相机, 具有价格低廉、深度数据获取能力强、RGB影像与深度影像同步获取等优势, 然而面对较大室内场景精细建模却存在数据量大、建模范围有限、对硬件环境依赖性强等问题。因此, 在现有单一模型建模基础上, 提出了基于Kinect深度影像的多模型数据融合方法, 实现模型间的自动拼接。最后通过两组实验对提出的数据融合方法进行了验证, 并取得了较好的模型拼接效果。     

面向Kinect RGB-D图像的目标尺寸测量方法

利用图像测量物体尺寸是一种非接触式测量方法。利用微软公司的Kinect相机能获取RGB-D图像的特点,完成了一种非接触式测量方法。并对Kinect相机的测量深度图误差进行了大量实际测量实验得出相关结论,针对Kinect的深度图特点,建立了非接触式测量的相机几何模型,并标定出几何模型的参数,利用所得的参数实际测量、验证并分析了系统的误差,完成了Kinect相机非接触式测量的方法,实现非接触式测量误差约为1mm。     

基于Kinect的下肢体康复动作评估系统

针对中风患者下肢体的训练需求,设计了一个康复训练评估系统.利用Kinect 2.0体感设备实时采集下肢体康复动作的序列信息,提取相关关节的角度序列特征,与动作库中的标准动作序列特征对比后,计算相关度,再加入时间参量,综合得出评估结果.试验结果表明:该系统能准确地识别和引导受试者的康复动作;并且可以通过组建不同的姿势库来评估更多的康复动作.     

基于Kinect的非接触式呼吸检测系统

利用Kinect的深度传感器功能,获取景深图像,并对图像进行信号处理和分析,检测人体的呼吸率和呼吸状态,从而实现非接触式呼吸检测.该系统免除了传统接触式呼吸检测仪安装和测试带来的不便,实现高效准确的实时呼吸监测.     

基于Kinect v2三维重建的研究与实现

随着计算机视觉技术的蓬勃发展,三维模型重建成为研究热点。选用第二代Kinect作为三维模型重建的数据采集外设,获取具有深度信息的点云数据;然后用KinectFusion SDK对物体进行重建,并利用Matlab和Visual C++对点云数据进行降低噪声处理,并对三维点云数据进行Delaunay三角剖分,建立物体表面的拓扑关系,实现了三维物体的重建。     

基于Kinect的体感交互的应用

随着计算机系统输入设备的发展,各种专业的传感器被嵌入到人们日常生活的设备中.近年来微软开发的Kinect传感器的引入为解决人体行为分析提供了新的思路.本文主要介绍了Kinect相比较传统的人体行为分析方法的优点和Kinect所提供的功能,分析了Kinect体感操作的应用.     

基于Kinect深度数据的人物检测

为了实现基于计算机视觉的人体动作识别,首先必须实现人物检测,过去的几年中,有很多关于人物检测的研究和方法。而在文中,介绍了一种较新的人物检测方法,该方法利用微软Kinect体感器作为人物场景采集器,将其采集到的深度数据进行处理,将人物与背景分割,去除背景深度区域,保留人物所在深度区域,进一步检测出人物。该方法已经在matlab实验平台中得到验证,取得了良好效果,背景能够被完全去除,并且该方法计算复杂度低。由此得出结论,基于Ki-nect深度数据的人物检测方法能够很好地实现人物检测。     

基于Kinect的无接触式体质检测系统

为了减少体质检测中的人力成本、提高该过程的速度,将无接触式体感交互系统应用于体能检测中,以达到更高效的目的.以Kinect传感器为核心捕捉人体运动,从骨骼图像中提取20个关节点的信息,进而计算出身高、跳远距离等数据.景深图像可识别人体与其他非人体物体,由关节点坐标计算的方法也利于防止测试中的作假现象.     

基于人体骨架的非标准深蹲姿势检测方法

针对健身者在健身过程中因缺乏监督指导而导致姿势不正确甚至危及健康的问题，提出了一种深蹲姿势实时检测的新方法。通过Kinect摄像头提取人体关节三维信息，对健身中最常见的深蹲行为进行抽象与建模，解决了计算机视觉技术对于细微动作变化难以检测的问题。首先，通过Kinect摄像头捕获深度图像，实时获取人体关节点的三维坐标；然后，将深蹲姿势抽象为躯干角度、髋部角度、膝部角度和踝部角度，并进行数字化建模，逐帧记录下角度变化；最后，在深蹲完成后，采用阈值比较的方法，计算一定时间段内非标准帧比率。如计算比率大于所给定阈值，则判定此次深蹲为不标准；如低于阈值则为标准深蹲姿势。通过对六种不同类型的深蹲姿势进行实验，结果表明，该方法可检测出不同类型的非标准深蹲姿势，并且在六种不同类型的深蹲姿势中平均识别率在90%以上，能够对健身者起到提醒指导的作用。     

基于Kinect相机的深度图像空洞修复及超像素分割算法

针对Kinect相机原始深度图像存在空洞的问题,提出了一种结合彩色图像局部边缘信息的深度图像空洞修复算法。首先,通过双边滤波修复较小空洞;其次,根据彩色图像局部边缘信息将较大空洞分为无边缘和有边缘2类;最后,对第1类无边缘空洞进行均值填充修复,对第2类有边缘空洞先根据彩色图像局部边缘特征分割空洞,再分别由外而内逐步修复,从而完成所有的空洞修复。空洞修复完成后,融合深度信息重新建立了线性谱聚类核函数,并基于此提出一种融合深度信息的线性谱聚类超像素分割算法(LSC-D)。实验结果表明,与其他方法相比,提出的深度图像空洞修复算法具有更高的修复准确度,提出的LSC-D超像素分割算法具有更低的欠分割错误率和更高的边界召回率。     

基于Kinect角度测量的姿势识别算法

人体姿势识别在医疗康复等领域中有着重要的作用。为了提高姿势识别的准确率,提出了一种利用Kinect测量角度的人体姿势识别方法。首先,利用Kinect获取人体关节点的空间坐标。然后,通过两点法计算角度的大小并定义人体姿势库。最后,与姿势库进行角度匹配实现姿势识别。实验结果表明：此方法能够实时准确地识别人体姿势,并且可以通过组建不同的姿势库来识别更多的姿势。     

基于Kinect的仿人机器人控制系统

为实现对具有16个自由度仿人机器人的姿态控制,采用Kinect传感器对人体姿态的坐标数据进行采集,根据坐标信息利用Processing软件开发基于SimpleOpenNI库的上位机软件,建立人体关节模型,并利用空间向量法对仿人机器人的步态规划以及重心控制算法分析,解析各关节的转动角度,经由无线WiFi模块向仿人机器人发送指令以控制舵机的运动,最终实现对机器人的控制,搭建了基于Kinect传感器的测试平台.测试结果表明:仿人机器人上肢在运动范围内无死角,通过对重心的控制,下肢可实现简单的步行,符合预期效果.     

基于Kinect骨骼信息与深度图像的指尖点检测

针对普通摄像头手势识别系统易受复杂环境和光照条件等因素影响,存在对指尖点的漏判、误判问题,提出一种基于Kinect 骨骼信息与深度图像的掌心点提取和指尖点检测的手势识别方法。在DRVI平台上创建Kinect的接口控件,对Kinect传感器获取人体骨骼信息和深度图像进行分析,采用了坐标映射、图像分割、距离变换的关键技术和方法从深度图中分割出手势部分区域,对手势区域形态学处理,结合凸包和K-曲率算法检测不同手势中指尖点的个数和位置,计算不同手势凸包轮廓上的点集生成的HOG(Histogram of Oriented Gradient)特征描述子,最后利用特征描述子对预定的6种数字手势进行识别。经实验测试可以在复杂环境和不同光照情况下正确识别指尖点。     

基于Kinect的指尖检测与手势识别方法

针对基于视频的弯曲指尖点识别难、识别率不高的问题,提出一种基于深度信息、骨骼信息和彩色信息的手势识别方法。该方法首先利用Kinect相机的深度信息和骨骼信息初步快速判定手势在彩色图像中所在的区域,在该区域运用YCrCb肤色模型分割出手势区域;然后计算手势轮廓点到掌心点的距离并生成距离曲线,设定曲线波峰与波谷的比值参数来判定指尖点;最后结合弯曲指尖点特征和最大内轮廓面积特征识别出常用的12个手势。实验结果验证阶段邀请了6位实验者在相对稳定的光照环境条件下来验证提出的方法,每个手势被实验120次,12种手势的平均识别率达到了97.92%。实验结果表明,该方法能快速定位手势并准确地识别出常用的12种手势,且识别率较高。     

基于图像传感器的皮肤纹理自动测量系统设计

为了客观定量评价皮肤纹理的老化,介绍了一种基于图像传感器的皮肤纹理自动测量系统。首先,利用CMOS图像传感器在光照条件下通过光电转换实现对皮肤图像的采集。然后,借助图像处理技术对采集的图像进行处理。最后,用软件定量计算皮肤表面纹理中的各测量指标（如,皮嵴的平均面积、数量、皮沟的深度等）,并在此基础上通过统计学方法来分析各个测量指标的特点。整个系统集采集、处理与计算于一体,具有低功耗、高稳定、应用性广、操作简单等优点。     

基于Kinect深度图像信息的手势轨迹识别及应用

为实现基于Kinect深度图像信息的手势轨迹识别,提出了一种基于隐马尔可夫模型(HMM)的手势轨迹识别的方法。首先采用新型Kinect传感器获取图像深度信息;然后通过OpenNI的手部分析模块获得手心的位置,提取轨迹特征;最后利用隐马尔可夫模型训练有效的轨迹样本并实现轨迹的识别。实验结果证明,该方法能有效地识别手势轨迹,并可用于控制智能轮椅的运动。