基于Kinect体感器的康复机械手臂系统算法设计与实现

设计实现一种新的机械手臂康复系统。利用Kinect体感器获取人体右肩、右肘和右腕3个关节的三维坐标,计算得出所需控制参数。建立体感器与机械手臂之间通信机制,通过数据反馈调整所需控制参数。实现多自由度同时协调运动的康复型机械手臂控制方法。实验表明,该系统控制下的机械手臂能够平滑无明显停顿感地模仿人类手臂的自然动作,提高患者使用时的舒适度,增强康复效果。     

基于Kinect的虚拟试衣系统设计与实现

本项目主要通过Kinect摄像头捕获人体数据,彩色数据和深度数据,对采集到的数据作处理,生成人体骨骼模型,方便对人体骨骼定位;进而设计算法使衣服图像适配人体,再根据识别人体手势,做逻辑处理之后,然后通过Kinect体感器将信息发送给PC,形成操作命令,最终使人体可以操控衣服。本项目的 Kinect虚拟试衣不仅可以让用户试看衣服的款式,还可以通过体感技术实时与外界进行交互,从而让试衣过程更加便捷和逼真。整个系统可广泛应用在家庭、商场及网络购物等场景中。     

基于Kinect的空中手势跟踪识别的研究与实现

本文以肢体语言中的手势为出发点,利用微软的Kinect体感设备,采集RGB彩色图像和深度图像,研究并提出一套手势跟踪识别的设计思路与实现方法。首先,利用Kinect所获取的色彩及深度信息,建立人体骨骼图从而更方便地定位手部位置并获取手部轮廓。其次,从HSI彩色空间对手部的深度图像进行二值化,并进行腐蚀、细化处理,去除手掌掌心部分。最后,通过对手指的计数定义相应操作。经实验测试,该系统具有对手势的识别功能,可以达到用空中手势动作进行人机交互的目的。     

基于Kinect的体感技术在数字化舞蹈中的应用研究

Kinect体感技术在数字化舞蹈中的应用,主要是将Kinect作为深度和彩色数据的获取设备,对得到的舞蹈人员原始信息,进行去噪、平滑处理、对齐等一系列操作,在此基础上,将Kinect获取的深度数据转化为与虚拟角色三维坐标一致的算法,实现用户动作、体态的变化,来控制虚拟角色动作、体态的变化。突破传统舞蹈学习方式的局限性,对舞蹈学习方式的改革和创新具有重要而深远的意义。     

基于Kinect的动态孤立手势识别研究北大核心CSCD

当前方法对动态孤立手势的识别,过程复杂、成本高,动态手势的移动轨迹易受到外界环境的干扰、识别准确率低.提出了基于Kinect的动态孤立手势识别方法,利用Kinect传感器获取动态手势信息,对人体手部进行实时、准确的定位跟踪,并对手部图像进行平滑去噪处理,提取动态手势轨迹的特征;引入隐马尔可夫模型(HMM)对动态孤立手势及手部运动轨迹的样本集进行有效训练,最终实现动态孤立手势的精确识别.实验证明提出的方法在噪声干扰和光线缺失的环境下,对动态孤立手势仍具有较高的识别率,鲁棒性强.     

基于体感交互的智能家居三维设计与系统架构

本文的究的背景主要是从物联网的整体大环境出发的体感交互技术,并且还涉及了三维体感传感器Kinect,从而可以通过使用用户的重新定义的手势进行操作控制,和语音识别功能来进行传感,通过对智能手势轨迹和家居姿态的控制方法进行预先定义,同时以隐马尔可夫模型来对用户的手势进行识别运动轨迹,从而获取用户想要传递和表达的信息数据,在使用Open NI手势部分分析,从而根据使用用户的手势运动轨迹,并且按照手心的运动轨迹,对相应的指令信息进行获得执行,从而对智能家居进行管理控制.结果表明,Kinect可进行有效控制,从而使家居自动化控制程度得到提高.     

基于体感控制的智能家居系统设计与实现

随着技术的发展,智能家居在可预见的将来会发展成为物联网的一个分支,社会生活也会倾向家庭的智能化和自动化,所以智能家居的研究和发展在以后将会极大地影响人们地生活,使人们的生活更加舒适。文中项目主要分为两大模块:远程监控模块和体感控制模块。远程监控模块主要通过Cubieboard3开发板和UVC摄像头实现数据获取,并采用H.264视频输入与输出格式的转化与配置。体感控制模块主要是采用微软的Kinect实现体感控制家居设备。该模块主要通过Kinect摄像头捕获人体数据,彩色数据,深度数据和语音数据,对采集到的数据作处理,通过手势识别和语音识别,对家居设备进行控制。     

基于Kinect的智能家居系统

针对传统基于物联网技术的智能家居系统用户参与感不强、无法进行自定义手势操控等问题,设计一套基于Kinect的智能家庭管理系统。通过深度传感器得到彩色数据流、深度数据流以及骨骼数据流,从而获取人体的动作轨迹,并自定义手势操控方式来实现家居的智能控制。由于深度数据对光照和背景干扰等因素有较强的鲁棒性,提高了手势及轨迹识别的准确性和可靠性。在明暗两种光照条件下,对该文定义的4种手臂姿势、3种动作任务和5种微小手势的识别实验表明,该文设计的系统能够满足智能家居的基本需求。     

基于Kinect深度图像的指尖识别及手势判定

在基于微软Kinect体感设备开发的交互应用系统中,使用传统的鼠标、键盘等交互设备难以达到理想的效果。针对这种情况,提出一种基于指尖识别的手势判定方法。采用Kinect传感器获取图像的深度信息,通过OpenNI的内置模块获取手心的位置信息,使用最近邻法实现手部的分割并对手形进行提取;并采用射线求交法优化Graham Scan算法获取凸包点集合,利用轮廓分析法从凸包点中识别出指尖。在此基础上,结合指尖数目和面积比例实现对“抓取”手势的判定。实验结果表明,该方法能有效地识别抓取动作的手势,且具有良好的鲁棒性。     

串联机械臂运动控制系统设计

由于加工装配的累积误差,驱动控制,机械臂的柔性变形以及实际工作环境中振动等因素的干扰,导致无法准确获取机械臂的运动学模型和动力学模型,导致机械臂实际的运动性能与期望的高精度运动性能相比出现较大的差距。针对上述问题,文中通过研究串联机械臂轨迹优化算法,设计了一套简单且实时性的机械臂控制变量补偿系统,以减少甚至消除机械臂的运动学误差。这一技术的实现,将对提高装备制造业中机械臂运动精度关键技术的发展起到推动作用。