基于超像素分割的深度图像修复算法

为了提高Kinect相机获取的深度图质量,提出了一种基于超像素分割的图像修复算法。 首先对深度图和彩色图分别 进行双边滤波和超像素分割;其次,结合深度图像和彩色图像相似性,记录彩色分割块的位 置,并对应于 深度图中;最后,在每个分割块对应深度区域中,根据丢失像素点在分割块中所占比例,划 分为无空洞区 域、小空洞区域、大空洞区域和全空洞区域4类。采用快速行进算法对小空洞区域进行 修复,利用中 值填补算法进行大空洞区域修复,对全空洞区域利用邻域区间对应彩色图像相似性进行填充 。4种类型中 的无空洞区域无需修复。实验结果表明,本文方法与FMM、Shen和Scheming的方法相比, 平均均方根误差(RMSE) 分别降低了2.958、0.822和0.078,修复 的主观质量也有所提高。     

基于像素级别的Kinect深度测量误差补偿方法

本文提出了一种基于像素级别的Kinect2.0 深度误差补偿方法。首先,利用Kinect2.0传感器在不同的位置处采集一个 标准平面。第二 ,利用最小二乘 法将采集的三维数据进行平面拟合,作为理论平面数据。第三,逐像素点地计算Kinect2.0 传感器的深度误 差,并建立一个三维查找表。第四,通过建立一个三维查找表,在测量过程中通过插值方法 计算每个像素 点的深度,实现Kinect2.0测量数据深度方向的误差补偿。实验结果表明, 所研究的误差补 偿方法在Kinect2.0 内部参数未知的情况下,能稳定可靠地将Kinect2.0的平均测量误差减小到 0.8mm以内。对于Kinect2.0在较高精度场合的应用,本文算法能够使 测量精度达到更高。     

购物更便捷 解密Kinect定制购物体验

近日微软官方博客发布一篇文章,文中讲述了Kinect一个有趣的应用方式:微软公司利用Kinect硬件产品,在商场帮助零售商识别不同的顾客并为顾客提供量身定制的购物体验。在文章的演示中,Kinect获得商家和消费者的一致好评,它可以节省双方大量的时间,并找到顾客愿意购买的商品。那么Kinect是怎么实现购物体验的定制服务?它又会给我们的生活带来哪些影响?     

人体三维形体模拟仿真试衣系统的研究

本文介绍了人体三维形体模拟仿真试衣系统,它主要是以红外摄像、MATLAB、3DSMAX、数据库等技术,制作一个以远程服装试穿为服务对象的综合性系统。该系统采用电脑软件模拟的方式来构建人体与服装的三维立体模型,并自动进行最佳匹配,从而为消费者提供服装选择的参考。系统通过用户自行输入自己的各种形态体征,建立其独有的人体三维模型,最后商家生产出合身的衣物。同时,人们可通过该系统进行模拟试衣,达到与实体店购衣近乎等同的效果。     

基于Kinect的手势识别及在虚拟装配技术中的应用

为了实现在Virtools环境下自然方便的人机交互过程,设计开发了基于Kinect的虚拟装配交互技术。该技术通过三维多手指检测并结合Kalman滤波来稳定跟踪指尖,同时基于指尖特征自定义了多种装配所需的手势;以Mir-crosoft Visual Studio 2010为开发工具,设计了手势操控相关功能块的编辑后集成于Virtools环境中,实现了手势在虚拟装配中的交互控制。实例证明,该技术能很好地完成虚拟装配过程,效果良好。     

一种鲁棒的基于深度数据的行为识别算法

人体行为识别在视频监控和人机交互中具有重要应 用,利用深度数据进行行为识别是近年兴起的技术,并取得了一定的进展,但还没有一个公 认的、鲁棒性好的行为描述方法,且性能有待提高。针对以上问题,本文提出了3种鲁棒的、深度数据上的行为描述方法,并结合支持向量机(SVM)分类器在两个公开的且具 有挑战性的深度数据集上对 它们进行评估。实验结果表明,本文提出的行为描述方法具有较好的区分性和鲁棒性,其性 能比一些先进的且具有代表性的算法性能更好。     

一种基于改进DTW算法的动态手势识别方法

结合Kinect传感器提出了一种基于改进的DTW算法的动态手势识别方法。首先,通过SDK对Kinect传感器获得的深度信息进行分析,获得人体骨骼点3D位置,选取其中4个点作为手部运动特征;然后,用加权距离和全局路径限制的方法对传统的DTW算法进行改进;最后,用改进的DTW算法进行模板训练和实现动态手势的识别。实验表明：该方法能很好地实现动态手势的识别,实时性好,在背景干扰和光照方面有较强的鲁棒性,较传统的DTW算法在识别速度和识别正确率方面有所提高。     

基于Kinect的舞蹈教学系统的设计与实现

传统的舞蹈教学模式主要有现场教学以及看视频教学两种方式，传统的教学模式有时间花费以及效率低等局限性（现场教学无法避免的时间花费、看视频教学的教学效率往往不高），但是E-Learning模式下的教学可以克服以上局限性。随着人机交互模式的发展，用户与计算机之间的交互已经被逐渐普及。Kinect作为一种动作捕捉设备被广泛用于虚拟现实人机交互中，由于Kinect V2通过其深度摄像机以及红外传感器就可以获得用户的深度图像以及人体骨骼关键点信息，因此利用Kinect设备来获取用户的相关数据，以Unity平台为主，开发了一款基于Kinect的、E-Learning模式下的舞蹈教学系统。     

基于Kinect的运动训练辅助系统

针对当下人们自主运动训练时出现的动作不标准且无人监督指导的问题，设计一种基于Kinect传感器的运动训练辅助系统。利用Kinect捕捉人体的关节点坐标提取特征，采用动态时间规整算法实现运动动作的识别，将模板动作与实时动作进行匹配，根据匹配的程度给予评价。实验结果表明该系统对于运动动作的平均正确识别率达到91.25%，正确评价率达到95.9%，能及时有效地反馈评价，起到一定运动训练辅助作用。