基于Kinect的肩周炎康复训练动作识别系统研究

实现对肩周炎患者进行康复训练的三维体感视频的虚拟指导。通过Kinect摄像头对人的骨骼信息和环境的深度信息进行跟踪分析,再通过欧氏距离判断人的动作,利用模板匹配定位的方法对人体关键部位进行识别,从而来判断人的姿势是否标准。通过人机交互来实现一个虚拟的肩周炎康复训练的指导。     

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。     

基于Kinect的人体动作识别方法

为解决在Kinect平台下人体动作识别中时空复杂性的问题,提出一种基于特征选择的模板识别方法。根据人体不同位置关节点对动作表达的贡献度的不同,将骨骼模型60维的关节点数据转化成24维的距离特征向量,该特征模型能够在空间上对动作进行表示,具有一定不变性,计算复杂度低;结合动态时间规整的思想,解决动作识别在时间轴上不统一的问题;基于所提出的方法实现动作识别系统,定义6种基于交互的上肢动作,在此动作库中进行两个实验共1320次测试,两个实验的平均识别率为93.6%和89.8%,实验结果验证了该方法的鲁棒性和有效性,可以满足交互任务的需求。     

基于Kinect虚拟文物互动展示系统的设计与实现

利用Kinect的局部骨骼追踪技术,捕获人体数据、彩色数据和深度数据,对采集到的数据进行分析,描绘出手的轮廓并且根据深度信息识别出手势的意思,做逻辑处理后,通过Kinect设备将信息发送给PC,形成操作命令映射到虚拟文物上,虚拟文物会进行相应的动作,比如移动、放大、旋转等。测试结果表明,系统工作稳定可靠,体验者能够通过体感交互技术较好地对虚拟文物进行控制。虚拟文物互动展示系统突破了传统文物的展示方式,使观众积极参与到展览之中。     

基于Kinect骨骼信息和改进重心距离法的指尖识别

针对肤色识别易受环境影响问题,提出了一种基于Kinect骨骼信息和改进重心距离法的手指指尖识别方法。首先采用微软Kinect摄像头获取人体骨骼信息,并将双手坐标点的三维信息转换成彩色图上的二维信息进行手掌区域的提取。然后利用OpenCV基于肤色检测算法将手掌轮廓从背景图像中分割出来。最后针对重心距离法鲁棒性差的特点提出一个改进因子。实验结果证明,该方法可以高效地检测出手指的指尖位置,识别出人体的手指。实验结果表明该方法能有效排除类肤色区域和手指轮廓不足对指尖检测造成的影响,具有较高的检测精度。     

基于Kinect骨骼信息和改进重心距离法的指尖识别

针对肤色识别易受环境影响问题,提出了一种基于Kinect骨骼信息和改进重心距离法的手指指尖识别方法。首先采用微软Kinect摄像头获取人体骨骼信息,并将双手坐标点的三维信息转换成彩色图上的二维信息进行手掌区域的提取。然后利用OpenCV基于肤色检测算法将手掌轮廓从背景图像中分割出来。最后针对重心距离法鲁棒性差的特点提出一个改进因子。实验结果证明,该方法可以高效地检测出手指的指尖位置,识别出人体的手指。实验结果表明该方法能有效排除类肤色区域和手指轮廓不足对指尖检测造成的影响,具有较高的检测精度。     

基于Kinect骨骼数据的静态三维手势识别

手势作为一种自然、直观的交流方式,在人机交互领域得到越来越广泛的应用。研究的手势是指手与臂形成的一种空间三维姿势,现有方法对该种手势识别的准确性不高且实时性不强。在Kinect体感摄像机获取的人体手部关节点三维坐标基础上,提出一种计算手部角度进行静态三维手势识别的新方法。该方法通过计算手部多个位置的夹角来获取手部形态特征,然后与参考的静态手势特征做匹配识别。实验表明,该方法能够判断和识别当前静态手势与参考手势是否匹配,比现有方法具有更好的识别准确性和更强的实时性。     

基于Kinect的家庭助理机器人系统设计与实现

为了使独自在家的小孩、行动不便的老人和病人得到更好的照顾,设计了基于Kinect的家庭助理机器人系统。系统采用单服务器多客户端模型,Kinect和智能手机作为客户端连接到服务器。设计制作了助理机器人,其头部为网络摄像头,臂部为舵机结构,腿部为轮式结构。提出了基于Kinect的改进动作识别算法,实现了机器人的体感控制,可帮助老人和病人抓取物体。设计了手机APP,在外的家人可远程监视室内情况,与家中的老人和病人进行视频通话。     

基于Kinect的跨平台人机交互系统的研究和实现

借助Kinect体感摄像头分析捕获的实时场景深度数据,跟踪识别人体骨架关键信息,并做出相应的立体交互.利用OpenSceneGraph三维引擎进行渲染,以实现逼真的3D增强现实交互效果.针对庞大的实时视频数据流,有选择性地提取少量目标骨架的关节信息,同时去除冗余的背景图像,大大优化了系统性能.     

基于Kinect的课堂教学状态监测系统

课堂上对学生听课效果进行评估的重点是捕捉学生听课行为.本系统利用Kinect传感器获取学生听课过程中的彩色、深度、骨骼点图像来分析学生的上课肢体状态、注意力方向,以此反映学生听课状态.同时,系统利用Kinect麦克风阵列采集到的声源信息来统计课堂回答问题的频度和声源位置.通过对上述信息的综合分析,获取学生上课状态的客观指标,从而对课堂教学评估提供数据支撑.     

基于Kinect的手术辅助系统研究

针对手术室无菌环境要求非常高的现实需求,以及传统鼠标键盘等人机交互方式存在的需要定期消毒且无法在手术过程中进行操作等客观限制,对目前手术室中人机交互存在的问题进行了分析,提出了一套基于Kinect自然人机交互技术的手术辅助系统。该系统包括一个病人资料库、一套Windows系统下基于Kinect自然人机交互技术的控制程序及一套Kinect手术辅助系统硬件。实验结果表明通过Kinect可以收集操作者的手势、动作、声音等,并将其转化为操作系统可以理解的命令,对手术辅助系统进行相关操作,从而辅助手术进行。该系统对于改善手术条件、节省手术时间、缓解病患痛苦具有一定帮助。     

基于微软Kinect的体感控制智能窗帘系统

设计了一种基于微软Kinect的体感控制智能窗帘系统。采用微软Kinect v1传感器及其开发者工具包(SDK)和Microsoft Visual Studio集成开发环境作为核心开发工具,并和基于80c51单片机的步进电机控制系统组成体感控制智能窗帘系统。能够通过Kinect体感传感器对人体肢体动作识别并做判断,并将判断结果通过串口通讯传送至单片机控制步进电机系统,从而使得通过肢体动作控制窗帘系统的开启和关闭。本系统具有动作判断准确、易于针对特殊群体进行拓展开发、使用方便等优点,在智能家居、残疾人士辅助工具方面有较大应用价值。     

Kinect平台上使用机器学习的非接触式GUI操控方式

触摸屏的出现使人们逐渐摒弃鼠标和键盘,而触摸操作的不便和局限性也随之显现,非接触式操作凭借其独特的优势正逐渐成为未来人机交互方式的新潮流。针对现有的非接触式操作方式存在的手势定义不合理,方法复杂难解,识别精度低等许多问题,提出了使用“抓”和“放”这两个手势的非接触式操控方式RemoteControl,用户可在三维空间中做出操控动作来完成大部分基础图形用户界面（graphical user interface,GUI）操作。RemoteControl使用支持向量机（support vector machine,SVM）和随机森林来从手部图像中识别出手的形状。实验结果表明RemoteControl的操控动作识别取得了较高的精确度。     

基于Kinect的机器人织物抓取系统

现有纺织行业自动化水平较低、劳动力成本高,机器人代替人工必将成为必然.本文研制了基于Kinect的机器人织物抓取系统.利用Kinect传感器获得织物图像,应用CamShift算法找出目标织物,获得该目标织物的质心,应用机器人运动学将此质心坐标转换为机器人运动参数,实现机器人对织物的抓取.实验结果表明,该方法能够快速准确获得目标织物质心的三维坐标,较双目视觉机器人系统具有优势.     

基于微机两级控制的跑步机系统的研究与开发

介绍了一种基于微机两级控制的电子跑步机控制系统的设计,上位机采用PC机,通过串口对下位机进行监测、设定和控制,并为用户提供健身指导、存储运动数据等;下位机以单片机AT89C51为核心,通过接收上位机发送的命令,完成开机、停机、速度调节、心率测量等功能。     

基于Kinect传感器的智能轮椅手势控制系统的设计与实现

利用Kinect深度传感器所获取的图像深度信息实现手部从背景中的分割,并通过在Hu矩基础上加入3个表达式,使不变矩包含更多细节特征,对手势目标进行识别,最后把得到的识别结果转换成控制指令通过Ad-Hoc网络传送给智能轮椅,实现运动控制.实验表明,通过该方法实现的手势识别在图像旋转、缩放、平移的情况下具有不变性,对背景干扰具有较强的鲁棒性.     

基于Kinect的多人场景下的手势识别

针对多人场景下人的手势识别问题,介绍一种结合人体关键骨骼支点的位置,将手势动作分割成连贯的动作片段,及时捕捉和释放移动场景下用户的方法,并通过实验验证本方法能提高手势动作的识别率。      

基于Kinect深度图像的指尖检测与手势识别

针对基于普通摄像头的手势识别系统在不同光照条件和复杂环境下易受影响的问题,提出一种基于kinect深度图像进行指尖检测和手势识别的算法. 首先利用Kinect传感器获取深度图像,再利用OpenNI手部跟踪器检测出手部的位置,根据手部位置对手势进行深度阈值分割. 提出一种结合凸包和曲率检测指尖的算法,检测出指尖数目和位置后,计算出包括指尖和手掌水平方向的夹角、相邻两个指尖夹角以及指尖与掌心的距离的特征向量,最后利用支持向量机（SVM）对预定的9种数字手势进行识别. 实验邀请5位实验者在复杂环境下每个手势做30次,每次的手势角度不同,实验结果表明该方法能够准确检测出指尖的数目和位置,9种数字手势平均识别率达到97.1%,该方法使用特征简单,实时性好,有较好的鲁棒性.