基于Kinect的机器人控制系统

设计一款可以通过人体动作对机器人进行控制的机器人控制系统。该系统由主机和从机两部分组成,通过Kinect体感传感器采集人体动作信息,在主机中进行图像处理解析出相应的人体动作,然后通过无线传输单元向机器人发送相应的控制指令,控制机器人做出响应,完成相应的一套动作或对人体动作进行实时模仿。制作的机器人样机运行良好,能够根据人体左右手的动作和语音命令,做出正确的响应。     

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传感器的近场手势识别追踪系统的实现

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,并通过零均值离散高斯滤波、二值化、取最小外包矩形、欧式距离变换等一系列过程对手势目标进行识别,最后把得到的识别结果显示在电脑上,实现实时追踪。该系统相较其它类似系统具有算法简单,实时性好,实现成本低等特点。     

基于Kinect的车载手势识别辅助系统设计

车联网作为战略性新兴产业中智能化汽车和物联网两大领域的重要交集,受到广泛关注.通过车联网、地理位置服务(Location Based Service)、手势感应三种技术的分析,将其整合成综合系统,实现手势操作在车载系统中的多媒体功能和地理位置服务.采用Kinect作为手势感应设备,建立WPF工程,设计界面并进行具体功能编程.通过百度LBS开发者平台提供的相关API进行数据调用,实现LBS服务.测试结果表明,系统具有功能多样、灵活方便的特点,具有良好的应用前景.     

基于幕墙检测与清洗机器人的缺陷识别算法优化

针对玻璃幕墙出现缺陷难以发现并处理的问题,本文设计了集缺陷识别与清洗一体的机器人,通过图像识别获取缺陷种类并完成清洗.针对已有算法分类准确性不足的问题,引入L1-L2范数及判别准则用以提升算法的分类效果,并在所设计的机器人平台上完成实验,最终实验表明优化后的算法在识别划痕方面平均提升为2％,总体识别准确率提升1％.优化后机器人能完成幕墙的日常维护及危险报警工作.     

基于Kinect深度图像的人体识别分析

介绍了深度图像在模式识别中的研究现状及其在人体识别中的应用。针对目前普通相机拍摄的图像识别在光照、姿态、遮挡等因素影响下性能下降的问题,以微软推出的Kinect设备为平台,通过分析Kinect相机获取的深度图的特征,提出以综合点特征和梯度特征的局域梯度特征的方式来对人体部位区分判定,并以手肘为例作了简要论证。     

体感技术在教育领域的应用现状与展望——基于Kinect技术的分析

文章通过对近几年来有关Kinect体感技术的文献进行分析和总结。首先,对Kinect体感技术及其工作原理进行介绍;然后,以全球视角对Kinect体感技术在教育领域的应用进行阐述,涉及的领域有学科教学、特殊教育。最后,对体感技术的未来发展前景进行展望。     

基于3D体感技术的动态手势识别

提出了一种基于3D体感机Kinect的图像处理手势识别算法,通过深度图像和骨骼图像的方法实现动态手势识别。首先在Kinect提供的骨骼图像中20个骨点中,选取2个离手部最近的骨骼点,通过追踪这两个骨骼点的位置来实现对手部的追踪,再通过判断手部的深度（即其相对于摄像头的距离）的变化来实现动态手势识别。     

Vision-aware target recognition toward autonomous robot by Kinect sensors

Target recognition is a key module in modern human–computer interaction (HCI) and computer vision systems It is pervasively used in many domains like autonomous vehicles and robot, remote operation, and video surveillance. However, due to the complicated environment and object occlusion, target recognition is still a challenging task. In this paper, we propose a novel target recognition algorithm toward autonomous robot by leveraging the Kinect sensors. More specifically, we utilize the Kinect sensors to capture scenario image in real-time. Subsequently, we present an improved HSV-based image segmentation algorithm to decompose the captured image, where morphological operation is employed for foreground target extraction. Afterward, we leverage Spatial Pyramid (SP)-based scheme for visual feature extraction. Then, we adopt a new distance metric for target matching. Comprehensive experimental results have shown the effectiveness of our proposed method.     

实时语音识别系统在家庭监护机器人的实现

文中阐述的是家庭监护机器人项目中语音识别系统设计的部分,通过DSP、DMA和ARM Cortex-A8的并行处理,利用双缓冲的方法,在嵌入式Linux上实现了基于ATK的实时语音识别系统。文中对该系统的软硬件进行了设计。在硬件方面,给出语音识别系统的硬件组成原理,并提供了关键部分原理图;在软件方面,提出实时语音识别的方法,给出应用程序实现流程。最后通过真人说话来进行语音识别实验,实时语音识别率达到了94.67%以上,实验验证了系统的软件硬件设计的正确性。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息.然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准.最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割.实验结果表明,此方案可以比较完整的提取出人体区域.     

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。     

一种基于融合特征的机器人手腕小齿识别方法研究

随着智能制造系统应用的不断广泛,工业机器人 的需求急剧增加,现有的机器人零 部件产线无法智能判断零件是否合格,导致机器人零部件的测试工序繁杂、合格率不高。针 对上述问题,该文提出一种基于融合特征的机器人手腕小齿识别方法,可以有效识别判断机 器人手腕小齿的轮廓和纹理合格与否。该方法先对机器人手腕小齿进行Zernike矩特征和HOG 特征提取,将高维特征降维后,再通过BP神经网络分类器对目标融合特征进行训练识别。实 验结果表明:基于融合特征的机器人手腕小齿识别特性优于传统单一特征,有更好的识别效 果和鲁棒性。     

基于Kinect和金字塔特征的行为识别算法

提出了一种基于Kinect和金字塔特征的行为识别算法。在算法中,Kinect不仅能够获得RGB信息,还能获得与RGB信息对应的深度信息;而金字塔特征不仅描述了人体行为的全局形状和局部细节信息,而且还描述了人体行为的空间信息。通过不同核函数的支持向量机(SVM)分类器在具有挑战性的DHA数据集的试验结果表明,金字塔特征在RGB和深度图上都能获得令人满意的性能,且当深度特征和RGB特征融合时,其性能获得了进一步的提高,识别率达到96.2%,远高于一些具有代表性的行为描述子。     

基于视觉感知的巡线机器人系统

本文设计制作了一套巡线机器人系统,实现了图像的采集处理及飞行姿态的控制。该系统利用飞控结合串级双闭环PID对无人机进行姿态稳定控制,通过对摄像头采集到的图像进行处理,融合飞控模块的姿态数据,完成悬停、巡线等功能。该系统具有结构简单,控制精度高,抗干扰能力强等特点。     

一种基于深度图像的手势识别算法

利用Kinect捕捉深度图像,使用有效的手势分割手段将手势区域截取并运用相关算法对手势进行轮廓、凸包及其最小外接圆提取;然后构建了4种手势特性参数并给出了4种参数的计算方法;最后综合手势特性参数构建分类决策树以实现手势识别.实验针对9种常见手势在复杂背景条件下进行测试,单个手势识别率在89％-100％之间,综合识别率达到96％.