基于Kinect传感器的温室植株绿色与深度检测方法

植株目标的有无、颜色以及深度等特征的检测对于精准农业的发展,特别是喷雾机智能喷雾过程中的植株识别、林木种植中植株生长状态的检测等均具有重要意义。本文提出一种基于Kinect传感器的温室植株绿色与深度检测方法,首先通过Kinect传感器检测植株目标并获取其彩色图像和深度图像;再对所获取的彩色图像进行植株颜色的限制处理,以识别出绿色植株目标;对所获取的深度图像进行深度范围限制处理,去除范围以外的干扰物体;最后由植株目标的色彩特征图像与深度图像的距离特征结合,实现对所需检测距离范围内的绿色植株目标的检测。通过实验证明该方法能够实现限定深度范围内绿色植株目标的检测,场地试验验证了在实际的植株种植应用环境中该方法也能够实现植株区域的识别,可以应用于精准农业植株的检测与特征识别。

Kinect深度传感器深度误差分析和修正方法的研究

针对Kinect2.0深度传感器获取的深度数据存在较大误差的问题,本文对其误差变化情况进行了测试分析,发现测距范围在4.5 m以内时,误差变化稳定,且保持在25 mm精度以内。但是当距离大于4.5 m后,误差则表现为快速增加,且随距离增加而曲线上升。鉴于此,本文通过多项式曲面拟合误差与距离曲线,对深度数据进行误差修正,使得深度数据在4.5 m至7 m范围内时,误差可控制在50 mm以内。试验证明,该方法可以较好地修正深度数据误差,提升Kinect深度传感器测距精度。

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。

Azure Kinect DK深度传感器误差分析和修正方法的研究

针对Azure Kinect DK深度传感器获取的深度数据存在较大误差的均匀现象,本文对其进行了测试分析,发现测量距离在8.5m以内时精度较高,误差在20mm精度以内,当测量距离大于8.5m后,误差随距离增加而快速增加。本文提出使用多项式曲线拟合方法对误差进行修正,使用该方法修正后的误差距离8.5m以内时精度保持不变,距离在8.5m至12m范围明显降低系统误差,控制在50mm以内,且分布均匀。试验证明该方法可以较好地修正Azure Kinect DK传感器测量系统误差,提升其距离测量精度。

使用Kinect传感器的油菜叶片面积测量方法

为快速准确地测定活体油菜的叶片面积,减小在数字图像处理中由于叶片的卷曲和变形带来的二维投影误差大的问题,使用Kinect传感器拍摄油菜叶片的彩色和深度图像,用三维方法测量叶片面积。利用绿色分量值显著的特性在彩色图中分割出叶片并将其映射到深度图。在深度图中,使用标定方块计算像素-物理尺寸转换参数,以计算叶片的三维点云。在三维点云中,检测叶片的轮廓并去除毛刺,再使用插值使点云网格化,最后使用海伦公式计算叶片轮廓包含的网格面积,得到叶片的总面积。实验结果表明,Kinect传感器的测量方法成本低、精度高、通用性强。测量值与真实值之间显著正相关,相关系数为0.998 5。使用回归方程y=0.955x+22.357可以校正测量值,使其更准确地反映叶片面积。

基于Kinect传感器的猕猴桃果实空间坐标获取方法

猕猴桃自动采摘机器人研究中,为了自动获取目标果实的空间坐标,提出了一种基于Kinect传感器的猕猴桃果实空间坐标获取方法。首先利用Kinect传感器的红外投影机和红外摄像机获取深度图像,利用彩色摄像机获取RGB图像,根据彩色图和深度图对应关系,转换成深度坐标;然后通过Map Depth Point To Skeleton Point函数得到以红外摄像机为原点的坐标系坐标。实验表明:该方法能够有效获取猕猴桃目标果实的空间坐标,其定位误差小于2mm。

基于Kinect传感器的动态手势实时识别

本文提出了一种基于Kinect传感器的动态手势实时识别方法,在预处理阶段通过OpenNI/NITE快速获取人体骨架,并从中得到关节点数据用于建立动态手势的运动轨迹特征描述子.提出了一种在全局约束条件下的权重化多维数据的动态时间扭曲算法(WM-DTW)来对手势轨迹序列进行训练和识别.实验结果表明,本文的识别方法比LDA算法和动态时间扭曲(DTW)算法有更高的识别率.

基于Kinect传感器的机器人室内环境检测方法

针对移动机器人室内环境检测问题,提出了一种基于Kinect传感器的目标物体检测方法.利用Kinect传感器采集的视频图像和深度数据来实现对机器人工作环境中已知特征目标物体和完全未知目标物体的检测及定位.对于已知特征目标通过颜色特征分析来完成检测,而对于完全未知的物体则通过深度地面消除算法和提取深度图像的轮廓来进行检测.利用传感器成像模型对检测出的目标区域进行三维空间定位,从而获取目标物相对于机器人的空间位置信息.基于移动机器人平台进行实验,结果表明,该方法能够有效地实现室内环境信息的检测及定位.

基于Kinect传感器的移动机器人环境检测及行为学习

研究了一种基于深度图像和强化学习算法的移动机器人导航行为学习方法。该方法利用机器人装配的Kinect传感器检测工作环境信息,然后对获取的深度图像数据和视频图像进行处理、融合和识别,并由此构建机器人任务学习的状态空间,最终利用强化学习方法实现移动机器人的导航任务的自学习。该方法的有效性通过实验得到验证。实验表明,该方法能够使机器入具有较强的环境感知能力,并能够通过自学习的方式掌握行为能力。

基于Kinect 2.0深度图像的快速体积测量

为了满足现实生活中对物体体积实时测量的需求,提出了一套基于Kinect 2.0深度图像处理的快速体积测量方案。首先,使用Kinect 2.0深度传感器获得深度图像及对应的点云数据矩阵,并对深度图像进行增强、二值化、目标提取等预处理,定位出目标物体。然后,通过像素点的统计和点云数据的处理得到目标物体的面积、高度。最后由面积和高度完成目标物体的体积计算。经验证这种方法的体积测量误差控制在3%以内,完全满足实时性的误差要求,又由于深度图像较彩色图像不易受光线、背景的干扰,使得该方法具有很强的鲁棒性。

基于Kinect传感器的立定跳远检测系统设计

为提高学生体质健康测试速度和数据的准确性,对以Kinect传感器为核心捕捉立定跳远人体运动的检测方法进行了探讨。研究结果表明:采用Kinect传感器的飞行时间(TOF)测距原理和方法比传统测试立定跳远方法更具准确性,可实现高效、准确的立定跳远测试,并能对动作姿态进行判断。

基于Kinect传感器和HOG特征的静态手势识别

手势识别是人机交互领域的一种重要手段。针对现有算法识别率低,鲁棒性弱的问题,本文基于Kinect传感器获取的手势深度图像,对复杂背景干扰下的手部区域进行分割,然后利用梯度方向直方图(HOG)对手部灰度图像进行特征提取,最后利用最小马氏距离分类器进行建模、分类,实现静态手势识别。根据Kinect传感器获取的深度信息结合阈值分割法,能够准确地检测手部区域,为后续识别打下良好的基础。而HOG特征适应光照的变化,且具有几何不变矩的特性。实验结果表明,本文提出的手势识别方法在光照变化和复杂背景干扰下具有较强的鲁棒性和较高的识别率。

三维传感器Kinect在农业领域的应用与发展

随着信息技术的不断发展,三维传感器也得到了越来越多的应用,其中微软公司推出的Kinect传感器受到了各个领域研究人员的关注,使Kinect在计算机视觉与控制、医疗、教育、电子商务等领域都有很好的应用。本文介绍Kinect设备的组成及其工作原理,并阐述其在农业领域的应用现状,包括在农作物上的监测与记录、农业机器人视觉系统和作物三维形态生长模型的重建等,分析Kinect设备的优点与不足。最后,对Kinect在农业领域的应用进行展望。通过对Kinect的介绍与分析,从而发掘其在农业方面的应用潜力,为三维成像技术在农业领域的进一步发展提供参考。

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。

基于Kinect深度信息的手势分割与识别

针对手势识别对环境背景要求高、分割的手势往往包含手腕及手指靠拢易造成误识别等问题,提出了一种基于深度信息的手势识别方法。采集手势深度图;接着利用手生成器获取手心信息分割手势,为了去除多余的手腕信息,增加了手掌近似正方形的约束条件;利用扫描线法获取拇指外其它四指数,并结合相邻手指宽度比例及拇指位置的特殊性实现手势的识别。实验结果表明,该方法的平均识别率达到98.4%,实时性好,且对不同光照和复杂背景具有很好的鲁棒性。

基于Kinect深度信息的人体运动跟踪算法

大多数人体跟踪算法鲁棒性不高的主要原因是对人体的颜色特征进行跟踪,针对此问题设计了基于Kinect深度信息的人体运动跟踪算法。通过分析Kinect获取的深度图信息来对人体轮廓进行区分判定,提取前景目标区域以及计算目标区域的深度直方图。通过对深度直方图进行分析去除背景区域部分,根据获取的深度直方图求取跟踪图像的深度反向投影;最后结合Camshift算法确定当前选取目标区域的尺寸和中心位置来进行对人体的实时跟踪。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,避免了光照变化和背景相似情况下的不稳定问题,能实现复杂场景下的人体目标跟踪。

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 v2低成本动作捕捉系统在步态分析中的开发及应用

近年诸多证据表明基于深度传感器的微软Kinect v2可以进行精准数字化步态分析,从而提高神经系统和运动系统疾病的临床实践水平。本文从基于Kinect v2步态分析研究的步态录制条件、步态参数提取方法、步态分析准确性等方面综述Kinect v2的可靠性及可行性。文献综述提示,虽然受制于硬件及现有算法,Kinect v2在运动学步态参数测量上尚存在较大误差,但依靠其所提取的时-空间步态参数与金标准相比均具有极好的一致性,可以作为简易、低成本的步态记录及数字化分析的工具。因各研究所使用配套软件及终端算法不尽相同,未来研究方向应该聚焦于优化算法并建立标准化系统,且需要更大样本量的受试者数据验证该系统作为临床步态分析工具的真正效能。

基于深度图像的在线手势识别方法与性能研究

对Kinect设备获取到的深度图像进行手部区域分割,分别比较扫描法和区域生长法的图像分割效果,并提取手部的轮廓信息实现手掌心和指尖的定位,以区域协方差作为手势的特征变量,结合指尖识别算法实现了在线手势识别。结果表明:扫描法比区域生长法所识别出的手掌点和轮廓点更多,与自适应PCA识别算法相比具有更好的识别效果,静态手势测试的指尖平均识别率达93%,在线运动手势识别的准确率均在80%以上。

基于深度视觉传感的巡检机器人行进轨迹跟踪控制

巡检机器人面对不同路况时反应速度的时间差使其行进轨迹跟踪控制容易产生误差。为了提高巡检机器人复杂操作环境中的行进轨迹跟踪控制效果,提出基于深度视觉的巡检机器人行进轨迹跟踪控制方法。根据巡检机器人移动位姿和轴向运动轨迹产生的角速度和线速度,建立巡检机器人运动学方程;利用Kinect深度视觉传感器创建贴合实际环境的三维地图;利用滑模控制器约束巡检机器人运动学方程,实现巡检机器人行进轨迹自动化跟踪控制。实验结果表明,所提方法在障碍物环境和非障碍物环境的跟踪控制效果均较好。