首先上一个演示视频,这是一个我们课余时间调了一个月的交互系统,这个Demo是玩儿MC(手机拍的,不是很清楚)
http://v.youku.com/v_show/id_XMTQxMzIyOTM3Mg==.html?from=y1.7-1.2
上一篇文章里简单总结了一下Kinect的工作流程,接下来就写一下我们当前在做的应用好了。这个系统工作流程也很简单,通过Kinect获得肢体节点信息,然后进行识别,然后输出控制指令。这篇文章来说说我们用的手势识别。
我们用的算法是Dollar One算法,这个算法是老师介绍给我们的。这个算法本来是用来做鼠标手势识别的,但是鼠标手势也是一种手势,所以也是可以拿来用的。这个算法的基本思想是逐点比较标准化的模板和样本之间的标准差,然后根据阈值来决定是否和模板匹配,是一种简单而且易用的算法。由于是逐点比较,所以该算法对手势绘制顺序敏感。
Dollar One算法的第一步是重采样,该步骤将样本进行处理,重采样为指定的点的数目:
http://v.youku.com/v_show/id_XMTQxMzIyOTM3Mg==.html?from=y1.7-1.2
上一篇文章里简单总结了一下Kinect的工作流程,接下来就写一下我们当前在做的应用好了。这个系统工作流程也很简单,通过Kinect获得肢体节点信息,然后进行识别,然后输出控制指令。这篇文章来说说我们用的手势识别。
我们用的算法是Dollar One算法,这个算法是老师介绍给我们的。这个算法本来是用来做鼠标手势识别的,但是鼠标手势也是一种手势,所以也是可以拿来用的。这个算法的基本思想是逐点比较标准化的模板和样本之间的标准差,然后根据阈值来决定是否和模板匹配,是一种简单而且易用的算法。由于是逐点比较,所以该算法对手势绘制顺序敏感。
Dollar One算法的第一步是重采样,该步骤将样本进行处理,重采样为指定的点的数目:
Points resample(Points p,int n)
{
if (p.size()<=0) { while (1) puts("a o"); exit(0); }
if (p.size()==1) return vector<VEC>(n,p[0]);
double I=pathLength(p)/(n-1);
double D=0;
Points q; q.push_back(p[0]);
for (int i=1;i<p.size();i++) {
double d=(p[i]-p[i-1]).l