×
3D体感的技术是光学精密仪器与制造、模式识别、图形图像、机器学习和神经网络技术集大成者，跨越多个领域的高精尖技术。所以，在2010年微软Kinect推出以来，鲜有第二家公司和研究机构完全突破体感交互的所有技术环节。3D体感核心技术包括3D拍摄、人物提取和骨架识别。我们来浅析一下3D体感技术每个核心环节的技术特点。
一、骨架识别技术
骨架识别的技术解决方案主要由数模逻辑推理和机器学习两种方案。数模逻辑推理是通过有人体的某个关键可识别的关节点，通过人体特征推理出人体每个关节点的位置，这种方法简单易实现，但是人体是柔性、易变形，随机动态变化的，没有一种逻辑推理方案能够把人体的运动给模拟出来，导致识别准确率不高没有实用价值。这就是OMEK（被Intel收购）和Softkinetic（Intel合作伙伴）几年也不能推出商用化产品的原因。机器学习的方法是通过大集群计算机“学习”几千甚至万亿的人体行为样本，来得到基本人体行为模型，就像小孩子成长的过程。但是机器学习和神经网络是近几年来逐步兴起的技术，还不是太成熟，选择什么样的“学习”方法和什么样的特征样本是至关重要的，是需要不断试验的。但是大集群计算机计算本身成本就异常的高，动则千万人民币，没有扎实的研究基础，一般厂商不敢轻易尝试。
二、人物提取技术
对于人物提取来说，就是要把复杂的动态的环境去除，把真实的“人”提取出来。这个在工程上也是有较高的难度，比如人与桌子接触，人与人握手和人体被局部遮挡。抽象理解就是人体分割和人物跟踪在现有的基础条件下，不会有完全精确的解决办法，只是相对的解决。
人体的动作是三维的，当然对人体动作的测量也必须是三维的。3D拍摄或测量技术实际上是相对比较成熟的技术，具有多种解决方案，比如单彩色摄像头，双彩色摄像头，光干涉，超声波、结构光散斑和TOF（测量光的飞行时间）等等。除了TOF，其他的测量方式可以说都是基于三角测距的原理，不同在于对特征点的提取的不同。
对于人体动作来说最主要的难题就是三维测量的实时性和3D测量数据对骨架识别的适用性，人眼的反应时间一般小于120毫秒，也就是说3D测量到骨架识别最大允许时间必须小于100毫秒，才能够与应用对接，这就要求三维测量的计算量不能太大，要不然成本太高就不适合消费级产品使用。
『本文转载自网络,版权归原作者所有,如有侵权请联系删除』
热门文章
更多
从格科微启动科创板.看CMOS图像传感器行业
APP下载
登录
