开放运动计划库（OMPL） Linux 视窗 这是OMPL.app，它是OMPL的扩展版本，它增加了对网格加载和碰撞检查以及简单GUI的支持。 访问以获取详细的安装说明。 OMPL.app具有以下必需的依赖性： （1.58版或更高版本） （版本3.5或更高版本） （3.3或更高版本） （版本3.0.1270或更高版本） （0.3.1版或更高版本） 以下依赖项是可选的： （用于GUI） （用于GUI） （需要生成Python绑定） （需要使用Open Dynamics Engine编译对计划的支持） （需要在上创建文档的本地副本） 安装依赖项后，您可以在Linux，macOS和MS Windows上构建OMPL.app。 转到OMPL.app的顶级目录，然后键入以下命令： mkdir -p build/Release cd build/Re

3D浏览器 使用JSC3D的基于Web的3DViewer工具。 （加载3D模型时可能需要一点时间） 截屏：

跳跃手势识别 使用Leap Motion控制器识别和学习手势的应用程序。 加利福尼亚州立大学北岭分校计算机科学理学硕士项目： ：

Motion Guided Region Message Passing for Video Captioning

Digitabulum-Firmware：Manuvr动作捕捉手套的固件

细节增强的matlab代码使用HDRNet进行运动去模糊 Anmol Parande和Dominic Carrano的EECS225B最终项目 查看结果 抽象的 是一个神经网络，它使用双边网格系数来执行实时校正（例如对比度增强和亮度调节），以极大地提高在手机上拍摄的图像的质量。 但是，最初开发该系统时，运动模糊的问题（手机摄影中最常见的问题之一）并未得到解决。 鉴于HDRNet在其他任务上的成功，我们研究了几种将其扩展到运动去模糊的方法，这将为手机图像增强提供统一的框架。 但是，即使进行了广泛的修改（例如使用残差块），HDRNet的双边网格模型也无法恢复发生不均匀运动模糊时丢失的细节。 资料产生 我们所有的模型都接受了来自的大约1000张图像的训练。 它们是通过blur_data.py脚本生成的。 该脚本使用描述的过程，其中针对每个图像生成一个随机运动流。 每个流向量为相应的像素定义一个模糊核，然后将其应用于图像。 usage: blur_data.py [-h] --data-dir OUTPUT_DIR -n N 训练 使用Google Colab上的train.ipynb对模型进

matlab高斯金字塔代码OCT运动校正 此回购包含我的硕士论文的代码。 该项目旨在提供一种减少通过光学相干断层扫描技术获取的图像中的运动伪影的解决方案。 结构 文件 描述 saccadesModeling.mlx 包含有关如何模拟眼睛运动的信息。 phantomModeling.mlx 显示如何将扫视运动应用于测试数据。 metricsModeling.mxl 研究图像质量指标（糟糕）的行为。 projectTest.m 包含项目用例。 RegistrationObjective.m 封装用于图像配准的目标函数。 注册程序 从资源加载实验数据并执行注册。 SaccadeGenerator.m 产生扫视运动。 扫描程序 对扫描过程进行建模，并对给定的原始3D图像进行扫视运动。 用法 首先，结帐项目。 $ git clone https://github.com/merlinDM/oct-motion-correction.git 将项目添加到Matlab搜索路径： >> cd ' /path/to/project/ ' ; >> addpath(pwd); 运行示例： >> run '

最佳的对撞避免 我们提出了一种避免相互碰撞的正式方法，其中多个独立的移动机器人或特工在公共工作空间中移动时，必须避免彼此之间的碰撞而无需特工之间的通信。 我们的公式，即最佳的相互避免碰撞（ORCA），通过让每个代理承担避免成对碰撞的一半责任，为无碰撞运动提供了充分的条件。 为每个代理选择最优动作简化为求解低维线性程序，并且我们证明了生成的动作是平滑的。 我们在涉及数千个代理的几个密集和复杂的模拟方案工作空间上测试了最佳的相互碰撞避免方法，并在短短几毫秒内为所有代理计算了无冲突动作。 RVO2库是二维的我们算法的开源C ++ 98实现。 它具有用于第三方应用程序的简单API。 用户指定静态障

jump_neuro_gesture

伴随虚拟现实（Virtual Reality，VR）技术的发展，以及人们对人机交互性能和体验感的要求提高，手势识别作为影响虚拟现实中交互操作的重要技术之一，其精确度急需提升[1].针对当前手势识别方法在一些动作类似的手势识别中表现欠佳的问题，提出了一种多特征动态手势识别方法.该方法首先使用体感控制器Leap Motion追踪动态手势获取数据，然后在特征提取过程中增加对位移向量角度和拐点判定计数的提取，接着进行动态手势隐马尔科夫模型（Hidden Markov Model，HMM）的训练，最后根据待测手势与模型的匹配率进行识别.从实验结果中得出，该多特征识别方法能够提升相似手势的识别率.