单光子探测器具有高灵敏度和快速响应的特性，但在目标特性未知的情况下，无法直接确定每个像素点所需要的采样积分时间。因此，由于目标表面结构特性和反射率差异，探测器的距离估计值会出现采样不足或是采样饱和的现象。提出一种基于光子计数的自适应快速深度成像方法。该方法利用噪声光子和信号光子的飞行时间的不同特性，改进传统的基于最大似然估计算法的成像模型，自适应决定每个像素点的采样积分时间，并估计其最佳深度信息。实验结果表明，即使在低信噪比条件下，相比于固定采样积分时间成像方法，此算法仍能够更快、更准确重构出目标的深度图像。

针对基于视觉的手势识别技术对环境背景要求较高的问题，提出了一种利用深度信息进行手势提取和识别的研究方案。采用Kinect深度摄像头，通过中值滤波以及深度信息与邻域特点来分割手部区域并用Canny算子提取出手势轮廓，再以深度图像的凸缺陷指尖来完成对指尖的检测，从而实现对数字手势1到5的手势识别。该方法可快速有效地对指尖进行检测，鲁棒性和稳定性都比其他方法更好。实验结果表明，该手势识别方案的平均识别率达到92％，证明了该方法的可行性。

针对已有的对曲面进行局部拟合方法中窗口半径选取难的问题,提出了一种使用移动最小二乘法进行全局曲面拟合的新方法。该方法充分利用最小二乘法形函数多阶连续的特点,能够保持在较高拟合精度的前提下获得深度图像曲面多阶连续的拟合结果,这种拟合结果为计算深度图像的曲面特性提供了便利。利用真实的深度图像进行数值实验,计算结果说明了该方法的有效性。

利用Kinect设备获取深度图像，通过前景提取得到深度图像中的人体目标，使用距离变换（包括欧氏距离、城市街区距离、棋盘距离方法）和图像细化算法（包括Hilditch细化算法和Zhang快速并行细化算法）研究并实现了人体骨骼的提取，通过实验对各算法的运行效果进行了对比分析。同时，利用深度图像具备深度信息这一特点解决了在骨骼提取中出现的人体自遮挡问题。在获取的人体骨骼线基础上根据人体测量比例定位人体各骨骼关节点，最终通过实验证明了该骨骼提取方法的有效性。

深视3D点云数据转换成HALCON深度图像和灰度图像。

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.

simple_depth_registration 更快的ROS深度图像配准 这是一个用Python写的苗条的ROS库，用于计算RGB-D图像的深度值从RGB相机而不是IR相机的角度来看。 现有的解决方案（ depth_image_proc ）存在于包中，但是在处理密度深度图像时会遭受重大性能损失。 运行该节点 请参阅。 订阅的主题 /camera/rgb/image_raw （ sensor_msgs/Image ） RGB相机图像 /camera/depth/image_raw （ sensor_msgs/Image ） 深度图像 发表的话题 /simple_depth_registration/depth_registered （ sensor_msgs/Image ） 注册深度图像 /simple_depth_registration/info_image_unregister

Parsing the Hand in Depth Images，IEEE著名论文，手势识别很准

基于深度图像技术的手势识别方法 理论知识,可做参考用.

要计算伽玛（合成图像和原始图像之间的差异），我们可以通过运行 python gammas.py --rig blender_data/cameraSettings.json --rgb blender_data --depth blender_data --out blender_output --outfile blender_output/gammas.csv --method dibr rgb和depth参数保存rgb和depth数据存储的位置。 在此过程中合成的所有图像都将存储在out目录中，而gamma值存储在outfile csv文件中。 方法参数默认为“ dibr”。 其他方法是“ optflow-depth”（用于计算两个原始深度图像之间的光流）和“ dsqm”。 rig参数指定一个文件，该文件描述相机的rig内部参数和外部参数。 该.json文件看起来像 {