SlideShare uma empresa Scribd logo
1 de 52
複数台のKinectV2の使い方
福嶋 慶繁
名古屋工業大学
1
2015/3/21 第35回 名古屋CV/PRML勉強会
注意事項 2
Kinectは「ナチュラルユーザーインターフェース」
しかし,主な機能である
• ジャスチャー認識したり
• 人を検出したり
• ボーンとったり
といった代表的な機能に私は
触ったことがほぼありません(笑)
Kinect V2 3
 RGB 1920x1080
 Depth 512x424
 FPS 30
 接続端子 USB3.0
TOF形式の安価なデプスセンサー
Kinect V2の通信容量と制限 4
接続台数上限は1PCに1台に制限?
必要な大域幅は
(1920x1080x24bit + 512x424x16bit) x 30fps
=1.597Gbps
※USB3.0は5Gbpsまで
対策 5
たくさん接続するために,PCクラスタを構築し
高速なネットワークと符号化をうまく使いましょう
• 10GbEのハブ 10万円
• 10GbEのNIC 5万円
• 安めのPC 5万
• 手間隙 プライスレス
※通信機器だけでも本体よりも高い
システム構成
圧縮・通信
キャリブレーション
目次 6
システム
7
システム構成イメージ 8
USB3.0 10GbE
RGB: JPEG 8bit
Depth:LZ4 16bit
Clients
Server
Imaged decode (CPU)
Rendering (GPU)
10GbE
Hub
Kinect V2(s)
PCクラスタ 9
システムは
カメラ付でアシンメトリックなPCクラスタ
複数台のクライアントと中央のサーバで
効率的な負荷分散!
• 重たい処理はクライアントで並列処理
• 符号化などの並列に不向きな処理はCPUで
• レンダリングはGPUで
符号化
10
Kinect V2の通信容量と制限(再掲) 11
デプスの符号量はたいしたことが無い?
必要な大域幅は
(1920x1080x24bit + 512x424x16bit) x 30fps
=1.493 Gbps + 0.104 Gbps
=1.597Gbps ※USB3.0は5Gbpsまで
RGB画像
非可逆圧縮でOK(JPEG,H.264/AVC,H.265/HEVC)
人間の目にとって自然であればOK
圧縮効率大
デプスマップ
自然画像の非可逆圧縮は,符号化後に再変換するポス
トフィルタが必要なため実時間処理には向かない
可逆圧縮が望ましい(ZIP,PNG)
圧縮効率小
RGB画像とデプスマップの符号化特性 12
動画像の圧縮形式 13
 Motion-JPEG:携帯
 MPEG2:DVD,テレビ
 AVC:ブルーレイ,ワンセグ
 HEVC:次世代コーデック
モーションJPEG
高効率な非可逆圧縮
FullHDを13msでエンコード,11.2msでデコード
圧縮率 3.83%(品質80)
1493 Mbps → 57.2 Mbps
デプスマップは非圧縮で104Mbps
RGB画像のM-JPEG圧縮 14
可逆圧縮は基本的には重たい
軽くて早いのを!
候補一覧
RAW
PNG(RLE)
JPEG-LS
DPCM+LZ4
デプスマップの可逆圧縮 15
圧縮しない形式
104Mbpsで通信しても問題ないならこれでOK
計算の負荷は最小
RAW 16
代表的な画像の可逆圧縮フォーマット
予測変換(フィルタ)+zip圧縮(RLE)
フィルタの種類
• Sub:左,Up:上,Average:左と上の平均,
Peath:左,上,左上との差分,None:なし
圧縮の種類(zipのオプション,OpenCVでも選択可能)
• DEFAULT→Deflate
• FILTERED
• HUFFMAN_ONLY
• RLE
• FIXED
PNG 17
http://optipng.sourceforge.net/pngtech/z_rle.html
Run Length Encoding (RLE) 18
A A A A A B B B B B B B B B A A A
A 5 B 9 A 3
何個連続するかで短く符号化する方法
Run Length Encoding(ランレングス符号化)
RLEの特徴 19
 FAXなどで使われる符号化方式
 速い
 必ずしも短くなるとは限らない
(全く連続していない文字列は2倍の長さになる)
ex
12345678→1121314151617181
RLE の派生 20
 Zero RLE:ゼロが何個連続するかで符号化
 ゼロに集中する変換を施し,ゼロの符号長だけ短く
することで高い符号化効率を達成可能
 Switched RLE:RLEを使うかどうかを切り替える
 0が続かないときに得をする方法
OpenCVによる詳しいpng圧縮 21
void encodePNG(InputArray src, vector<uchar> buff)
{
vector<int> param(4);
param[0]=IMWRITE_PNG_COMPRESSION;
param[1]=9;//1-9
param[2]=IMWRITE_PNG_STRATEGY;
//DEFAULT, FILTERED, HUFFMAN_ONLY, FIXED
param[3]=IMWRITE_PNG_STRATEGY_RLE;
imencode(".png", src, buff, param);
}
マイナーな可逆圧縮方式
LOCO-I で予測
ゴロム・ライス符号+スイッチトRLEで圧縮
CharLSの実装が速い
http://charls.codeplex.com/
JPEG-LS( Lossless JPEG) 22
JPEG2000 23
マイナーな(略)
WebP 24
マイ(略)
LZ4 -Extremely fast compression- 25
https://code.google.com/p/lz4/
極限まで高速な可逆圧縮符号化方式
zipよりも圧縮効率が少し悪いが,とにかく速い
DPCM(前方予測)と組み合わせることで
かなり高速な符号化が可能
PNG+Default
356ms, 36.8%
36.8 Mbps
PNG+RLE
14ms, 37.7%
36.8 Mbps
JPEG-LS
9ms, 28.8%
28.8bps
DPCM+LZ4
2.4ms, 66.7%
66.7 Mbps
可逆符号化まとめ 26
通信
27
TCP
パケット落ちない
パケットの順番が変わらない
速度が可変かつ遅い(様々な制御を含むため )
UDP
パケット落ちる
パケットの順番が変わる
最速(全力)
TCPとUDP 28
ローカル環境とUDP 29
ローカル環境ではパケットは
ほぼ落ちない&ほぼ順序も入れ代えも無い
UDP+自分で簡単な制御
(バッファにためて順序制御など)
キャリブレーション
30
カメラの内部パラメータ,外部パラメータを求め
る方法
焦点距離,光学中心,レンズ歪
位置,姿勢
OpenCVに実装あり
カメラキャリブレーション 31
RGB,IRカメラの内部パラメータ
焦点距離,光学中心,レンズ歪
外部パラメータ
RGBカメラ-IRカメラ間
多視点カメラ間(RGB-RGB間)
• RGBーIR間,多視点間は,ステレオキャリブレーション関数を使
えばOK
IRカメラ,デプスマップ間
• キャリブレーションで得たIRカメラのXYZ座標とデプスマップの
XYZ座標は異なる.
キャリブレーションすべきパラメータ 32
GetDepthCameraIntrinsics
内部パラメータを取得
GetDepthFrameToCameraSpaceTable
デプスをRGB画像へ飛ばす
Kinect for Windowsの関数群 33
実は簡単? 34
理想的には,すてべのKinectにおいて,RGBカメラに
デプスマップをマップした後,RGBカメラ間の多視点
カメラキャリブレーションをすれば,完了.
※ただし,誤差がひどい(なんで?)
Camera Setup 35
IR画像を用いて2台のKinectをキャリブレーション
し,デプスマップを使って反対側の画像へ射影
RGB画像上にデプスマップをKinectの関数を使って
マップし,RGB画像を用いて2台ののKinectをキャ
リブレーションし,マップされたデプスマップを
使って反対側の画像へ射影
キャリブレーション環境 36
左カメラ(IR) 37
右カメラ(IR) 38
左カメラ(RGB) 39
右カメラ(RGB) 40
センサとキャリブレーション結果のずれ 41
y = 1.0261x + 2.5975
1000
1500
2000
2500
1000 1500 2000 2500
キャリブレーションのz値
センサのz値
オフセットと定数倍のずれ.
XYZとRGBの値を持つ点群データ
画像上にRGB-Dのデータがあれば変換可能
デプスマップをRGB画像の座標系へレジストレーション
する必要性
解像度変換:512x424 →FullHD
位置あわせ:視点位置を合わせる
ー懸念事項ー
レジストレーション&アップサンプルは
いつするの?
ポイントクラウド 42
取得直後にレジストレーション
XYZRGBを圧縮(24bit(色)+96bit(座標)の情報)
• 符号化効率は最悪といって良い
• PCLの圧縮はただのサブサンプル
通信後にレジストレーションとアップサンプル
RGB画像とデプスマップを圧縮
• 符号化効率は最大
• サーバでレジストレーションとアップサンプルをする必要性
取得後にレジストレーションだけ
レジストレーション+穴埋めをして符号化
サーバ側でアップサンプル
• 上記よりも負荷分散に優れ符号化効率も問題ない
レジストレーションと符号化効率 43
RGB画像
モーションJPEGで圧縮
デプスマップ
1. RGB視点にレジストレーション(後述)
2. 穴埋め
3. DPCM+LZ4で圧縮
4. 高解像度ガイド情報付のアップサンプル
ポイントクラウド符号化の手順 44
デプスマップの解像度をRGB画像の大きさに拡大
デプスマップの特性を失わないように拡大
輪郭がぼけない
RGBの輪郭はエッジと一致
NN Upsampling
ただの最近傍法.2ms.KinectV2のマッピングはこれ.
Joint Bilateral Upsampling
RGB画像の情報をガイドにしてエッジ保持をした拡大
アップサンプル 45
Joint Bilateral Upsampling 46
高解像度の色情報をガイド
にして補間する値を決定
処理速度 40ms(CPU)
 RGB画像が57.2Mbps
デプスマップが66.7Mbps
1000/(57.2+66.7)≒8台
1GbEで何台までいける? 47
※1Gbpsの理論値に近いスペックがでるNICは非常に高い
ボトルネックは
デコードとアップサンプル時間
帯域は圧縮により,結構な台数を連結可能
RGB画像1枚:11.2ms
デプスマップ1枚:1.3ms+40ms
すべてシングルコア処理
8コアのマシンであれば,理想的に分割されるとしても5
台までしか処理不可能
GPUでアップサンプラーを作る必要性
クライアントで半分,サーバーで残りをアップサンプル
するとか?
NN upsampleなら可能
計算時間見積もり 48
負荷をどこにかけるか考えよう
圧縮
アップサンプル
レンダリング
キャリブレーション
なんでずれてるんでしょう?
• TOFのデプス“値”のレンズディストーションって,どうなる
のが正しいのでしょうか?
• エッジが歪むのはわかるのですが,値自体も曲がるのでしょ
うか?
まとめ 49
50
マウスとキーボードのネットワーク共有ソフト
http://synergy-project.org/?hl=ja
2画面ディスプレイのように複数台のマシンを使用可能
隣の画面にマウスを持っていけば隣のマシンのウィン
ドウを操作可能
いろんなOSを混ぜることも可能!
• クライアントWindows 8 サーバーLinuxな環境も
Synergy 51
左で右のマシン“も“操作可能
LAN
そのままキャプチャすると左右反転 52

Mais conteúdo relacionado

Mais procurados

[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...Deep Learning JP
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)Toru Tamaki
 
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)Takuya Minagawa
 
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Kazuyuki Miyazawa
 
[DL輪読会]Real-Time Semantic Stereo Matching
[DL輪読会]Real-Time Semantic Stereo Matching[DL輪読会]Real-Time Semantic Stereo Matching
[DL輪読会]Real-Time Semantic Stereo MatchingDeep Learning JP
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII
 
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)Tomohiro Motoda
 
SfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてSfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてRyutaro Yamauchi
 
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理Toru Tamaki
 
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)Masaya Kaneko
 
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介Ryohei Ueda
 
Mixed Reality Toolkit V3について
Mixed Reality Toolkit V3についてMixed Reality Toolkit V3について
Mixed Reality Toolkit V3についてTakahiro Miyaura
 
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Kazuyuki Miyazawa
 
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Yamato OKAMOTO
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量についてla_flance
 
Mask-RCNNを用いたキャベツの結球認識
Mask-RCNNを用いたキャベツの結球認識Mask-RCNNを用いたキャベツの結球認識
Mask-RCNNを用いたキャベツの結球認識Masahiro Tsukano
 

Mais procurados (20)

[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
[DL輪読会]VoxelPose: Towards Multi-Camera 3D Human Pose Estimation in Wild Envir...
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
 
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)
 
IROS2020 survey
IROS2020 surveyIROS2020 survey
IROS2020 survey
 
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
Depth from Videos in the Wild: Unsupervised Monocular Depth Learning from Unk...
 
[DL輪読会]Real-Time Semantic Stereo Matching
[DL輪読会]Real-Time Semantic Stereo Matching[DL輪読会]Real-Time Semantic Stereo Matching
[DL輪読会]Real-Time Semantic Stereo Matching
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
 
三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)三次元表現まとめ(深層学習を中心に)
三次元表現まとめ(深層学習を中心に)
 
SfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてSfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法について
 
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
3次元レジストレーションの基礎とOpen3Dを用いた3次元点群処理
 
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
 
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
三次元点群処理ライブラリPCLと 統合ロボットシステム研究での 利用例の紹介
 
Mixed Reality Toolkit V3について
Mixed Reality Toolkit V3についてMixed Reality Toolkit V3について
Mixed Reality Toolkit V3について
 
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)
 
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
 
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量について
 
Mask-RCNNを用いたキャベツの結球認識
Mask-RCNNを用いたキャベツの結球認識Mask-RCNNを用いたキャベツの結球認識
Mask-RCNNを用いたキャベツの結球認識
 
PCL
PCLPCL
PCL
 
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
 

Semelhante a 複数台のKinectV2の使い方

すごいぞ!KinectV2!!
すごいぞ!KinectV2!!すごいぞ!KinectV2!!
すごいぞ!KinectV2!!Kotaro Yoshimoto
 
Kinect導入講座
Kinect導入講座Kinect導入講座
Kinect導入講座nitmic
 
3次元計測とフィルタリング
3次元計測とフィルタリング3次元計測とフィルタリング
3次元計測とフィルタリングNorishige Fukushima
 
Kinect深度情報処理入門
Kinect深度情報処理入門Kinect深度情報処理入門
Kinect深度情報処理入門伸男 伊藤
 
ViEW2013 「SS-01 画像センサと応用事例の紹介」
ViEW2013 「SS-01 画像センサと応用事例の紹介」ViEW2013 「SS-01 画像センサと応用事例の紹介」
ViEW2013 「SS-01 画像センサと応用事例の紹介」Tsukasa Sugiura
 
わんくまT84 kinect深度情報処理入門
わんくまT84 kinect深度情報処理入門わんくまT84 kinect深度情報処理入門
わんくまT84 kinect深度情報処理入門伸男 伊藤
 
KinectプログラミングStepByStep
KinectプログラミングStepByStepKinectプログラミングStepByStep
KinectプログラミングStepByStep信之 岩永
 
Kinectプログラミング Step by Step
Kinectプログラミング Step by StepKinectプログラミング Step by Step
Kinectプログラミング Step by StepAkira Hatsune
 
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NX
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NXNVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NX
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NXAya Owosekun
 
IoTLT Kumamoto vol3
IoTLT Kumamoto vol3IoTLT Kumamoto vol3
IoTLT Kumamoto vol3Syota Yano
 
続・Kinect v2を通してMicrosoft技術を考える
続・Kinect v2を通してMicrosoft技術を考える続・Kinect v2を通してMicrosoft技術を考える
続・Kinect v2を通してMicrosoft技術を考えるYuki Igarashi
 
Windows10 IoT CoreとBLE
Windows10 IoT CoreとBLEWindows10 IoT CoreとBLE
Windows10 IoT CoreとBLEKenta IDA
 
Kinect演習#01課題編
Kinect演習#01課題編Kinect演習#01課題編
Kinect演習#01課題編Akihiko Shirai
 
2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育NVIDIA Japan
 
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発K Kimura
 
Mastering open cv kinectv1 marker based ar
Mastering open cv kinectv1 marker based arMastering open cv kinectv1 marker based ar
Mastering open cv kinectv1 marker based arSatoshi Fujimoto
 

Semelhante a 複数台のKinectV2の使い方 (20)

すごいぞ!KinectV2!!
すごいぞ!KinectV2!!すごいぞ!KinectV2!!
すごいぞ!KinectV2!!
 
Kinect for Windows v2
Kinect for Windows v2Kinect for Windows v2
Kinect for Windows v2
 
Kinect導入講座
Kinect導入講座Kinect導入講座
Kinect導入講座
 
3次元計測とフィルタリング
3次元計測とフィルタリング3次元計測とフィルタリング
3次元計測とフィルタリング
 
Kinect深度情報処理入門
Kinect深度情報処理入門Kinect深度情報処理入門
Kinect深度情報処理入門
 
ViEW2013 「SS-01 画像センサと応用事例の紹介」
ViEW2013 「SS-01 画像センサと応用事例の紹介」ViEW2013 「SS-01 画像センサと応用事例の紹介」
ViEW2013 「SS-01 画像センサと応用事例の紹介」
 
わんくまT84 kinect深度情報処理入門
わんくまT84 kinect深度情報処理入門わんくまT84 kinect深度情報処理入門
わんくまT84 kinect深度情報処理入門
 
KinectプログラミングStepByStep
KinectプログラミングStepByStepKinectプログラミングStepByStep
KinectプログラミングStepByStep
 
Kinectプログラミング Step by Step
Kinectプログラミング Step by StepKinectプログラミング Step by Step
Kinectプログラミング Step by Step
 
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NX
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NXNVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NX
NVIDIA Jetson Edge Computing Digital Seminar Special Edition, JETSON XAVIER NX
 
Kinect
KinectKinect
Kinect
 
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
 
IoTLT Kumamoto vol3
IoTLT Kumamoto vol3IoTLT Kumamoto vol3
IoTLT Kumamoto vol3
 
続・Kinect v2を通してMicrosoft技術を考える
続・Kinect v2を通してMicrosoft技術を考える続・Kinect v2を通してMicrosoft技術を考える
続・Kinect v2を通してMicrosoft技術を考える
 
Windows10 IoT CoreとBLE
Windows10 IoT CoreとBLEWindows10 IoT CoreとBLE
Windows10 IoT CoreとBLE
 
Kinect演習#01課題編
Kinect演習#01課題編Kinect演習#01課題編
Kinect演習#01課題編
 
2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育
 
Tokyo Motion Network
Tokyo Motion NetworkTokyo Motion Network
Tokyo Motion Network
 
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発
IoTデバイスと簡単に連携できる統合開発&配信環境 Bluemix を使ったゲーム開発
 
Mastering open cv kinectv1 marker based ar
Mastering open cv kinectv1 marker based arMastering open cv kinectv1 marker based ar
Mastering open cv kinectv1 marker based ar
 

Mais de Norishige Fukushima

計算スケジューリングの効果~もし,Halideがなかったら?~
計算スケジューリングの効果~もし,Halideがなかったら?~計算スケジューリングの効果~もし,Halideがなかったら?~
計算スケジューリングの効果~もし,Halideがなかったら?~Norishige Fukushima
 
多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化Norishige Fukushima
 
計算機アーキテクチャを考慮した高能率画像処理プログラミング
計算機アーキテクチャを考慮した高能率画像処理プログラミング計算機アーキテクチャを考慮した高能率画像処理プログラミング
計算機アーキテクチャを考慮した高能率画像処理プログラミングNorishige Fukushima
 
デプスセンサとその応用
デプスセンサとその応用デプスセンサとその応用
デプスセンサとその応用Norishige Fukushima
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないことNorishige Fukushima
 
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...Norishige Fukushima
 
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...Norishige Fukushima
 
コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎Norishige Fukushima
 
マルチコアを用いた画像処理
マルチコアを用いた画像処理マルチコアを用いた画像処理
マルチコアを用いた画像処理Norishige Fukushima
 
ガイデットフィルタとその周辺
ガイデットフィルタとその周辺ガイデットフィルタとその周辺
ガイデットフィルタとその周辺Norishige Fukushima
 
Popcntによるハミング距離計算
Popcntによるハミング距離計算Popcntによるハミング距離計算
Popcntによるハミング距離計算Norishige Fukushima
 
コンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィコンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィNorishige Fukushima
 
OpenCVの拡張ユーティリティ関数群
OpenCVの拡張ユーティリティ関数群OpenCVの拡張ユーティリティ関数群
OpenCVの拡張ユーティリティ関数群Norishige Fukushima
 
組み込み関数(intrinsic)によるSIMD入門
組み込み関数(intrinsic)によるSIMD入門組み込み関数(intrinsic)によるSIMD入門
組み込み関数(intrinsic)によるSIMD入門Norishige Fukushima
 

Mais de Norishige Fukushima (17)

画像処理の高性能計算
画像処理の高性能計算画像処理の高性能計算
画像処理の高性能計算
 
計算スケジューリングの効果~もし,Halideがなかったら?~
計算スケジューリングの効果~もし,Halideがなかったら?~計算スケジューリングの効果~もし,Halideがなかったら?~
計算スケジューリングの効果~もし,Halideがなかったら?~
 
多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化
 
計算機アーキテクチャを考慮した高能率画像処理プログラミング
計算機アーキテクチャを考慮した高能率画像処理プログラミング計算機アーキテクチャを考慮した高能率画像処理プログラミング
計算機アーキテクチャを考慮した高能率画像処理プログラミング
 
デプスセンサとその応用
デプスセンサとその応用デプスセンサとその応用
デプスセンサとその応用
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
 
Libjpeg turboの使い方
Libjpeg turboの使い方Libjpeg turboの使い方
Libjpeg turboの使い方
 
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...
Comparison between Blur Transfer and Blur Re-Generation in Depth Image Based ...
 
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...
Non-essentiality of Correlation between Image and Depth Map in Free Viewpoin...
 
コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎
 
マルチコアを用いた画像処理
マルチコアを用いた画像処理マルチコアを用いた画像処理
マルチコアを用いた画像処理
 
ガイデットフィルタとその周辺
ガイデットフィルタとその周辺ガイデットフィルタとその周辺
ガイデットフィルタとその周辺
 
Popcntによるハミング距離計算
Popcntによるハミング距離計算Popcntによるハミング距離計算
Popcntによるハミング距離計算
 
コンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィコンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィ
 
OpenCVの拡張ユーティリティ関数群
OpenCVの拡張ユーティリティ関数群OpenCVの拡張ユーティリティ関数群
OpenCVの拡張ユーティリティ関数群
 
WebP入門
WebP入門WebP入門
WebP入門
 
組み込み関数(intrinsic)によるSIMD入門
組み込み関数(intrinsic)によるSIMD入門組み込み関数(intrinsic)によるSIMD入門
組み込み関数(intrinsic)によるSIMD入門
 

複数台のKinectV2の使い方