A. Human Leg SegmentationThe raw 3D

A. Human Leg Segmentation
The raw 3D point cloud from the depth sensor contains redundant information in the dynamic and uncertain environment.
For instance, the background and floor may cause failure to detect the users lower limbs. Therefore, we apply two filters to
extract the foreground based on the empirical principles. First,
the 3D points are filtered as the background if their depth values
are greater than 120 cm, since the foreground users will move
most likely within the region which is a half circle centered at
the walker with radius equal to 120 cm. Second, we adopt the
Random Sample Consensus (RANSAC) algorithm to subtract
the floor plane. The RANSAC algorithm is an iterative method
to estimate the parameter of the randomly generated 3D plane
model from the n observed raw 3D point cloud. To capture the
floor, we try to obtain the generated plane model which has the
maximum inliers (number of 3D points) which are closest with
distance to the plane model. After the estimated plane model is
obtained and subtracted, the left 3D data point set is extracted
and considered as foreground. Note that we assume the floor is
flat and clear, and thus floor capturing is proposed only when
the system initializes. Finally, the foreground 3D data are con-
sidered in association with the users lower limbs.
For separating the left and the right legs, Vertical Projection
Histogram (VPH) facilitates us to locate the center of the lower
limb. For deriving VPH in our work, the depth image is first
convertedtoabinaryimage,whichisthenmappedtoaone-di-
mensional histogram, where the value of the histograms corre-
spond to the sum of white pixels along the y-axis. Referring to
Fig. 2, where Fig. 2(a) is the binary image converted from depth
image, and is actually the location of the valley (middle)
between the first and the second peaks, as shown in Fig. 2(b),
namely, vertical projection histogramof the binary image. Thus,
the x-coordinate of center defines a vertical line in the bi-
nary image of lower limbs which clearly separates the left leg
and the right leg, as shown in Fig. 2(a).

ผลลัพธ์ (ไทย) 1:

A. มนุษย์แบ่งCloud จุด 3D ดิบจากเซ็นเซอร์ความลึกสามารถมองเห็นข้อมูลที่ซ้ำซ้อนในสภาพแวดล้อมแบบไดนามิก และไม่แน่ใจเช่น พื้นหลังและ floor อาจทำให้ล้มเหลวในการตรวจสอบผู้ใช้ลดลงแขนขา ดังนั้น เราใช้ฟิลเตอร์สองไปแยกเบื้องหน้าตามหลักการเชิงประจักษ์ ครั้งแรกคะแนน 3D จะ filtered พื้นหลังถ้าค่าความลึกมีมากกว่า 120 ซม. ตั้งแต่ผู้ใช้หน้าจะย้ายมากที่สุดในภูมิภาค ซึ่งเป็นครึ่งวงกลมศูนย์กลางที่วอล์คเกอร์ มีรัศมีเท่ากับ 120 ซม. ที่สอง เรานำการอัลกอริทึมอย่างฉันทามติ (RANSAC) แบบสุ่มเพื่อลบเครื่องบิน floor อัลกอริทึม RANSAC เป็นวิธีการซ้ำการประมาณพารามิเตอร์ของเครื่องบิน 3D ที่สร้างขึ้นแบบสุ่มแบบจำลองจาก cloud n สังเกตจุด 3D ดิบ การจับการfloor เราพยายามรับแบบเครื่องบินที่สร้างขึ้นซึ่งมีการinliers สูงสุด (จำนวนคะแนน 3D) ซึ่งใกล้เคียงกับระยะทางแบบจำลองเครื่องบิน หลังจากเครื่องบินประมาณ รูปแบบคือได้ และหักออก การตั้งค่าจุดข้อมูล 3D ซ้ายสกัดและพิจารณาเป็นเบื้องหน้า หมายเหตุว่า เราถือว่า เป็นการ floorflat และชัดเจน จึงจับ floor เป็นการนำเสนอ และเมื่อระบบเริ่มต้น สุดท้าย ข้อมูล 3D พื้นมีคอน-ความร่วมกับแขนขาล่างของผู้ใช้แยกไปทางซ้ายและขาขวา ฉายภาพแนวตั้งฮิสโตแกรม (VPH) ช่วยให้เราค้นหาศูนย์กลางของการขา สำหรับบริษัทฯ VPH ในงานของเรา ภาพความลึกอยู่เลยconvertedtoabinaryimage, whichisthenmappedtoaone-di -ฮิสโตแกรม mensional ซึ่งค่าของฮิสโตแกรมคอร์ -spond ผลรวมของพิกเซลสีขาวตามแนวแกน y อ้างอิงถึง2 รูป รูปแบบไบนารีรูป 2(a) แปลงจากความลึกภาพ และเป็นจริงที่ตั้งของหุบเขา (กลาง)ระหว่างแรกและยอดที่สอง ดังที่แสดงในรูป 2(b)คือ ฉายภาพแนวตั้ง histogramof ภาพไบนารี ดังนั้นพิกัด x ของศูนย์ defines แนวสอง-ภาพแขนขาล่างไม่ชัดเจนแยกขาซ้ายและ ขาขวา แสดงไว้ในรูป 2(a)

ผลลัพธ์ (ไทย) 2:

A. มนุษย์ขาแบ่งกลุ่ม
ดิบเมฆจุด 3 มิติจากเซ็นเซอร์ความลึกมีข้อมูลซ้ำซ้อนในสภาพแวดล้อมแบบไดนามิกและความไม่แน่นอน.
ยกตัวอย่างเช่นพื้นหลังและฟลอริด้า oor อาจก่อให้เกิดความล้มเหลวในการตรวจสอบผู้ใช้แขนขาที่ต่ำกว่า ดังนั้นเราจึงใช้สอง lters Fi เพื่อ
ดึงเบื้องหน้าบนพื้นฐานของหลักการเชิงประจักษ์ ครั้งแรกที่
จุด 3D จะ ltered Fi เป็นพื้นหลังถ้าค่าความลึกของพวกเขา
มากกว่า 120 ซม. ตั้งแต่ผู้ใช้เบื้องหน้าจะย้าย
ไปได้มากที่สุดในภูมิภาคซึ่งเป็นครึ่งวงกลมมีศูนย์กลางอยู่ที่
วอล์คเกอร์ที่มีรัศมีเท่ากับ 120 ซม. ประการที่สองเรานำมาใช้
ตัวอย่างสุ่มฉันทามติ (RANSAC) ขั้นตอนวิธีการลบ
เครื่องบินชั้น oor อัลกอริทึม RANSAC เป็นวิธีการที่กล่าวย้ำ
ในการประมาณค่าพารามิเตอร์ของเครื่องบินที่สร้างแบบสุ่ม 3 มิติ
โมเดลจาก n สังเกตเมฆจุด 3D ดิบ ในการจับภาพ
oor FL, เราพยายามที่จะได้รับรูปแบบการสร้างเครื่องบินที่มี
inliers สูงสุด (จำนวนของจุด 3D) ซึ่งจะใกล้เคียงกับ
ระยะทางไปยังรูปแบบเครื่องบิน หลังจากที่เครื่องบินรุ่นโดยประมาณ
ที่ได้รับและหักออกซ้าย 3D ชุดข้อมูลจุดสกัด
และถือว่าเป็นเบื้องหน้า โปรดทราบว่าเราคิดชั้น oor มีที่
ฟลอริด้าที่และชัดเจนและฟลอริด้าจึงจับ oor เสนอเฉพาะเมื่อ
เริ่มต้นทำงานของระบบ ในที่สุดข้อมูล 3D เบื้องหน้ามีง
ดูเสมือนในการเชื่อมโยงกับผู้ใช้แขนขาที่ต่ำกว่า.
แยกซ้ายและขาขวาในแนวตั้งฉาย
Histogram (VPH) อำนวยความสะดวกในการค้นหาตำแหน่งของเราเป็นศูนย์กลางของการลด
แขนขา สำหรับ deriving VPH ในการทำงานของเราภาพลึกแรก
convertedtoabinaryimage, whichisthenmappedtoaone-ดิ
histogram mensional ที่มูลค่าของ histograms ที่นั้นคือแต่ละ
spond ผลรวมของพิกเซลสีขาวตามแนวแกน Y หมายถึง
รูป 2 ซึ่งรูป 2 (ก) เป็นภาพไบนารีดัดแปลงมาจากความลึก
ของภาพและเป็นจริงสถานที่ตั้งของหุบเขา (กลาง) เดอะ
ระหว่าง RST fi และยอดเขาที่สองดังแสดงในรูป 2 (B)
คือการฉายภาพในแนวตั้ง histogramof ภาพไบนารี ดังนั้น
พิกัด x ของศูนย์ Fi NES เส้นแนวตั้งใน BI-
ภาพของแขนขาลดลงอย่างเห็นได้ชัดซึ่งแยกขาซ้าย nary
และขาขวาดังแสดงในรูป 2 (ก)

ผลลัพธ์ (ไทย) 3:

การตัดขาคน .จุด 3D ดิบเมฆจากอุปกรณ์วัดความลึกมีข้อมูลซ้ำซ้อนในแบบไดนามิกและสภาพแวดล้อมที่ไม่แน่นอนเช่น พื้นหลัง และflเกี่ยวกับอาจทำให้เกิดความล้มเหลวในการตรวจสอบผู้ใช้ แขนขาลดลง ดังนั้น เราจึงต้องใช้สอง ltersสารสกัดจากเบื้องหน้า ตามหลักเชิงประจักษ์ ครั้งแรก3D จุดจึง ltered เป็นฉากหลัง ถ้าค่าความลึกของพวกเขามากกว่า 120 เซนติเมตร ตั้งแต่เบื้องหน้าผู้ใช้จะย้ายมากที่สุดในภูมิภาคซึ่งเป็นครึ่งวงกลมตรงกลางที่วอล์คเกอร์ มีรัศมีเท่ากับ 120 cm ประการที่สอง เรา adoptจากตัวอย่างสุ่ม ( ransac ) วิธีลบการflเกี่ยวกับเครื่องบิน การ ransac ขั้นตอนวิธีเป็นวิธีการวนซ้ำการประมาณค่าพารามิเตอร์ของเครื่องบิน 3D ที่สร้างขึ้นแบบสุ่มรูปแบบจาก N สังเกตดิบ 3D เมฆจุด ไปจับflเกี่ยวกับ , เราพยายามที่จะรับสร้างโมเดลเครื่องบินซึ่งมีinliers สูงสุด ( จำนวนคะแนน 3D ) ซึ่งจะใกล้เคียงกับระยะทางกับเครื่องบินแบบ หลังจากประมาณเครื่องบินรุ่นได้รับและหักออก ด้านซ้ายตั้งจุดสกัด 3 มิติข้อมูลและถือว่าเป็นเบื้องหน้า หมายเหตุ ที่เราถือว่า flเกี่ยวกับคือflที่ชัดเจน จึงflเกี่ยวกับการจับเสนอเมื่อระบบ initializes . ในที่สุด เบื้องหน้าเป็นหลอก - 3D ข้อมูลsidered ร่วมกับผู้ใช้ลดแขนขาแยกซ้าย และขาขวา ตามแนวตั้งฮิสโตแกรม ( vph ) สะดวกเราเพื่อหาศูนย์กลางของกว่าแขนขา vph สำหรับใช้ในงานของเรา ภาพมีความลึกจึงตัดสินใจเดินทางconvertedtoabinaryimage whichisthenmappedtoaone , ตี้mensional ฮิสโตแกรม ซึ่งค่าฮิสโตแกรมโทรศัพท์ -spond กับผลรวมของพิกเซลสีขาวตามแนวแกน Y . หมายถึงรูปที่ 2 รูปที่ 2 ( ) เป็นภาพไบนารีแปลงจากความลึกภาพ และเป็นที่ตั้งของหุบเขา ( กลาง )ระหว่างจึงตัดสินใจเดินทางและยอดที่สอง ดังแสดงในรูปที่ 2 ( ข )คือ การฉายแนวตั้ง histogramof ภาพไบนารี ดังนั้นมีกลไกควบคุมควบคุมจากภายในของศูนย์ de จึงไม่เส้นแนวตั้งในบิ .ปัจจุบันภาพลักษณ์ของแขนขาลดลงที่ชัดเจนแยกขาซ้ายและขาขวา ดังแสดงในรูปที่ 2 ( ก )