OpenNI 1.5.4.0 技术文档
2024-12-23 00:29:37作者:宣海椒Queenly
1. 安装指南
1.1 Windows 安装
1.1.1 系统要求
- Microsoft Visual Studio 2010
- Python 2.6+/3.x
- PyWin32
- WIX 3.5
- JDK 6.0
1.1.2 可选要求
- Microsoft WDK(用于构建 USB 设备驱动)
- Doxygen 和 GraphViz(用于构建文档)
1.1.3 安装步骤
- 卸载之前的版本。
- 进入目录
Platform\Win32\CreateRedist。 - 运行脚本:
- 32 位系统:
RedistMaker.bat y 32 y - 64 位系统:
RedistMaker.bat y 64 y
- 32 位系统:
- 安装生成的
.exe文件,路径为Platform\Win32\CreateRedist\FinalXX\OPENNI-WinXX-1.X.X.X.exe。
1.2 Linux 安装
1.2.1 系统要求
- GCC 4.x
- Python 2.6+/3.x
- LibUSB 1.0.x
- FreeGLUT3
- JDK 6.0
1.2.2 可选要求
- Doxygen 和 GraphViz(用于构建文档)
- Mono(用于构建 Mono 包装器)
1.2.3 安装步骤
- 进入目录
Platform/Linux/CreateRedist。 - 运行脚本:
./RedistMaker。 - 进入目录
Platform/Linux/Redist。 - 运行脚本:
sudo ./install.sh。
1.3 MacOSX 安装
1.3.1 系统要求
- Xcode 4.3.2(适用于 MacOSX 10.7)
- Xcode 3.2.6(适用于 MacOSX 10.6)
- LibUSB 1.0.x(补丁开发树)
1.3.2 安装步骤
- 安装 Xcode 并注册为 Mac 开发者。
- 通过 MacPorts 或源码编译安装 LibUSB。
2. 项目使用说明
2.1 基本使用
- OpenNI 是一个开源的跨平台框架,用于处理深度摄像头数据。它提供了对深度图像、彩色图像和用户跟踪的支持。
- 用户可以通过 API 获取深度数据、彩色图像数据,并进行进一步的处理。
2.2 示例程序
- OpenNI 提供了多个示例程序,位于
Platform/Linux/Build或Platform/Win32/Build目录下。 - 用户可以通过运行这些示例程序来了解如何使用 OpenNI 获取和处理数据。
3. 项目 API 使用文档
3.1 核心 API
- NiSimpleViewer: 一个简单的示例程序,展示了如何获取和显示深度图像。
- NiUserTracker: 一个用户跟踪示例,展示了如何检测和跟踪用户。
3.2 数据获取
- OpenNI::Device: 用于打开和关闭设备。
- OpenNI::DepthGenerator: 用于获取深度数据。
- OpenNI::ImageGenerator: 用于获取彩色图像数据。
3.3 数据处理
- OpenNI::MapOutputMode: 用于设置输出模式(分辨率、帧率等)。
- OpenNI::DepthMetaData: 用于获取深度数据的元信息。
4. 项目安装方式
4.1 源码编译
- 用户可以从 GitHub 获取源码,并根据平台要求进行编译。
- 编译步骤详见
Build Notes部分。
4.2 二进制安装
- 用户可以直接下载二进制文件进行安装,路径为
http://www.openni.org/Downloads/OpenNIModules.aspx。
4.3 环境变量配置
- 安装完成后,系统会自动配置环境变量,用户也可以手动修改这些变量以指向开发目录。
通过以上文档,用户可以顺利安装、使用和了解 OpenNI 项目。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.85 K
Ascend Extension for PyTorch
Python
387
458
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
894
680
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
354
212
昇腾LLM分布式训练框架
Python
120
146
暂无简介
Dart
805
198
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781