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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust089- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
695
4.49 K
Ascend Extension for PyTorch
Python
559
684
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++
956
941
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
489
89
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
411
334
昇腾LLM分布式训练框架
Python
148
176
🎉 (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
1.6 K
936
Oohos_react_native
React Native鸿蒙化仓库
C++
338
387
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
139
220
暂无简介
Dart
940
236