OpenNI 1.5.4.0 技术文档
2024-12-23 07:05:43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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
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++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.69 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
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
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143