2007年crv規格的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

即時人體動作辨識系統之特徵點萃取架構設計

為了解決2007年crv規格的問題，作者顏君庭 這樣論述：

電腦視覺的相關研究已經進行多年，結合了機器學習演算法的幫助，電子產品能夠自動從網路等大量資料庫學習有用的知識，進行自我校正與進步。電腦視覺與機器學習的結合帶來許多不同的應用，使我們的生活更加迅捷與方便。電腦視覺的終極目標是發明一個智慧型機器人，使得此機器人能夠和具有與一般人無異的感知與互動。我們認為要達到此目標的第一步則是：使得機器能夠解讀動態影片背後所代表的實質意義。與靜態影像相比，擁有時空資訊的動態影片往往蘊含更多的知識。因此，人體動作辨識的應用則成為機器人視覺最重要的基礎之一。然而動態影片所包含的各種變化卻也大幅增加了分析的難度，許多研究學者專注於提高動作辨識的準確度。在過去的研究中，

從動態影片中取出特徵值的演算法依然太過複雜以致於難以達到即時。在此論文中，我們首先介紹一些電腦視覺的基礎應用以及不同特徵點萃取的方法。比較這些演算法的優缺點後，我們選擇使用區域時空特徵法來萃取特徵點以用於動作辨識。考量到系統的效率以及準確度，我們使用MoFREAK特徵點萃取演算法來描述含有動作的影片。MoFREAK特徵點萃取法分別利用FREAK特徵來描述動作的靜態資訊、MIP特徵來描述動作的動態資訊。接著我們基於此演算法設計出一個硬體架構，並利用區塊性特徵點的技巧來節省架構頻寬、提升硬體效能。經過硬體架構之優化，我們所提出之硬體架構於TSMC 40 nm製成之電路合成結果達到即時運算的規格，為

工作頻率200 MHz影片解析度為full HD (1920╳1080)，且只需要約1100 K 邏輯閘數目及7.9 Kbytes記憶體。此外，藉由我們所提出的區塊性特徵點技巧將鄰近的特徵點包裝起來再進行運算，可以提供1.2 K個區塊性特徵點於120幀率且頻寬為417.6 Mbytes/sec、0.5 K個區塊性特徵點於240幀率且頻寬為835.2 Mbytes/sec。上述的可提供的至多區塊性特徵點及幀率皆假設為最差的情況，也就是區塊性特徵點中的10個特徵點都符合特徵點皆需要進行描述。因此若是在一般情形，於相同的幀率我們的硬體架構可提供的至多區塊性特徵點數量可以再往上提升。

基於Kinect多媒體系統之即時手勢追蹤演算法及其硬體架構設計

為了解決2007年crv規格的問題，作者郭民偉 這樣論述：

這幾年手勢辨識的趨勢已經逐漸取代一些普通的控制介面，現今已漸漸使用在各種裝置上面，如Samsung的Smart TV、remote control、Slide show control等。稱之為人機介面(Human-Computer interface(HCI)。過去有許多類似的研究用複雜的演算法達到手部追蹤的效果。但我們現在有更好的選擇在此應用上面。我們提出的演算法，在於我們同時擁有深度圖(Depth Map Image)以及彩度圖(Color Image)，透過 OpenNI從Microsoft Kinect for XBOX 360即時截取下來，以及透過我們的演算法即時處理將手部位置計

算出來。我們所提出了一個以硬體為導向的演算法，主要是針對單人以及單手使用，我們的演算法主要分成兩部分。在我們的第一部分我們希望使用者在使用範圍內揮手對我們的系統做一個初始化的動作，藉由此動作我們可以大概估算出我們使用者的深度值(即對攝影機之距離)。在我們的第二部分在這邊使用者可以在我們的使用範圍裏面移動並去做一個指令辨識的動作去操作我們的多媒體系統。一開始先將我們的一般2D彩色影像分隔成一個一個8*8的區塊，然後再去對我們的前一張彩度影像去做一個相減的動作，得出來的差異值在去做直方圖統計，用此方式可以得到我們移動物體的邊緣，然後得到移動物件的區塊，再去對我們的移動區塊去做一個深度值的累加最後得

到移動物件的深度值去對我們的物件深度去做一個更新的動作。然後再去對我們的物件經過皮膚過濾之後得到人臉以及人手再去根據人手的深度值做二元化，最後再經過一個改良快速中值濾波器將一些零星雜訊去除，最後得到我們的手部二元圖。在辨識指令方面，我們使用一個手掌向前快速推的動作去驅動指令辨識的初始化來避免錯誤偵測。軟體展示視窗部分我是使用OpenCV 函式庫來做為我們的GUI介面。因軟體處理時間過長，故本論文欲使用硬體加速達成即時處理。硬體架構設計方面，本論文對我們提出的演算法再做簡化，減少所需暫存的資料量與複雜的運算以利硬體實作；我們提出規格為每秒30張畫面，640x480解析度，一點平行度之手勢追蹤架構

電路，運作頻率為47.6MHz。