Blog

首先，什麼是 OpenNI？他是「Open Natural Interaction」的縮寫，大致上可以翻譯為「開放式自然操作」；而所謂的 NI 又包含哪些東西呢？OpenNI 對自然操作（Natural Interaction，以下簡稱 NI）的定義包含了「語音」、「手勢」、「身體動作」等等，基本上就是比較直覺、操作者身上不需要其他特殊裝置的操作方式了。

OpenNI 本身則是定義了撰寫自然操作程式所需要的 API，提供一個多語言（主要是 C/C ）、跨平台的 framework；藉此提供了一個標準的介面，讓程式開發者要使用視覺、聲音相關感應器，以及對於這些資料、分析的中介軟體（middleware）時，可以更為方便。

下方則是 OpenNI 的基本架構圖：

上面的架構圖基本上分為三層，最上層是應用程式（Application），也就是我們這些程式開發者自己要撰寫的部分；最下方的一層則是硬體的部分，目前 OpenNI 支援的硬體，包含了：3D Sensor、RGB Camera、IR Camera、Audio Device 這四類。不過以目前來說，會用 OpenNI 的人，主要應該就是用 Kinect 了∼而如果能有對應的驅動程式的話，其他類似的裝置，應該也是有機會可以讓 OpenNI 來存取的。

而中間這層就是 OpenNI 的部分，他除了負責和硬體的溝通外，也在自身內部預留了加上中介軟體（middleware）的空間，可以用來做手勢辨識、或是追蹤之類的處理。OpenNI 目前在 middleware 的部分，定義了下面四種元件：

• 全身分析（Full body analysis）

  由感應器取得的資料，產生身體的相關資訊，例如關節、相對位置與角度、質心等等。

• 手部分析（Hand point analysis）

  追蹤手的位置。

• 手勢偵測（Gesture detection）

  辨識預先定義好的手勢，例如揮手。

• 場景分析（Scene Analyzer）

  分析場景內的資訊，例如：分離前景和背景、地板的座標軸、辨識場景內的不同物體。

目前 PrimeSense 也已經提供了一套 NITE 當作最主要的 middleware、提供上面所列的功能；而如果有更進階的需求的話，應該也可以自己寫一套相容於 OpenNI 的 middleware 來使用。當然，也希望以後會有其他軟體廠商投入這塊來開發了。

在 OpenNI 裡，他定義了所謂的「Production Node」來代表內部的基本單元，包括了硬體部分的感應器，以及 OpenNI 所提供的功能；這些 production node 分為下面三大類／層：

1. 感應器相關（Sensor Related）Production Nodes

   • 裝置（Device） ：代表實體裝置的節點，主要是用來做這些設備的設定。
   • 深度產生器（Depth Generator）：產生深度資訊圖（depth-map）的節點。
   • 影像產生器（Image Generator）：產生彩色影像圖（colored image-maps）的節點。
   • 紅外線影像產生器（IR Generator）：產生紅外線影像圖（IR image-maps）的節點。
   • 聲音產生器（Audio Generator）：產生聲音串流（audio stream）的節點。

2. 中介軟體相關（Middleware Related）Production Nodes

   • 手勢通知產生器（Gestures Alert Generator）：當辨識到特定的手勢時，呼叫應用程式的 callback。
   • 場景分析器（Scene Analyzer）：分析場景，包括分離前景與背景、識別場景內的不同物體、偵測地板。他主要的輸出會是標記過的深度資訊圖（labeled depth map）。
   • 手部位置產生器（Hand Point Generator）：支援手部偵測與追蹤，當偵測到手、或追蹤手的位置時，會產生一個通知訊息。
   • 使用者產生器（User Generator）：產生一個 3D 場景中完整、或局部的身體資訊。

3. 錄製／撥放

   • 錄製器（Recorder）：用來記錄資料用的。
   • 撥放器（Player）：讀取記錄下來的資料，並撥放出來。
   • 編解碼器（Codec）：用來壓縮、解壓縮紀錄資料。

上面這些 Production Node 基本上都是會由不同的模組各自實作的。像是以感應器相關的部分，就是會由 OpenNI 相容的裝置提供，以目前來說，主要就是 Kinect 的驅動程式會提供這深度、影像產生的功能。而中介軟體相關的部分，則是由不同的 middleware 各自提供；不過目前的來源應該也只有 NITE 就是了。

在層級上，感應器相關的 production node 算是最底層的，由於去直接存取設備的資料，所以應用程式可以直接使用這類的 production node。而中介軟體相關的 production node 由於是靠感應器的資料來做處理的，所以他們的層級則比感應器的高一層、必須要在有感應器相關的 production node 的情況下才可以使用。

而在有了上面的這些 Production Node 後，就可以透過組合這些節點來建立所謂的「Production Chain」，並以此進行資料的處理流程。比如說要產生使用者的資料的話，就是會透過「使用者產生器」（User Generator）去存取更低層的「深度產生器」（Depth Generator）；而這樣的一個節點序列，就是所謂的「Production Chain」。

• 替換視角（Alternative View）

  讓各類型的 map generator（深度、影像、紅外線） 可以轉換到別的視角，就好像攝影機在別的位置一樣。這個功能可以快速地替不同的感應器產生的內容作對位。

• 裁切（Cropping）

  讓各類型的 map generator（深度、影像、紅外線） 輸出結果可以被裁切、降低解析度；例如：VGA 可以裁切成 QVGA。這對效能的增進很有用。

• 畫面同步（Frame Sync）

  讓兩個感應器產生結果同步化，藉此可以同步取得不同感應器的資料。

• 鏡像（Mirror）

  把產生的結果鏡像（左右顛倒）。

• 姿勢偵測（Pose Detection）

  讓「使用者產生器（User Generator）」可以偵測出使用者特定的姿勢。

• 骨架（Skeleton）

  讓「使用者產生器（User Generator）」可以產生使用者的骨架資料。包含骨架關節的位置、並包含追蹤骨架位置和使用者校正的能力。

• 使用者位置（User Position）

  讓「深度產生器（Depth Generator）」可以針對指定的場景區域、最佳化輸出的深度影像。

• 錯誤狀態（Error State）

  讓節點可以回報他本身的錯誤狀態。

• Lock Aware

  讓節點可以在 context 範圍外被鎖定。詳見《Sharing Devices between Applications and Locking Nodes》。

基本上，這些 capability 許多都是只針對特定的 Production Node 才會有的（例如 skeleton 就只有 user 這類的 node 可能有）；而至於那些 Production Node 有哪些 capability 呢，就是要看更細一部的資料才會知道了∼