最近在公司做深度数据处理，申购了一台KINECT传感器。首先来看看这个传感器有什么特点。

微软官方的说明文档提到，该传感器有两种模式，一种是缺省模式，另一种是近距离模式。二者的区别见下图：

缺省模式下，有效探测距离 0.8~4.0 m

近距模式下，有效探测距离 0.4~3.0 m

摄像头返回的图像每个像素表示该点距离摄像头的距离，单位为mm。但实际上随着距离的增加，探测精度会降低。

对有效范围内的深度0.5m~3.5m进行直方图统计：

最上面的是深度场景图像，采用PrimeSense示例中的可视化方法显示。下面三副图像依次为 0.5~1.5m、 1.5~2.5m、2.5~3.5m范围内以mm为单位的直方图。

可以明显看到在第一幅图中，直方图直接的间隔很小，几乎是紧密相依的，下面两幅间隔越来越大。说明深度跨度越来越大，也就是测量精度越来越低。两个相邻的深度级别相差越大。

在深度2.5m处，深度相差18mm，在深度为3.5m处，相邻深度相差35mm。

看到这里你就知道为啥微软老大的识别中把手当做一个点进行识别，没有把手指都识别出来。

 表3.1 各采样点动态范围（单位mm）

采样点编号

坐标

最小深度

最大深度

动态范围

比率

1

570,180

1904

1936

32

1.68%

2

460,130

3046

3101

55

1.81%

3

630,200

1581

1611

30

1.89%

4

136,138

3583

3659

76

2.12%

5

600,24

1768

1814

46

2.60%

对于静止点，深度值存在一定的波动，距离近的点波动幅度相对较小，距离越远的幅度越大，在3.5m范围内，通常波动范围一般小于3%。

在边缘点处，波动范围可能较大，超过该值。

静止点的深度变化比较随机，并不符合正态分布。

顺便说一句，如果想从深度图像中进行前景和背景分割，混合高斯模型这种算法是不合适的。