- Lớp Top: là lớp biểu diển các phần mềm để thực hiện các ứng dụng tương tác tự nhiên.
- Lớp Middle: biểu diển Open NI, cung cấp các giao diện truyền thông với các cảm biến và Middleware, nó phân tích các dữ liệu từ cảm biến.
- Lớp Bottom: là các linh kiện để lấy các dữ liệu âm thanh hình ảnh từ mơi trường.
❖ Các đối tượng cần thiết của Open NI
- ScriptNode: Là đối tượng để load và chạy file XML, file XML là file cấu hình để tạo và xây dựng Production graph trong Open NI được Open NI tạo ra. - Context: Là không gian làm việc nơi ứng dụng xây dựng Productin graph của Open NI.
- DepthGenerator: Đây là một Node của Production graph được dùng để tạo ra hình ảnh chiều sâu, mỗi giá trị pixel là khoảng cách từ vật thể đến camera.
- UserGenerator: Đây cũng là một trong những Node của Production graph dùng để tạo ra dữ liệu để mô tả người sử dụng được phát hiện trong hình ảnh. - SkeletonCapability: Cho phép các node tạo ra một bộ xương đại diện cho từng người sử dụng.
- PoseDetectionCapability: Cho phép UserGenerator nhận ra khi người sử dụng ở trong những tư thế cụ thể.
- Point3D: Lấy tọa độ 3D (x, y, z) trong hình ảnh độ sâu.
2.2 Thuật toán rừng quyết định ngẫu nhiên - randomized decision forest 2.2.1 Cây quyết định: 2.2.1 Cây quyết định:
- Cây quyết định (Decision Tree) là một cây phân cấp có cấu trúc được dùng để phân lớp các đối tượng dựa vào dãy các luật (series of rules). Các thuộc tính của đối tượng (ngoại trừ thuộc tính phân lớp – Category attribute) có thể thuộc các kiểu dữ liệu khác nhau (kiểu nhị phân, kiểu danh sách, kiểu số thứ tự, kiểu giá trị định lượng) trong khi đó thuộc tính phân lớp phải có kiểu dữ liệu là nhị phân hoặc số thứ tự. Tóm lại, cho dữ liệu về các đối tượng gồm các thuộc tính cùng với lớp (classes) của nó, cây quyết định sẽ sinh ra các luật để dự đoán lớp của các đối tượng chưa biết (unseen data).
Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo (predictive model), nghĩa là một ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận về giá trị mục tiêu của sự vật/hiện tượng. Mỗi một nút trong (internal node) tương ứng với một biến; đường nối giữa nó với nút con của nó thể hiện một giá trị cụ thể cho biến đó. Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu, cho trước các giá trị của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó.