基于MEMS传感器和Unity3D的人体运动捕获系统

张 衡， 张泽宇

(西南大学计算机与信息科学学院，重庆400715)

基于MEMS传感器和Unity3D的人体运动捕获系统

张 衡， 张泽宇

(西南大学计算机与信息科学学院，重庆400715)

随着人机交互技术的发展，人与计算机之间自然、多模态交互将成为人与计算机之间交互的主要方式，而这首先需要计算机可以正确地理解和捕捉人的行为特征，运动捕获技术正是在这种背景下提出来。通过运动捕获技术，计算机可以理解人体动作，用户就可以通过体态、方位、手势和表情等模态向计算机发出指令、传达信息等，因此运动捕获是新一代人机交互中的关键技术之一。目前基于MEMS惯性传感器的动作捕获研究主要针对动漫和电影制作，价格昂贵；随着传感器的集成度变高，价格逐渐降低带来了新的系统设计需求。在原有动作捕获技术基础上，设计并实现一种普适性更好的人体动作捕获系统原型，原型系统实现了基于惯性传感节点的人体运动信息的采集与融合、节点与汇聚节点的数据传输、虚拟人体模型实时动作呈现程序；实现了从数据测量到采集，再到模拟呈现的全过程。

MEMS惯性传感器；人机交互；动作捕获

当前，体感互动主要采用的传感设备是动作捕获系统，主流设备分光学系统和惯性传感系统两类[1]。主流的光学动作捕捉系统由多台高速红外摄像机构成，被测者需要全身佩带捕捉标记，尽管捕获精度高，效果好，但是使用复杂且价格昂贵[2-3]。典型产品是美国的 Vicon。这类产品主要应用于动漫、制作游戏。

最近几年一种廉价、具有深度感知的光学动作捕获装置Kinect、LeapMotion的出现，引发了体感互动热潮，使得体感互动进入主流。这类光学捕获装置主要具有深度感知，采用结构光、飞行时间或者双目视觉技术[2-3]。文献[3]以光学式捕捉技术为基础，提出了完整的动作捕获、处理与虚拟动作重构方案。文献[4]借助Kinect，设计了基于深度信息的动作捕获方法，所设计的示教系统能较精确地重现人体的三维动作并对学员的动作缺陷给出合理的提示。文献[5]在运动图像信息成功捕获的基础上，研究了动作的精确识别方法，在运动数据的关键帧提取、动作识别与运动分割以及带拒识能力的连续动作识别3个方面展开深入工作，提高了动作捕获系统的准确性。此外，国内外商家也基于光学动作捕获技术开发了一系列体感互动游戏、健身、设备操控等产品。但是，光学类动作捕获设备普遍具有范围、遮挡、户外、光线、高速移动和人数等限制。

动作捕获的另一类技术和产品是基于惯性传感的动作捕获系统。典型的系统有XSensMVN，由于价格较贵，使得该产品与Vicon一样成为少数特殊单位的应用“专利”。中科院研究生院等单位研制的MMocap与Xsens公司相似，取得了非常好的成绩，如果能够打开市场，将是XSensMVN竞争产品。同时，文献[6]和[7]在惯性传感技术的基础上，着重研究了新型的数据采集与动作分析方法，通过进一步分析处理所得的动作数据，实现了人体运动姿态的重构，对完整的惯性传感动作捕获系统进行了深入探索。文献[8]提出了将惯性传感节点佩带在身上完成数据采集的方法，解决了光学式动作捕获成本高的问题，降低了动作捕获系统的成本和使用复杂度。另外，也有许多其他研究机构和公司都在前几年开展了相关研究，如国家体育总局、北京诺亦腾公司等，都取得较好的成绩。

随着MEMS器件的集成度越来越高，应用点越来越广，出现对基于MEMS传感器的动作捕获系统的新需求，即价格相对较低、灵活性较强，受众的使用范围更多更广。文献[9]和[10]阐述了在基于MEMS传感器技术的人体动作捕获研究中的成果。文献[9]通过单传感器节点动作效果检测和人体动作捕获的实验设计，验证了所设计的人体动作捕获装置原理的正确和工作性能的稳定可靠，为人体动作捕获的后续算法研究提供了一套完整的硬件平台。文献[10]则基于MEMS传感器芯片的小型化、结构简单化进行了探索，并实现了完整的体感信息采集与动作重现，但存在可扩展性及精确性不足的问题。文献[11]提出了MEMS传感器数据与人体运动关节相对应的标定方法并分析了传感器采集数据存在误差的原因，以互补滤波器方法提高了运动数据的精度。文献[12]以共享数据文件的方式实现了动作数据在模拟程序中的实时呈现，并证明了该方法的准确性与便捷性，但该方法在灵活性上存在缺陷。文献[13]对多传感节点的协同工作进行了研究，针对节点通信的抗干扰能力进行重点改善，实现了多传感节点通时装备条件下的可靠工作。文献[14]和[15]同样围绕动作捕获与重现的精确性进行了改善，分别提出了基于数据融合思想的扩展卡尔曼滤波方法以及多层次的数据融合算法，为动作捕获系统消除误差，提高采集数据精度具有指导意义。

由于人体运动捕获具有立体呈现和与虚拟现实相融合的特点，必不可少地要用到后台呈现或展示平台。Unity3D可以直接使用3DSMax的max、Maya的.md等大多数建模格式。Unity3D还有优秀的设计环境、方便快捷的设计流程、易于操作的场景编辑器，目前成为3D游戏和虚拟仿真项目优先选择的引擎，已广泛被应用于三维游戏、虚拟现实和Web3D等众多领域。

1 信息输入部分

1.1 信息输入部分的结构组成

信息输入部分的硬件部分主要由微处理器+传感器件组合，基本结构如图1所示。

三轴加速度传感器是一种基于惯性原理测量加速度的电子设备。大多数加速度传感器是根据压电效应的原理来工作的。压电效应是指对于不存在对称中心的异极晶体加在晶体上的外力除了使晶体发生形变以外，还将改变晶体的极化状态，在晶体内部建立电场。加速度传感器利用加速度造成晶体变形、晶体变形又会产生电压的特性，计算产生电压和所施加的加速度之间的关系，将加速度转化成电压输出。根据加速度传感器的具体实现方式，可分为压电式、压阻式、电容式和伺服式，其中使用MEMS微机电系统工艺的三轴加速度传感器在体积、价格和市场占有率方面具有明显优势。系统使用三轴加速度计获取人体动作的三维方向的加速度，从而获取人体动作在三维方向的位移运动。

图1 信息传输功能部分硬件结构图

三轴陀螺仪传感器是测量物体角速度的传感器。常见的MEMS陀螺仪有双平衡环结构、悬臂梁结构、音义结构和振动环结构等，通过被激励的振动体对哥氏加速度的敏感测量角速度，具有很高的分辨率、灵敏度、抗干扰能力和测量范围。系统使用三轴陀螺仪传感器测量人体动作在各个轴向的角速度，从而获取人体动作的旋转运动。

三轴电子罗盘传感器，又称三轴数字罗盘传感器，在现代技术条件中作为导航仪器或姿态传感器已被广泛应用。电子罗盘与传统指针式和平衡架结构罗盘相比能耗低、体积小、重量轻、精度高、可微型化。目前，广为使用的MEMS三轴电子罗盘传感器具有抗摇动和抗振性、航向精度较高和对干扰场有电子补偿、可以集成到控制回路中进行数据链接等优点，因而广泛应用于航空、航天、机器人、航海测量和导航等领域。此外，三轴电子罗盘克服了平面电子罗盘在使用中的严格限制，因为三轴电子罗盘传感器在其内部加入了倾角传感器，如果电子罗盘发生倾斜时可以对罗盘进行倾斜补偿，这样即使发生倾斜，测量数据依然准确无误。系统使用三轴电子罗盘实现三维方向的确定。

人体动作捕获节点设计是基于微处理器为核心的嵌入式系统，微处理器通过数字总线1获取传感器的原始运动数据，对传感器采集的原始运动数据进行处理，然后将处理后的数据由数字总线2传给通信芯片，再经过对数据的处理无线发送出去。数字总线1实际上是SPI总线，该总线能对传感器数据进行读取然后传输给微处理器，SPI一共有4条线；CS、SCLK、DI和DOUT。CS为选择线，只有在CS为低电平时，芯片才接受SPI上的数据或向SPI总线发送数据。SCLK是时钟控制线，因为在SPI下传输数据是一位一位的传输，因此需要SCLK提供时钟脉冲，进行时钟控制。DI为数据输入线，DOUT为数据输出线，这两条线是基于SCLK提供的时钟控制，发送或接收数据。数字总线2是异步串行总线，设计为微处理器和通信芯片的串口(UART)通信，该总线使用一根线TX发送数据的同时用另一根线RX接收数据，实现按位的数据传输，使用时需要设置波特率、数据位、停止位和校验位，设置串口后即可实现微处理器和无线芯片的数据传输。

具体的节点实物如图2所示。

图2 节点实物图

1.2 信息输入部分捕获人体动作的原理

人体动作主要分为定向运动和旋转运动。陀螺仪是测量物体角速度的传感器，当陀螺仪随物体运动时，陀螺仪能够测量物体绕各个轴转动的角速度，通过对角速度进行积分运算，就能得到物体旋转的角度。短时间内，陀螺仪测量具有较高的精度，但陀螺仪容易受振动等因素的影响而引入测量噪声，且陀螺仪的输出存在漂移，漂移随着时间、温度及其他随机因素而变化，通过积分会使测量误差变大，因此陀螺仪不适合长时间的动态角度测量。另外，陀螺仪只能用于运动物体的角度测量，如果物体的初始位置存在一定的倾角，则陀螺仪无法感知。使用加速度计测量物体的加速度，当加速度计静止时，其输出为重力加速度在各个轴上的分量，装有加速度计的物体的倾角发生变化时，加速度计的输出也会随之变化，根据这一原理，通过测量加速度计各轴的输出便可以得出物体的倾角。对于静止物体而言，加速度计测量的角度十分准确。但是，一旦物体运动，会在加速度计相应的敏感轴引入除重力以外的加速度(除非物体处于匀速运动状态)，此时倾角的计算将会因物体运动的加速度影响而变得不准确，实际应用中，物体不可能长时间做匀速运动，因此加速度计不适合用于测量运动物体的倾角。

从上面的分析不难看出，陀螺仪和加速度计具有互补性：加速度计可以测量静止物体的倾角并具有较高的准确性；陀螺仪可以测量动态物体的角速度并在短时间内具有较高的准确性。本系统设计正是利用其互补性来捕获人体动作，另外使用三轴电子罗盘确定绝对方向。

1.3 信息输入部分的无线传输

蓝牙技术是一种支持设备短距离通信的无线电技术。其最大的特点就是利用近距离的无线连接为通讯设备终端建立统一的无线连接，从而实现设备间无线通讯的目的。蓝牙技术的通讯工作频段选在全球通用的2.4 GHz ISM频段，该频段允许用户在4～20 dBm范围内施行功率控制，有效的传输范围为10～100M，这样的传输距离对于动作捕捉系统可以完全满足要求。同时蓝牙采用的是 TDMA传输模式，能够以0.625 μs时隙进行数据传输，传输的速率可达1Mb/s。此外，蓝牙技术中采用了跳频技术，其可以提高整个传输系统的抗干扰能力。对于基于MEMS传感器的动作捕捉系统，传感器的采样频率为819.2SPS，每个数据占2个字节，那么15个传感器的数据传输量约为25 KB/s，蓝牙已足以对其进行传输处理。此外蓝牙的传输距离为 10M，能够满足在室内进行人体动作捕获要求，同时蓝牙对串口传输提供了友好的支持，因此动作捕捉系统中无线数据传输将利用蓝牙来实现无线数据传输。

蓝牙4.0目前已经得到了广泛的应用， 蓝牙4.0实际是个三位一体的蓝牙技术，它将3种规格合而为一，分别是传统蓝牙、低功耗蓝牙和高速蓝牙技术，这3个规格可以组合或者单独使用。系统设计使用蓝牙4.0的无线通信，在无线传输实时性、可靠性和低功耗性方面相比其他无线通信有极大优势。

2 信息处理部分

在人体动作数据被成功采集并传输的基础上，为了实现对3D人体模型的精确控制，需要对人体动作原始数据进行进一步的处理，主要包括信息融合与纠偏和坐标变换。

2.1 信息融合与纠偏

传感器在数据采集过程中难免会出现数据的误差。一方面，使用陀螺仪传感器对人体姿态进行测量时，在计算过程中存在误差累加的可能，导致姿态数据逐渐偏离可修正范围；另一方面，使用加速度计与磁场计测量肢体运动过程，会受到运动加速度的干扰，无法提供精确的数据[9]。因而，本文将以上方式得到的测量结果通过扩展卡尔曼滤波进行融合，充分发挥使用多种测量方法的优势，以达到减少测量误差，提高测量数据精度的目的。

扩展卡尔曼滤波技术被认为是一种高滤波性能与小计算量兼得的滤波技术[14]，在本文中，使用的扩展卡尔曼滤波函数集包括：

(1) 状态一步预测函数：

(2) 一步预测均方误差函数：

(3) 滤波增益函数：

(4) 状态估计函数：

(5) 估计均方误差：

其中，O表示最优化的输出值估计矩阵，S指代状态转移矩阵；X为原始测量值矩阵；K表示卡尔曼滤波增益矩阵；N表示测量噪音矩阵；M表示过程噪音矩阵；P表示偏微分矩阵；C为协方差矩阵。下标 t 表示时刻t；t/t–1表示由时刻t–1计算出来的时刻 t 的值。

2.1.1 滤波状态向量的选取

卡尔曼滤波技术可分为直接法与间接法两种，由于间接法所使用的状态向量均为误差量，故误差估计的准确性较高，因而本文选择间接法进行数据处理[10]。

空间姿态的表示方面，本文选用四元数进行数据表示，在实现全姿态表述的基础上，降低了运算量，同时也使得三维空间变换信息的求解过程得以简化。

在获得传感节点采集到的四元数之后，通过间接卡尔曼滤波方法，以7维向量作为状态向量，如式(6)所示。该向量的前四维数据是四元数的各个成员，余下三维表示由加速度计和地磁仪数据对陀螺仪数据融合滤波后计算得到的陀螺仪各轴的误差量。

根据上述，最终求得的滤波状态向量为：

2.1.2 状态更新值的计算

对陀螺仪输出数据进行校准时，令V=(vx, vy, vz)表示实际旋转向量，G=(gx, gy, gz)代表陀螺仪的输出数据，E=(ex, ey, ez)表示误差数据，以上三者之间的关系可表示为：

在得到校准数据之后，与滤波状态向量相结合，得到的状态预测方程表示为：

其中，(q0,Q1,Q2,Q3)T表示为当前时刻的状态更新值，而表示为(q0,Q1,Q2,Q3)T前一时刻的状态更新值。

2.1.3 得到均方误差矩阵

鉴于系统的离散特点，惯性传感单元的测量工作需要以Δt(Δt足够小)为周期进行更新，以确保数据精度，则卡尔曼滤波的状态方程为：

其中，Gn代表陀螺仪输出的角速度。方程f代表式(8)～(9)的连续处理，则f对状态向量各成员求偏导数形成的偏微分矩阵S与过程噪音矩阵M及初始值Ct–1相结合构成的预测均方误差矩阵如式(2)所示，其中M表示陀螺仪的精度误差均方矩阵，其获取可由传感器对某固定量测量并进行数字特征计算得到。

2.1.4 确定状态预测值

卡尔曼滤波的基本原理是通过计算卡尔曼滤波增益更新均方误差矩阵和估计向量。为了计算滤波增益，需要建立观测模型，即求出滤波增益方程中的状态向量 P 矩阵，通过 P 矩阵金科建立均方误差与观测值之间的联系，进而实现由加速度计和磁场计数据协同完成的姿态阵更新。

(1) 建立一个参考坐标系，该参考系的X轴正方向指向北方，Y轴正方向指向东方，Z轴指向地心。通过重力加速度在该坐标系上投影，以及地磁在水平面与竖直平面上的分量，可以得到重力加速度和地磁场的观测函数集，在通过与加速度计和磁场测量的实际结果进行校准，可以分别求得重力加速度与地磁场观测矩阵的雅可比矩阵，分别记为Pja和Pjm。

(2) 将Pja、Pjm分别代入式(3)，即可计算出重力加速度滤波增益Ka和地磁滤波增益Km。将Ka作为参数，应用到式(4)～(5)中，即可得到矫正Roll和Pitch航向角的状态估计方程与加速度计的均方误差估计函数；同理，将Km应用到式(4)～(5)中，可计算出Yaw航向角的状态估计方程以及磁场计的均方误差估计函数。经过矫正与估计后，最终求得的Ot即是7维滤波状态向量在当前时刻的预测值，计算结果Ct即是加速度计与磁场计的测量均方误差。综合上述，在对Roll、Pitch、Yaw进行矫正的过程中，状态向量的后三维也得到了更新。

2.2 坐标变换

为了精确地在3D模型上呈现出人体动作，需要选择合适的坐标系作为参考，故需要对采集到的运动数据进行坐标变换。通过动作数据驱动3D模型的过程中，需要用到地磁坐标系、位于人体运动关节的传感器节点坐标系以及虚拟人体模型所处的3D空间坐标系。

地磁坐标系通常选择以地心为原点，X轴与Y轴位于赤道平面上，相互垂直；而Z轴则以地磁场中朝向北极的方向为正方向。在驱动模型过程中，由于地磁坐标系的影响，使得传感节点传递给上位机的采集数据存在与运动信息无关的初始值，因而在3D模型驱动初始化阶段，需要对模型进行标定，以消除地磁坐标数据对运动呈现的影响。

传感器坐标系用来表示传感节点在不同方向上测量到的运动数据的量化数值及运动角度信息。在使用这些运动数据驱动虚拟模型时，传感器坐标系需要与虚拟人体关节在3D空间中的局部坐标系相对应。

3D空间坐标系可分为局部坐标系与全局坐标系。对本文所述3D人体模型而言，每个可运动关节都拥有一个局部坐标系，标识该关节以自身为参考的相对运动；而全局坐标系则用以确定各个关节在完整虚拟空间中的绝对位置。

不同坐标系间的坐标变换通常由旋转变换和平移变换结合而成。旋转变换就是通过与旋转矩阵相乘将某点坐标转换到目标坐标系下，计算出该点在旋转之后的坐标；而坐标平移则是指在原坐标数据的基础上加上平移向量。

本文所使用的传感节点采集数据以四元数的形式表示，以旋转一个空间向量为例说明四元数形式下的坐标旋转变换：向量(x, y, z)的四元数表示法为(0, x, y, z)，记为T；即设置四元数的实部值为0，其余坐标信息填写到四元数中相应位置。同时，设记录旋转信息的四元数为Q，通过四元数信息实现旋转的公式为：

T ′指代旋转后的四元数，Q–1表示旋转数四元数的逆，×表示四元数乘法；四元数的乘法不满足交换律，旋转时需严格按照式(11)进行计算。

3D空间中的平移变换直接以三维向量的形式进行计算：设P(x, y, z)为待平移的坐标，平移向量ΔP(Δx,Δy,Δz)，P′指代平移后的坐标，则坐标平移变换的计算公式为：

以肘关节采集的旋转数据驱动人体模型前臂为例，主要包括以下几个环节：

(1) 人体姿态的初始化。为了确保各关节运动信息的准确性，需要人体配合呈初始化姿态：双脚并拢，目视躯体正前方，手臂平展与两肩同高，五指并拢伸直，掌心向下，呈“T”形。

(2) 运动关节的初始化标定。计算出肘关节相对于全局坐标系原点的平移量，以向量形式表示，记为T，对T求反，记为–T并保存。

人体保持初始化姿态下，肘关节传感节点所采集的第一组运动数据将作为对应关节的辅助标定数据，记为I。如前文所述，I记录的数据是人体在静止状态下，肘关节传感节点受地磁影响的数据。为了消除地磁的影响，对I求逆，记为I–1并保存。以此为基础，肘关节的后续运动数据在上位机端与I–1相乘，即可消除地磁对采集数据造成的影响。

(3) 局部坐标系下的旋转变换。新的肘关节运动数据到来时，首先与I–1相乘消除地磁影响，然后根据式(11)进行肘关节的旋转与腕关节新坐标的计算。

(4) 全局坐标系下的平移变换。通过之前保存的逆向平移矩阵–T，计算出在全局坐标系下的腕关节的准确坐标值。

按照上述过程，遵循“先处理父节点，再处理子节点”的原则，即可实现3D模型的完整动作驱动过程。

3 信息呈现部分

3.1 平台及工具介绍

在3D呈现程序的具体实现过程中，本文选择Unity3D作为开发工具。Unity3D支持目前主流的OPENGL和DirectX技术，具有优秀的设计环境、方便快捷的设计流程和易于操作的场景编辑器，并能够良好支持主流3D模型文件(如.max文件、.fbx文件等)，同时，其多平台应用支持等优良特性使其逐渐成为 3D游戏和虚拟仿真项目优先选择的引擎，广泛被应用于三维游戏、虚拟现实和 Web3D等众多领域。

建模方面，本文设计过程中使用了内容形式丰富且具有良好平台支持性的.fbx文件格式，.fbx格式来源于Motion Builder，该软件是三维动作设计制作软件。.fbx文件为不同三维建模软件间进行的模型、材质、动作、摄影机信息和灯光信息的相互导入与导出提供了非常灵活的支持。对Unity3D引擎而言，使用.fbx作为模型文件格式，保证了Unity3D引擎与其他3D建模工具之间的良好交互性。

3.2 Unity3D引擎中的模型导入

Unity3D为模型设置提供了诸多便利的功能。如节点的锁定、整体刚性的设置及肢体动作幅度的设定等。

为了保证呈现效果，本文使用的人体模型选择了16处运动部位进行标记，如图3所示。

图3 人体运动部位结构设计图

在Unity3D引擎中，借助Avatar动画系统，使得运动部位节点分布情况以更直观、更形象的方式呈现(见图4)。

图4 Unity3D中的运动部位结构图

为了保证模型动作的合理性，需要根据人体运动基本原理对各个虚拟关节的运动幅度进行设置，进而避免出现扭曲的肢体动作。Unity3D引擎中同样提供了直观的设置界面。如图5所示。

图5 Unity3D中的关节运动幅度设置界面

3.3 实时动作信息的呈现

实时动作的呈现具有灵活性大、实时性要求高等特点，以往的呈现方法难以提供全面的支持。Unity3D引擎与Mono开发平台相结合，为不同操作系统下的开发者提供了C#、JavaScript等多种主流开发技术的支持。开发者通过自己熟悉的开发语言，以脚本的形式，实现数据传输、数据加工、模型控制等不同环节的功能需求，使得代码的可移植性与可维护性得到提升。

在Unity3D中，人体运动部位模型的各个关节以“层次树”的形式进行了直观展示。开发者可以通过各关节所对应的关节名称直接在脚本中获取各个关节对象进行针对性的操作(如图6)。

图6 Unity3D中的层次化骨骼关节结构图

针对所需要进行的不同坐标系间的坐标变换工作，Unity3D引擎提供了丰富的API函数，使得坐标变换等复杂的数据处理工作得以简化，完成效率得到提高。

在实现运动肘部旋转整个前臂的模拟呈现中，通过将节点固定在肘部，实现对肘部运动信息的采集。同时，在 Unity3D引擎中，通过 GameObject类中的 Find()方法，获得对指定名称关节的控制对象，进而具备了在单一关节上应用运动数据的能力。

为了明显地展示模型驱动效果，在实验过程中，在保持全身其他关节静止的状况下，针对性地对肘部关节进行处理。3D呈现效果与真实的人体动作效果的对比见图7～8。

4 结 论

本文以MEMS传感相关技术为理论基础，以最新的价格低廉的集成电子模块为实验基础，实现了基于多传感器节点的人体运动信息的采集与融合、节点与汇聚节点的数据传输、虚拟人体模型实时动作呈现程序；实现了从数据测量到采集，再到精确模拟呈现的全过程。提出了陀螺仪与空间罗盘同时测量，并借助扩展卡尔曼融合滤波技术实现人体动作信息精确采集的方案。根据实验结果，该方案的测量精度与性能较单一传感技术的采集结果有明显地提高，比目前主流的基于MEMS传感器的人体运动捕获系统更具性价比，普适性更好。同时，与目前新兴的3D图形引擎相结合，设计实现了具有良好呈现精度与跨平台特性的实时人体动作呈现程序。

图7 上抬前臂动作的呈现效果

图8 前臂向下旋转的呈现效果

[1] 刘剑锋. 虚拟环境下几种三维交互技术的研究[D]. 杭州： 浙江大学, 2010.

[2] 李晓丹, 肖 明, 曾 莉. 人体动作捕捉技术综述以及一种新的动作捕捉方案陈述[J]. 中国西部科技, 2011, 10(15)： 35-37.

[3] 孙新领, 李扬波, 马绍惠. 光学式运动捕捉技术在人体动画中的应用研究[J]. 河南机电高等专科学校学报, 2013, 21(3)： 17-19, 23.

[4] 谭艾迪, 曾 明. 基于深度信息探测的三维动作重建与分析[J]. 江西科学, 2013, 31(5)： 682-686.

[5] 蔡美玲. 三维人体运动分析与动作识别方法[D]. 长沙：中南大学, 2013.

[6] 侯祖贵. 基于惯性传感器的人体动作分析与识别[D].哈尔滨： 哈尔滨工程大学, 2013.

[7] 蹇 彪. 基于惯性传感器的人体运动姿态三维重构[D].哈尔滨： 哈尔滨工程大学, 2013.

[8] 李启雷, 金文光, 耿卫东. 基于无线惯性传感器的人体动作捕获方法[J]. 浙江大学学报： 工学版, 2012, 16(2)： 280-285.

[9] 饶 勇. 基于传感网络的人体动作捕获装置设计与实现[D]. 成都： 电子科技大学, 2013.

[10] 龚 勇. 基于多传感器节点的人体动作捕获系统设计与实现[D]. 成都： 电子科技大学, 2013.

[11] 刘 博. 基于MEMS传感器的动作捕捉系统开发设计[D]. 北京： 北京理工大学, 2011.

[12] 赵正旭, 戴 欢, 赵文彬, 等. 基于惯性动作捕捉的人体运动姿态模拟[J]. 计算机工程, 2012, 38(5)： 5-8.

[13] 刘晓祥. 基于加速度传感器的动作捕捉系统的研究[D].长春： 吉林大学, 2011.

[14]Suh YS. Orientation estimation using a quaternion-based indirect Kalman filter with adaptive estimation of external acceleration [J]. IEEE Transactions on Instrumentation andMeasurement, 2010, 59(12)：3296-3305.

[15] Zhang Zhiqiang, Wu Jiankang. A novel hierarchical information fusionMethod for three-dimensional upper limbMotion estimation [J]. IEEE Transactions on Instrumentation andMeasurement, 2011, 60(11)：3709-3719.

HumanMotion CaptureSystem Based onMEMSSensors and Unity3D

Zhang Heng, Zhang Zeyu
(School of Computer and InformationScience,Southwest University, Chongqing400715, China)

A natural, flexible way for human beings to interact with computers isMain goal to human-computer interaction technology, which is remarkably developing. This goal requires computers capture and understand humanʹsMotion precisely, under this background,Motion capture technology was proposed. As future goal, computer users couldSend information, commands to computers not only by clicking and typing, but also by gesture, facial expression and other body expressions. To achieve this,Motion capture technology is definitely indispensable. Currently existingMotion captureSystemsMostly work for 3D video, which have high costs. However, the improving integration ofMEMSSensor brings lower cost andMore demands toMotion captureSystems. With integrating existing technologies, this paper proposes a universalMotion capture prototype, which implements the complete process from dataMeasuring, transmitting toMotionSimulating presence based on inertialSensor nodes.

MEMSSensor; human-computer interaction;Motion capture

TP 391.4

A

2095-302X(2015)02-0274-08

2014-08-11；定稿日期：2014-08-20

中央高校基本科研业务费专项资金资助项目(SWU113066, XDJK2015C023, XDJK2012C019)；2014Google产学合作专业综合改革资助项目(20710164)

张 衡(1976–)，男，安徽庐江人，副教授，博士。主要研究方向为可穿戴计算、人机交互、无线感知网。Email：dahaizhangheng@163.com