人体运动捕捉技术有着广泛的应用前景,潜在的应用领域包括交互式游戏、虚拟现实、交互式学习、动画电影特效,以及健康监测和疾病复原等。当前的运动捕捉系统都是基于视频处理技术。这种系统由于具有较高的运动捕捉精度,被广泛应用于数字电影的制作。但是,它同时也有着很多缺点:1)这类系统往往需要十个以上的高精度摄像机,并且只能够在特定的工作室中使用；2)测试者需要穿戴具有特定反射标志的服装；3)这类系统的数据量巨大,难于实时处理；4)这类系统极其昂贵。　　 随着微机械系统和传感网络技术的发展,使用微型可穿戴传感器进行人体运动捕捉越来越受到研究者的关注。现阶段主要存在的问题包括:由于微型传感器容易受到外界环境的干扰,传感器测量的可靠性比较低,同时具有比较大的测量噪声；由于人体的骨骼运动自由度众多,导致了每段骨骼的运动都是高度非线性运动；同时相邻骨骼之间的运动又是相互关联的。现有的方法没能很好的解决这些问题,导致了人体运动估计存在着比较大的失真。　　 本文在现有使用微型传感器进行人体运动估计的工作基础上,探索了使用多模型建模运动的非线性和测量噪声的不稳定性,并将其应用于大腿屈伸角的估计。另外本文还探索了使用人体的几何约束和骨骼结构来建模相邻骨骼运动之间的联系,并将其运用于胳膊的运动估计。　　 本文的主要工作和创新点包括:　　 由于大腿运动的高度非线性和不确定性以及微型传感器测量噪声的不稳定性,导致了难于精确估计大腿的运动。针对这个问题,首次提出利用混合动态贝叶斯网络来建模大腿屈伸角的非线性变化和测量噪声的改变,然后根据穿戴在大腿上的单个微型加速度传感器的测量,设计高斯粒子滤波算法来估计大腿屈伸角,该方法显著地提高了大腿运动估计的精度。　　 由于高斯粒子滤波的每一个粒子点对应于一个卡尔曼滤波器,导致了该算法的计算量极大。为了降低大腿运动估计的计算复杂度,提出了利用多模型的自适应转换算法来估计大腿的运动。该方法通过在小波域提取特征向量并用于步态阶段的检测,并根据检测结果,自适应选择合适的运动模型和噪声模型。该算法保证了每一个时刻只确定性地选择唯一的运动模型和噪声模型,有效地降低了算法的计算量。　　 针对人体相邻骨骼之间运动的相互关联性,提出了一种新颖的分层信息融合算法并将其运用于人体胳膊运动估计。该方法首先使用四元组粒子滤波器融合三维加速计、陀螺仪和磁传感器测量,分别估计上臂和下臂的姿态。由于上臂和下臂运动估计的独立性假设,导致了上臂和下臂运动估计的不一致性问题。为了解决这一问题,系统的建模了人体上肢的骨骼几何约束,并在粒子滤波的框架内,融合这些几何限制来提高人体胳膊运动捕获的精度,有效地降低了上臂和下臂运动估计的不一致性问题。　　 为了彻底解决上臂和下臂运动估计的不一致性问题,提出了基于机器人手臂的人体胳膊运动估计方法。该方法侧重于人体胳膊的建模,以及Denavit-Hartenberg参数表示法,然后根据人体运动学正解建立微型传感器测量与人体胳膊运动参数之间的关系,从而估计人体胳膊的运动。实验结果表明该方法彻底地解决了上臂和下臂运动估计的不一致性问题。