人体动作捕获与识别具有广阔的市场空间和应用前景,广泛应用于影视动画制作、人机交互、虚拟现实、体育训练、医疗康复等交叉性学科领域。相对于光学式人体动作捕获系统,基于可穿戴传感器的人体动作捕获系统具有成本低、操作简单、不存在空间限制和遮挡问题等诸多优点。本文利用可穿戴传感器来搭建一套低成本、高精度、穿戴便捷、操作简单的人体动作捕获系统,并利用动作捕获数据实现对人体动作的识别。本文的主要研究工作及成果如下:人体运动学模型是人体动作捕获、重构和分析的基础。本文将人体简化为由若干个关节和骨骼所组成的骨骼—关节模型,并且将各个关节的旋转自由度约束以及关节转动角范围限制加入到人体模型中,从而建立了基于约束的层次关节链骨骼模型。根据人体层次关节链骨骼模型的结构,将人体骨骼模型分为五条运动支链。结合机器人正向运动学和齐次坐标转换,建立了人体关节旋转运动模型和人体骨骼位置、姿态模型。高精度、低延时的肢体姿态和位置测量是人体动作捕获与重构的关键。对于姿态测量,本文采用“加速度计+陀螺仪+磁罗盘”的九轴MEMS(MicroElectro-Mechanical System)惯性传感器融合方案来进行姿态测量,并提出了四元数间接卡尔曼滤波算法用于融合九轴惯性传感器的测量数据。为了减小惯性传感器测量误差的影响,首先对传感器进行标定和补偿。本文提出的四元数间接卡尔曼滤波算法可以分为内外两层,内层通过对陀螺仪输出的角速度进行积分来计算姿态四元数的先验估计;外层为基于误差四元数的扩展卡尔曼滤波器。结合内层的姿态四元数先验估计和外层的误差四元数后验估计,最终可以得到姿态四元数的后验估计。此外,该算法还引入了自适应协方差算子,通过对加速度计和磁力计的测量幅值进行检测来调节线性加速度的过程噪声协方差和磁力计的量测噪声协方差,从而减小了人体运动线性加速度和磁场干扰对人体姿态测量的干扰。针对惯性传感器位置测量漂移大的问题,本文在九轴惯性传感器的基础上加入了超宽带(Ultra Wide Band,UWB)定位系统,利用UWB定位系统的位置测量对位置估计进行修正。为了减小时钟误差对UWB定位精度的影响,首先通过标定实验对时钟误差进行标定和补偿,然后利用高斯—牛顿迭代法进行位置解算。最后,结合扩展卡尔曼滤波器和Rauch-Tung-Striebel(RTS)平滑算法对惯性传感器和UWB定位系统的测量输出进行位置估计。实验结果表明本文提出的姿态和位置估计算法有较高的精度和稳定性。系统初始化标定是基于可穿戴传感器人体动作捕获系统必不可少的环节。针对传感器测量坐标系和人体坐标系不重合的问题,本文提出了基于手眼标定的传感器—人体坐标系标定算法,该标定算法只需要三个标定姿势就可以完成全身传感器—人体坐标系的标定。为了减小标定姿势保持过程中肢体抖动对姿态测量的影响,利用内蕴平均算法对标定姿势的姿态测量求平均。此外,该标定算法还可以提供标定质量反馈,当标定姿势不标准时可以提醒用户再次标定。针对人体参数估计问题,本文分别提出了基于人体关节约束的关节参数估计算法和基于封闭关节链的肢体长度估计算法。这两种人体参数估计算法都不需要借助外部设备,只需要几个简单的动作或者姿势就可以完成人体参数的估计。本文利用九轴MEMS惯性传感器和UWB模块搭建了可穿戴式人体动作捕获系统软硬件平台用于上述算法验证。实验结果表明本文设计的可穿戴式人体动作捕获系统可以准确、流畅的捕获和重构人体的运动。相对于加速度、角速度等运动信息,基于多传感器数据融合的姿态测量误差和噪声小,包含信息丰富,可以更加精确地描述人体的动作过程,因此本文采用肢体的相对姿态运动序列或者关节的关节角运动序列来描述人体的动作过程。针对人体动作序列在时间、空间和完整性上的差异性,本文提出了基于动态时间规整(Dynamic Time Warping,DTW)模板匹配的人体动作识别算法。结合相似度阈值,利用DTW算法和姿态度量来计算测试动作序列和各个动作模板序列之间的相似百分比,选择相似度百分比最大动作模板对应的类为测试动作的分类。考虑到DTW模板匹配识别算法的识别率主要取决于模板的质量,本文提出了基于DTW的自适应全局时间序列平均算法用于动作的模板创建。该时间序列平均算法以DTW距离作为相似度度量,可以同时在幅值空间和时间空间上对时间序列进行平均。通过对训练动作序列集求平均,可以得到一个执行速度和幅度适中的动作序列,以此平均动作序列作为动作模板序列可以减小了动作的执行速度和幅度对动作识别的影响。此外,本文还提出了模板预筛选和排序以及非最优匹配提前截止来对识别算法进行优化和加速。最后,本文以手势识别为例来验证识别算法。实验结果表明,以手势训练样本的平均序列作为手势模板,可以显著提高手势的识别率。