视频动捕（无标记动捕）

不贴标记点、不穿动捕服，直接从普通视频里估计人体三维动作。

视频动捕指不依赖反光标记点或惯性传感器，只用一台或几台普通相机拍摄，再由计算机视觉算法估计人体（包括手）的三维姿态和运动轨迹。与光学动捕相比，它不需要专门场地和穿戴准备，也能处理手机拍摄或互联网视频，因此能大量获取人类动作；代价是精度较低、噪声较多，单目视频还有深度和尺度不确定、遮挡等问题，通常需要后处理或物理约束修正。常用模型有 WHAM、GVHMR（浙江大学，从单目视频恢复世界坐标系下的人体运动）等，手部常用 HaMeR。在具身智能中，它是人形机器人从人类视频学动作、做实时遥操作的数据入口：估计出的人体动作经动作重定向映射到机器人上，再用于训练运动跟踪策略。

例子HumanPlus 用一台 RGB 相机实时估计人的身体（WHAM）和手部（HaMeR）姿态，让人形机器人跟随操作员动作；伯克利 VideoMimic 从随手拍的单目视频里同时重建人体轨迹和场景几何，训练人形机器人上下楼梯、坐下和起身。

也叫

无标记动捕、单目动捕、Markerless Mocap、视觉动捕

相关

动作捕捉、光学动捕、人体网格恢复、GVHMR、HumanPlus、VideoMimic

来源

Motion capture - Wikipedia（Markerless 部分）
HumanPlus: Humanoid Shadowing and Imitation from Humans (arXiv 2406.10454)
VideoMimic 项目主页

信息截至

2025-09