这两天看了大家不少讨论，没有一个人真正能说得清楚透彻的，作为一个身在美国的phd，
我现在就来给大家科普一下三家公司的体感技术原理：

老任的：这个大家想必都比较清楚了，电视机上的sensor bar实际上是两个固定距离的红外光源，手柄上则是一个红外camera，原理不复杂，根据两个红外光源在camera上的成像点坐标，可以计算出手柄相对于屏幕的方位。

反过来，老任的东西也可以这么玩：电视机顶上放两个camera（手柄），手上拿一个红外led光源。于是根据两个camera的位置，和光源在两个camera上的成像坐标，也可以计算出光源的三维坐标，就好比人用两只眼睛可以知道物体的远近一样。在计算几何学里，这是一个最最最最普通的multi-view geometry问题，属于本科生毕业设计水平，或者研究生课堂项目的水平。本人就在去年用两只wii手柄和OpenCV实现过，还挺准的。

sony：我不想批评sony，不过这次sony展出的震动棒其实就是我上面说的原理，用两台camera来对手柄上的那个光球作三维定位，再配合手柄内部的加速度计。当然了，我那个课堂项目是用来混学分的，鲁棒性可用性自然比sony的差了不少，还需要不少改进。但定位原理是一样的，每本computational geometry的教材里都会当作基础知识来讲。不过sony把本科毕设级别的东西拿到E3上来show，未免要让业内人士给看轻了。

微软：这次微软的东西确实比较让外行人震撼，大家可能搞不清楚这到底是怎么做的吧。怎么对全场景的所有东西，而不是仅仅几个光源点，进行三维定位？？？
我先稍微列举一下外行们直觉上容易想到的办法：

1. 只用一个camera，但依靠神奇的模式识别技术，把图里的东西都认出来，然后比对它们实际的大小和在图像中的大小，就能知道它的大概距离了。
评论：这是最最外行的想法。没错，人闭上一只眼睛以后，还能靠上述原理估算出物体的距离。但是，计算机哪有人那么多知识啊，它怎么知道那东西原来该是多大呢？何况这对模式识别技术要求也太高了。最后，靠这种方法得不到精确的结果。

2. 用两个camera，和multi-view geometry的技术。这个做法是很多computer vision applications的基础，尤其是在augument reality方面。做法变化非常多，我只说个简单的：
首先，对每个camera返回的图像，依靠模式识别把图像里的关键点，关键线找出来，比如桌子的边，人的眼睛等等；然后把两幅图像上的关键点、线进行配对；配对以后就能计算它们三维空间的座标了。依靠这些关键点、线的三维信息，就可以得到整个场景的三维信息。

3. 以上说的两个办法都太依赖模式识别了，而这玩意又往往靠不住。所以实际最常用的，大家在好莱坞大片花絮里看到的，就是用人工的关键点替代模式识别。比如在人身上布满容易识别的小球，周围布上一堆camera。这个大家最容易理解，我就不说了。

那微软的natal用的是什么？以上三个皆不是，natal甚至跟multi-view geometry一点关系都没有。natal使用的是一种叫做“深度摄像机”的特殊camera。英文叫做Time-of-flight camera。国内如果没有被封的话可以看这里：http://en.wikipedia.org/wiki/Time-of-flight_camera

这到底是个什么东西呢？简单讲，这个camera在返给你每一帧图像的同时，也告诉你每个像素点离camera的距离，也就是一幅带有深度信息的图像。这玩意儿简直就像一个雷达一样，直接就把multi-view geometry辛辛苦苦要算的三维信息测出来了。你可以想象一下，这个camera给你的就不是一个平面图像，而是一个三维曲面。微软的软件，就可以直接在这基础上识别目标，和目标的运动。

最后再说两句这个camera。它的原理说起来很简单，初中物理即可理解，但要做出来可不简单。它里面有个光源，以100Hz的频率发光，光线照射到目标，然后反射回来，被sensor探测到。于是，到目标的距离就是（光线来回的时间差/2）/光速。例如，对于一个2.5米以外的目标，这个时间差是16纳秒。至于这么短的时间差怎么能被精确测量到，请自己google吧。

最最后，本人不是任何公司的fans。但我还是要对微软研究院里的天才们，为他们长期以来在computer vision上的杰出贡献，脱帽致敬。