Pourquoi un acteur capture en mocap pendant une journée de tournage, et pourquoi l'animation qui en sort ne touche l'écran que des semaines plus tard ? Ce n'est pas un problème de rendu ni de compression vidéo. C'est un pipeline complet qui commence seulement quand la caméra s'éteint, et que les définitions rapides du sujet passent sous silence.
La motion capture enregistre le mouvement d'un acteur via des marqueurs optiques ou des capteurs inertiels, mais les données brutes ne sont pas exploitables telles quelles. Elles passent par un nettoyage quasi systématique, un solving qui reconstruit un squelette avec les bons angles articulaires, puis un retargeting qui adapte ce squelette à celui, aux proportions différentes, du personnage final. Optique et inertiel ne se concurrencent pas frontalement : chacun a son terrain.
La captation optique : des caméras qui suivent des marqueurs#
Le système optique repose sur un réseau de caméras qui traquent des marqueurs réfléchissants placés sur l'acteur. Sous le capot, c'est un problème de triangulation pure : chaque caméra voit un marqueur sous un angle différent, et le logiciel recoupe ces positions dans l'espace pour reconstruire un point 3D à chaque frame.
La caméra Vicon Vero v2.2 affiche une résolution de 2,2 MP (2048 x 1088) et une fréquence maximale de 330 images par seconde à cette résolution, d'après la fiche produit publiée par Vicon. C'est ce genre de cadence qui permet de capturer un mouvement rapide, un coup de poing dans un jeu de combat par exemple, sans perdre d'information entre deux frames.
La fiche Vicon ne dit rien, en revanche, du nombre de marqueurs que porte un acteur sur un set complet, ni du nombre de caméras qui compose un studio professionnel. Les valeurs qui circulent sur ces deux points ne reposent sur aucune documentation technique primaire vérifiable et varient d'une source secondaire à l'autre. Autant l'écrire.
La captation inertielle : pas de caméra, des capteurs sur le corps#
L'autre famille de systèmes ne dépend d'aucune caméra. Elle place directement sur le corps de l'acteur des capteurs équipés d'accéléromètres, de gyroscopes et de magnétomètres, qui mesurent orientation, accélération et interaction avec le champ magnétique, selon la documentation Movella/Xsens.
Le système Xsens Link, exemple concret de cette approche, embarque 17 capteurs click-in plus un capteur dédié à un accessoire (« prop sensor »), avec une fréquence d'échantillonnage de 240 Hz d'après la même fiche produit. L'avantage saute aux yeux : pas besoin d'un volume de capture fixe avec des caméras calibrées, l'acteur peut bouger dans à peu près n'importe quel environnement. La page produit Xsens ne communique en revanche aucune valeur de latence.
Aucun des deux systèmes n'écrase l'autre en général : l'optique cible la précision spatiale absolue dans un volume contrôlé, l'inertiel cible la mobilité. Le choix dépend du tournage, pas d'un classement universel.
La capture faciale, un troisième sujet à part entière#
Le visage se capture généralement à part, avec une caméra embarquée sur un casque (HMC, head-mounted camera) pointée sur le performer. Faceware Technologies, dans son guide officiel de bonnes pratiques, recommande de filmer à 60 images par seconde pour une bonne précision et un flou de mouvement minimal, et de positionner la caméra juste sous la ligne des yeux du performer.
Le détail paraît anecdotique, et il tranche pourtant avec l'intuition : on filme un visage, la logique dirait de viser les yeux, pas en dessous. Sauf que la position sous l'eyeline dégage le champ de vision de l'acteur tout en gardant un angle exploitable pour le solving facial.
Le nettoyage : l'étape que les définitions rapides sautent#
Voilà le cœur du sujet, et c'est précisément ce que la plupart des explications généralistes zappent. D'après MoCap Online, qui publie des guides professionnels sur le sujet, les données brutes de capture nécessitent presque toujours un nettoyage avant d'être exploitables en production. Marqueurs qui se perdent momentanément, capteurs qui dérivent, artefacts de tracking : rien de tout ça ne sort propre de la caméra ou du capteur.
House of Moves, un studio de mocap professionnel, décrit sur sa page pipeline officielle la séquence complète qu'un plan traverse après la captation : nettoyage, retargeting, solving facial, montage de l'animation, raffinement de la performance, puis des cycles d'itération avec le réalisateur. Cet étage de production a ses propres allers-retours, il ne se coche pas en fin de journée.
Solving et retargeting : le squelette n'est jamais celui de l'acteur#
C'est ici que se joue la partie la moins comprise du grand public. Le solving convertit les données brutes de marqueurs ou de capteurs en un squelette doté des bons angles articulaires. Le retargeting, lui, adapte ce squelette de capture au squelette du personnage final, qui n'a quasiment jamais les mêmes proportions que l'acteur.
Un exemple concret et vérifiable : la documentation officielle d'Epic Games sur MetaHuman Animator précise que l'export "Existing Skeleton" applique le retargeting automatiquement sur le squelette du personnage MetaHuman. En clair, le moteur convertit lui-même la performance capturée vers une armature standardisée, sans que l'animateur ait à recaler manuellement chaque articulation. Le gain de temps est net, comparé à un retargeting fait à la main, articulation par articulation.
Avoir un squelette différent de celui de l'acteur relève de la nécessité, pas du défaut : un personnage stylisé, plus petit ou plus large que le performer, doit quand même hériter d'un mouvement crédible. Le retargeting, c'est la fonction qui rend ça possible.
| Système | Référence | Spécification | Valeur |
|---|---|---|---|
| Caméra optique | Vicon Vero v2.2 | Résolution | 2,2 MP (2048 x 1088) |
| Caméra optique | Vicon Vero v2.2 | Fréquence maximale | 330 images/seconde à 2,2 MP |
| Système inertiel | Xsens Link | Nombre de capteurs | 17 click-in + 1 capteur prop |
| Système inertiel | Xsens Link | Fréquence d'échantillonnage | 240 Hz |
| Caméra faciale embarquée | Recommandation Faceware | Fréquence recommandée | 60 images/seconde |
Toutes ces valeurs proviennent des fiches produit publiées par Vicon et Movella/Xsens, et du guide de bonnes pratiques de Faceware. Aucune ne décrit un standard de la profession : ce sont les spécifications d'un modèle donné, annoncées par son constructeur.
La mocap ne remplace pas le keyframe, elle le complète#
Dernière idée reçue à corriger : la motion capture ne rend pas l'animation image par image (keyframe) obsolète. D'après Vagon, les deux méthodes sont fréquemment combinées, le keyframe apportant le contrôle créatif et la mocap le réalisme du mouvement. Une fois la donnée capturée intégrée dans un environnement virtuel, les animateurs continuent d'exploiter et de retravailler cette base.
Honnêtement, c'est le point qui me semble le plus sous-estimé du grand public : la mocap ne fonctionne pas comme un bouton « réalisme automatique ». Elle donne une base de travail solide, qui reste entre les mains d'animateurs jusqu'au bout du pipeline.
Le rigging manuel sous Blender reste d'ailleurs la méthode de référence pour construire l'armature qui va recevoir cette donnée, quand le studio ne travaille pas directement dans un moteur comme Unreal Engine 5. Ce squelette final s'inscrit dans un pipeline plus large de modélisation 3D pour le jeu vidéo, et le choix entre Unity 6 et Unreal Engine 5 influe directement sur les outils de retargeting disponibles en interne. Et en amont de toute la chaîne mocap, la photogrammétrie sert à scanner le décor ou les assets qui vont accueillir le personnage animé, un tout autre pipeline avec ses propres étapes.
FAQ#
Motion capture optique ou inertielle, laquelle choisir ?#
Aucune des deux ne domine l'autre dans l'absolu. L'optique, comme la Vicon Vero (2,2 MP et 330 images/seconde d'après la fiche produit Vicon), cible la précision dans un volume de captation calibré. L'inertielle, comme le Xsens Link (17 capteurs et 240 Hz d'après la fiche produit Movella/Xsens), s'affranchit des caméras et gagne en mobilité. Le choix dépend du tournage, pas d'une hiérarchie générale.
Pourquoi la mocap a-t-elle besoin d'un nettoyage après la captation ?#
Parce que les données brutes contiennent presque toujours du bruit ou des artefacts, selon MoCap Online : marqueurs perdus momentanément, dérives de capteurs. Le nettoyage précède le solving et le retargeting dans le pipeline décrit par des studios comme House of Moves.
Qu'est-ce que le retargeting en motion capture ?#
C'est l'étape qui adapte le squelette issu du solving au squelette du personnage final, dont les proportions diffèrent quasi systématiquement de celles de l'acteur. Dans MetaHuman Animator, cette étape s'applique automatiquement lors de l'export vers un squelette MetaHuman existant, selon la documentation officielle d'Epic Games.
La motion capture remplace-t-elle l'animation classique ?#
Non. D'après Vagon, les deux approches sont fréquemment combinées : la mocap apporte le réalisme du mouvement capturé, le keyframe garde le contrôle créatif.
Combien de marqueurs faut-il pour capturer un corps entier ?#
Aucune source primaire vérifiable ne donne de chiffre exact et généralisable pour un marker set corps entier standard. Les valeurs qui circulent varient selon le système et n'ont pas été confirmées sur une documentation technique de première main.
Sources#
- Vicon Vero v2.2, fiche produit officielle
- Xsens Link, fiche produit officielle Movella/Xsens
- MetaHuman Animator : traitement et export de l'animation, documentation officielle Epic Games
- Bonnes pratiques d'équipement pour la capture faciale, Faceware Technologies
- Pipeline d'animation, House of Moves
- Pourquoi les données de motion capture ont besoin d'un nettoyage, MoCap Online
