O sistema de câmeras usado para captura de conteúdo multiview assume um papel preponderante. O movimento do utilizador é um dos inputs do sistema de RV, pelo que terão que existir sensores de movimento num sistema de RV. Este input é de tal forma importante que se define um parâmetro designado por latência motion-to-photon (preferencialmente, abaixo dos 20ms), que se traduz pelo tempo decorrido entre o instante de aparecimento de um dado movimento do utilizador até este ser completamente refletido num ecrã.

​

​

​

 

 

 

 

 

 

 

 

 

​

​

​

​

São exigidas técnicas de aquisição de informação 3D e de modelação e calibração geométrica da câmera do dispositivo de captura, de forma a obter-se o tracking de movimentos com precisão. A fase de reconhecimento e de seguimento de objetos 3D são, por estas razões, importantes em qualquer  sistema de RV.

​

Nesta secção importa introduzir dois conceitos: o campo de observação (field of regard, FOR) que é a área total que pode ser capturada por um sensor em movimento e o campo de visão (field of view, FOV) que é o cone angular percetível pelo sensor num dado instante de tempo.

​

Os sensores de captura presentes no dispositivo têm de ter um campo de observação e um campo de visão (este último preferencialmente acima dos 80º) suficientes para que o utilizador possa ter, na fase da apresentação, a sensação de presença num local diferente do que está na realidade. Quanto maior for o FOV, mais presente o utilizador se sentirá na experiência RV. Estas definições aplicam-se também aos sensores visuais necessários para o display do conteúdo de RV.

​

As câmeras têm de ter uma geometria não-convencional: esférica ou fisheye. Este último cobre um grande FOR, pelo que tem sido cada vez mais usado para captura de vídeo RV. Contudo, o fenómeno de distorção de barreira (barrel distortion) é um fator importante.