光線干擾過濾法生成真實(shí)感游戲人物圖形的研究

覃海寧

摘 要：在采用虛擬現(xiàn)實(shí)技術(shù)進(jìn)行游戲人物圖形設(shè)計中，游戲人物圖形受到光線干擾導(dǎo)致人物圖形設(shè)計出現(xiàn)五官及身體形態(tài)的結(jié)構(gòu)偏移失真，人物圖形的真實(shí)感不夠，提出一種基于光線干擾過濾法和動態(tài)小生境重構(gòu)的游戲人物虛擬成像生成方法。采用人體輪廓線邊緣檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取，對重構(gòu)的游戲人物動作圖像進(jìn)行邊緣增強(qiáng)和角點(diǎn)銳化處理，采用自適應(yīng)中值濾波方法進(jìn)行光線干擾過濾，結(jié)合動態(tài)小生境技術(shù)進(jìn)行游戲人物圖形的五官特征渲染和身體形態(tài)的動態(tài)追蹤，進(jìn)行游戲人物的動態(tài)信息配準(zhǔn)，生成真實(shí)感的游戲人物圖形。仿真結(jié)果表明，采用該方法進(jìn)行游戲人物圖形生成與虛擬現(xiàn)實(shí)重建，游戲人物的真實(shí)感較強(qiáng)，五官特征的信息表達(dá)能力豐富，身體形態(tài)結(jié)構(gòu)偏移較小，圖形生成過程具有較好的抗干擾能力。

關(guān)鍵詞：光線 干擾濾波 游戲人物 圖形 虛擬現(xiàn)實(shí) 動態(tài)小生境

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）06（c）-0144-05

Abstract：Game characters of graphic design in the use of virtual reality technology， the game graphics characters by light interference resulting in character graphic design structure offset facial features and body shape distortion， realistic graphics characters is not enough， a game character virtual image generation method of light interference filtering method and dynamic niche based reconstruction. By detection methods the body contour edge to collect a large number of human motion and dynamic feature extraction， image reconstruction of the action game characters of edge enhancement and corner sharpening， using adaptive median filtering method for light interference filter， game character graphics combined with dynamic niche technique， facial features and body shape rendering dynamic tracking dynamic information registration game character， generating realistic game character graphics. The simulation results show that the recovery Game characters graphics and virtual reality reconstruction using this method， the game characters are realistic and features information abundant expression， body shape and structure in a small shift， graphics generation process has good anti-interference ability.

Key Words：Light； Interference filter； Game characters； Graphics； Virtual reality； Dynamic niche

在大型動漫游戲設(shè)計中，游戲人物設(shè)計是關(guān)鍵，游戲人物在整個游戲中扮演著主體的角色，隨著視景仿真技術(shù)和虛擬現(xiàn)實(shí)（Virtual Reality， VR）成像技術(shù)的發(fā)展，需要采用VR技術(shù)設(shè)計游戲人物圖形，能準(zhǔn)確刻畫游戲人物的表情、神態(tài)、五官以及動態(tài)等特征，再結(jié)合視景仿真技術(shù)和動態(tài)小生境技術(shù)，使得游戲玩家能夠感受到身臨其境的感覺，并沉浸其中的虛擬環(huán)境中，提高游戲場景的真實(shí)性。對游戲人物圖形的生成方法設(shè)計是整個游戲開發(fā)的關(guān)鍵，游戲人物的圖形生成方法是建立在基于虛擬環(huán)境三維模型基礎(chǔ)上，采用三維幾何建模軟件進(jìn)行建模[1]，結(jié)合虛擬現(xiàn)實(shí)技術(shù)進(jìn)行圖像處理，提高生成游戲人物的逼真度和真實(shí)感，研究游戲人物圖形的生成方法受到虛擬現(xiàn)實(shí)仿真和圖像處理等領(lǐng)域?qū)＜覍W(xué)者的極大重視。

傳統(tǒng)方法中，對真實(shí)感游戲人物圖形的生成方法主要采用小生境技術(shù)[2]，在特定環(huán)境下通過圖像邊緣檢測濾波和自適應(yīng)信息融合實(shí)現(xiàn)真實(shí)感游戲人物的圖像角點(diǎn)匹配和信息配準(zhǔn)，利用衍射原理再現(xiàn)游戲人物圖像的肢體和五官特征信息，通過全息投影方法反應(yīng)成像物體的顯影、定影等信息特征[3]，在虛擬現(xiàn)實(shí)的仿真工具中生成虛擬游戲人物圖形，提高成像效果，取得了一定的研究成果，其中，文獻(xiàn)[4]中提出一種基于動態(tài)小生境半徑兩階段多模態(tài)差分進(jìn)化的動態(tài)游戲人物的重建方法，采用多尺度差分插值方法進(jìn)行像素序列重排，提高對多模態(tài)人物圖形的動態(tài)特征追蹤能力，但該方法對人物圖形亮點(diǎn)區(qū)域分割中容易出現(xiàn)擾動誤差，特別是在光線干擾下游戲人物生成的真實(shí)感不強(qiáng)；文獻(xiàn)[5]中提出一種基于模擬退火算法優(yōu)化的超分辨率游戲人物的激光全息投影VR重建技術(shù)，采用全息圖壓縮方法進(jìn)行游戲人物的像素特征降維，通過仿射變換和Harris角點(diǎn)檢測方法進(jìn)行游戲人物圖形的超分辨特征提取和重構(gòu)，結(jié)合模擬退火方法進(jìn)行人物的面部特征渲染，提高了圖形重建的分辨率和逼真度，但該方法受到光線干擾容易導(dǎo)致人物圖形設(shè)計出現(xiàn)五官及身體形態(tài)的結(jié)構(gòu)偏移失真，人物圖形的真實(shí)感不夠。endprint

針對上述問題，本文提出一種基于光線干擾過濾法和動態(tài)小生境重構(gòu)的游戲人物虛擬成像生成方法。首先采用人體輪廓線邊緣檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取，對重構(gòu)的游戲人物動作圖像進(jìn)行邊緣增強(qiáng)和角點(diǎn)銳化處理，庵后采用自適應(yīng)中值濾波方法進(jìn)行光線干擾過濾，結(jié)合動態(tài)小生境技術(shù)進(jìn)行游戲人物圖形的五官特征渲染和身體形態(tài)的動態(tài)追蹤和動態(tài)信息配準(zhǔn)，生成真實(shí)感的游戲人物圖形。最后進(jìn)行仿真測試，展示了該文方法在實(shí)現(xiàn)游戲人物圖形生成方面的優(yōu)越性。

1 人體動作搜集與動態(tài)特征提取

1.1 游戲人物人體輪廓線邊緣檢測

為了實(shí)現(xiàn)對真實(shí)感游戲人物圖形重建，首先采用人體輪廓線邊緣檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取，假設(shè)游戲人物的動作特征點(diǎn)有N個點(diǎn)，其中任意一個點(diǎn)的二維坐標(biāo)為，則游戲人物動作行為空間可以表達(dá)為一個高維向量。采用邊緣輪廓檢測方法進(jìn)行游戲人物的規(guī)范性動作特征提取，收集大量人體動作，將每個游戲人物的動作完成過程通過矢量分解方法進(jìn)行向量轉(zhuǎn)化，形成游戲人物的動作向量庫[6]。

將所有的游戲人物行為特征樣本點(diǎn)映射到低維空間中，通過智能視覺融合方法進(jìn)行量化跟蹤，得到游戲人物圖形的成像空間必須滿足以下條件：

2 真實(shí)感游戲人物圖形生成實(shí)現(xiàn)

2.1 改進(jìn)設(shè)計原理及預(yù)處理

在上述采用人體輪廓線邊緣檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取的基礎(chǔ)上，進(jìn)行游戲人物圖形生成方法改進(jìn)設(shè)計，為了抑制光線干擾產(chǎn)生的生成誤差，提高游戲人物圖形VR成像和虛擬重構(gòu)的真實(shí)感，提出一種基于光線干擾過濾法和動態(tài)小生境重構(gòu)的游戲人物虛擬成像生成方法，對游戲人物的動作信息進(jìn)行VR成像配準(zhǔn)[9]，配準(zhǔn)過程分為粗配準(zhǔn)和精配準(zhǔn)兩層配準(zhǔn)模式，在光線干擾下，采用中值濾波方法進(jìn)行光線干擾抑制，再通過五官特征渲染和身體形態(tài)的動態(tài)追蹤方法實(shí)現(xiàn)游戲人物的虛擬現(xiàn)實(shí)重構(gòu)，根據(jù)上述圖形生成方法的改進(jìn)設(shè)計原理，得到本文設(shè)計的游戲人物圖形生成的實(shí)現(xiàn)過程框圖如圖2所示。

3 仿真實(shí)驗與結(jié)果分析

為了測試該文方法在實(shí)現(xiàn)虛擬游戲人物VR成像生成中的應(yīng)用性能，進(jìn)行仿真實(shí)驗，實(shí)驗的硬件系統(tǒng)內(nèi)存為3 GB的PC計算機(jī)，軟件采用Matlab 2012和VC++軟件編程設(shè)計，利用Visual C++7.0、Vega Prime2.2.1、Multigen Creator仿真空間進(jìn)行游戲人物的3D幾何模型建模和視景仿真，正則化參數(shù)設(shè)定為100，游戲人物VR成像的分辨率為250*250，游戲人物動作變化的曲率參數(shù)為1.25，三維鄰近點(diǎn)數(shù)k設(shè)定為16，人物圖形生成的初始位置坐標(biāo)值為（0，0），Harris角點(diǎn)檢測的迭代閾值設(shè)置為0.95，根據(jù)上述仿真環(huán)境和參量設(shè)定，進(jìn)行游戲人物圖形生成仿真實(shí)驗，采用人體輪廓線邊緣檢測方法搜集大量人體動作，得到不同游戲行為模式下游戲人物重建的關(guān)鍵特征點(diǎn)提取結(jié)果如圖3所示。

以圖3采集的游戲人物圖形動作特征為例，通過邊緣輪廓檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取，采用本文方法進(jìn)行游戲人物VR重建，在光線干擾下，得到游戲人物的生成結(jié)果如圖4所示。

圖4的生成結(jié)果可以看出，游戲人物虛擬成像受到光線干擾，導(dǎo)致人物圖形成像的噪點(diǎn)較多，真實(shí)感不強(qiáng)，采用本文方法進(jìn)行邊緣增強(qiáng)和角點(diǎn)銳化處理，采用自適應(yīng)中值濾波方法進(jìn)行光線干擾過濾，得到過濾后的游戲人物生成結(jié)果如圖5所示。

對比圖5和圖4結(jié)果可見，通過光線過濾，提高了圖形的成像效果，最后結(jié)合動態(tài)小生境技術(shù)進(jìn)行游戲人物圖形的五官特征渲染和身體形態(tài)的動態(tài)追蹤，實(shí)現(xiàn)真實(shí)感游戲人物圖形生成，得到最后的生成結(jié)果如圖6所示。

分析圖6結(jié)果得知，該文方法生成的虛擬游戲人物的成像效果較好，對人物的五官特征渲染和身體形態(tài)的動態(tài)追蹤性能較好，五官特征的信息表達(dá)能力豐富。為了定量測試不同方法的性能，表1列出了采用不同方法進(jìn)行游戲人物生成的輸出信噪比和結(jié)構(gòu)偏移對比結(jié)果，分析得知，采用該文方法生成游戲人物圖形，圖形的信噪比較高，說明圖形質(zhì)量較好，形體結(jié)構(gòu)偏移較小，該圖形VR生成技術(shù)能準(zhǔn)確模擬人物的形體動作。

4 結(jié)語

該文研究了虛擬游戲人物的VR圖形生成技術(shù)，提出一種基于光線干擾過濾法和動態(tài)小生境重構(gòu)的游戲人物虛擬成像生成方法。采用人體輪廓線邊緣檢測方法搜集大量人體動作并進(jìn)行動態(tài)信息特征提取，對游戲人物動作圖像進(jìn)行邊緣增強(qiáng)和角點(diǎn)銳化處理，采用自適應(yīng)中值濾波方法進(jìn)行光線干擾過濾，結(jié)合動態(tài)小生境技術(shù)進(jìn)行游戲人物圖形的五官特征渲染和身體形態(tài)的動態(tài)追蹤，進(jìn)行游戲人物的動態(tài)信息配準(zhǔn)，生成真實(shí)感的游戲人物圖形。研究得知，該文方法進(jìn)行游戲人物圖形生成與虛擬現(xiàn)實(shí)重建，游戲人物的真實(shí)感較強(qiáng)，形體結(jié)構(gòu)偏移較小，具有較好的抗光線干擾能力，生成圖形的質(zhì)量較高。

參考文獻(xiàn)

[1] 劉世瑛，黃峰，張雛，等.成像不均勻性對復(fù)眼超分辨率重構(gòu)的影響[J].激光雜志，2015，36（9）：83-86.

[2] ORTIZ A，GORRIZ J M，RAMIREZ J， et al. Improving MR brain image segmentation using self-organising maps and entropy-gradient clustering[J].Information Sciences，2014，262（3）：117-136.

[3] Ihsan A Kareem， Mehdi G Duaimi. Improved accuracy for decision tree algorithm based on unsupervised discretization[J].Int J of Computer Science and Mobile Computing，2014，3（6）：176-183.

[4] 張貴軍，陳銘，周曉根.動態(tài)小生境半徑兩階段多模態(tài)差分進(jìn)化算法[J].控制與決策，2016，31（7）：1185-1191.

[5] 任宏德.基于模擬退火算法優(yōu)化的超分辨率圖像重建[J].激光雜志，2016，37（2）：38-41.

[6] 蔣政，程春玲.基于Haar特性的改進(jìn)HOG的人臉特征提取算法[J].計算機(jī)科學(xué)，2017，44（1）：303-307.

[7] BENGIO Y，COURVILLE A，VINCENT P. Representation learning：a review and new perspectives[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35（8）：1798-1828.

[8] 王文博，殷宏，解文彬，等.基于硬件細(xì)分的層次細(xì)節(jié)地形渲染算法[J].計算機(jī)應(yīng)用，2015，35（6）：1716-1719.

[9] 李旭超，宋博，甘良志.改進(jìn)的迭代算法在圖像恢復(fù)正則化模型中的應(yīng)用[J].電子學(xué)報，2015，43（6）：1152-1159.

[10] 藺素珍，朱小紅，王棟娟，等.基于嵌入式多尺度變換的多波段圖像融合[J].計算機(jī)研究與發(fā)展，2015，52（4）：952-959.endprint