三維虛擬人物動作高精度圖像重構仿真

尉遲姝毅

(遼寧工業大學，遼寧 錦州 121000)

1 引言

在計算機技術不斷完善的背景下，動畫的制作模式已經發生了翻天覆地的變化。大眾生活日漸豐富，其中三維動畫作品對大眾的影響也越來越大[1]。人物動作制作隸屬三維動畫制作步驟中的關鍵部分，在一部動畫作品中占據著非常重要的位置。在三維動畫虛擬人物動作制作中，很多制作人員，特別是國內研究人員經常會將關注點放在動作流暢性和精確性上，能夠制作出一段較為流暢的動作是他們的目標[2-3]。動畫人物動作可有效表現出角色的性格特點以及情緒等內容，在作品最后的呈現中，需要保障角色動作在整體上能夠呈現出一定的力度與張力，使角色更加飽滿和靈動。綜上，三維虛擬人物動作圖像重構成為了該領域亟待解決的問題。在三維技術日益精進的發展環境下，相關學者提出了不少成果。

王玉萍[4]等人以繪制任意視角下的三維人臉姿態模型為目的，對于三維人臉數據存在的獨特性，提出利用一般三維人臉姿態模型依據稀疏多視點圖像，對指定的人臉表層光場進行重建。過程中，對Laplacian網格變形方法進行優化，完成一般人臉表層三維模型至多視點圖像中指定人臉模型之間的變形，以此防止了直接得到人臉模型時的復雜性和數據維度高等不足。最后基于繪制任意視點人臉表層模型測試方法的可行性。趙龍[5]等人指出點云精簡在圖像重建過程中十分重要，精簡之后的點云數目與分布水準會直接決定圖像三維重建的整體效率。過程中，依據傳統點云精簡方式精簡之后的點云數據，基于曲率的自適應分布所具備的特征，提出改進點云聚類精簡法，實現圖像三維重建。首先對點云數據實行小柵格包圍精簡操作，以此能夠簡化點云數據，同時有利于點云數據特征計算；其次利用點的法向夾角與彎曲度等參數實現點云數據分類，并分別進行采樣。最后利用精簡點云數據實現圖像三維重建。

但以上兩種方法在進行三維虛擬人物動作高精度圖像重構時均存在圖像清晰度較差、重構精度較低、重構時間較長等問題。為此，本文以三維動畫人物為研究對象，對其動作圖像重構進行研究，提出基于視覺重要性的三維虛擬人物動作高精度圖像重構方法。

2 三維虛擬人物動作高精度圖像重構

2.1 圖像預處理

未經處理的圖像在很多時候會存在各種類型的噪聲干擾，這些噪聲會使圖像原本具有的特征點被抑制，阻礙了圖像的進一步研究[6]。由此需要對圖像進行預處理，將其中的噪聲干擾消除，對下一步圖像高精度重構做準備。將圖像中的噪聲去除，并增強特征位置可識別性，并將可利用信息凸顯出來，從而使檢測到的圖像特征點與立體配準和三維重構更加準確，并利用銳化和增強圖像等技術對動畫圖像進行處理。本文通過三步實現圖像預處理過程，其中包含圖像中值濾波，去除圖像存在的噪聲，利用直方圖均衡化消除圖像亮度差異，采用拉普拉斯算法實現圖像銳化[7-8]。詳細過程如下：

1)中值濾波

中值濾波屬于一種非線性的濾波形式，而中值濾波器也自然是一種非線性的噪聲濾波器。利用中值濾波器處理圖像，能夠有效解決線性濾波和均值濾波導致的圖像細節丟失或者模糊等問題，在一定程度上保障了圖像重構精度。

設定一個序列，選擇該窗口的長度m，利用中值濾波處理序列f1，…，fn，實質是在序列中不斷抽取m個值fi-v，…，fi-1，fi，fi+1，…，fi+v，fi代表窗口中心位置的值，v=(m-1)/2。將m個值依據從小到大的順序排好，濾波器的輸出值即為順序中間值，其表達式為

yi=med{fi-v，L，fi-1，fi，fi+1，L，fi+v}

(1)

由于選取的窗口不同，呈現出的濾波效果也大不相同。中值濾波窗口大小可分為3與5等多種形式，本文選擇的是3*3窗口，實現中值濾波。

2)直方圖均衡化

該步驟的運行過程為：利用均勻分布處理方式處理目標圖像直方圖，將處理之后的圖像像素灰度值擴大，提高圖像對比程度。直方圖均衡化法能夠將圖像中較為顯著的部分和感興趣的部分的對比度提升，尤其是圖像中比較感興趣的部分對比度接近時，可以得到很好地運行效果。直方圖均衡化能夠有效均衡圖像亮度存在的差異。

對原始圖像進行歸一化，實現圖像灰度壓縮，表達式為

(2)

式中，x，y分別為直方圖的橫縱坐標。假設Pr(μ)代表原始圖像概率密度函數，s代表轉換函數，其分布區間為[0，1]，則有如式(3)的變換

(3)

假設nk代表第k階灰度級出現的總數量n，則轉換之后的灰度值f2(x，y)的表達式為

(4)

根據上述計算處理，圖像亮度值得到了均勻分布。沒有進行直方圖均衡化的圖像灰度值是f1(x，y)，做了直方圖均衡化的圖像灰度值是f2(x，y)。

3)拉普拉斯銳化

依據上述兩個環節的濾波與均衡化，圖像中存在的噪聲已經基本被消除，部分圖像可能會出現模糊現象，因此需要對其進行銳化操作，才可以使動畫虛擬人物動作圖像重構時，細節與邊緣更加顯著，從而提高重構精度。

利用拉普拉斯對圖像進行銳化處理，其表達式為

(5)

利用拉普拉斯銳化之后的圖像，其邊緣和細節信息都得到了顯著性增強，f3(x，y)即為拉普拉斯銳化之后獲取的圖像灰度值。

2.2 圖像重構

基于上述圖像預處理結果，利用三維虛擬人物每個動作執行時的視覺重要程度實現圖像重構。其中，計算三維虛擬人物圖像中對象視覺重要程度，根據區分有限層次方法生成可視化效果最優的圖像，從而實現三維虛擬人物動作高精度圖像重構。

圖像中各個對象的重要程度評估是三維虛擬人物動作重構的關鍵問題，也是保持圖像精度的重要依據。通過以往量化視覺顯著程度與視覺重要程度相關方法可知：當觀察人員對自身比較感興趣的目標進行觀察時，視線不會只停留在目標范圍內的所有區域，而是目標中某個或者某幾個區域得到了大部分的視覺關注[9]。這些區域即為視覺重要程度區域，該定義和其自身大小沒有關系。

計算視覺顯著圖需要基于下列假設：如果觀察者的視線在某點上時，那么該區域所受到的視覺強度即為將該點當作中心點的高斯分布。假設觀察人員的眼球與圖像之間的距離約41cm，即約1575像素，那么視網膜中央凹下去的寬度大概為1°，點擴散函數計算示意圖如圖1所示：

圖1 點擴散函數計算示意圖

函數所得值的單位為像素，利用三角函數R=1575·tan 0.5°≈14，就能夠計算出需要的高斯函數，寬度大概為28個像素，獲取直徑是28像素的區域，也就是在一個關注點下生成的視覺重要程度區域。

根據上述分析，對視覺重要程度區域和整體視線方向以及目標顏色與大小等指標，對動作呈現效果產生的影響進行一個綜合性地考慮。如圖2所示，將圓心當作視點，將垂直視線方向與圓心相差距離最遠的對象當作基準對象，結合一個和視線方向有關因子factor，該因子的計算表達式為factor=tanθ，其中，θ代表視角。

圖2 圖像中各對象重要程度

根據圖2可知，顏色依據彩虹七色分別賦值為7至1，圖2中，1、3、6位置的對象顏色是綠色，2位置的對象顏色是黃色，4、5、7位置的對象顏色是紅色，8位置的對象顏色是紫色。

基于上述分析，假設D代表某個對象與圓心之間的實際距離，ΔS代表對象投影所顯示出的面積，c代表對象顏色，則重要程度計算公式為

(6)

其中，α1和α2代表權重系數，B代表重要程度的基準值，其表達式為

B=α1(1+tanθ0)D0+α2(100/(c0+ΔS0))

(7)

式中，θ0代表基準對象視角，D0代表基準對象與視點之間的距離，c0代表基準對象顏色，ΔS0代表基準對象大小。

上述計算中，I值越大，則代表某個對象重要程度就越高。

依據上述對象重要程度計算，引入細節層次選擇法LOD，其經常適用在三維虛擬人物動作圖像重構中。其應用過程如下所示：

設定圖像中各對象具備n′個模型，所有模型依據細節層次由高至低順序可表示為LOD1，…，LODn′。為了滿足重構需求和視覺需求，將對象重要程度進行排列，重要程度越高，那么選擇的層次模型就越高，決定不同層次模型選取的比例參數為K′。設定視覺重要程度區域存在m′個對象，num(LODi)代表第i層模型總數，LOD模型對應級別占據的比例順序為K′1，…，K′n′，利用公式可表示為

(8)

其中，K′i≥0，K′1+…+K′n′=1。

基于時限需求，依據對象重要程度在圖像數據庫中對對象細節層次進行重新選擇。三維虛擬人物動作圖像重構最為關鍵的部分為持續調節各個層次模型設置比例參數K′，進而滿足時限需求。

圖像重構主要包含以下幾個部分：

依據現實需求選取不同層次模型設置比例參數；基于對象重要程度選擇出待可視化的目標，在視覺重要程度區域范圍內生成可視化對象集合Soi={Oi;i=1，…，n′}，再對各對象重要程度進行計算，得到Ioi，同時依據對象重要程度由高至低進行排列，獲取有序的可視化目標對象集合：S′oi={Oj;Ioj>Ioj+1，j=1，…，n′-1}；最后對S′oi中LOD層次進行相應調節，依據不同層次模型設置比例參數K′，判斷LOD級別，使得重要程度越高，選擇的層次模型就越高，基于繪制時間自主調節三維可視化模型，根據區分有限層次方法生成可視化效果最優圖像，使其達到設定的重構精度，以此完成三維虛擬人物動作高精度圖像重構，其表達式為

(9)

其中，L代表LOD模型，l代表目標對象LOD層次，num(li)代表第i層模型數量。

3 實驗結果與分析

為驗證基于視覺重要性的三維虛擬人物動作高精度圖像重構方法的性能，在CPU：Intel(R)Core(TM)i3 CPU 550@3.20GHz 3.19GHz，內存為2048MB，顯示設備為一臺PC機的環境下進行一次仿真。圖3為三維動畫仿真系統。

圖3 三維動畫仿真系統

實驗通過三維動畫仿真系統選取一部三維動畫中的部分動作截圖作為實驗樣本，如圖4所示。

圖4 實驗樣本

由于三維動畫圖像在重構的過程中存在噪聲干擾，由此采用本文重構方法、基于多視點圖像的人臉表面光場重構方法和基于點云精簡的序列圖像三維重構方法，進行圖像降噪處理，處理結果如圖5所示。

圖5 不同方法圖像處理對比

從圖5中可明顯看出，本文提出的基于視覺重要性的三維虛擬人物動作高精度圖像重構方法噪聲干擾抑制效果最佳。是因為本文利用中值濾波將圖像中的噪聲去除，采用直方圖均衡化消除圖像亮度差異，使用拉普拉斯算法對圖像進行銳化，高效抑制了圖像中存在的噪聲，增強了圖像細節與邊緣，提升了圖像清晰度，從而提高了三維虛擬人物動作高精度圖像重構效果。

為了驗證本文方法的有效性，以最優關鍵幀數、壓縮率和圖像重構時間為實驗指標，對本文重構方法、基于多視點圖像的人臉表面光場重構方法和基于點云精簡的序列圖像三維重構方法的三維虛擬人物動作高精度圖像進行驗證，得到最優關鍵幀數越多，壓縮率越高，表明圖像像素越好，圖像清晰度越高；重構時間越少，表明圖像重構效率越高。三維動畫圖像重構時間和壓縮率對比結果如表1所示。

表1 三維動畫圖像重構時間和壓縮率對比

根據表1可知，在三種方法中本文重構方法的三維虛擬人物動作高精度圖像最優關鍵幀數為最多，壓縮率最高，重構時間最少，說明本文重構方法的三維虛擬人物動作高精度圖像重構效率最高。

為了進一步驗證本文方法的有效性，對本文重構方法、基于多視點圖像的人臉表面光場重構方法和基于點云精簡的序列圖像三維重構方法的三維虛擬人物動作高精度圖像重構精度進行對比分析，對比結果如圖6所示。

圖6 不同方法重構精度對比結果

根據圖6可知，基于多視點圖像的人臉表面光場重構方法和基于點云精簡的序列圖像三維重構方法的重構精度分別為52%和48%，而本文方法在不同實驗次數下，重構結果逼近程度最高可達90%，表現出了良好的重構性能。是因為本文方法在執行重構操作之前，對圖像進行了預處理。其中，中值濾波器處理圖像能夠有效解決線性濾波器和均值濾波導致的圖像細節丟失或者圖像模糊等問題，有效保障了圖像重構精度。利用拉普拉斯銳化圖像，可以使動畫虛擬人物動作圖像重構時細節與邊緣更加顯著，進一步提升了重構精度。

4 結束語

本文針對三維虛擬人物動作重構，將視覺重要性引入圖像重構中，完成研究。過程中，利用中值濾波法、直方圖均衡化法、拉普拉斯銳化算法分別對圖像進行預處理，基于處理過的圖像，計算其對象視覺重要程度，結合有限層次法得到最貼合實際的重構結果。實驗結果顯示，所提方法性能較為完善，可靠性強。