基于形态匹配的产品仿生设计融合

罗仕鉴，边 泽，张宇飞，陆佳炜，卢世主

(1.浙江大学 计算机科学与技术学院，浙江 杭州 310027; 2.浙大宁波理工学院 设计学院，浙江 宁波 315100; 3.武汉理工大学 艺术与设计学院，湖北 武汉 430070)

0 引言

自人类诞生起，就从自然界不断地获取知识与灵感，赋能到生产生活中。从锯齿草到锯子，从鸟类到飞机，从苍耳到尼龙搭扣，从萤火虫到人工冷光——仿生拓宽了人类的想象力和技术的边界，推动了科技与艺术的进步。在当前科技与艺术高速发展下，仿生设计作为一种生物知识驱动的设计方法，广泛应用于各个行业，包括机械设计、建筑设计、产品设计、医学领域等[1-2]。著名仿生设计大师科拉尼一直从生物中汲取灵感，为兰博基尼、法拉利、奔驰、宝马等公司设计了一系列仿生概念车，受到业界追捧。德国仿生机器人公司Festo设计了一系列异常逼真的机器人，如会游泳的仿生鱼、会飞的仿生水母、仿生象鼻的机械手臂，推动了自动化行业进程，拓展了人机协作空间。仿生设计在整个设计中的作用是为设计师提供灵感，将生物的外形、结构、原理等特征应用到产品设计中，赋予产品相应的生物的特性。

类比(analogy)是利用一个领域的知识去解决另一个领域的问题，信息来源的领域被称为源域(source domain)，待解决问题的领域被称为目标域(target domain)。借助类比的概念，仿生设计可以看作是一种特殊的类比设计，其源域为生物，目标域为产品或待解决的问题[3]。仿生设计中的源域信息包含生物的外形、身体结构、生命活动原理、种群繁殖方式、生态系统等一系列生物知识。

产品形态仿生设计往往是问题驱动的,即先给定要设计的产品，通过产品的目标用户、感性意象、文化定位和形态联想等去调研和搜索相对应的源域生物，再根据自己的审美取向进行仿生融合。仿生设计的知识往往是跨领域的，对设计师的知识获取与储备要求较高，同时仿生设计也是有限制条件的产品造型设计，对设计师的设计能力有一定挑战。如何通过科学有效的方法为给定的目标域产品找到匹配的源域生物，并在确定仿生生物与产品后快速生成科学的仿生融合方案，为设计师提供相应的设计知识与设计参考，是仿生设计中的两大难题。

目标域与源域的匹配主要用到感性意象匹配方法。袁雪青等[4]构建了基于形态、结构、功能、色彩、肌理、意象词语描述的仿生基因库，分别通过问卷收集生物与产品的意象词汇并进行归并，将目标域的意象词汇在基因库中进行搜索，即可得到意象词汇相匹配的源域生物;朱赫[5]用同样的方法得到意象词汇，并通过余弦相似度计算目标域与源域的感性意象匹配程度;高小针等[6]将产品结构和生物结构进行了划分，对每个部件进行感性意象描述，从而进行产品部件和生物结构的感性意象匹配和仿生设计。

目前，仿生融合的方法主要有设计师根据设计原则和审美取向的融合和借助计算机算法的融合。张祥泉[7]探讨了在仿生融合中设计师通过对生物外形简化从而形变生成仿生产品的理论与方法，并确立了简化原则;徐红磊[8]分析了生物的拓扑结构及各部位拓扑结构值，以在仿生设计的形态特征简化、生成与动势表达时形成约束，保持拓扑关系的不变;郭南初[9]提出使用遗传算法进行仿生融合的构想，通过参数编码、生成初始种群、适应度函数评价、选择算子、交叉操作和变异操作实现产品与生物外形的融合，不过并未给出具体实现方法和案例;朱赫[5]借用猴王在猴群遗传中绝对优先权的概念，改进了传统遗传算法形成猴王遗传算法，将生物形态识别中占据优势的生物特征定义为“猴王”，在进化算法中设置较高的遗传权重，并将形态识别中的劣势样本设置较低的遗传概率，最终得到的仿生融合产品将更好地体现生物主要特征。该方法属于生物外形和产品外形的整体融合，在仿生融合前会对生物拓扑结构进行深入的分析。

目前的仿生匹配与融合取得了一定进展，仍存在以下问题：

(1)目标域与源域的匹配主要集中在感性意象匹配，对于形态匹配的研究较少。设计师寻找源域时的形态考虑多是从主观认知出发，如果能借助计算机辅助方法，就能更精准和迅速地筛选出形态匹配的生物原型，进行仿生设计。

(2)目前的仿生融合主要是设计师遵从其经验、审美取向和一些设计方法的主观融合，基于计算机图形图像的融合算法研究处于起步阶段，需要探究新的计算机领域的仿生融合方法，并希望设计师在其中有一定的参与度。

本文将从生物与产品的形态入手，使用计算机图形学中的图形匹配与图像融合方法，展开仿生设计的相关研究，并提出基于形态匹配的产品仿生设计融合方法。试图建立仿生设计数据库与设计辅助工具，提供不同的源域生物匹配方案和快速生成的2D仿生融合轮廓方案，辅助设计师进行设计抉择与参考，指导3D产品设计建模,提升仿生设计效率。

1 基于形态匹配的产品仿生设计融合方法

根据格式塔心理学，当视觉对象在一定范围内变化时，人对视觉对象的认知仍然保持不变，这种现象被称为知觉恒常性。知觉恒常性包括大小恒常性、形状恒常性、亮度恒常性和颜色恒常性[10]。同时，在格式塔心理学记忆研究中，Friedrich Wolf发现了完形趋向原则，即被试面对无意义的图形会在脑内进行匀称化、规则化和简单化，并与他们记忆中有意义的图形进行匹配和理解[11]。根据心理学研究基础，仿生设计时若挑选与目标域产品形状相似的生物源域进行设计，可以保持用户对于形状认知的一致性，在产品形态可变范围有限的情况下提升生物的可识别度，是形态匹配的理论依据。

谭建荣等[12]将图形特征归结为几何构成元素数量、元素类型、元素临接状态和连接方式，并根据图形特征定义了图形相似性，可分为拓扑结构相似、几何形状相似、尺寸约束相似。在计算机视觉领域，形状匹配是基于特征的匹配，特征可分为基于区域的形状特征(如凹凸结构和基于骨架的形状表示)和基于轮廓的形状特征涵盖特征的空间排列，匹配方法包括变换域、多尺度空间和轮廓点空间结构[13]。形状匹配一般包括“形状特征提取”、“形状特征匹配”和“形状距离学习”3个步骤。目前，计算两个形状距离的方法主要有形状上下文和豪斯多夫距离，本文选取形状上下文匹计算产品与生物的形状距离，进行仿生匹配。

在产品设计领域，已有学多学者进行了产品形态的耦合与进化研究。师洁等[14]应用形态混合算法对选定表现“高贵”意象的香水瓶造型和香水瓶原造型进行融合，形成新的香水瓶造型;罗仕鉴等[15]研究了消费者偏好与SUV产品族外形基因之间的映射模型，并使用遗传算法实现偏好驱动的SUV产品族侧面轮廓线基因进化;苏建宁等[16]通过选择代表性产品样本、量化造型元素，使用元胞遗传算法进行产品造型初始设计，再运用标准遗传算法进行产品造型细化设计。

在计算机领域，图像融合的算法可划分为基于彩色空间的融合算法、基于数学/统计学的图像融合算法、基于MGA的图像融合算法和智能图像融合算法，其中基于智能图像的融合算法包括神经网络、模糊理论和优化理论[17]。基于深度学习的生成式对抗网络(Generative Adversarial Network, GAN)已经广泛应用于图像的风格迁移，对给定的内容图和风格图形成效果图，但GAN主要改变图像色彩、纹理等风格，不包括图像的形变[18]。图像变形技术能够将一幅图片平滑的变换为另一幅图片，本研究选择图像变形技术进行仿生融合，整体方法框架如图1所示。首先使用形状上下文匹配法进行产品与生物的仿生匹配，然后对匹配好的产品和生物使用图像变形技术进行仿生融合，最后从3个维度对融合产生的仿生产品进行评价。

1.1 基于形状上下文(Shape Context)的仿生匹配方法

形状上下文(shape context)是由Belongie等[19]于2002年提出的一种强形状描述子，用离散点表示形状轮廓，用对数极坐标表示其余各点与选定点的位置关系，以计算两个形状轮廓之间的匹配度。该匹配具有不变性和鲁棒性，即在缩放、平移甚至需要旋转的情况下认为两幅图片是不变的，在小的几何畸变下保持鲁棒性。

形状上下文匹配被广泛应用于数字识别、人脸识别、智能视频监控、商标检索及图像检索等领域[20-21]，具体步骤如下：

(1)提取轮廓。

1)输入图片I；

2)对I提取轮廓点C，C={ci},i∈[0,…,N-1]。其中N为采样数;ci=(x,y)，为图像坐标系下的坐标。采样点越多，形状表示越精确。

(2)提取轮廓点的形状上下文。

对每个ci∈C,计算形状上下文hi(k)，hi(k)=#{j≠i:(cj-ci)∈bin(k)}，其中bin(k)表示以ci为原点的对数极坐标系下的均匀分布区间,k=nlogr_bins×nθ_bins。

(3)计算代价矩阵。

给定p,q两点以及它们的归一化直方图gk,hk，由于gk,hk实为概率分布，可以使用χ2检验来计算两点之间的代价：

(5)使用薄板样条函数(Thin Plate Spline, TPS)对变换建模，可以用弯曲能量BE来表达对齐对应点所需变换的程度。

(6)最终的形状距离可以由三项距离的加权平均来表达：

dist=DSC×WSC+DBE×WBE+DIA×WIA。

其中：W*为各个距离的权重;SCD为匹配点变换后的距离和;BE为变换的距离;IA为变换后的图片之间的距离，具体计算方式如下：

1)形状距离。其中T为估计的TPS变换

2)外观距离。其中G为高斯窗口函数，IP和IQ分别为P的图像和变换后Q的图像

IQ(T(qπ(i))+Δ)]2。

3)变换距离。

DBE(P,Q)=BE。

以我国自主研发生产的10吨级中型通用直升机“直-20”和鲟鱼为例(如图2)。首先提取鲟鱼的轮廓线和直-20除去螺旋桨部分的轮廓线；然后均匀地提取轮廓点，采样数N=200，如图2c所示；接着提取轮廓点的形状上下文，图2d和图2e所示为以A为原点的对数极坐标分布；通过计算代价矩阵找到最小化总代价的匹配π，使用薄板样条函数对变换建模，最终“直-20”和鲟鱼的形状距离计算值为0.186 697。

1.2 基于图像变形技术(Morphing)的仿生融合方法

图像变形技术(Morphing)是将一幅二维图像的矩阵进行变换处理后，平滑地过渡到另一幅二维图像，变换对象包括颜色和形状两种特征[22]。图像变形技术的研究始于1960年，最初是用交叉变形的方法直接对两幅数字图像中的像素进行差值处理。1980年，Douglas Smythe提出了网格扭曲的变形方法，实现了图像变形技术的改进[23]。1982年在SIGGraph年会上展示了图像变形技术的经典案例：将一个女人的脸变成山猫。目前，基于人脸的图像变形技术广泛应用于影视特效、动画制作、医学整形产业。根据特征表达方式不同，可以分为网格Morphing、域Morphing、点Morphing和复杂特征Morphing[24]。本文研究应用基于特征点的Morphing技术，但在形态仿生中只用到图像变形技术的形变部分而忽略其色彩的变化。

图像变形技术的算法步骤如下：

步骤1标注图片I和图片J对应的特征点P,Q,保证P,Q中的点一一对应。

步骤2以特征点和图片各边中心点以及图片角点，进行德鲁尼三角化，得到两个三角网格TP,TQ。

步骤3根据参数α对TP,TQ中的每个点对Pi,Qi，求新的点位置Wi=αPi+(1-α)Qi，得到新的三角网格TW。

步骤4对于TW中和TP,TQ中的每个三角形对，求仿射变换。

步骤5对图片I和图片J中的每个三角形分别根据仿射变换进行双线性插值得到新的图片WI,WJ，即为形变后的图片。

以鲨鱼和特斯拉X为例(如图3)。首先对鲨鱼和特斯拉的侧面图片标注特征点，尽量选取能表现鲨鱼特征的转折点，由于汽车的底部是固定的底盘和轮胎，不适宜仿生设计，因此选择鲨鱼头部和背部对应特斯拉的前脸和车顶部分进行标注，如图3a所示，共选择33对特征点对一一对应；然后以特征点和图片各边中心点以及图片角点，进行德鲁尼三角化，得到图3b所示的两个三角形网格；根据参数α对两个三角形网格中的每个点求新的点位置，得到新的三角形网格；对新的三角形网格中每个三角形对仿射变换进行双线性插值得到新的图片，图3c展示了α取值为0.166 7、0.333 3、0.5、0.666 7、0.888 3时得到新的图片的效果。

2.3 仿生评价方法

仿生融合后，需要对融合生成的仿生方案进行评价，作为设计师挑选方案进一步细化设计的依据。Vandevenne等[25]选取了数量、不同度(variety)、创新度和质量4个指标衡量了仿生设计的效率；Keshwani等[26]用创新度和抽象度两个指标比较了生物激励产生的方案和头脑风暴产生方案的质量；张阿维等[27]选取整体效果、造型、宜人性作为医疗传感器产品设计的评价指标；高小针等[6]选取情感效应、造型与仿生、人机工程、影响效应作为仿生评价的一级指标。

采用德尔斐法，邀请5位专家匿名提出对仿生设计方案评价指标的意见，对专家意见进行归并同类后，再将第一轮意见整理的结果发给专家进行争论和评价，最终确立了美观度、相似度(与源域生物的相似度)、实用度3个评价指标。在使用3个指标进行评价时，将采用5点Likert量表打分。

2 应用实例:基于形态匹配的企鹅—电水壶仿生设计

基于形状上下文匹配、图像变形技术和确立的仿生评价指标，开发了“匹配—融合—评价”一体化的基于形态匹配的仿生设计融合系统，如图4所示。系统开发环境为Windows 10, x64,开发语言为Python3, PyQt5, Python-OpenCV。本章以“企鹅—电水壶”形态仿生为例，阐述如何使用“基于形态匹配的产品仿生设计融合方法”找到与给定产品匹配的源域生物并产生仿生设计方案。

系统分为仿生匹配、仿生融合、仿生评价3个模块，可以点击任一模块进行操作。

由于仿生匹配中需要有源域生物轮廓与给定的产品轮廓进行计算，首先需要构建生物轮廓数据集。按照生物纲，选取常见的生物，考虑到一种生物的形态特征可以包括其静止、奔跑、捕食的姿态，对生物形态特征的展现也包括生物的各个角度。在建立生物模型库时，应尽量包涵较多的形态信息，选取能体现生物形态特征的正面图片、侧面图片、背面图片、其他局部特征特写图片等。

构建生物轮廓数据集的第二步是对筛选的图片进行处理。如图5所示，选取骆驼侧面图片，在矢量绘图软件Adobe Illustrator或Sketch中用贝塞尔曲线描绘出骆驼的勾线图，再将图片进行轮廓化处理。进行轮廓化处理是因为后续用到的形状上下文匹配中将对生物外部轮廓的采样获取离散点。

将轮廓化处理后的生物正面图片、侧面图片、背面图片、其他局部特征特写图片构建生物轮廓数据集。生物轮廓数据集的部分生物图片展示如表1所示，生物轮廓数据集为仿生匹配提供源域数据。

表1 生物轮廓数据集的部分展示

2.1 仿生匹配

借鉴文献[5]的研究思路，选择电水壶为设计目标域。首先用矢量绘图软件勾勒出电水壶的勾线图，由于电水壶的把手比较固定，不是表现电水壶形态特征的主体，对去掉把手的电水壶进行轮廓化处理，如图6所示。准备好目标域产品后，开始在系统中进行仿生匹配，首先点击系统首页中的仿生匹配按钮，进入匹配程序主界面，上传电水壶轮廓后，点击“匹配”按钮开始匹配。程序将根据形状上下文匹配算法，读取生物轮廓数据集中的每张生物轮廓图与产品轮廓图进行计算。匹配结果如图7所示，生物图片按照与产品轮廓图的相似度由高到低进行排列，并显示形状距离数值。与电水壶匹配度最高的是企鹅，形状距离为0.260141，因此确定企鹅为源域生物。

2.2 仿生融合

系统中通过仿生匹配选择合适的源域生物后，即可使用仿生融合功能进行仿生方案的快速生成。在系统首页点击仿生融合按钮，进入融合程序主界面。将企鹅的勾线图和电水壶的勾线图分别上传后，开始进行特征点标注。由于电水壶的把手和底座部位比较固定不宜变形，在标注时略过这两个位置进行标注。在选取企鹅的特征点时尽量选取所有能表现企鹅轮廓的关键点，包括其不同部位分割的转折点、表现身体弧线变化的点，选取电水壶特征点时同样按照顺序选取电水壶和企鹅形态匹配的点作为特征点对。在标注特征点过程中，可选择特定的特征点，进行删除或移动操作。最终选择了24对特征点对产品和生物图片进行了标注，如图8所示。检查特征点数量一致后，点击下一步进行仿生融合，系统将按照1.2节所述的图像变形技术步骤，依次对两张图片进行德鲁尼三角化、根据参数α求解、仿射变换等最终生成仿生产品图片。如图9所示为α取值为0.1667、0.3333、0.5、0.6667、0.8883下的水瓶和电水壶的仿生融合结果，可以点击选择一张或多张融合后的图片进行下载。

如图10所示为将标记点减半进行融合。当电水壶向企鹅的变化程度都是0.667时，仿生融合结果如图11所示，特征点数量为24的仿生电水壶比标记点数为12的电水壶仿生效果更加细腻，更能体现企鹅的轮廓特点。

2.3 仿生评价

使用仿生融合在系统中产出快速生成方案后，要对仿生融合产生的方案进行评价。在系统首页中点击仿生评价按钮进入仿生评价页面，上传需要评价的仿生方案，如图12所示。采取美观度、相似度、实用度3个指标对仿生产品进行评价，使用五点里克特量表，1代表不符合，5代表非常符合。邀请20位年龄在25岁～32岁具有5年以上工业设计背景的设计师对特征点对数量为24的五个“企鹅—水壶”融合结果作出评价。方案1～方案5分别对应α取值为0.166 7、0.333 3、0.5、0.666 7、0.888 3下的融合结果。最终，每个方案的3个指标取得分平均值，评价结果如图13所示。可以看出，随着仿生程度的增高，美观度和实用度评价下降，产品与生物的相似度上升。在实际仿生设计中，需要综合考量这几个指标作出选择，同时融合生成的方案美观度欠奉，需要设计师的进一步设计和优化。

综合考量仿生的美观度、相似性与实用性，设计师最终选取了α取值为0.333 3的仿生方案，进行下一步的建模设计。运用生成的仿生外形轮廓中水壶头部及腰线的比例关系和线条弧度，在Rhinoceros中进行优化微调，同时修改水壶底部的形态保持其稳定性，再进行渲染，最终仿生设计电水壶的设计结果如图14所示。

3 结束语

本文创新性地引入工业设计和计算机图形学的方法解决形态仿生设计的问题。通过运用形状上下文匹配法解决目标域与源域的匹配，使用图像变形技术实现了目标域与源域的仿生融合。开发了“匹配—融合—评价”的一体化形态仿生设计系统，并通过“企鹅—电水壶”仿生设计案例验证了系统的可行性。使用形态匹配挑选出与产品形态相似的生物，保持了用户对于形态认知的一致性，在产品形态可变范围有限的情况下提升了生物的可识别度；仿生融合时，设计师参与度高，可以自行选取特征点数量及仿生部位，并可以根据其喜好选取不同程度的仿生融合方案；该方法提供了一种仿生融合的快速生成工具，可以为设计师提供设计参考。

本文各点的α统一取值，限制了形态的优化，未来将在后续研究中引入优化机制，获得更好的产品形态效果并进行局部加工，改进现有融合算法和尝试新算法，为设计师提供生物的栖息环境、生活习性、繁殖方式、种群特征等知识，探究设计师在不同知识驱动下的创新设计表现，提升仿生设计的效率。