三维虚拟人物动作高精度图像重构仿真

尉迟姝毅

(辽宁工业大学，辽宁 锦州 121000)

1 引言

在计算机技术不断完善的背景下，动画的制作模式已经发生了翻天覆地的变化。大众生活日渐丰富，其中三维动画作品对大众的影响也越来越大[1]。人物动作制作隶属三维动画制作步骤中的关键部分，在一部动画作品中占据着非常重要的位置。在三维动画虚拟人物动作制作中，很多制作人员，特别是国内研究人员经常会将关注点放在动作流畅性和精确性上，能够制作出一段较为流畅的动作是他们的目标[2-3]。动画人物动作可有效表现出角色的性格特点以及情绪等内容，在作品最后的呈现中，需要保障角色动作在整体上能够呈现出一定的力度与张力，使角色更加饱满和灵动。综上，三维虚拟人物动作图像重构成为了该领域亟待解决的问题。在三维技术日益精进的发展环境下，相关学者提出了不少成果。

王玉萍[4]等人以绘制任意视角下的三维人脸姿态模型为目的，对于三维人脸数据存在的独特性，提出利用一般三维人脸姿态模型依据稀疏多视点图像，对指定的人脸表层光场进行重建。过程中，对Laplacian网格变形方法进行优化，完成一般人脸表层三维模型至多视点图像中指定人脸模型之间的变形，以此防止了直接得到人脸模型时的复杂性和数据维度高等不足。最后基于绘制任意视点人脸表层模型测试方法的可行性。赵龙[5]等人指出点云精简在图像重建过程中十分重要，精简之后的点云数目与分布水准会直接决定图像三维重建的整体效率。过程中，依据传统点云精简方式精简之后的点云数据，基于曲率的自适应分布所具备的特征，提出改进点云聚类精简法，实现图像三维重建。首先对点云数据实行小栅格包围精简操作，以此能够简化点云数据，同时有利于点云数据特征计算；其次利用点的法向夹角与弯曲度等参数实现点云数据分类，并分别进行采样。最后利用精简点云数据实现图像三维重建。

但以上两种方法在进行三维虚拟人物动作高精度图像重构时均存在图像清晰度较差、重构精度较低、重构时间较长等问题。为此，本文以三维动画人物为研究对象，对其动作图像重构进行研究，提出基于视觉重要性的三维虚拟人物动作高精度图像重构方法。

2 三维虚拟人物动作高精度图像重构

2.1 图像预处理

未经处理的图像在很多时候会存在各种类型的噪声干扰，这些噪声会使图像原本具有的特征点被抑制，阻碍了图像的进一步研究[6]。由此需要对图像进行预处理，将其中的噪声干扰消除，对下一步图像高精度重构做准备。将图像中的噪声去除，并增强特征位置可识别性，并将可利用信息凸显出来，从而使检测到的图像特征点与立体配准和三维重构更加准确，并利用锐化和增强图像等技术对动画图像进行处理。本文通过三步实现图像预处理过程，其中包含图像中值滤波，去除图像存在的噪声，利用直方图均衡化消除图像亮度差异，采用拉普拉斯算法实现图像锐化[7-8]。详细过程如下：

1)中值滤波

中值滤波属于一种非线性的滤波形式，而中值滤波器也自然是一种非线性的噪声滤波器。利用中值滤波器处理图像，能够有效解决线性滤波和均值滤波导致的图像细节丢失或者模糊等问题，在一定程度上保障了图像重构精度。

设定一个序列，选择该窗口的长度m，利用中值滤波处理序列f1，…，fn，实质是在序列中不断抽取m个值fi-v，…，fi-1，fi，fi+1，…，fi+v，fi代表窗口中心位置的值，v=(m-1)/2。将m个值依据从小到大的顺序排好，滤波器的输出值即为顺序中间值，其表达式为

yi=med{fi-v，L，fi-1，fi，fi+1，L，fi+v}

(1)

由于选取的窗口不同，呈现出的滤波效果也大不相同。中值滤波窗口大小可分为3与5等多种形式，本文选择的是3*3窗口，实现中值滤波。

2)直方图均衡化

该步骤的运行过程为：利用均匀分布处理方式处理目标图像直方图，将处理之后的图像像素灰度值扩大，提高图像对比程度。直方图均衡化法能够将图像中较为显著的部分和感兴趣的部分的对比度提升，尤其是图像中比较感兴趣的部分对比度接近时，可以得到很好地运行效果。直方图均衡化能够有效均衡图像亮度存在的差异。

对原始图像进行归一化，实现图像灰度压缩，表达式为

(2)

式中，x，y分别为直方图的横纵坐标。假设Pr(μ)代表原始图像概率密度函数，s代表转换函数，其分布区间为[0，1]，则有如式(3)的变换

(3)

假设nk代表第k阶灰度级出现的总数量n，则转换之后的灰度值f2(x，y)的表达式为

(4)

根据上述计算处理，图像亮度值得到了均匀分布。没有进行直方图均衡化的图像灰度值是f1(x，y)，做了直方图均衡化的图像灰度值是f2(x，y)。

3)拉普拉斯锐化

依据上述两个环节的滤波与均衡化，图像中存在的噪声已经基本被消除，部分图像可能会出现模糊现象，因此需要对其进行锐化操作，才可以使动画虚拟人物动作图像重构时，细节与边缘更加显著，从而提高重构精度。

利用拉普拉斯对图像进行锐化处理，其表达式为

(5)

利用拉普拉斯锐化之后的图像，其边缘和细节信息都得到了显著性增强，f3(x，y)即为拉普拉斯锐化之后获取的图像灰度值。

2.2 图像重构

基于上述图像预处理结果，利用三维虚拟人物每个动作执行时的视觉重要程度实现图像重构。其中，计算三维虚拟人物图像中对象视觉重要程度，根据区分有限层次方法生成可视化效果最优的图像，从而实现三维虚拟人物动作高精度图像重构。

图像中各个对象的重要程度评估是三维虚拟人物动作重构的关键问题，也是保持图像精度的重要依据。通过以往量化视觉显著程度与视觉重要程度相关方法可知：当观察人员对自身比较感兴趣的目标进行观察时，视线不会只停留在目标范围内的所有区域，而是目标中某个或者某几个区域得到了大部分的视觉关注[9]。这些区域即为视觉重要程度区域，该定义和其自身大小没有关系。

计算视觉显著图需要基于下列假设：如果观察者的视线在某点上时，那么该区域所受到的视觉强度即为将该点当作中心点的高斯分布。假设观察人员的眼球与图像之间的距离约41cm，即约1575像素，那么视网膜中央凹下去的宽度大概为1°，点扩散函数计算示意图如图1所示：

图1 点扩散函数计算示意图

函数所得值的单位为像素，利用三角函数R=1575·tan 0.5°≈14，就能够计算出需要的高斯函数，宽度大概为28个像素，获取直径是28像素的区域，也就是在一个关注点下生成的视觉重要程度区域。

根据上述分析，对视觉重要程度区域和整体视线方向以及目标颜色与大小等指标，对动作呈现效果产生的影响进行一个综合性地考虑。如图2所示，将圆心当作视点，将垂直视线方向与圆心相差距离最远的对象当作基准对象，结合一个和视线方向有关因子factor，该因子的计算表达式为factor=tanθ，其中，θ代表视角。

图2 图像中各对象重要程度

根据图2可知，颜色依据彩虹七色分别赋值为7至1，图2中，1、3、6位置的对象颜色是绿色，2位置的对象颜色是黄色，4、5、7位置的对象颜色是红色，8位置的对象颜色是紫色。

基于上述分析，假设D代表某个对象与圆心之间的实际距离，ΔS代表对象投影所显示出的面积，c代表对象颜色，则重要程度计算公式为

(6)

其中，α1和α2代表权重系数，B代表重要程度的基准值，其表达式为

B=α1(1+tanθ0)D0+α2(100/(c0+ΔS0))

(7)

式中，θ0代表基准对象视角，D0代表基准对象与视点之间的距离，c0代表基准对象颜色，ΔS0代表基准对象大小。

上述计算中，I值越大，则代表某个对象重要程度就越高。

依据上述对象重要程度计算，引入细节层次选择法LOD，其经常适用在三维虚拟人物动作图像重构中。其应用过程如下所示：

设定图像中各对象具备n′个模型，所有模型依据细节层次由高至低顺序可表示为LOD1，…，LODn′。为了满足重构需求和视觉需求，将对象重要程度进行排列，重要程度越高，那么选择的层次模型就越高，决定不同层次模型选取的比例参数为K′。设定视觉重要程度区域存在m′个对象，num(LODi)代表第i层模型总数，LOD模型对应级别占据的比例顺序为K′1，…，K′n′，利用公式可表示为

(8)

其中，K′i≥0，K′1+…+K′n′=1。

基于时限需求，依据对象重要程度在图像数据库中对对象细节层次进行重新选择。三维虚拟人物动作图像重构最为关键的部分为持续调节各个层次模型设置比例参数K′，进而满足时限需求。

图像重构主要包含以下几个部分：

依据现实需求选取不同层次模型设置比例参数；基于对象重要程度选择出待可视化的目标，在视觉重要程度区域范围内生成可视化对象集合Soi={Oi;i=1，…，n′}，再对各对象重要程度进行计算，得到Ioi，同时依据对象重要程度由高至低进行排列，获取有序的可视化目标对象集合：S′oi={Oj;Ioj>Ioj+1，j=1，…，n′-1}；最后对S′oi中LOD层次进行相应调节，依据不同层次模型设置比例参数K′，判断LOD级别，使得重要程度越高，选择的层次模型就越高，基于绘制时间自主调节三维可视化模型，根据区分有限层次方法生成可视化效果最优图像，使其达到设定的重构精度，以此完成三维虚拟人物动作高精度图像重构，其表达式为

(9)

其中，L代表LOD模型，l代表目标对象LOD层次，num(li)代表第i层模型数量。

3 实验结果与分析

为验证基于视觉重要性的三维虚拟人物动作高精度图像重构方法的性能，在CPU：Intel(R)Core(TM)i3 CPU 550@3.20GHz 3.19GHz，内存为2048MB，显示设备为一台PC机的环境下进行一次仿真。图3为三维动画仿真系统。

图3 三维动画仿真系统

实验通过三维动画仿真系统选取一部三维动画中的部分动作截图作为实验样本，如图4所示。

图4 实验样本

由于三维动画图像在重构的过程中存在噪声干扰，由此采用本文重构方法、基于多视点图像的人脸表面光场重构方法和基于点云精简的序列图像三维重构方法，进行图像降噪处理，处理结果如图5所示。

图5 不同方法图像处理对比

从图5中可明显看出，本文提出的基于视觉重要性的三维虚拟人物动作高精度图像重构方法噪声干扰抑制效果最佳。是因为本文利用中值滤波将图像中的噪声去除，采用直方图均衡化消除图像亮度差异，使用拉普拉斯算法对图像进行锐化，高效抑制了图像中存在的噪声，增强了图像细节与边缘，提升了图像清晰度，从而提高了三维虚拟人物动作高精度图像重构效果。

为了验证本文方法的有效性，以最优关键帧数、压缩率和图像重构时间为实验指标，对本文重构方法、基于多视点图像的人脸表面光场重构方法和基于点云精简的序列图像三维重构方法的三维虚拟人物动作高精度图像进行验证，得到最优关键帧数越多，压缩率越高，表明图像像素越好，图像清晰度越高；重构时间越少，表明图像重构效率越高。三维动画图像重构时间和压缩率对比结果如表1所示。

表1 三维动画图像重构时间和压缩率对比

根据表1可知，在三种方法中本文重构方法的三维虚拟人物动作高精度图像最优关键帧数为最多，压缩率最高，重构时间最少，说明本文重构方法的三维虚拟人物动作高精度图像重构效率最高。

为了进一步验证本文方法的有效性，对本文重构方法、基于多视点图像的人脸表面光场重构方法和基于点云精简的序列图像三维重构方法的三维虚拟人物动作高精度图像重构精度进行对比分析，对比结果如图6所示。

图6 不同方法重构精度对比结果

根据图6可知，基于多视点图像的人脸表面光场重构方法和基于点云精简的序列图像三维重构方法的重构精度分别为52%和48%，而本文方法在不同实验次数下，重构结果逼近程度最高可达90%，表现出了良好的重构性能。是因为本文方法在执行重构操作之前，对图像进行了预处理。其中，中值滤波器处理图像能够有效解决线性滤波器和均值滤波导致的图像细节丢失或者图像模糊等问题，有效保障了图像重构精度。利用拉普拉斯锐化图像，可以使动画虚拟人物动作图像重构时细节与边缘更加显著，进一步提升了重构精度。

4 结束语

本文针对三维虚拟人物动作重构，将视觉重要性引入图像重构中，完成研究。过程中，利用中值滤波法、直方图均衡化法、拉普拉斯锐化算法分别对图像进行预处理，基于处理过的图像，计算其对象视觉重要程度，结合有限层次法得到最贴合实际的重构结果。实验结果显示，所提方法性能较为完善，可靠性强。