李作山

(绥化学院 信息工程学院，黑龙江 绥化 152000)

三维动画技术日趋成熟，三维动画人物表情图像识别技术应用广泛[1]，采用超分辨图像特征提取进行三维动画人物表情视觉成像处理，建立视觉特征分析模型，结合对三维动画人物表情的三维信息重构方法，实现三维动画人物表情信息重构，提高三维动画人物表情的控制能力[2]，相关的三维动画人物表情变形控制方法研究受到人们的极大关注。

国内外的研究中，对三维动画人物表情变形自动控制方法主要有基于快速稠密对应识别方法[3]、三维轮廓检测方法[4]、多维特征提取方法等[5]，以及建立三维动画人物表情变形的多维空间检测模型，通过模糊度特征识别方法，进行三维动画人物表情变形自动检测。但传统方法进行三维动画人物表情变形检测的特征识别精度不高，自适应性不好。

对此，本研究提出基于动作捕获的三维动画人物表情变形自动控制方法。通过边缘轮廓特征重构方法进行三维动画人物表情变形控制和模糊信息识别，通过模糊信息融合和空间像素聚类分析方法，进行三维动画人物表情的变形状态检测，最后进行仿真测试分析，展示了本文方法在提高三维动画人物表情变形自动控制能力方面的优越性能。

1 图像信息采样和预处理

三维动画人物表情控制前需要采集人物表情的三维信息，引用多聚焦图像融合方法，构建动画人物表情特征提取模型，结合高分辨率特征重构技术建立边缘轮廓检测模型，及表情变形特征检测。为减少采样图像混叠现象，创新性提出通过谱混叠方法构建图像混叠模型，实现图像信息梯度处理，为表情变形控制提供基础。

1.1 三维动画人物表情变形特征检测

动画人物面部表情的变化涉及多个器官的共同作用，为使人物表情变形自动控制更自然、便捷，准确提取人物表情特征是重要环节，因此采用相关特征点检测和匹配方法进行三维动画人物表情变形特征检测。由于人物表情变化特征涉及较多要素，因此利用多聚焦图像融合方法，建立三维动画人物表情特征的多分辨特征分解模型[6]，得到三维动画人物表情图像信息的特征提取模型为：

(1)

公式(1)中，w表示权重系数，(xi,yi,zi)表示三维动画人物表情第i个特征点立体坐标的特征数值，Ω表示三维动画人物表情图像模糊人脸特征个数。

在上述特征提取的基础上，采用高分辨的特征重构技术，进行三维动画人物图像的变形特征检测，建立三维动画人物表情图像的边缘轮廓检测模型如图1所示。

图1 三维动画人物表情图像的边缘轮廓检测模型

在图1所示的三维动画人物表情图像的边缘轮廓检测模型中，通过模糊度检测方法，得到动画人物表情图像变形的高维特征，其计算公式为：

u(t)=Trect(t)exp{-w[2πln(N-1)]}

(2)

式(2)中rect(t)=1，N表示人脸图像面片区域内检测标记点数量。计算相邻两个标记点局部极大值，通过尺度因子进行特征分割，得到尺度函数表示为：

(3)

式(3)中，βintu(t)表示取整后的人脸图像高维特征值，βextu(t)表示零散的人脸图像高维特征值。在多尺度函数计算结果的基础上，在检测面片的频谱区间，对类动画人物表情图像变形特征进行谱分解，得到变形强度表示为：

(4)

公式(4)中，θ表示变形角度。综上所述，根据图像边缘差异性进行信息融合[7]，采用相关特征信息提取及对人脸表情变形强度的计算完成三维动画人物表情变形特征检测，提高三维表情图像的识别能力。

1.2 三维动画人物表情信息梯度处理

在图像采集的基础上，提取三维动画人物表情变形的关联分布特征点，利用边缘强度识别三维动画人物表情变形模糊信息[8]，得到三维动画人物表情的多尺度特征分布集为：

(5)

公式(5)中，sx、sy和sz分别表示三个维度上人物表情的标记值，再对公式(5)进行归一化处理，得到三维动画人物表情图像的超分辨率重建特征分布集。为进一步提高采样后图像分辨率，最小化图像混叠现象，以提高人物表情信息变形控制精度，在上述基础上创新性提出利用谱混叠方法构建三维动画人物表情图像的混叠模型，得到表情图像的变形特征分布区域M×M，对像素矩阵的每一列进行快速傅里叶变换，得到单幅图像的列数为：

(6)

公式(6)中，Mmax表示分布区域内面部表情临界点极大值，Mmin表示分布区域内面部表情临界点极小值。根据获得的图像列数信息进行梯度搜索，得到三维动画人物的边缘像素带通方向子带系数需满足的条件：

(7)

公式(7)中，δ为对比度系数，分析空间像素特征分布区域内三维动画人物图像表情像素灰度值。依据上述过程完成了三维动画人物表情信息梯度处理，为表情变形控制提供基础。

2 三维动画人物表情变形控制

基于三维动画人物表情变形特征的检测与预处理，进行表情变形控制。聚类变形特征的像素信息，构建灰度直方图并获得三维灰度直方图表情变形系数，提取表情变形特征；根据获得的图像表情突出信息重构区域信息，实现表情变形自动控制。

2.1 变形特征提取

通过边缘轮廓特征重构方法进行三维动画人物表情变形控制和模糊信息识别，通过模糊信息融合和空间像素聚类分析方法，得到三维动画人物表情变形特征的关联特征分布集为：

(8)

公式(8)中，K表示区域内像素灰度信息分量，Sk(ω)表示目标图像与背景图像的差异度系数，采用融合图像跟踪识别的方法，得到三维动画人物表情变形的模糊度序列为：

(9)

公式(9)中，A表示增强显著图的边缘轮廓值，为N阶方阵，即A={ai,j,0

(10)

公式(10)中D是一个无量纲的量，采用子空间分割方法进行三维动画人物表情变形特征的多维分割和灰度直方图重构，表示为：

(11)

(12)

(13)

公式(11)、公式(12)中，Mi、MT及Ml经过Wi投影后得到三维动画人物表情的变形特征量，完成了三维动画人物表情变形特征提取。

2.2 三维动画人物表情变形控制输出

依据上述变形特征提取的特征量结果，通过显著性特征提取的方法，进行变形特征的动作捕获，得到三维动画人物表情变形特征的边缘像素集为：

(14)

公式(14)中特征点中性位置偏移值Jdark(x)的计算公式为：

(15)

公式(14)、公式(15)中，η表示三个轴上存在的边缘亚像素值，Jc为三维动画人物表情变形特征相似度特征量，Ω(x)是邻域大小，结合图像中所含的表情突变信息进行区域信息重构，得到三维动画人物表情变形特征的低频融合特征量为：

(16)

(17)

公式(16)、公式(17)中，J(x)为三维动画人物表情的变形尺度，I(x)为边缘特征量。根据上述分析，进行区域方差融合，实现三维人物图像的特征识别和表情变形自动控制处理。

3 仿真实验分析

为了验证本文方法在实现三维动画人物表情的变形控制和检测中的应用性能，进行实验测试分析。使用的实验平台为IBM Intelli Station Z Pro，CPU 是Intel Xeon 3.0GHz，系统内存为6 GB。实验中的人脸数据集来自于三维动画人物数据库EURECOM Kinect，设定三维动画人物表情信息采集的亮度分量为0.45，相似度系数为0.34，候选区域的大小为120*120，梯度信息分布为0.16，根据上述参数设定，得到原始三维动画人物表情样本数据如图2所示。

图2 三维动画人物表情样本数据

根据图2的数据采集结果，进行三维动画人物表情的变形控制，得到人物表情的变形特征提取结果如图3所示。

图3 人物表情的变形特征提取结果

分析图3得知，本文方法能准确提取三维动画人物表情的变形特征，且与对应的样本表情识别相一致。因为采用了相关特征点检测和匹配方法，并构建了多分辨特征分解模型，从而提高了任务表情变形特征的提取的精确度。

为验证本文方法的对三维动画人物表情的控制效果，以文献[4]、文献[5]方法作为实验对照组，对比三种方法在不同旋转角度下表情自动控制的收敛性，具体实验结果如图4所示。

图4 不同方法控制过程收敛性对比

由图4可知，本文方法对三维动画人物表情的控制过程的收敛性较好，能够快速地进行收敛，较对比的两种方法收敛性能更好。之所以有如此效果是因为本文方法在变形控制前提取了变形特征，使之能够较快速地收敛。

为进一步验证本文方法的表情控制效果，以构建的无表情灰色人物面部掩模为基础，进行大笑、悲伤与微笑三个经典表情的变形控制，具体实验结果如图5所示。

图5 经典表情变形控制结果

由图5实验结果可知，本文方法可以实现对三种经典表情变化的准确控制，因为在表情控制前对三维人物表情图像的特征检测与预处理，且在预处理过程中考虑了采样图像易出现混叠现象，创新地提出利用谱混叠方法构建混叠模型，进一步提高了表情控制的准确度。

4 结论

本研究建立了视觉特征分析模型，结合对三维动画人物表情的三维信息重构方法，实现三维动画人物表情信息重构，并提出基于动作捕获的三维动画人物表情变形自动控制方法。提取三维动画人物表情变形的关联分布特征点，采用一维经验小波生成方法，得到三维动画人物表情图像的超分辨率重建特征分布集，通过显著性特征提取的方法，进行变形特征的动作捕获和变形检测。分析得知，本文方法进行人物表情的变形控制和检测的准确性较高，收敛性较好。但此次研究的三维动画人物表情控制方法仍需要完善，在复杂动画背景下，人物表情特征提取的准确率难以满足商业需求，因此，改进复杂环境下表情特征提取算法是未来的研究方向。