单 祖 辉

(滇西科技师范学院, 云南 临沧 677000)

当前动画人物设计离不开感官体验的配合,为了增强真实感,帮助设计师充分展现其作品,需建立艺术设计感官体验模型.传统动画人物设计感官体验建模方法仅针对某一感官体验进行建模,无法使用户切实感受动画人物设计作品.针对该弊端,提出一种新的基于视觉传达的动画人物设计感官建模方法.视觉传达技术不但能够改变传统动画人物设计的体现形式,还能使人们得到更加真实的感官体验,提供丰富的环境信息,是当前动画人物设计的主要形式.传统二维重建技术主要依靠3D MAX或者Maya软件完成特征的手工物理建模,整个特征提取过程的步骤烦琐且重复性工作较多,不仅降低了二维动画人物特征提取速度,也造成人物形象三维构建准确性低下的现象[1-2],具有深度信息获取不足、重建识别误差大、模拟重建范围有限等弊端.为有效改进上述问题,三维重建手段应运而生,通过建立三维模型完成对动画人物的重建.二维动画人物的特征可以通过激光扫描和二维图像获得,激光扫描装置获得的结果准确度更高,速度更快,但是该方法对计算机的设备要求较高,花费较大;二维图像只需将动画人物的底板相互合成,方式较为简易,易被接受,但该方法所需设备级别较低,对于后续的数据处理技术要求较高,需要很高的实用操作性[3-4].

针对上述问题,本文提出了一种二维动画人物特征提取与三维重建新方法.Harris算子、对极几何关系的确定,是完成二维动画人物特征提取的重要条件.在此基础上,完成二维动画人物的特征提取,使得特征提取过程趋于完善.利用哈希排序的特性,完成二维动画人物特征的三维重建流程设计及哈希排序,并通过CUDA框架的约束作用最终实现新型三维重建方法[3-4].通过设计对比实验的方式证明与传统方法相比,本文的重建方法更具实用价值.

1 二维动画人物特征提取

二维动画人物特征的提取主要由Harris算子的确定、对极几何角度的确定、特征提纯3个步骤组成,具体操作方法如下.

1.1 二维动画人物Harris算子的确定

在进行特征提取时, 我们不仅需要考虑包含角点和边缘的区域分类, 而且还需要含有判断角点和边缘质量的测度或响应, 响应函数值的大小可用于挑选孤立的角点像素或细化边缘像素. Harris等提出的对Moravec算子的改进, 就是具有旋转不变性的角点响应测度, 即角点响应算子.

二维动画人物Harris算子的统计方法可以根据动画人物建模进行投影分布,得到水平投影和垂直投影,公式如下.

(1)

式中:(a,b)表示动画人物建模的位置;I(a,b)表示该动画人物建模的灰度值;n表示一行所有的像素点数.

水平投影就是将一行所有的像素点的灰度值进行累加后再显示,可以看出面部有许多噪音点.为了更加精确地提出特征点的位置信息,需对图像进行滤波处理.

二维动画人物Harris算子可用图像局部角点表示. 当动画人物所在窗口产生任意方向移动趋势时, 代表二维动画人物特征的图像灰度将产生明显的变化, 即图像局部角点位置产生明显的变化[5]. 若用直线表示二维动画人物特征, 设定特征最初所处位置用(x,y)表示, 移动后位置用(u,k)表示, 则x-u、y-k的具体变化趋势可表示为

(2)

式中:a代表Harris算子第一变量系数;b代表Harris算子第二变量系数.根据式(1)可完成二维动画人物Harris算子的确定,详细确定方法见图1.

图1 二维动画人物Harris算子确定方法解释图

1.2 二维动画人物对极几何关系的确定

处于同一场景中的二维动画人物特征之间存在一定的约束影响.二维动画人物特征间的约束影响可以称做对极几何关系,不仅受到特征关系参数的影响,也与动画人物特征所处位置具有直接关系.确定二维动画人物特征的对极几何关系的方法:首先要根据不同特征面中心点所处位置确定关系基线[6-7];再根据基线与不同特征面的交点确定关系极点;在场景中随意选取一点M,则M与不同特征面中心点组成的平面即为极平面;最后找出极平面与不同特征面的交线,完成二维动画人物特征对极几何关系的确定.具体确定方法如图2所示.

图2 二维动画人物对极几何关系确定图

设图2中极平面中心点为o,特征面中心点为o′,则M与oo′间的对极几何关系可表示为

(3)

式中:G(M-oo′)代表M和oo′的极几何关系;M代表确定对极几何的固定参数;x-u代表极几何的变化位置;y-k代表具极几何的对应变化位置.

1.3 基于Harris算子和对极几何角度的特征提纯

完成动画人物Harris算子、对极几何关系确定后, 所有二维特征会呈现混乱状态. 当特征图像纹理较为复杂时, 特征点误配现象发生概率较高. 为解决此问题, 对已确定的二维动画人物特征进行提纯就显得极为必要[8]. 整理动画人物Harris算子、对极几何关系, 完成特征提取点的整合, 根据整合结果计算相邻特征点的单对应矩阵, 利用已确定对极几何关系的约束作用, 限制单对应矩阵的横纵发展,再通过矩阵的投影求解, 完成二维动画人物特征提纯. 具体提纯流程如图3所示.

设T代表待提纯的二维动画人物特征,D代表完成提纯的二维动画人物特征,则T-D的具体运算公式如下.

(4)

图3 二维动画人物特征提纯流程图Fig.3 Flow chart of characteristic purification for two-dimensional animation

2 基于二维动画人物特征的三维重建方法

本文从外接装置和交互方式2个方面实现三维重建: 外接装置为人与虚拟现实环境间的桥梁, 通常采用具备一定传输功能的传感装置; 虚拟环境采用计算机建造一个虚拟动画人物设计场景,从三维视觉、听觉和触觉效果入手实现三维重建. 动画人物三维重建中更加逼真、形象、质感是其重要的内容, 材质的选择决定着属性的不同. 通过对不同动画人物的观察、对比,获得其各自的特点, 并将这些运用到动画人物的特征提取上, 为三维重建奠定良好的基础.尽量做到动画人物之间的色彩相呼应, 让动画人物更加真实,同时提高动画人物提取的速度. 完成二维动画人物的特征提取, 为使重建方法趋于完善, 还需按照如下步骤完成基于二维动画人物特征三维重建方法的搭建.

2.1 基于二维动画人物特征的三维重建流程

利用动画人物三维重建工具实现动画人物三维重建是一种有效的方式,包括以下内容.

(1) 物理建模.在对环境中物体进行几何建模时,对其不同组成的物理特征进行描述,且将动画人物形象作为物理特征的一种.

(2) 行为建模.利用实体行为描述过程,确定触发和停止动画人物形象的方式,将该过程和动画人物形象匹配.

(3) 碰撞检测建模.利用碰撞检测对撞击与接触动画人物形象进行区分.

在不存在建模工具的情况下,可通过设计程序实现动画人物三维重建,在内存中设计一个描述建立环境实体和动画人物形象间的关系表,在一段时间内,通过实体状态对设计表进行检验,以确定需发出的动画人物形象.

基于二维动画人物特征的三维重建流程包括特征图像提取、图像特征匹配等部分.其中特征图像提取是充分利用二维动画人物的特征提纯结果,采用暴力匹配原理,将所有二维动画人物特征图像进行了最大化限制[9].若待匹配图像的尺寸过大,所需匹配时间也随之增加,反之时间则减少.图像特征匹配是对原有哈希排序的匹配方法进行重新规划,充分结合3位序列自身的匹配策略,对原有方法进行改进.具体重建流程如图4所示.

图4 基于二维动画人物特征的三维重建流程图

2.2 三维重建方法的哈希排序

三维重建方法通过哈希排序,以数据为基础,调用接口地址.哈希排序是根据关键码值(key value)直接进行访问的数据结构.也就是说,通过把关键码值映射到表中一个位置来访问记录,以加快查找的速度.这个映射函数叫做散列函数,存放记录的数组叫做散列表.哈希排序就是把Key通过一个固定的算法函数,即哈希函数转换成一个整型数字,然后将该数字对数组长度进行取余,取余结果当作数组的下标,将value存储在以该数字为下标的数组空间里.而当使用哈希排序进行查询的时候,就再使用哈希函数将key转换为对应的数组下标,并定位到该空间获取value.如此一来,就可以充分利用到数组的定位性能进行数据定位.利用已确定的二维动画人物特征,可生成一个二进制哈希排序,其中包括所有特征属性及相应的排序方法.通常情况下,各特征数值间的位移用汉明距离表示,根据汉明距离的不同,可生成表格关联类别的键和值,依据关联类别键和值的变化趋势完成哈希排序[10-11].本文提出的三维重建方法部分哈希排序为

110101…100—001101…1003110101…1101110101…1000101011…1004000100…0019100100…0017000100…1003︙︙110100…1001000100…0015110101…1000．

设特征数值间的汉明距离为W,则该数值的具体表示方法为

W=ln|apbq|.

(5)

式中:p代表横向特征数值间的位移;q代表纵向特征数值间的位移.

2.3 利用CUDA框架实现三维重建方法

CUDA框架可以概括为一个实现二维动画人物特征图像三维重建的图形计算接口,且该接口具备极强的计算能力.CUDA框架以线程结构为主,通常情况下可分为上、中、下三层,分别为网格层、块状层、线型层,不同层次结构与不同属性的二维动画人物特征图像直接相连,彼此之间相互促进,实现二维动画人物特征的提取与三维重建[12],详细CUDA框架结构如图5所示.

图5 CUDA框架结构图Fig.5 CUDA frame structure diagram

3 实验结果与分析

为了验证本文方法的实用价值,分别应用本文方法与传统方法对同一个二维动画人物进行特征提取与三维重建,具体实验步骤如下.

3.1 二维动画人物特征提取速度对比

为降低实验的难度,以简易人物形象代表二维动画人物,应用特殊测量方法,记录本文方法与传统方法提取二维动画人物特征的速度.具体测量结果如图6所示.

图6 二维动画人物特征提取速度

由图6可知,传统方法特征提取速度最大值为0.401 mm/s,出现在第22 s;本文方法提取速度最大值为0.589 mm/s,出现在第25 s;由该实验结果可知,与传统方法相比,二维动画人物特征提取与三维重建方法可以提升提取速度.

3.2 动画人物形象三维构建准确性对比

动画人物形象三维构建需要基于Web Service技术的数据而形成,为了表达主题的意思,必须要通过动画人物来表现.在三维构建的过程中,动画人物是构建动画形象的主要表现形式,为了给人们留下更深的真实感和印象感,在动画人物构建时,要有很强的视觉冲击力.为了能够构建优秀的动画人物,需要提高二维动画人物的特征提取速度.所以需要提高三维构建的速度和准确率,完成提取速度对比后,利用特殊检测方法,记录应用传统方法与本文方法进行动画人物形象三维构建的准确性,具体记录结果如图7所示.

图7中各点上下、左右的对称性代表三维构建准确性,对称性越强准确性越高.由图7可知:应用传统方法完成动画人物形象三维构建,仅部分点可以满足上下、左右对称;应用本文方法完成动画人物形象三维构建,所有点均可以满足上下、左右对称.可证明与传统方法相比,二维动画人物特征提取与三维重建方法确实可以提升动画人物形象三维构建准确性.

图7 动画人物形象三维构建准确性Fig.7 The accuracy of 3D construction of animated characters(a)—本文方法; (b)—传统方法.

4 结 语

通过分析二维动画人物特征提取和三维重建方法,对比传统方法可知,本文所提方法中二维动画人物提取速度最大值为0.589 mm/s,而传统二维动画人物提取速度最大值为0.401 mm/s,充分证明本文方法可以有效提高二维动画人物提取的速度.在三维构建准确性的实验检测中,本文提出的方法对称性更好.本研究弥补了二维动画特征提取速度慢和动画人物三维构建的准确性低的不足.中国动画目前正处于快速发展时期,研究二维动画人物特征提取与三维重建方法,可以更好地将两者的技术相互运用在未来的动画制作中.

参考文献:

[ 1 ] 荆茜. 什么是有感觉的设计:图形心理在二维动画角色造型设计中的应用研究[J]. 当代青年月刊, 2015(7):59.

JING Q. What is sensory design: research on the application of graphics psychology in the character modeling design of two-dimensional animation animation[J]. Journal of Contemporary Youth, 2015(7):59.

[ 2 ] 田瀚,马杰. 从圣衣设计变化看经典二维动画造型在三维动画中的延续和发展:以《圣斗士星矢:圣域传说》为例[J]. 艺术与设计:理论, 2016(12):94-96.

TIAN H,MA J. On the continuation and development of classical two-dimensional animation modeling in 3D animation from the change of the design of holy clothes: taking Saint Seiya: the Legend of the Holy Land as an example[J]. Art and Design: Theory, 2016(12):94-96.

[ 3 ] 高伟,郭瑾,郭舒婷. 中国传统皮影艺术在数字化动画中的应用与发展[J]. 辽宁师范大学学报(自然科学版), 2015(4):475-481.

GAO W,GUO J,GUO S T. The application and development of the traditional China Shadow Art in digital animation[J]. Journal of Liaoning Normal University (Natural Science Edition), 2015(4):475-481.

[ 4 ] 王春莉,梁立波,王宝玉. 计算机三维重建技术发展与应用[J]. 沈阳大学学报, 2003,15(2):25-26.

WANG C L,LIANG L B,WANG B Y. Development and application of computer 3D reconstruction[J]. Journal of Shenyang University, 2003,15(2):25-26.

[ 5 ] 全旭松,刘长春,陈海平,等. 面向高功率激光装置精密装校实验室的三维重建技术及应用[J]. 计算机辅助设计与图形学学报, 2017,29(5):854-859.

QUAN X S,LIU C C,CHEN H P,et al. 3D reconstructing technique and application of high-power laser facility’s optics assembly building[J]. Journal of Computer-Aided Design & Computer Graphics, 2017,29(5):854-859.

[ 6 ] 牛晰,袁晓东. 基于物体特征有效提取和离散点三维重建的3D扫描系统原型研究[J]. 计算机测量与控制, 2017(5):158-161.

NIU X,YUAN X D. Research of a prototype 3D scanning system based on object features active extraction and 3D reconstruction with discrete points[J]. Computer Measurement & Control, 2017(5):158-161.

[ 7 ] 韩硕,童晓冲,卢学良,等. 手持线激光扫描视频三维重建中的运动线提取算法[J]. 计算机应用与软件, 2016,33(7):154-158.

HAN S,TONG X C,LU X L,et al. Moving line extraction algorithm in 3D reconstruction of handheld line laser scanning video[J]. Computer Applications and Software, 2016,33(7):154-158.

[ 8 ] 白洪伟,李进,穆星,等. 近景摄影测量在地下三维重建中的应用[J]. 沈阳大学学报(自然科学版), 2016,28(3):223-226.

BAI H W,LI J,MU X,et al. Application of close range photogrammetry in underground 3D reconstruction[J]. Journal of Shenyang University(Natural Science), 2016,28(3):223-226.

[ 9 ] 赵广军,王旭初,牛彦敏,等. 基于SAE深度特征学习的数字人脑切片图像分割[J]. 计算机辅助设计与图形学学报, 2016,28(8):1297-1305.

ZHAO G J,WANG X C,NIU Y M,et al. Digital human brain slice image segmentation based on SAE depth feature learning[J]. Journal of Computer-Aided Design and Graphics, 2016,28(8):1297-1305.

[10] 刘丹,诸叶平,李书钦,等. 基于实测数据的小麦叶片模拟模型与三维重建:以偃展4110为例[J]. 山东农业科学, 2016,48(7):137-141.

LIU D,ZHU Y P,LI S Q,et al. Simulation model and 3D reconstruction of wheat leaves based on measured data: a case study of Yanzhan 4110[J].Shandong Agricultural Sciences, 2016,48(7):137-141.

[11] 孟偲,曲圣悦,王利军,等. 用于C臂快速标定的平面靶标可见标记点的提取与配准[J]. 高技术通讯, 2015,25(4):397-403.

MENG S,QU S Y,WANG L J,et al. Extraction and match of visible markers on a planar phantom for fast C-arm calibration[J].Chinese High Technology Letters, 2015,25(4):397-403.

[12] 江静,蔡国榕,李绍滋,等. 基于多结构估计的建筑物激光雷达点云特征线提取算法[J]. 厦门大学学报(自然版), 2015,54(3):390-396.

JIANG J,CAI G R,LI S Z,et al. Extract feature lines from building LiDAR point cloud based on multi-structure estimators[J]. Journal of Xiamen University(Natural Science), 2015,54(3):390-396.