颜伟娜

摘  要： 传统的3D动漫造型优化方法采用固定扫描策略，无法准确衡量X3D渲染节点状态，导致最终造型设计效果不佳。为了解决这一问题，提出基于消费者兴趣的3D动漫造型优化方法。利用Schema语意定义分配3D动漫造型渲染节点。再引入演化规则，依据消费者兴趣设置显性指标。完成上述操作后，提出线性扫描更新策略，计算辅助函数值。再运用M?ETICGA方法实现3D动漫造型设计。最后，分别计算传统优化方法与所提优化方法的辅助函数值。设实验次数为20次，实验结果表明，所提的优化方法执行线性扫描更新策略得到的20次计算结果更接近于0.8，而传统的优化方法与元胞遗传算法所得的20次计算结果均高于0.8，说明所提的优化方法能够准确衡量X3D渲染节点状态。

关键词： 3D动漫造型; 消费者兴趣; 渲染节点分配; 函数值计算; 指标设置; 仿真实验

中图分类号： TN911.73?34; TP391.9                  文献标识码： A                 文章编号： 1004?373X（2020）19?0094?04

Abstract： Since the traditional 3D animation modeling optimization method cannot accurately measure the state of X3D rendering nodes due to its fixed scanning strategy， which results in poor effect of final modeling design， a 3D animation modeling optimization method based on consumer interest is proposed. Schema semantic definition is used to assign 3D animation modeling rendering nodes. The evolution rule is introduced to set the explicit index according to the consumer′s interest. After the above operation， a linear scan update strategy is proposed to calculate the auxiliary function value， and then the M?ETICGA method is used to realize 3D animation modeling design. In the experiment， the auxiliary function values of the traditional optimization method and the proposed optimization method were calculated respectively， and 20 times of experiments were set. The experimental results show that the 20?time calculation results obtained by the proposed optimization method executing the linear scan update strategy are close to 0.8， while the 20?time calculation results obtained by the traditional optimization method and cellular genetic algorithm are all higher than 0.8， which indicate that the proposed optimization method can accurately measure the state of the X3D rendering node.

Keywords： 3D animation modeling; consumer interest; rendering node allocation; function value calculation; index setting; simulation experiment

0  引  言

3D动漫是通过Maya和3D Max等軟件绘制而成，使用该方法绘制的3D动漫造型更精致，但却面临着造型创意不足和设计周期长的问题。就造型创意性来说，造型师在设计的过程中受设计观念的限制无法设计出创新性造型。因此，需要一种计算机辅助设计环境辅助造型师设计出高效、新颖的3D动漫造型。传统的3D动漫造型优化方法在制作过程中产生的数据量过多，无法快速有效地制作出高质量的动漫作品[1]。

为解决这一问题，本文提出基于消费者兴趣的3D动漫造型，该方法提供了针对流程的支持，每个环节产生的数据都要通过数据审核和评价才能流向下一个环节。若在执行的过程中发现上一个环节的数据出现问题，可以通过评价功能反馈给相关工作人员，重新修改调整。另外，为方便渲染设计，引入动态概念，促进局部种群之间的关系。在此基础上，构建3D动漫造型模型，加入元胞遗传算法快速生成3D动漫造型。

1  3D动漫造型渲染节点分配

基于标准的XML语言分配3D渲染节点，利用Schema语意上的定义，将X3D格式分成Head和Scene。X3D渲染节点表示该文件支持的语言版本、概貌和名字空间。概貌表示文件支持的节点，共分为四层：第一层节点支持所有节点，但与HTML不同;第二层节点包含前一级节点，但不包含渲染相关信息[2];第三层节点包含X3D重要渲染相关信息;第四层节点包含有Scene节点。采用DOM树的形式分配这四层X3D渲染节点，Scene中的每个渲染节点都对应一个渲染场景，可以随机切换场景，但需要提前更新X3D文件，才能引入新的X3D文件。按照一定规则组织成子树通过XML属性域表示这四层节点的基本信息，四层X3D渲染节点基本数据类型分配结果如表1所示。这四层X3D渲染节点只针对动漫场景渲染，渲染相关组由Scene节点的子节点组成。Scene节点不包含任何有意义的属性，故在分配的过程中，为不影响渲染组之间的关系，需要在全局管理中，将分配后的X3D渲染节点分成两类，一种为简单节点，另一种为复杂节点，以便于后续处理，从而增强3D动漫渲染效果[3]。

2  3D动漫造型演化规则引入

利用Schema语意上的定义分配3D动漫造型渲染节点，为不影响数据审核结果，引入演化规则，并依据消费者兴趣设置显性指标[4]。演化规则数学定义表达式见式（1）：

以三维网格为例，演化规则制定过程如下：

Step1：将三维四格网格映射成三维矩阵，表达式为：

式中：[A]表示三维矩阵;[amn]表示X3D渲染个体[6]。

Step2：引入元胞算法计算分数值，计算公式为：

式中：[famn]表示专家评价的X3D渲染造型美观度;[?q]表示X3D渲染造型仿真度的权值[7]。

应用式（1）～式（3）设置X3D渲染显性指标。

3  3D动漫造型设计流程

先分配3D动漫造型渲染节点，再引入3D动漫造型演化规则。完成上述操作后，根据消费者兴趣和消费主体设计创意性3D动漫造型[8]。再运用M?ETICGA方法实现3D动漫造型流程设计。在流程设计中，提出更新策略，计算X3D辅助度函数值，得到最终的3D动漫造型。

为便于操作，提出更新策略，设计出便于操作和创新的3D动漫造型。在设计的过程中，为便于操作，准确衡量X3D渲染节点的状态，采用线性扫描更新策略计算辅助函数值[9]。计算过程如下：

计算辅助函数值，衡量X3D渲染节点的状态，计算公式为：

式中：[δ1+1δ]表示辅助评价变量;[kamn]表示辅助函数值;[fΔamn]表示当前进化代数。如果采用线性扫描更新策略时，要建立一个单行的三维操作网格，每行个体数目相同的网格都可以用于渲染操作[10]。采用固定随机扫描更新策略时，建立的三维辅助网格的大小要依据演化规则而定。若采用统一选择策略时，要建立一个相同形式的三维辅助网格[11]。 基于消费者兴趣的3D动漫造型设计具体实现过程如图1所示。

Step1：设初始种群个数[M]，随机生成[M]个ACIS规则表达式，负责将初始造型进行非均匀缩放，变形后所得的初始种群会被映射到三维网格中，如图2所示。

为建立辅助于更新策略的三维操作网格，将初始种群的状态设置为“活”。

Step2：经过专家打分得到辅助函数值[12]。

Step3：依据更新策略扫描操作网格中的个体，再对扫描领域执行渲染操作。

Step4：在三维辅助网格内生成与原中心渲染节点相对应的位置[13]。

Step5：設[a]为辅助网格中任意一个渲染节点，[a]为[a]在辅助网格中的对应个体，分别计算[a]和[a]的辅助度值，再比较[a]与[a]的大小。如果[a]>[a]，那么[a]可以替换[a];如果[a]>[a]，那么[a]不可以替换成[a]。完成全部替换后，要清空三维辅助网格[14]。

Step6：如果更新策略结束，得到新种群，就可以进入Step7;如果更新策略结束，显示失败，直接进入Step3。

Step7：引入演化规则，并加入专业知识以及消费者兴趣。

Step8：若满足上述条件，即可结束，转向Step2，完成3D动漫造型设计[15]。

由此，完成基于消费者兴趣的3D动漫造型设计。

4  仿真实验

对比传统的3D动漫造型优化方法与基于消费者兴趣的3D动漫造型优化方法，所得到的辅助函数值是否接近于标准辅助度函数值，准确衡量X3D渲染节点的状态。

4.1  实验步骤

具体的实验步骤如下：

第1步：用户输入初始化种群，将初始种群状态设置为“活”。再导入3D动漫初始造型。

第2步：根据演化原则得到不同造型构成的初始种群。应用式（4），将初始种群[M]设置为25。

第3步：设置3D动漫造型三维操作网格个体。

第4步：设置3D动漫造型评分标准。实验中，要求动漫人物要与实际人物仿真度接近。依据显性指标，将[α]设置为0.5。考虑到3D动漫造型在变形的过程中五官会错位，要先将造型打分结果上传到系统统计。

第5步：基于消费者兴趣的3D动漫造型执行线性扫描更新策略，传统的3D动漫造型执行固定扫描更新策略，分别计算辅助函数值，若计算结果接近标准辅助函数值，说明该方法可以准确衡量X3D渲染节点的状态。若计算结果比标准辅助函数值高，说明该方法无法准确衡量X3D渲染节点的状态。

4.2  实验结果分析

标准的辅助函数值为[p=0.8]。为保证实验结果的准确性，设该实验次数为20次。应用式（4）计算出传统方法、元胞遗传算法与本文方法得到的辅助函数值，计算结果见表2。

从实验结果可以看出：使用本文方法执行线性扫描更新策略得到的20次计算结果更接近于0.8，且均能准确衡量X3D渲染节点的状态;而使用传统优化方法与元胞遗传算法执行固定扫描更新策略，得出的20次计算结果均高于标准辅助函数值，说明该策略无法准确衡量X3D渲染节点的状态。

由此可知，基于消费者兴趣的3D动漫造型优化方法可用于实践操作。

对比本文方法与传统方法、元胞遗传算法对3D动漫造型分别进行优化时的3D动漫渲染效果，如图3所示。

通过对比图3中呈现的各方法优化后的3D动漫渲染效果可得知，传统方法与元胞遗传算法的3D动漫渲染效果均不够理想，而本文方法所呈现的3D动漫渲染效果清晰逼真，实现了对原有3D动漫造型的合理优化。

5  结  语

针对传统的3D动漫造型优化方法存在的问题，本文提出基于消费者兴趣的3D动漫造型设计与实现。在本次设计中，考虑到操作的便捷性，提出演化原则和更新策略，用于设置X3D渲染显性指标和扫描三维辅助网格中X3D渲染个体。在此基础上，运用M?ETICGA完成3D动漫造型流程设计。最后，通过实验验证本次提出的基于消费者兴趣的3D动漫造型设计的合理性。实验结果表明，本次提出的优化方法符合设计需求，但在实验中发现，该方法还存在不足之处，需要在后续的研究中加以改进。

参考文献

[1] 叶凤华，叶欢.基于Flash和3D动画渲染技术的育苗机器人设计[J].农机化研究，2018，40（3）：189?192.

[2] 熊昕.影视动漫设计中3D技术的应用研究：以央视少儿频道动画片为例[J].电视技术，2018，42（12）：79?81.

[3] 蔡权.VR技术在青少年网络文明动漫开发中的运用[J].现代电子技术，2019，42（3）：87?89.

[4] 魏芊蕙，赵毅，高朋飞.基于动漫角色的主题公园列车造型设计研究[J].包装工程，2017，38（2）：45?49.

[5] 王晓高.基于3D艺术打印技术的播种机零部件设计与研究[J].农机化研究，2019，41（3）：236?239.

[6] 陈子豪，柴丽芳.基于3D打印技术在服装设计专业教学中的创新运用研究：以立体裁剪课程为例[J].装饰，2019（1）：120?123.

[7] 张敏，罗梅芬.基于产品与消费者兴趣视角的健康科技产品购买意愿研究[J].软科学，2017（5）：94?98.

[8] 张新圣，李先国.虚拟品牌社区特征对消费者价值共创意愿的影响：基于满意与信任中介模型的解释[J].中国流通经济，2017，31（7）：70?82.

[9] 刘刚田，曹慧敏.基于卡诺模型和稳健设計的产品造型优化方法[J].组合机床与自动化加工技术，2017（1）：9?11.

[10] 王亚辉，余隋怀.基于多目标粒子群优化算法的汽车造型设计决策模型[J].计算机集成制造系统，2017，23（4）：681?688.

[11] 朱炜，赵磊，王小龙.基于品牌意象的SUV造型优化方法[J].机械设计，2017，34（1）：118?121.

[12] 李艳妮.Maya场景建模技术在泥偶动画立体造型设计中的应用[J].现代电子技术，2017，40（19）：135?137.

[13] 戴继龙，吴凤林.遗传算法在掘进机造型设计中的应用[J].机械设计与制造，2017（11）：37?39.

[14] 周毅晖.MRI设备外观造型设计的产品语意表现[J].装饰，2018（2）：134?135.

[15] 赵伟.基于VR技术的动漫人物三维设计[J].现代电子技术，2018，41（16）：172?175.