唐學(xué)軍

摘? 要： 為實(shí)現(xiàn)多視覺動(dòng)畫角色3D模型的優(yōu)化設(shè)計(jì)，提出基于VR技術(shù)的多視覺動(dòng)畫角色3D模型設(shè)計(jì)方法。采用邊界體模型設(shè)計(jì)技術(shù)進(jìn)行多視覺動(dòng)畫角色3D模型的三維造型重構(gòu)，采用多維空間紋理渲染和場(chǎng)景數(shù)據(jù)庫(kù)導(dǎo)入的方法進(jìn)行多視覺動(dòng)畫角色3D模型的多維空間視覺數(shù)據(jù)寫入，建立多視覺動(dòng)畫角色3D模型的邊緣輪廓特征檢測(cè)模型，結(jié)合體模型設(shè)計(jì)方法進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)過程中紋理特征分布分割設(shè)計(jì)，采用Vega Prime進(jìn)行多視覺動(dòng)畫角色3D模型的實(shí)體模型設(shè)計(jì)，在虛擬現(xiàn)實(shí)的VR環(huán)境下進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)。仿真結(jié)果表明，采用該方法進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)的輸出質(zhì)量較高，可靠性較好，提高了動(dòng)畫角色的視覺展示能力。

關(guān)鍵詞： 多視覺動(dòng)畫角色; 3D模型設(shè)計(jì); VR技術(shù); 紋理渲染; 模型優(yōu)化; 仿真測(cè)試

Abstract： A VR technology?based 3D model design method of multi?visual animation character is proposed to realize the optimal design of 3D model of multi?visual animation character. The 3D modeling reconstruction of multi?visual animation character 3D model is carried out by means of the boundary volume model design technology， and the multi?dimensional spatial visual data of multi?visual animation character 3D model is written by means of the multi?dimensional spatial texture rendering and scene database import. The edge outline feature detection model of multi?visual animation character 3D model is established. The texture feature distribution segmentation design in the process of multi?visual animation character 3D model design is conducted in combination with the volume model design method， the solid model design of multi?visual animation character 3D model is performed by means of the Vega Prime， and the 3D model design of multi?visual animation character is carried out in the VR environment. The simulation results show that the output quality and reliability of the 3D model design of multi?vision animated characters by using this method are high， and the visual presentation ability of animated characters is improved.

Keywords： multi?visual animation character; 3D model design; VR technology; texture rendering; model optimization; simulation testing

0? 引? 言

隨著動(dòng)畫產(chǎn)業(yè)的快速發(fā)展，對(duì)動(dòng)畫的成像質(zhì)量和視覺展示效果提出了更高的要求，構(gòu)建多視覺動(dòng)畫角色3D模型，結(jié)合虛擬現(xiàn)實(shí)和視景仿真技術(shù)，進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)，可以提高動(dòng)畫角色的視覺展示和動(dòng)態(tài)分析能力[1]。

在虛擬現(xiàn)實(shí)的視景仿真模型中，建立多視覺動(dòng)畫角色3D模型，采用圖像三維重構(gòu)和視景空間重組方法，構(gòu)建多視覺動(dòng)畫角色3D模型，提高多視覺動(dòng)畫角色3D視覺效果，相關(guān)多視覺動(dòng)畫角色3D模型設(shè)計(jì)方法研究在動(dòng)畫的制作和應(yīng)用中具有重要意義。

在多視覺動(dòng)畫角色3D模型的三維設(shè)計(jì)中，采用實(shí)時(shí)視景仿真渲染軟件Vega Prim進(jìn)行多視覺動(dòng)畫角色3D模型的實(shí)體模型構(gòu)造[2]，本文提出基于VR技術(shù)的多視覺動(dòng)畫角色3D模型設(shè)計(jì)方法。采用邊界體模型設(shè)計(jì)技術(shù)進(jìn)行多視覺動(dòng)畫角色3D模型的三維造型重構(gòu)，在虛擬現(xiàn)實(shí)的VR環(huán)境下進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)，最后進(jìn)行仿真測(cè)試分析。

本文方法在提高多視覺動(dòng)畫角色3D模型設(shè)計(jì)效能方面具有優(yōu)越性能。

1? 多視覺動(dòng)畫角色3D模型設(shè)計(jì)的總體結(jié)構(gòu)

為實(shí)現(xiàn)基于VR技術(shù)的多視覺動(dòng)畫角色3D模型設(shè)計(jì)，采用邊界體模型設(shè)計(jì)技術(shù)進(jìn)行多視覺動(dòng)畫角色3D模型的三維造型重構(gòu)[3?4]。

結(jié)合空間數(shù)據(jù)采樣方法，分析多視覺動(dòng)畫角色3D模型的總體特征量，向網(wǎng)絡(luò)數(shù)據(jù)庫(kù)導(dǎo)入多視覺動(dòng)畫角色3D模型數(shù)據(jù)庫(kù)，初始化網(wǎng)絡(luò)參數(shù)。

使用Multigen Creator軟件創(chuàng)建三維模型，結(jié)合MAYA，3ds MAX，SoftImage三維建模軟件[5]，進(jìn)行多視覺動(dòng)畫角色3D模型的多層次化結(jié)構(gòu)分析;采用多層次細(xì)節(jié)（LOD）和自由度控制（DOF）聯(lián)合控制的方法進(jìn)行多視覺動(dòng)畫角色3D模型的動(dòng)態(tài)設(shè)計(jì)和自動(dòng)化編譯;采用圖像融合和高維空間建模的方法建立多視覺動(dòng)畫角色3D模型的多視覺動(dòng)態(tài)圖像采樣模型;采用OpenFlight邏輯結(jié)構(gòu)分析的方法[6]建立多視覺動(dòng)畫角色3D模型的視圖區(qū)，得到多視覺動(dòng)畫角色3D模型設(shè)計(jì)的總體結(jié)構(gòu)模型如圖1所示。

在對(duì)象層次（Object Level）結(jié)構(gòu)模型中，通過關(guān)系數(shù)據(jù)庫(kù)進(jìn)行視景裝配，以邏輯組的形式組織建立多視覺動(dòng)畫角色3D模型實(shí)體模型庫(kù)，采用ZigBee組網(wǎng)信息進(jìn)行多視覺動(dòng)畫角色3D模型的網(wǎng)絡(luò)參數(shù)配置和聯(lián)網(wǎng)設(shè)計(jì)[7]，得到多視覺動(dòng)畫角色3D模型設(shè)計(jì)的網(wǎng)絡(luò)組網(wǎng)模型如圖2所示。

2? 多視覺動(dòng)畫角色3D模型重構(gòu)分析

2.1? 多維空間紋理渲染

采用多維空間紋理渲染和場(chǎng)景數(shù)據(jù)庫(kù)導(dǎo)入的方法進(jìn)行多視覺動(dòng)畫角色3D模型的多維空間視覺數(shù)據(jù)寫入，建立多視覺動(dòng)畫角色3D模型的邊緣輪廓特征檢測(cè)模型[8]，在紋理分布子空間中得到多視覺動(dòng)畫角色3D圖像像素特征分布集為：

式中：[h（x，y），f（x，y）]是多視覺動(dòng)畫角色3D圖像的像素強(qiáng)度和邊緣像素特征分量;符號(hào)“*”為卷積運(yùn)算。通過邊緣輪廓特征檢測(cè)方法進(jìn)行多視覺動(dòng)畫角色3D圖像的向量量化分析，得到視覺動(dòng)畫3D圖像的量化特征分布值為[f（x，y）=βF（x，y）+（1-β）ml]。其中，[F（x，y）]為多視覺動(dòng)畫角色3D圖像的能量泛函。采用先驗(yàn)形狀模型統(tǒng)計(jì)分析的方法進(jìn)行多視覺動(dòng)畫角色3D圖像的像素特征點(diǎn)標(biāo)定，得到的統(tǒng)計(jì)特征量為：

式中，u為圖像灰度值。通過目標(biāo)邊緣連續(xù)的標(biāo)記點(diǎn)對(duì)動(dòng)畫角色3D圖像進(jìn)行信息融合，得到輪廓邊緣相交曲線分布為：

將形狀空間中形狀先驗(yàn)融入到3D模型中，構(gòu)建圖像序列中目標(biāo)形狀，采用聯(lián)合稀疏性特征檢測(cè)方法進(jìn)行多視覺動(dòng)畫角色3D圖像的重構(gòu)，輸出為：

式中，x，y為梯度方向的灰度特征。將提取的多視覺動(dòng)畫角色3D圖像的動(dòng)態(tài)特征量進(jìn)行多維空間紋理渲染[9]。

2.2? 多視覺動(dòng)畫角色3D模型邊緣輪廓檢測(cè)

建立多視覺動(dòng)畫角色3D模型的邊緣輪廓特征檢測(cè)模型，結(jié)合體模型設(shè)計(jì)方法進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)過程中紋理特征分布分割設(shè)計(jì)[10]，對(duì)多視覺動(dòng)畫角色3D圖像進(jìn)行紋理渲染，得到視覺動(dòng)畫角色3D圖像的相似度特征為：

式中：[σ]為目標(biāo)區(qū)域紋理的概率分布;[Δx]為多視覺動(dòng)畫角色3D圖像模糊視覺差。采用背景區(qū)域模糊化處理方法，進(jìn)行多視覺動(dòng)畫角色3D圖像的信息增強(qiáng)處理，令[t（x）=e-βd（x）]。其中，[t（x）]為分割目標(biāo)輪廓，[0

構(gòu)建多視覺動(dòng)畫角色3D圖像的多尺度特征分解和變換模型，進(jìn)行多視覺動(dòng)畫角色3D圖像的灰度特征量檢測(cè)，對(duì)多視覺動(dòng)畫角色3D圖像的像素特征點(diǎn)進(jìn)行均勻分割，得到多視覺動(dòng)畫角色3D圖像的信息融合輸出為：

基于變分水平集建立多視覺動(dòng)畫角色3D圖像的高維空間分割模型[11]，提取多視覺動(dòng)畫角色3D圖像的邊緣輪廓特征量，得到動(dòng)畫角色3D圖像的邊緣輪廓特征分布為：

由此實(shí)現(xiàn)對(duì)多視覺動(dòng)畫角色3D圖像的邊緣輪廓檢測(cè)，根據(jù)邊緣輪廓檢測(cè)結(jié)果進(jìn)行3D模型設(shè)計(jì)。

3? 動(dòng)畫角色3D模型設(shè)計(jì)優(yōu)化

采用體繪制方法進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)過程中的紋理渲染。在觀測(cè)體（Viewing Volume）模型中建立多視覺動(dòng)畫角色3D模型的虛擬場(chǎng)景數(shù)據(jù)庫(kù)，將場(chǎng)景數(shù)據(jù)庫(kù)進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)，采用Multigen Creator 3.2建模方法進(jìn)行多視覺動(dòng)畫角色3D模型的實(shí)體模型構(gòu)造[12]，向場(chǎng)景數(shù)據(jù)庫(kù)導(dǎo)入多視覺動(dòng)畫角色3D模型造型數(shù)據(jù)信息。通過渲染指令實(shí)現(xiàn)多視覺動(dòng)畫角色3D模型重構(gòu)的程序輸出控制，構(gòu)建程序輸出控制模塊，在視景仿真端完成多視覺動(dòng)畫角色3D模型設(shè)計(jì)的視景仿真[13]。

在嵌入式平臺(tái)中運(yùn)行軟件，進(jìn)入Creator的主界面，實(shí)現(xiàn)多視覺動(dòng)畫角色3D模型設(shè)計(jì)的程序加載和輸出控制，流程如圖3所示。

綜上分析，采用Vega Prime進(jìn)行多視覺動(dòng)畫角色3D模型的實(shí)體模型設(shè)計(jì)[14]，在虛擬現(xiàn)實(shí)的VR環(huán)境下進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)。

4? 實(shí)驗(yàn)測(cè)試分析

為驗(yàn)證本文仿真在實(shí)現(xiàn)多視覺動(dòng)畫角色3D模型設(shè)計(jì)中的應(yīng)用性能，結(jié)合Matlab和Visual C++進(jìn)行仿真測(cè)試分析。在Face Tools中選擇面的類型，通過Geometry Tools把面變換為體[15]，通過Insert Materials tool實(shí)現(xiàn)多視覺動(dòng)畫角色3D圖像加載，得到多視覺動(dòng)畫角色的賦材質(zhì)和貼紋理過程見圖4。

采用二次曲面和參數(shù)曲面法，進(jìn)行多視覺動(dòng)畫角色3D模型的修正，采用多種CAD或動(dòng)畫軟件模型轉(zhuǎn)換成Creator所支持的OpenFlight格式，得到設(shè)計(jì)的多視覺動(dòng)畫角色3D模型如圖5所示。

分析圖5得知，設(shè)計(jì)的多視覺動(dòng)畫角色3D模型空間視覺分辨能力較好，三維造型重構(gòu)效果較好。

5? 結(jié)? 語(yǔ)

本文提出基于VR技術(shù)的多視覺動(dòng)畫角色3D模型設(shè)計(jì)方法。使用Multigen Creator軟件，采用圖像融合和高維空間建模的方法建立多視覺動(dòng)畫角色3D模型的多視覺動(dòng)態(tài)圖像采樣模型，采用Vega Prime進(jìn)行多視覺動(dòng)畫角色3D模型的實(shí)體模型設(shè)計(jì)，完成本文方法設(shè)計(jì)。通過仿真實(shí)驗(yàn)得知，采用本文方法進(jìn)行多視覺動(dòng)畫角色3D模型設(shè)計(jì)的效果較好，特征分辨能力較強(qiáng)。

參考文獻(xiàn)

[1] 許妙忠，叢銘，萬(wàn)麗娟，等.視覺感受與Markov隨機(jī)場(chǎng)相結(jié)合的高分辨率遙感影像分割法[J].測(cè)繪學(xué)報(bào)，2015，44（2）：198?205.

[2] CHEN Lei， LEI Zhenya， YANG Rui， et al. A broadband artificial material for gain enhancement of antipodal tapered slot antenna [J]. IEEE transactions on antennas and propagation， 2015， 63（1）： 395?400.

[3] GAMAL E D H A， SAROIT I A， KOTB A M. Grouped tasks scheduling algorithm based on QoS in cloud computing network [J]. Egyptian informatics journal， 2017， 18（1）： 11?19.

[4] YU V F， REDI A A N P， YANG C L， et al. Symbiotic organisms search and two solution representations for solving the capacitated vehicle routing problem [J]. Applied soft computing， 2017， 52： 657?672.

[5] DIPAYAN Guha， PROVAS Roy， SUBRATA Banerjee. Quasi?oppositional symbiotic organism search algorithm applied to load frequency control [J]. Swarm and evolutionary computation， 2017， 33： 46?67.

[6] TEJANI G G， SAVSANI V J， PATEL V K. Adaptive symbiotic organisms search （SOS） algorithm for structural design optimization [J]. Journal of computational design and engineering， 2016， 3（3）： 226?249.

[7] GENNARELLI G， SOLDOVIERI F. Multipath ghosts in radar imaging： physical insight and mitigation strategies [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2014， 8（3）： 1078?1086.

[8] XIU C B， BA F S. Target tracking based on the improved Camshift method [C]// Proceedings of the 2016 Chinese Control and Decision Conference. Yinchuan： [s.n.]， 2016： 890?894.

[9] 李知嫻.激光三維運(yùn)動(dòng)成像技術(shù)研究[J].激光雜志，2018，39（10）：119?123.

[10] 邱玉，趙杰煜，汪燕芳.結(jié)合運(yùn)動(dòng)時(shí)序性的人臉表情識(shí)別方法[J].電子學(xué)報(bào)，2016，44（6）：1307?1313.

[11] 李鋼，李海芳，尚方信，等.結(jié)合局部灰度差異的噪聲圖像分割模型[J].計(jì)算機(jī)應(yīng)用，2018，38（3）：842?847.

[12] 王鑫，周韻，寧晨，等.自適應(yīng)融合局部和全局稀疏表示的圖像顯著性檢測(cè)[J].計(jì)算機(jī)應(yīng)用，2018，38（3）：866?872.

[13] 單玉剛，汪家寶.魯棒的自適應(yīng)尺度和方向的目標(biāo)跟蹤方法[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（21）：208?216.

[14] 王衛(wèi)紅，嚴(yán)魯琴，金丹丹，等.基于GEPSO模型的面向?qū)ο筮b感圖像分類[J].計(jì)算機(jī)科學(xué)，2015，42（5）：51?53.

[15] 赫高進(jìn)，熊偉，陳犖，等.基于MPI的大規(guī)模遙感影像金字塔并行構(gòu)建方法[J].地球信息科學(xué)學(xué)報(bào)，2015，17（5）：515?522.

[16] 王俊強(qiáng)，李建勝，丁波，等.深度學(xué)習(xí)語(yǔ)義分割方法在遙感影像分割中的性能分析[J].計(jì)算機(jī)測(cè)量與控制，2019，28（7）：231?235.

[17] 卿建飛，楊雅萍，李德平，等.基于分布式ElasticSearch的海量遙感影像檢索方法研究[J].測(cè)繪與空間地理信息，2019（6）：64?66.

[18] 喬賢賢.基于多特征融合與深度置信網(wǎng)絡(luò)的遙感影像分類研究[D].鄭州：河南大學(xué)，2019.