顧佳雯,王 軍,2

(1.大連工業(yè)大學 服裝學院,遼寧 大連 116034; 2.大連工業(yè)大學 服裝設計與工程國家級實驗教學示范中心,遼寧 大連 116034)

伴隨著服裝行業(yè)數(shù)字化、智能化的發(fā)展趨勢,三維人體建模及服裝數(shù)字化虛擬技術得到了快速發(fā)展?；谌S掃描技術的人體建模方法具有高效率和高精度的特點[1],在人體數(shù)據(jù)分析、三維人體重建以及服裝舒適性模擬等領域都有著廣泛應用。隨著三維人體建模技術的發(fā)展及相關應用的深化,模型重用及根據(jù)不同要求修改現(xiàn)有人體模型成為了近年來服裝領域探索的熱點技術,其中網格模型分割[2]和變形技術[3]是三維人體參數(shù)化建模研究的重要內容,將二者結合能夠更高效地重建高質量人體模型[4]。

為了提高人體模型的重建效率,提高已有模型的利用率,本文從模型應用、分割技術和變形技術的角度介紹了基于三維掃描技術重建人體模型的研究進展,詳細分析了三維人體模型分割處理及參數(shù)化變形技術的研究與應用現(xiàn)狀,探討了服裝三維人體參數(shù)化建模的發(fā)展趨勢,以期為服裝人體參數(shù)化建模研究提供參考。

1 三維掃描技術在服裝領域的應用

1.1 三維人體掃描技術

三維人體掃描技術為人體體型研究、服裝結構優(yōu)化、服裝三維虛擬設計及展示等提供了重要的基礎數(shù)據(jù)。相比傳統(tǒng)手工測量方法,三維人體掃描技術極大地改善了人體測量過程[5]。黃小源等[6]根據(jù)三維掃描技術得到的數(shù)據(jù)對人體尺寸進行預測分析,以獲取難以測量的重要人體尺寸;成恬恬等[7]通過三維人體掃描獲得人體胸部與腰臀數(shù)據(jù),并對胸部與腰臀形態(tài)進行分析;Kolose等[8]使用三維人體掃描系統(tǒng)獲取人體尺寸,用于開發(fā)軍服尺碼系統(tǒng);段錦等[9]根據(jù)三維掃描得到的女性人臺數(shù)據(jù)構建版型關系模型,解決了傳統(tǒng)版型設計中存在的耗時長、代價高等問題。

三維掃描設備在測量時容易受到多種因素影響,如人體的站姿與晃動、設備掃描的時間、軟件對特征點的識別等[10],掃描得到的模型通常會存在一些噪聲和孔洞,針對孔洞修補問題已有許多研究者提出了有效的解決方案。崔文等[11]提出一種激光三角網格曲面點云孔洞修補算法;張藝真等[12]提出一種基于徑向基神經網絡的三維掃描點云數(shù)據(jù)孔洞修補方法,能較好地恢復模型原本的形貌結構。

1.2 基于三維掃描的人體建模與應用

基于三維掃描技術的人體建模是通過處理三維掃描設備獲取的人體數(shù)據(jù)信息重新建立三維人體模型。重建人體模型的方法主要有NURBS曲面建模、多邊形建模以及混合建模等,不同方法構建的模型精度會存在一定差異。任雨佳等[13]選取Imageware、Geomagic Studio和MeshLab等3種逆向建模軟件構建人體前臂模型,分析比較后認為NURBS曲面建模與多邊形建模相結合的方法更適合構建三維人體模型。

基于三維掃描技術重建的人體模型形態(tài)具有很高的真實性,在三維人體數(shù)據(jù)庫、服裝設計、特殊姿態(tài)掃描與測量、運動相關領域的服裝舒適性研究等方面都有著廣泛的應用。楊敏等[14]借助三維人體掃描技術構建個性化數(shù)字虛擬人臺,使用二維展平技術將三維人臺展成平面,生成個性化數(shù)字化的二維矢量服裝樣板圖,有助于實現(xiàn)從三維人體數(shù)據(jù)到三維服裝的個性化定制。Ling等[15]基于三維掃描技術對50～59歲老年人進行測量,并根據(jù)人體數(shù)據(jù)重建上半身三維模型,為中年女性上半身原型的開發(fā)提供參考。Loercher等[16]考慮到人體的運動學需求,根據(jù)掃描得到的不同人體姿勢模型開發(fā)了基于人體工程學和運動導向的尺寸系統(tǒng)。為了更好地分析運動員技術動作,降低運動員受傷可能性,關欣等[17]利用三維人體掃描儀對自由式滑雪運動員進行三維掃描,通過逆向建模獲得滑雪運動員的三維人體曲面模型(圖1)。Wu等[18]利用三維人體掃描技術建立女性潛水姿態(tài)模型,通過模型數(shù)據(jù)分析,輔助設計者優(yōu)化潛水服功能設計,進一步提高客戶體驗。為進行防護服的運動性結構優(yōu)化設計,Feng等[19]借助三維掃描儀對18名年輕男性進行掃描,采用手臂最大屈度、左腿最大屈度、深蹲和手臂懸垂等4種姿勢,獲取人體不同體位的皮膚拉伸數(shù)據(jù),為提升防護服舒適度提供了理論依據(jù)。

圖1 重新造型后的運動曲面模型

2 三維人體模型參數(shù)化分割技術

重建的三維人體模型缺少足夠的結構特征和語義信息,將三維人體模型進行分割處理,有助于模型的后續(xù)分析、處理和應用,如模型的檢索、識別和參數(shù)化變形等。網格模型分割是通過算法將三維網格分割為獨立的部件或面片,對于三維人體模型主要使用基于部件的分割方法,將人體模型分割為有意義的部件[2]?；诓考姆指罴夹g包含基于體積的分割[20]、基于表面的分割和基于骨架的分割[21],根據(jù)使用的技術不同可以將三維人體模型分割方法分為基于幾何的方法和基于機器學習的方法。

2.1 基于幾何的人體模型分割方法

基于幾何的模型分割方法依賴于網格模型的各種幾何特征,如頂點曲率、測地距離、形狀直徑和法向量夾角等。區(qū)域增長是一種基于曲率幾何特征的經典網格分割算法,該方法能夠提供很好的邊界信息和分割結果,但是對表面細節(jié)、網格噪聲極為敏感,過度分割的問題比較嚴重,所以通常需要進行邊界優(yōu)化和區(qū)域合并等操作。Yang等[22]為解決存在的過度分割問題,設計了一種改進的區(qū)域合并算法,該方法在提取三維特征時將二面角作為幾何標準,能夠在人體模型上獲得很好的分割效果。為了降低計算的復雜度,提高模型分割的速度,黎琳等[23]提出了一種融合語義與幾何特征的人體模型分割方法,利用測地距離獲取人體外層關鍵點,使用基于內部空間體積檢測的層次結構分析方法,提取多姿態(tài)模型的統(tǒng)一結構特征,分割后的人體模型保留了拓撲特征信息,分割結果接近真實人體關節(jié),效果如圖2所示。

圖2 不同姿態(tài)的人體模型結構分割效果

譜方法也屬于幾何方法的范疇,基于譜的劃分算法包括控制拉普拉斯矩陣特征向量、特征值及特征空間投影。Theologou等[24]創(chuàng)建了包含三角形面和分割面片幾何關系的異構圖,通過對異構圖的拉普拉斯矩陣特征向量聚類完成分割;Zhang等[25]通過構造具有更多語義信息的拉普拉斯矩陣,設計了一種新的譜聚類算法;謝昊洋[26]提出了一種融合網格顯著性的拉普拉斯算子,采用了自動判定譜域分割數(shù)目的方法,利用譜聚類對人體模型進行分割,基于譜的劃分算法對三維人體模型分割均獲得了較好的效果。

2.2 基于機器學習的人體模型分割方法

三維人體模型網格由頂點和面組成,網格分割就是對網格頂點或者面進行分類,基于機器學習的人體網格模型分割方法是指借助計算機科學、概率統(tǒng)計和決策論等理論,實現(xiàn)對網格頂點或面的分類。基于機器學習的分割方法是處理人體模型外表復雜性的主要方法,該方法復雜度高,對數(shù)據(jù)集的規(guī)模和質量的依賴性較大。事實上,大多數(shù)據(jù)集中對于復雜人體模型的語義標簽過于單一,但已有研究借助多樣化數(shù)據(jù)集標注的方法,來解決機器學習中缺乏數(shù)據(jù)的問題[27]。機器學習方法按其實現(xiàn)的目標不同可以分為監(jiān)督學習、無監(jiān)督學習和強化學習,目前的人體模型分割研究經常使用監(jiān)督學習和無監(jiān)督學習這2種方法。

監(jiān)督學習是指使用帶有標簽的訓練數(shù)據(jù)集進行訓練,常見的監(jiān)督學習算法有隨機森林、線性回歸和神經網絡等。Guo等[28]提出了第1個用于網格分割的深度神經網絡,從三維網格中提取多種傳統(tǒng)的幾何描述子,在人體模型上采用圖像卷積網絡進行特征提取及分割,人體網格模型分割效果如圖3所示?；诠趋赖姆指罘椒ㄝ^適用于有關節(jié)聯(lián)接的物體,因此該方法能夠在人體模型上獲得較好的分割效果,且不易出現(xiàn)過度分割的問題。為了獲得模型分割塊的語義,羅閃等[29]基于模板骨架的分割標簽自動確定模型分割塊的數(shù)量,通過曲率將模型分成特征明顯和不明顯的區(qū)域,最后實現(xiàn)了對稱可區(qū)分的三維人體模型的語義分割,效果如圖4所示。

圖3 基于深度神經網絡的人體網格分割效果

圖4 對稱可區(qū)分分割方法的可視化結果

無監(jiān)督學習的訓練樣本數(shù)據(jù)沒有任何的標簽和輸出,其目的是對原始數(shù)據(jù)結構進行深入分析,找出數(shù)據(jù)間存在的規(guī)律與關系。李珩等[30]提出了一種基于熱核的網格分割方法,將閥值分割與凝聚聚類相結合,實現(xiàn)對不同姿勢三維人體模型的部件分割。Shu等[31]借助深度學習網絡,從三維曲面的低級特征中獲得高級特征空間,使用高斯混合模型算法和圖割算法,實現(xiàn)了無監(jiān)督的三維人體模型的分割。楊軍等[32]針對目前分割時人為設定過多參數(shù)的問題,提出一種基于拓撲持續(xù)性和熱親和度矩陣的模型分割方法,在給定分割部件數(shù)的前提下,自動選取不同姿態(tài)模型的顯著特征點,計算時間明顯優(yōu)于常用的測地距離法,人體模型分割效果如圖5所示。

圖5 基于熱親和度矩陣分割特殊姿勢人體模型結果

三維人體模型分割研究的創(chuàng)新多體現(xiàn)在改良模型的分割效果和速度等方面。提高三維模型分割的速度和魯棒性,使其適應多姿態(tài)人體模型以及結合多種技術提高分割準確度,降低對噪聲等因素的敏感性等都是目前研究的焦點問題。

3 三維人體模型參數(shù)化變形技術

應用參數(shù)化三維人體模型變形技術,可以獲得大量的不同尺寸數(shù)據(jù)的人體模型。現(xiàn)有的參數(shù)化人體模型已經具備了較強的表達能力,可以通過學習和訓練擬合人體體型以及不同姿態(tài)下的形變,為三維人體模型重建提供了有效的先驗知識。常見的參數(shù)化人體模型有SCAPE模型、SMPL模型[33]和SMPL-X模型[34]等。目前較為常用的三維人體模型參數(shù)化變形方法主要是基于空間變形和骨骼蒙皮變形技術。

3.1 空間變形技術

空間變形具有直觀、自然的特點,用戶可以通過點、曲線、曲面等簡單要素來控制復雜物體的形狀。修毅等[35]針對參數(shù)化人體模型在變形精度和個性化表現(xiàn)方面存在的問題,提出了一種腰部曲線參數(shù)化變形算法,能夠驅動腰部、手臂和下肢等圍線起伏較小的身體部位變形;針對女體胸圍曲線的突出特征提出了一種新算法[3],進一步實現(xiàn)了女性胸圍、臀圍處的復雜變形。

現(xiàn)有研究在生成不同體型的人體模型時,經常采用先分割出人體部位,再對部位進行變形的方法。黃新等[36]對人體模型進行圖元劃分處理,利用圖元方向變形方法生成不同的人體體型,建立的人體模型具有很高的準確度與平滑度。任洋甫等[4]提出了基于測量模型語義驅動模型變形的方法,將人體模型分割成軀干、左右腿、左右臂等5個部分,借助主成分分析降維,設計了一款三維人體模型語義變形軟件,但所創(chuàng)建的人體模型的真實性還有待提高。為展示不同體型穿著虛擬服裝的效果,Peng等[37]借助軸向變形和徑向變形算法,對人體模型的頭部、身體、左右臂、左右腿等6個部位進行變形,最終實現(xiàn)了局部和整體模型的高效率變形,人體模型不同變形效果如圖6所示。

圖6 變形生成的不同人體模型效果

自由變形算法是空間變形技術的典型算法之一,該方法能夠對復雜的網格模型進行快速、靈活的粗略變形,但變形結果的隨意性較大。丁猛[38]將人體分割為手臂、腿部和軀干部位,使用約束變形算法控制軀干部位圍度變形,采用自由變形算法改變手臂和腿部的高度,變形得到的三維人體模型與真實人體差距較大(圖7)。顧乃林等[39]提出一種基于徑向基函數(shù)的網格變形方法,通過增加一定數(shù)量的空間離散控制點,實現(xiàn)快速改變人體模型局部形態(tài),該方法比自由變形算法更為靈活。

圖7 人體變形效果

3.2 骨骼蒙皮變形技術

骨骼蒙皮變形技術是在網格內綁定一組骨骼,模型上的點會隨著骨骼的運動而運動,三維人體模型的變形在骨架約束下會更加平滑且趨于實際變化[40]。骨骼提取是骨骼蒙皮變形技術中的重要研究內容,于瑞云等[41]提出了一種骨骼提取方法,能夠獲得高精確度和高魯棒性的人體關節(jié)骨骼。骨骼蒙皮變形技術能夠真實的模擬人物動作,在影視動畫、虛擬現(xiàn)實等領域應用較多[42]。

常用的骨骼蒙皮算法包括線性蒙皮算法和對偶四元數(shù)線性混合算法。林俊聰?shù)萚43]綜合應用線性混合蒙皮算法和對偶四元數(shù)混合蒙皮算法,建立人體模型頂點和三維服裝頂點的聯(lián)系,開發(fā)了一個面向高級定制的虛擬服裝展示系統(tǒng),可通過輸入胸圍、腰圍和臀圍等參數(shù)自動生成個性化人體模型,實現(xiàn)360°觀看人體模型穿著不同虛擬服裝的效果,人體參數(shù)化界面如圖8所示。朱紅強等[44]設計了一種自動化蒙皮算法,通過對骨骼參數(shù)的縮放實現(xiàn)人體體型的調節(jié),避免了體型調節(jié)與模型動畫之間的沖突,并借助基于單張照片的三維人臉重建算法,降低了人體模型制作成本。

圖8 人體參數(shù)化控制界面

在骨骼蒙皮變形技術中,高質量的三維人體模型形變基于準確、合適的蒙皮權重計算,但是即使有精確的權重值,線性混合蒙皮算法仍會出現(xiàn)皮膚塌陷等問題。為了改善上述問題有界雙調和權重方法的提出,使得模型變形更加平滑,被廣泛應用于人體模型變形[45];對偶四元數(shù)蒙皮算法有助于保持原始變形的剛性,避免人體出現(xiàn)塌陷、包裹紙效應等情況;將有界雙調和權重與對偶四元數(shù)混合蒙皮相結合,可以獲得較好的人體網格形變效果[46]。Yao等[47]提出了基于有界雙調和權重和骨骼蒙皮的變形算法,實現(xiàn)在保護網格細節(jié)的同時快速獲得與實際人體相似的人體模型,避免了變形產生的細節(jié)畸變和拓撲結構變化等問題。雙調和方法在提升模型性能的同時,也增加了訓練時間[48],未來還需要進一步探索提高訓練效率的方法。

三維人體模型的幾何特征復雜,變形的難度較大。不同的變形方法各有其適應性,空間變形方法適用于實現(xiàn)人體模型形態(tài)或表面細節(jié)的變形,骨骼蒙皮變形技術更適用于人體的不同姿態(tài)變形,研究者們?yōu)楂@得更高質量的人體模型變形效果,結合多領域的不同技術,不斷探尋更高效的參數(shù)化三維人體模型變形方法。

4 結束語

本文詳細介紹了三維人體掃描技術、基于三維掃描技術重建人體模型及其在服裝領域的應用情況,從基于幾何和機器學習的技術角度介紹了人體模型網格分割研究的現(xiàn)狀,并對人體參數(shù)化建模常用的空間變形和骨骼蒙皮變形方法進行了具體分析,指出了現(xiàn)階段各方法存在的不足與改進方向。

三維人體模型分割與變形技術是服裝人體參數(shù)化建模的關鍵技術,通過應用相關技術有效提高了服裝人體模型的精確度和建模速度?；诙鄬W科融合的三維人體模型分割變形技術將成為未來該領域研究的主要趨勢,特別是機器學習相關技術的迭代發(fā)展,將大幅度提升服裝三維人體模型的仿真效果,為服裝數(shù)字化技術縱深發(fā)展奠定基礎。