服装人体模型参数化分割变形技术研究进展

顾佳雯,王 军,2

(1.大连工业大学 服装学院,辽宁 大连 116034; 2.大连工业大学 服装设计与工程国家级实验教学示范中心,辽宁 大连 116034)

伴随着服装行业数字化、智能化的发展趋势,三维人体建模及服装数字化虚拟技术得到了快速发展。基于三维扫描技术的人体建模方法具有高效率和高精度的特点[1],在人体数据分析、三维人体重建以及服装舒适性模拟等领域都有着广泛应用。随着三维人体建模技术的发展及相关应用的深化,模型重用及根据不同要求修改现有人体模型成为了近年来服装领域探索的热点技术,其中网格模型分割[2]和变形技术[3]是三维人体参数化建模研究的重要内容,将二者结合能够更高效地重建高质量人体模型[4]。

为了提高人体模型的重建效率,提高已有模型的利用率,本文从模型应用、分割技术和变形技术的角度介绍了基于三维扫描技术重建人体模型的研究进展,详细分析了三维人体模型分割处理及参数化变形技术的研究与应用现状,探讨了服装三维人体参数化建模的发展趋势,以期为服装人体参数化建模研究提供参考。

1 三维扫描技术在服装领域的应用

1.1 三维人体扫描技术

三维人体扫描技术为人体体型研究、服装结构优化、服装三维虚拟设计及展示等提供了重要的基础数据。相比传统手工测量方法,三维人体扫描技术极大地改善了人体测量过程[5]。黄小源等[6]根据三维扫描技术得到的数据对人体尺寸进行预测分析,以获取难以测量的重要人体尺寸;成恬恬等[7]通过三维人体扫描获得人体胸部与腰臀数据,并对胸部与腰臀形态进行分析;Kolose等[8]使用三维人体扫描系统获取人体尺寸,用于开发军服尺码系统;段锦等[9]根据三维扫描得到的女性人台数据构建版型关系模型,解决了传统版型设计中存在的耗时长、代价高等问题。

三维扫描设备在测量时容易受到多种因素影响,如人体的站姿与晃动、设备扫描的时间、软件对特征点的识别等[10],扫描得到的模型通常会存在一些噪声和孔洞,针对孔洞修补问题已有许多研究者提出了有效的解决方案。崔文等[11]提出一种激光三角网格曲面点云孔洞修补算法;张艺真等[12]提出一种基于径向基神经网络的三维扫描点云数据孔洞修补方法,能较好地恢复模型原本的形貌结构。

1.2 基于三维扫描的人体建模与应用

基于三维扫描技术的人体建模是通过处理三维扫描设备获取的人体数据信息重新建立三维人体模型。重建人体模型的方法主要有NURBS曲面建模、多边形建模以及混合建模等,不同方法构建的模型精度会存在一定差异。任雨佳等[13]选取Imageware、Geomagic Studio和MeshLab等3种逆向建模软件构建人体前臂模型,分析比较后认为NURBS曲面建模与多边形建模相结合的方法更适合构建三维人体模型。

基于三维扫描技术重建的人体模型形态具有很高的真实性,在三维人体数据库、服装设计、特殊姿态扫描与测量、运动相关领域的服装舒适性研究等方面都有着广泛的应用。杨敏等[14]借助三维人体扫描技术构建个性化数字虚拟人台,使用二维展平技术将三维人台展成平面,生成个性化数字化的二维矢量服装样板图,有助于实现从三维人体数据到三维服装的个性化定制。Ling等[15]基于三维扫描技术对50～59岁老年人进行测量,并根据人体数据重建上半身三维模型,为中年女性上半身原型的开发提供参考。Loercher等[16]考虑到人体的运动学需求,根据扫描得到的不同人体姿势模型开发了基于人体工程学和运动导向的尺寸系统。为了更好地分析运动员技术动作,降低运动员受伤可能性,关欣等[17]利用三维人体扫描仪对自由式滑雪运动员进行三维扫描,通过逆向建模获得滑雪运动员的三维人体曲面模型(图1)。Wu等[18]利用三维人体扫描技术建立女性潜水姿态模型,通过模型数据分析,辅助设计者优化潜水服功能设计,进一步提高客户体验。为进行防护服的运动性结构优化设计,Feng等[19]借助三维扫描仪对18名年轻男性进行扫描,采用手臂最大屈度、左腿最大屈度、深蹲和手臂悬垂等4种姿势,获取人体不同体位的皮肤拉伸数据,为提升防护服舒适度提供了理论依据。

图1 重新造型后的运动曲面模型

2 三维人体模型参数化分割技术

重建的三维人体模型缺少足够的结构特征和语义信息,将三维人体模型进行分割处理,有助于模型的后续分析、处理和应用,如模型的检索、识别和参数化变形等。网格模型分割是通过算法将三维网格分割为独立的部件或面片,对于三维人体模型主要使用基于部件的分割方法,将人体模型分割为有意义的部件[2]。基于部件的分割技术包含基于体积的分割[20]、基于表面的分割和基于骨架的分割[21],根据使用的技术不同可以将三维人体模型分割方法分为基于几何的方法和基于机器学习的方法。

2.1 基于几何的人体模型分割方法

基于几何的模型分割方法依赖于网格模型的各种几何特征,如顶点曲率、测地距离、形状直径和法向量夹角等。区域增长是一种基于曲率几何特征的经典网格分割算法,该方法能够提供很好的边界信息和分割结果,但是对表面细节、网格噪声极为敏感,过度分割的问题比较严重,所以通常需要进行边界优化和区域合并等操作。Yang等[22]为解决存在的过度分割问题,设计了一种改进的区域合并算法,该方法在提取三维特征时将二面角作为几何标准,能够在人体模型上获得很好的分割效果。为了降低计算的复杂度,提高模型分割的速度,黎琳等[23]提出了一种融合语义与几何特征的人体模型分割方法,利用测地距离获取人体外层关键点,使用基于内部空间体积检测的层次结构分析方法,提取多姿态模型的统一结构特征,分割后的人体模型保留了拓扑特征信息,分割结果接近真实人体关节,效果如图2所示。

图2 不同姿态的人体模型结构分割效果

谱方法也属于几何方法的范畴,基于谱的划分算法包括控制拉普拉斯矩阵特征向量、特征值及特征空间投影。Theologou等[24]创建了包含三角形面和分割面片几何关系的异构图,通过对异构图的拉普拉斯矩阵特征向量聚类完成分割;Zhang等[25]通过构造具有更多语义信息的拉普拉斯矩阵,设计了一种新的谱聚类算法;谢昊洋[26]提出了一种融合网格显著性的拉普拉斯算子,采用了自动判定谱域分割数目的方法,利用谱聚类对人体模型进行分割,基于谱的划分算法对三维人体模型分割均获得了较好的效果。

2.2 基于机器学习的人体模型分割方法

三维人体模型网格由顶点和面组成,网格分割就是对网格顶点或者面进行分类,基于机器学习的人体网格模型分割方法是指借助计算机科学、概率统计和决策论等理论,实现对网格顶点或面的分类。基于机器学习的分割方法是处理人体模型外表复杂性的主要方法,该方法复杂度高,对数据集的规模和质量的依赖性较大。事实上,大多数据集中对于复杂人体模型的语义标签过于单一,但已有研究借助多样化数据集标注的方法,来解决机器学习中缺乏数据的问题[27]。机器学习方法按其实现的目标不同可以分为监督学习、无监督学习和强化学习,目前的人体模型分割研究经常使用监督学习和无监督学习这2种方法。

监督学习是指使用带有标签的训练数据集进行训练,常见的监督学习算法有随机森林、线性回归和神经网络等。Guo等[28]提出了第1个用于网格分割的深度神经网络,从三维网格中提取多种传统的几何描述子,在人体模型上采用图像卷积网络进行特征提取及分割,人体网格模型分割效果如图3所示。基于骨骼的分割方法较适用于有关节联接的物体,因此该方法能够在人体模型上获得较好的分割效果,且不易出现过度分割的问题。为了获得模型分割块的语义,罗闪等[29]基于模板骨架的分割标签自动确定模型分割块的数量,通过曲率将模型分成特征明显和不明显的区域,最后实现了对称可区分的三维人体模型的语义分割,效果如图4所示。

图3 基于深度神经网络的人体网格分割效果

图4 对称可区分分割方法的可视化结果

无监督学习的训练样本数据没有任何的标签和输出,其目的是对原始数据结构进行深入分析,找出数据间存在的规律与关系。李珩等[30]提出了一种基于热核的网格分割方法,将阀值分割与凝聚聚类相结合,实现对不同姿势三维人体模型的部件分割。Shu等[31]借助深度学习网络,从三维曲面的低级特征中获得高级特征空间,使用高斯混合模型算法和图割算法,实现了无监督的三维人体模型的分割。杨军等[32]针对目前分割时人为设定过多参数的问题,提出一种基于拓扑持续性和热亲和度矩阵的模型分割方法,在给定分割部件数的前提下,自动选取不同姿态模型的显著特征点,计算时间明显优于常用的测地距离法,人体模型分割效果如图5所示。

图5 基于热亲和度矩阵分割特殊姿势人体模型结果

三维人体模型分割研究的创新多体现在改良模型的分割效果和速度等方面。提高三维模型分割的速度和鲁棒性,使其适应多姿态人体模型以及结合多种技术提高分割准确度,降低对噪声等因素的敏感性等都是目前研究的焦点问题。

3 三维人体模型参数化变形技术

应用参数化三维人体模型变形技术,可以获得大量的不同尺寸数据的人体模型。现有的参数化人体模型已经具备了较强的表达能力,可以通过学习和训练拟合人体体型以及不同姿态下的形变,为三维人体模型重建提供了有效的先验知识。常见的参数化人体模型有SCAPE模型、SMPL模型[33]和SMPL-X模型[34]等。目前较为常用的三维人体模型参数化变形方法主要是基于空间变形和骨骼蒙皮变形技术。

3.1 空间变形技术

空间变形具有直观、自然的特点,用户可以通过点、曲线、曲面等简单要素来控制复杂物体的形状。修毅等[35]针对参数化人体模型在变形精度和个性化表现方面存在的问题,提出了一种腰部曲线参数化变形算法,能够驱动腰部、手臂和下肢等围线起伏较小的身体部位变形;针对女体胸围曲线的突出特征提出了一种新算法[3],进一步实现了女性胸围、臀围处的复杂变形。

现有研究在生成不同体型的人体模型时,经常采用先分割出人体部位,再对部位进行变形的方法。黄新等[36]对人体模型进行图元划分处理,利用图元方向变形方法生成不同的人体体型,建立的人体模型具有很高的准确度与平滑度。任洋甫等[4]提出了基于测量模型语义驱动模型变形的方法,将人体模型分割成躯干、左右腿、左右臂等5个部分,借助主成分分析降维,设计了一款三维人体模型语义变形软件,但所创建的人体模型的真实性还有待提高。为展示不同体型穿着虚拟服装的效果,Peng等[37]借助轴向变形和径向变形算法,对人体模型的头部、身体、左右臂、左右腿等6个部位进行变形,最终实现了局部和整体模型的高效率变形,人体模型不同变形效果如图6所示。

图6 变形生成的不同人体模型效果

自由变形算法是空间变形技术的典型算法之一,该方法能够对复杂的网格模型进行快速、灵活的粗略变形,但变形结果的随意性较大。丁猛[38]将人体分割为手臂、腿部和躯干部位,使用约束变形算法控制躯干部位围度变形,采用自由变形算法改变手臂和腿部的高度,变形得到的三维人体模型与真实人体差距较大(图7)。顾乃林等[39]提出一种基于径向基函数的网格变形方法,通过增加一定数量的空间离散控制点,实现快速改变人体模型局部形态,该方法比自由变形算法更为灵活。

图7 人体变形效果

3.2 骨骼蒙皮变形技术

骨骼蒙皮变形技术是在网格内绑定一组骨骼,模型上的点会随着骨骼的运动而运动,三维人体模型的变形在骨架约束下会更加平滑且趋于实际变化[40]。骨骼提取是骨骼蒙皮变形技术中的重要研究内容,于瑞云等[41]提出了一种骨骼提取方法,能够获得高精确度和高鲁棒性的人体关节骨骼。骨骼蒙皮变形技术能够真实的模拟人物动作,在影视动画、虚拟现实等领域应用较多[42]。

常用的骨骼蒙皮算法包括线性蒙皮算法和对偶四元数线性混合算法。林俊聪等[43]综合应用线性混合蒙皮算法和对偶四元数混合蒙皮算法,建立人体模型顶点和三维服装顶点的联系,开发了一个面向高级定制的虚拟服装展示系统,可通过输入胸围、腰围和臀围等参数自动生成个性化人体模型,实现360°观看人体模型穿着不同虚拟服装的效果,人体参数化界面如图8所示。朱红强等[44]设计了一种自动化蒙皮算法,通过对骨骼参数的缩放实现人体体型的调节,避免了体型调节与模型动画之间的冲突,并借助基于单张照片的三维人脸重建算法,降低了人体模型制作成本。

图8 人体参数化控制界面

在骨骼蒙皮变形技术中,高质量的三维人体模型形变基于准确、合适的蒙皮权重计算,但是即使有精确的权重值,线性混合蒙皮算法仍会出现皮肤塌陷等问题。为了改善上述问题有界双调和权重方法的提出,使得模型变形更加平滑,被广泛应用于人体模型变形[45];对偶四元数蒙皮算法有助于保持原始变形的刚性,避免人体出现塌陷、包裹纸效应等情况;将有界双调和权重与对偶四元数混合蒙皮相结合,可以获得较好的人体网格形变效果[46]。Yao等[47]提出了基于有界双调和权重和骨骼蒙皮的变形算法,实现在保护网格细节的同时快速获得与实际人体相似的人体模型,避免了变形产生的细节畸变和拓扑结构变化等问题。双调和方法在提升模型性能的同时,也增加了训练时间[48],未来还需要进一步探索提高训练效率的方法。

三维人体模型的几何特征复杂,变形的难度较大。不同的变形方法各有其适应性,空间变形方法适用于实现人体模型形态或表面细节的变形,骨骼蒙皮变形技术更适用于人体的不同姿态变形,研究者们为获得更高质量的人体模型变形效果,结合多领域的不同技术,不断探寻更高效的参数化三维人体模型变形方法。

4 结束语

本文详细介绍了三维人体扫描技术、基于三维扫描技术重建人体模型及其在服装领域的应用情况,从基于几何和机器学习的技术角度介绍了人体模型网格分割研究的现状,并对人体参数化建模常用的空间变形和骨骼蒙皮变形方法进行了具体分析,指出了现阶段各方法存在的不足与改进方向。

三维人体模型分割与变形技术是服装人体参数化建模的关键技术,通过应用相关技术有效提高了服装人体模型的精确度和建模速度。基于多学科融合的三维人体模型分割变形技术将成为未来该领域研究的主要趋势,特别是机器学习相关技术的迭代发展,将大幅度提升服装三维人体模型的仿真效果,为服装数字化技术纵深发展奠定基础。