三维人物微表情制作对动画设计的影响分析

孙广梅

(南首尔大学影像设计学院，忠清南道天安 31020)

0 引言

微表情是动画人物基本情绪的表达，以及微妙情绪变化的直接反映，在动画设计与动画表演当中，有着重要的作用.将动画人物的心理情绪，通过五官之下的细微变化表达出来，使动画人物更加灵动逼真，将切实的情感变化传达给观众.随着经济全球化的发展趋势，世界各国之间的文化交流频繁，而动画作为一种独特的文化形式，消除了各国之间的语言障碍，成为了各国友好交流的一种媒介[1].近年来国内的动画市场发展迅速，动画电影在电影市场当中占比较大，有着良好的发展前景.

三维动画人物与二维平面动画相比较，其画面效果更加真实立体，人们日常生活的空间属于三维空间，对于人们而言，在自然中立体的影像才是真实存在的，为此观众在观看动画表演时，对三维动画的专注度更高，更容易被人物及场景所吸引.传统的二维动画主要是以与现实世界的差异和距离感，吸引人们观看；而在三维动画的设计与表演中，其人物视觉效果更接近于现实中人们所看到的效果，这使人们对其表演形式更加严格与苛刻，三维动画在设计中更容易受到约束[2-4].为此在设计三维动画人物时，对于表情制作的分工明确细致，便于后续的多次修改优化，板块化的分工能够让动画人物制作者有足够的精力，去挖掘动画角色的表情细节，单独划分出的动画模块，为三维人物微表情的制作提供更加完善的制作手段.

1 三维人物微表情制作对动画设计的影响

1.1 三维人物微表情的重要性

三维人物通过微表情来表达自己的内心感受.不同表情的人之间，或在某些表情中，脸部表情会“泄露”其它信息.微表情可以短到1/25秒.尽管无意识的表达可能只持续一段时间，但有时会表达相反的情感.微表情速度快，通常观察的人很难察觉.很少人会注意到，相对于有意识的表达，“微表情”更能反映人物的真实情绪和动机.尽管人们会忽略“微表情”，但是人类大脑仍会受其影响，改变对他人表情的理解.所以，如果一个人表达一种“幸福”的感情，若能从“微表情”中察觉，那么就可以断定他是幸福的.但如果有一张“微表情”会闪现“微笑”，除短程表达外，微表情指那些在日常中受到抑制的表达.举例来说，在明显悲伤的情景中，大部分的表情都是忧伤的，但他的嘴角是向上翘起的，则说明他的内心真是感情是开心的，即微表情更能够表达出动画人物的真实想法.

1.2 三维模型特征提取

三维人物微表情特征是表情识别成功与否的关键，面部肌肉所发生的大幅度变化，反映在三维数据上的信息则是非刚性形变.通常在三维动画的设计过程当中，都会选用任务的正面姿势测试其表情设计效果，而在非正面测试当中，其精度将无法得到保障，为此需要缩短相同表情间的差距，并与此同时增加其间的差异性，即最小化类内差距，最大化类间差距[5].为达到这一目的，则需要利用面部动作编码系统，检测人脸特征中所产生微小变化，面部动作编码系统由四十四个以解剖学为基础的动作单元所构成，并利用行动单位完成对面部活动的具体描述，在上述基础上利用LBP 算法，将原始图像像素标记为fa(a=0,...,7)，利用中心像素fz将每个像素的邻域阈值处理：

将处理结果视为二进制，得到LBP 算法具体表达式如下：

(1)

其中fa表示各邻域像素点的灰度值，a表示邻域中心像素点个数，fz表示中心像素点灰度值.

为每个S(fa-fz)分配一个二项式因子2a，则得到如下计算：

(2)

利用大小不同的邻域，获取不同尺度的主要特征信息，使LBP 算子得到扩展，由于所提取到的局部特征尚不完善，导致邻域间的深度距离扩大，需要引入方向梯度直方图特征弥补LBP描述子的不足，将原始动画图像划分为相互连接的数个小单元格，并通过计算得出每个单元格边缘方向的直方图，使其通道分布在0-360度之间，将三维面部表情归一化，再将常规网格当中的HOG特征提取出来[6].该网格是由图像当中的初始单元格放置相等面片所构成的，为此提取 HOG 特征的面片大小对信息获取程度有着很大的影响，一旦出现多个面片重叠的情况，则会导致最终特征高度冗余，并在分类器不支持特征选择时，受到过度拟合的严重影响.基于上述研究基础，结合正面与侧面的三维人物表情特征点，通过三维序列分析动态人脸，识别其微表情.

图 2 面部动作效果图Fig.2 Effect Drawing of Facial Action

1.3 人脸表情识别

三维人物的面部动态分析通常分为基于面部表面的动态分析，以及基于面部形变的动态分析两种，而三维人物面部表情的分析，首先需要从表情序列中的各个三维帧当中提取三维地标，并通过三维地标所产生的信息数据创建出多模态融合的特征描述符，将人物的面部特征与头部角度相结合，识别人物面部表情特征.采用鼻尖定位法估计头部姿势，在得到鼻尖位置的精准坐标后，创建三维地标.动画人物微表情定位是指动画人物微表情在已知环境信息的情况下，通过传感器数据对动画人物微表情进行估计.定位过程是一个带有噪声的多传感器信息序列的融合过程，同时也是一个非线性非Gauss状态的在线估计问题.

定位中采用的传感器可以是：相机、激光雷达等.动画人物微表情通过读取传感器的信息，从而完成自定位.当有N个数据，想要归成k个类，用K-means聚类算法可以分为如下几个步骤：

步骤1：随机选取k个微表情中心点：c1,....,ck；

步骤2：对每一个微表情样本，计算它与每个数据库中的微表情的差距，取差距最小的作为它的归类；

步骤3：重新计算每个类的主要微表情特征；

步骤4：如果每个微表情特征都差距很小，则算法收敛，退出；否则返回第2步.

根据人物面部表情在变化过程中的运动规律，将三维人物的面部划分成多个区域，并确定各区域当中所存在的特征点，将面部区域动画参数间的联系减少，使其相互独立[7].采用权值自适应的插值方式，计算面部特征点影响区域内的非特征点的运动因子，在此基础上加以变形，增加三维人物表情的真实性.将参数化的人脸模型作为一个整体来考虑，采用人脸动画定义表，定义面部动画参数对三维人物面部网格变形的控制方式.每个人脸动画定义表对于一个面部动画参数，通过该参数描述人物面部的变形方式，获取到第一组参数值后，将人物面部网格按照人脸动画定义表变形，得到与之相对应的人物面部表情.利用人物面部区域的缩放平移或旋转等运动方式，得到三维比例因子，以此确定人物面部动画的顶点，得到其参数值域范围.将人物面部动画相应的特征点所对应的影响区域加以控制，使运动因子相互叠加，得到最终的人物面部表情.

根据K-means能够把已经提取的大量微表情特征点聚类成一个含有k个微表情的集合.其类似于层次聚类，是K-means的直接扩展.假定有N个特征点，构建一个深度为d、每次分叉为k的树，做法如下：

步骤1：在根节点，用K-means把所有样本聚成k类，这样得到了第一层；

步骤2：对每一层的每个节点，把属于该节点的样本聚成k类，得到下一层；

步骤3：以此类推，最后得到叶子层，叶子层即所谓的动画人物面部模型.

在获取到三维人物面部模型以及其表情动画参数后，需要参考真实的人脸表情变化，对三维动画人物面部进行变形.由于真实人脸的生理结构复杂，参数曲面无法表示拓扑结构比较复杂的形体，需要利用多边形存储其相关信息，在变形的过程中移动特征点，控制人物面部表情的变形，使其具有较高的真实感.首先需要确定人物面部动画参数所对应的特征点，计算周边区域内的非特征点运动因子.

由于人物面部区域间的运动变形相互影响且相互限制，若某区域内的参数设置失误，则会导致周边区域同样受到影响，为此需要协调人物面部的动作表情，如图2当中所示：

左侧图片为人物正常状态下的面部动作情况，右侧图片为人物眉毛挑起时的，眼睛受到眉毛区域的影响，使其瞳孔变大眼皮上挑，能够得知人物面部表情发生变化时，将会受到周边区域的约束.而与此同时根据肌肉的分布与运动情况，将其按照基本规则划分区域，建立一个插值函数，计算特征点影响区域内，各个非特征点的运动因子.若特征点与非特征点之间的距离越短，则说明其两者的运动因子越接近，非特征点在特征点作用下的运动因子表达式如下：

(3)

其中dm表示特征点与非特征点之间的距离；dmax表示影响区域内，特征点与非特征点之间的最远距离；e表示权重系数，且e∈(0,+)；fap表示特征点对应的人物面部动画参数.

权重系数的设置是根据人脸模型的具体情况所调整的，若系数设置出现问题，将会导致人物面部表情的生成过程中，出现区域边界处拉伸过度的情况.为避免这一问题，将人物面部模型的单元面片尺度假设为x，并将能够影响边界运动因子的模小于单元面片尺度：

‖r-m*fap‖

(4)

将权重系数设置恰当，以便得到平滑自然的人物表情效果，至此多个人物面部动画参数，在共同作用下的非特征点运动因子得以确定，至此完成人脸表情的识别.

1.4 三维网格点纹理坐标定位

将三维人物面部区域按照不同的功能，划分为平坦区域与凹凸区域，平坦区域的映射关系简单，极少有纹理映射错位的现象发生；而凹凸的部分则需要在图像上标注多个特征点，并利用插值法获取没有对应纹理的面部网格坐标[8].将该坐标变换成为柱面坐标，将平坦区域特征点当中的已知纹理坐标，获取最大纹理坐标值以及最小纹理坐标值，对应于三维人物面部模型中的相应要映射的部位，获取所对应区域的坐标范围，得到该区域所对应特征点的纹理坐标.纹理图像在映射到物体时可能会出现部分不协调，这些不协调可能会导致纹理贴图受到局限，微表情作为一种重要的表现手段[9]，其制作手法必须注重人物角色的微弱变化，并将其作为角色内心活动的重要表现形式，使动画作品中短暂出现的微表情关键帧，给观众带来的情感体验是一致的.有些动画人物设计仅针对五官的变化，将情绪表达融入五官当中，笑容作为各个表情中，感情表现范围最广的形态，能够搭配不同的眼神状态，给观众呈现出完全不同的动画人物情绪.

采用概率回退对动画人物微表情制作的初始状态进行估计，利用窗口滤波对微表情集合进行更新，并动态更新微表情集合的大小，自适应粒子滤波算法从计算复杂度和算法稳健性上较好地解决了动画人物微表情制作感情定位不准的问题.下面将给出算法实现的具体步骤：

步骤2：进行微表情集合更新，得到当前时刻的微表情集合St及其有效度W -和覆盖的格点数bt；

步骤3：计算下一时刻的微表情集合St+1所含粒子数Nt+1；

步骤4：统计粒子数，锁定微表情，准确表达感情.

由于三维动画的原画取景框面积较大，而微表情制作所需求的景别划分较少，仅对人物面部表情设计刻画.其动画整体的光影变化丰富，而人物面部表情则多采用平涂色块的设计方式，为使两者之间相互协调，需要掌握该动画的整体设计风格，减小人物风格所受到的约束.首先明确三维人物角色的面部线条与结构动态，以此确保动画人物的动作趋势以及力度处于合适的范围里，将动画人物的微表情拟人化，无论是虚拟角色，动物角色或是其他角色，若仍采用其原有的结构与运动规律，将会导致所呈现出的表达效果不清晰，无法向观众准确传递想要表达的情感，将其拟人化后，则能够使观众更加容易理解与接受[10].动作表情作为人们意识的最直观体现，将人物角色所拥有的情绪价值通过微表情传递，使角色性格更加饱满.随着时代的进步与发展，社会热点事件，以及人们对事物的关注点也有所改变，而动画制作若想吸引观众的关注度，则需要紧随时代的脚步.动画的设计与制作一开始虽然是为了突出个性表达自我观点[11]，但经过长久的发展，已经形成了标准的规则与体系[12].人物表情的设计，受到模式化的影响，可能会与实际所想要表达的情感出现偏差，利用人物面部凹凸明显区域中的网格点纹理坐标[13]，在相应部位的逻辑网格中定位边界点，得到三维人物面部的各网格坐标.

2 仿真实验

在上述研究结束后，设计仿真对照实验，分析三维人物微表情制作对动画设计的影响，将微表情应用前后的设计效果相比较，分析其两者间的差异性，并得出实验结论.

由于三维人物微表情制作随着计算机硬软件的支持发展快速，市面上的三维制作软件层出不穷，为保证实验过程的严谨性，需要分析下列软件性能，选择最为合适的三维制作软件完成实验模拟：

表1 常用三维制作软件性能对比Tab.1 Performance Comparison of Commonly Used 3D Production Software

通过上表当中的分析能够得知，虽然三维动画制作软件多种多样，但对于制作效果而言，Maya的三维动画角色制作更加成熟，为此该实验利用Maya来完成仿真模拟平台的搭建.将三维人物面部模型的相关数据信息输入制作界面，按照计算机程序中的网格点逻辑层次开始交互操作，采用常规制作方法将如下图所示的六种基本表情输入到程序中(如图3)：得到如下所示的实验结果(如图4)：

将如下人物微表情输入到计算机程序当中，将所得到的结果与常规制作方法相对比(如图5)：

得到如下所示的实验模拟结果(如图6)：

由上述的实验结果对比能够得知，当在动画设计制作程序中输入微笑、惊讶、气愤、恐惧、厌恶以及悲伤六种基本表情后，所制作出的三维人物由于原始数据的不足，仅能够对表情参数值以及动画显示帧数进行调整，无法分区域调整人物面部动作，导致其生成效果生硬且不自然，无法满足观众对三维动画的期待值.将人物微表情制作加入动画设计当中后，其设计素材得以丰富，能够在各表情帧当中分解出人物情绪的细微变化，并将人物面部表情写成函数形式，将面部区域按照规则划分，并采用不同的字母数字命名，分别控制各区域的肌肉运动参数值，能够使表情传达更加准确，按照所需要表现的人物情绪，生成特定的人脸表情动画.

3 结束语

人类的面部生理结构复杂，是由三维曲面所构成的可变形体，具有几十块面部神经肌肉，其可塑性极强，能够随着情绪的变化产生不同的微表情，以此来按照情绪来表达与传递，是人们在日常的生活工作中，必不可少的交流方式.在三维动画人物制作时，为提高动画的真实性，使观众对其产生浓厚的兴趣，将人脸表情应用到动画的设计制作当中.近年来计算机技术发展飞快，人们对多媒体的交互性能需求也随之增长，利用计算机程序，将人脸表情动画技术，应用到人物设计当中，建立真实的三维人物面部模型，分析人物面部参数的获取方法，以及在实际应用当中的可行性，并利用具体参数生成人物微表情，利用人脸信息，建立三维表情数据库，将真实人脸的表情状态应用到三维动画人物制作.利用网格插值法，划分特征点区域，通过自适应权重设计，满足三维人脸网格模型的需要，减小人物面部网格在变形过程中出现边缘区域拉伸过度的情况发生，确保人脸网格的平滑.