文摘
自然景观模拟是最受欢迎的研究内容之一,在计算机图形学领域的研究仿真系统。自然景观动画场景可以让观众沉浸在现场,并广泛应用于视觉仿真系统。在电脑上模拟自然风光是一种强大的方法,研究风景的增长过程的规则以及生命的神秘。模拟自然景观尤为重要和深远的意义。自然景观优化设计的最重要方面是创建一个用户所享有的自然景观动画。本文提出了一种自然景观动画设计方法与基于这个概念自学习功能。介绍了随机森林模型(RF)在这个方法中,应用于整个动画设计过程。射频可以生成一个学习模式与用户评价分类结果指导自然景观动画的自动设计,导致user-satisfying动画。同时,RF-based自然景观动画设计可以根据用户需求不断更新学习模式,自主学习。本文的实验部分验证的有效性自然景观动画设计提出了本文通过比较选择的用户满意度和不满,并进一步表明,本文的方法可以改善自然景观。 The market application value of user satisfaction generated by animation is high.
1。介绍
场景设计是动画作品的创作必不可少的组成部分。场景的设计可以强调时间和空间之间的关系,使动画情节更有吸引力。这仍然是一个非常复杂的过程在特定的场景设计。必须有一个整体场景设计的意识,一种特定的文化内涵,并注意处理详细的场景。在动画中,自然景观的塑造不同的场景是至关重要的。因为大自然是如此创新,塑造和处理自然景观更加困难。现在,有三个主要类型的研究领域的自然景观进行动画设计。一个是自然场景只是场景设计文献中很少提及。大多数讨论自然场景非常简单。大量的研究和实际应用都不同步,和理论与实践不能连接。 The second is an explanation in the form of a tutorial, complete with examples. Model creation, UV unwrapping, texture drawing, material adjustment, lighting settings, rendering, and postproduction special effects application are all covered in detail. This tutorial-style description covers a wide range of knowledge points, but it is insufficiently detailed. The third type of document is a single software instruction manual. This document primarily describes how to use the software. In fact, the design and production of 3D scenes in the process of animation design and production is more than just the use of a specific software. To complete the task, a combination of software is required. There have been a few studies on how different softwares are combined to complete tasks. The existing research literature does not systematically summarize the technical difficulties and key points in the actual design and production of natural scenes, and thus cannot meet the needs of natural scene design and production in high-end animation films.
自然场景动画主要关心的是学习如何使用计算机来生成动画的自然场景如白云、小溪、松树和草。自然场景通常很难描述使用传统的几何建模工具,需要使用专门的建模技术。仍然没有动画自然景观的统一方法。人们越来越感兴趣的数学模型,可以准确地描述客观世界中的各种现象和景观随着计算机图形技术的进步。动态的自然场景,另一方面,是很难模拟简单的流程和必须反映真实世界的物理定律。学者们一直试图调查的方法自然场景动画很长一段时间,包括模拟自然场景的形状和模拟的自然场景的动态变化过程。许多学者引入了随机过程理论和提出了一系列有效的模型来生成各种特定的自然场景,考虑随机性和相似的形状自然场景的细节。
目前使用最广泛的算法是基于分形迭代,基于语法模型,动态随机增长,纹理和大气光传输模型以及基于独特的几何算法实例和方法利用场景和模型之间的交互。模拟植物生长在电脑屏幕上被称为“植物建模技术。“一种早期的植物建模是在1960年代开发利用细胞的自动增长模式植物分支事件的动画。美国生物学家,Lindenmayer最初介绍了字符串的概念在1968年重写系统(1]。之后,生物学家的荣誉,它被称为L-system。系统主要是关心属的植物器官之间的关系,包括树干、树枝和树叶。Prusinkjewicz,加拿大学者开发了基于L-system几何描述,从而建立了开放L-system [2]。该系统包括通信模块,使植物与环境交流。该系统可以有生命的植物的根系和模拟外部环境对植物生长的影响,这是有利于虚拟农业生产系统的发展。因为每个规则在传统L-system是完全独立的,它不能忠实地反映植物的生长过程,因此不能产生一个平滑的动画效果。因此,传统L-system是不够的对于某些应用程序,所以Praniewicz等人提出了微分L-system世界图形国会于1993年(3]。这个系统背后的主要思想是用一个统一的正式工具来描述的离散和连续行为器官。1995年,美国学者詹森·韦伯提出了建模方法,该方法只考虑树的几何形状的外观4),这种建模方法不严格遵守的生理结构树。除了一些基本的几何知识,这个模型并不需要一个强大的数学或生物基础。希腊(5)提出了一种基于体素空间方法。体素空间的概念是一个三维空间区域划分为几块,每个小方块代表一个体积元。模型在体素空间开发基于他们的交集,邻居,和碰撞在元素空间关系。体积元素用于近似的植物和周围的环境空间。DeReffye等人提出了一个“参考轴技术”植物建模方法(6],它描述了植物形态学使用最初的自动化和植物生长模型使用马尔可夫链的随机过程理论和状态转换图。目前,许多植物动画的方法,如粒子系统方法里夫斯等人提出的随机模型。7,8),分支Viennot提出的矩阵模型,基于功能图标和互动装置建设模型提出的Lintermann et al。9),就像L-system。上述植物动画模型主要是基于植物的形状,不准确地反映植物生理模型。其中大部分集中在计算机图形学中,主要研究现实植物的动画图形和使用尽可能少的植物。学习新事物和快速轻松地创建植物图形。
机器学习技术(10,11)已经成为非常普遍和成熟的人工智能技术的发展和应用。机器学习背后的基本思想是构造一个模型通过学习训练的特点和结果数据集,称为训练样本。对未知数据,训练模型可以预测。决策树、神经网络、支持向量机、随机森林,和其他传统机器学习算法的例子。本文提出了应用射频模式12,13)自然景观动画设计以优化自然景观设计的影响。本文的主要贡献如下:(1)射频是用来训练学习模式与用户评价分类结果以指导自然景观动画的自动设计,满足用户。(2)背后的核心理念应用射频模型自然景观动画设计是我的经验,可以指导动画的动画设计积累了数据。射频模型的抽象属性和类别的训练样本集标准化后得到大量的历史数据,和一个射频模型训练后获得的。(3)实验是用来不断优化射频模型的参数,以便学习模型可以更好地指导动画设计与制作动画,满足用户。
2。自然景观动画设计的知识
2.1。自然景观动画设计中存在的问题
目前,自然景观动画设计过程中存在的问题可以归纳为以下几方面。(1)从业者和小型生产企业缺乏经验和专业的质量差。近年来,中国的动画产业发展迅速。然而,一些问题,如缺乏专业人才,无法避免的过程中快速发展。国内三维动画产品的质量也低由于缺乏专业人才和低端生产。由此产生的产品经常有明显的模仿痕迹。整个环节表明,基础薄弱,缺乏的脚本创新令人不满意的动画生成的效果。年轻的人才结构,3 d动画公司和行业缺乏操作经验。此外,投资者和规划者往往利益驱动外行。由于这些因素,很少有高质量的动画制作。(2)高质量的专业人才的培训模式偏离路径。三维动画产业的发展的确是不均匀的,大部分的活动集中在一些大城市如北京、上海、深圳和成都,而中小城市在很大程度上不受影响。这样的一个工业布局导致大量的从业人员到北京和上海等城市。然而,这并没有改变高素质人才短缺的现状,据动画公司。尽管大量的员工,没有很多高级员工。以下几方面主要反映的原因。首先,培训机构提供指令没有足够的师资和资源。因此,低级生产人员和高级纯研究人员训练,导致一个不平衡的人才结构。第二,培训机构本身缺乏实践经验,导致真正的素质教育成为空谈。第三,优化技术在基础训练,如建模、成分、颜色、镜头和动画原则。 Because basic training is time-consuming, trainees do not want to waste their time and energy. This type of operation results in students' weak foundations, a lack of solid technology, a lack of practical ability, and an inability to improve the level.(3)脚本创建定位很低,和脚本内容缺乏创新。也有许多问题与脚本的创建和选择。因为编剧的误解的概念动画和狭窄的定位受众的年龄段,脚本是创建简单的和年轻。大多数成年人已经放弃了漫画由于其狭窄的定位。季节的改变必然会改变观众的观看偏好。因此,传统漫画已经因时间的推移而过时。三维动画是一种动画,迎合现代观众的需求。三维动画产业在其'现在工作越来越关注技术和阴谋。(4)缺乏特色和本土品牌。有很多经典的故事在中国传统文化中,这是广泛而深刻的。有些故事已经使用,仍有改进的空间表现。一些漫画由美国迪斯尼和梦工厂在美国近年来典型的具有中国特色的脚本,并且大胆的改编和处理原始内容和原型,使故事情节更适合现代观众。美学和品味外国动画公司不仅创建高质量的脚本,而且不同的动画明星和建立一个好的动画品牌在大规模生产。中国的动画片,脚本编写和选择,盲目的重复和模仿,无法充分利用丰富的文化历史,和创新失败。这种情况下抑制了增长的3 d动画产业。只有通过创建自己的品牌可以在动画行业立足。
2.2。自然景观动画设计软件
基本的软件来创建三维自然景观是玛雅和马克斯14,15]。也是软件的最终载体产生三维立体的自然景观。其他软件开发来补充这些全面的软件。玛雅和马克斯各有独特的优势时创建三维自然景观。玛雅和麦克斯经常用于现实的自然场景的创建。一般来说,可以选择使用哪个软件根据不同的项目需求或生产者自身的专业知识。这两个软件从业者必须掌握的主要航空公司,因为他们是许多三维动画设计软件。这两个软件正变得越来越相似的操作界面和功能,但他们仍有不同的特点。Vue动画制作系列产品提供各种解决方案和3 d自然环境渲染,从而能够快速创建大型场景。
3所示。基于随机森林模型的自然景观动画设计
3.1。自然景观动画的一代
图1描述了自然景观动画生成的流动。信息提取模块提取几个主题和模板的消息文本在收到它。可以做成动画动画主题系列的主题是提取的信息,如参天大树和菊花在山区和平原。阳光风模板,模板等等的具体对象。例如,从消息“阳光明媚的春天,桃花的树枝在山里笑,“行动模板的主题“春天”,“山”,“桃花,”和“微笑”并存储在IE中提取文件。验证的阴谋。情节确定模块使用的信息框架来调用相应的本体库和规则库,然后使用推理来完成场景的选择、模型的添加和删除,行动和决心,颜色,变形,和照明等。定量规划模块执行定量计算的基础上,定性规划和生成播放动画视频文件通过网络呈现。创建一个景观动画。
3.2。自主学习的方法,基于随机森林的自然景观动画
RF算法是一种装袋算法(16,17]。与装袋相比,RF只有创建它自己的规则和设计的一些细节。射频是指装填方法采用CART决策树作为一个弱的学习者。首先,作为一个弱的学习者,射频使用CART决策树(18,19]。同时,当生成每棵树,每棵树的特性选择只有几个随机选择特性,和根总数的特性通常是默认了。将被选中的所有特性建模的一般车树。因此,不仅是随机的特性,但随机性的特性是保证。与一般装袋算法相比,射频会选择N收集和训练集样本。由于随机性,它是非常有用的减少模型的方差,因此射频通常并不需要额外的修剪,实现更好的泛化和anti-overfitting能力。当然,对训练集的拟合程度将更糟糕的是,这意味着模型的偏差将会更大,但这只是相对的。x功能是随机选取的节点在每个决策树的每个节点分裂。基尼系数越低,越有可能是,所选样本集将会被误诊。基尼系数是表示如下: 在哪里年代c代表所选样本属于的概率c类别的概率,然后这个示例是错误分类(1 -年代c)。样本共有C类别。
RF弱分类器使用购物车号码和购物车决策树也被称为一个分类回归树。当数据集的因变量是连续值,树算法是一个回归树,和叶节点观测的平均值可以作为预测的价值;当数据集的因变量是一个离散值,树算法是一个分类树,可以很好地解决分类问题。然而,由于该算法是一个二叉树,nonleaf节点是一个多级离散变量可以使用很多次了。同时,如果nonleaf节点是一个连续变量,决策树也会把它当作一个离散变量。最受欢迎的今天是信息增益特征选择方法(20.),获得率(21),基尼系数(22),和卡方检验(23]。
准确度、精密度、召回和F1的分数是常用的评价指标来评估随机森林算法的分类性能。假定样本划分为积极的数量NTP,样品的数量分为消极N《外交政策》。样品的数量分为消极的,积极的NFN,样品的数量分为消极负面NTN。每个指标的表达式如下:
测量的质量的主要标准动画自然景观动画生成后用户是否满意。本文提出了一种RF-based自学自然景观动画框架提高生成动画的质量。自学在自然景观动画的目的是生成尽可能多的用户满意自然景观动画,动画从而提高用户的满意度。该框架分为三个部分:数据采集、数据处理、和培训。图2描述了自学习自然景观动画在本文提出的框架。
数据采集模块负责采集用户的场景选择的分数。包含动画信息作为训练样本数据,文件,文件包含定性数据,完成动画将总和。除了收集数据,数据采集模块必须不断传播培训模型输出结果的动画生成系统。这样自然景观动画生成系统可以做出更好的决策。以下是数据采集模块的主要功能:首先,射频数据必须收集,包括动画的信息帧,候选人的场景,用户满意度的一个决策树对每个候选人的场景。其次,采用投票的方法来确定预测用户满意度。最后,计算用户推荐得分。用户推荐得分计算用户满意度除以所有候选人场景的用户满意度的总和。最后,用户推荐得分纳入评分项,乘以适当的体重,并添加到总分。重量是由候选人场景的数量; the greater the number of candidate scenes, the greater the weight.
数据处理模块处理样本数据存储、管理和分析。首先,数据采集模块传输完整的样例数据,和标准样本数据信息提取和处理后,存储在数据库中,然后模块分析和决定sample数据库中的数据。使用随机选择的训练样本训练模块列车,以及由此产生的学习模式返回到数据采集模块。这个模块接收数据处理模块的结果来决定是否继续迭代训练,确保学习模式可以持续更新一代的操作系统。
4所示。实验结果和分析
4.1。实验数据
自然景观生成系统包括88个主题,120模板组和64个场景。由于本文采用射频,主题和场景分为8组,和模板分为15组根据他们自己的类别,为了避免太多的决策树的分支。有六个属性在标准样品:主题组编号,主题,米th组模板实例,现场组数和现场实例。米= 1,2,…,15。每个样品都有分类,分类值是一个,两个,三个或四个。这种分类值代表用户的评分完成的动画场景。训练样本的处理流程如下:首先,获得初始样本的数据生成系统;后,与用户交互获得部分样本数据的标签;最后,数据处理模块处理整个标准样本数据作为射频训练样本。在数据处理模块,自我训练算法完成标签标记样本。
4.2。实验参数设置
总共有518动画创建了使用自然景观动画设计方法在本文提出。数据库是300个训练样本的取样。购物车算法为基础的学习者在RF模型中,学习者和计划创建6基地,所以每个基分类器的训练数据是50块。在本文中,每个基本决策树的每个节点选择首先选择包含一个子集h属性节点的属性设置,然后选择一个最优属性的子集。的参数h= log2年代,在那里年代表示当前节点的属性数量。在这篇文章中提出的方法的有效性主要取决于它是否可以提高用户的满意度。确定用户的满意度增加,是否系统的概率选择后的用户最喜欢的场景增加了自学习系统和用户是否被选中的机会减少他或她不喜欢的场景。表1本文描述了实验环境。
4.3。实验结果和分析
表2显示用户的详细信息的满意度得分生成的动画。
找到12消息动画1的得分user-scored动画,并提取相应的消息文本内容和场景。选择12消息动画得分4,并提取消息文本内容和场景,如表所示3和4。这些24信息无关的内容。24日消息被用于实验进行比较试验。实验的具体操作如下:(1)输入消息文本到一代系统没有自主学习能力,并且系统将为您选择一个场景。每个消息测试共有20倍。(2)输入消息文本到自学一代系统获取场景选择的系统。每个消息测试共有20倍。(3)比较恶心的可能性/最喜欢的场景发生在两组实验。
用户的选择概率的比较结果不满的场景在动画原创动画生成系统和设计系统本文提出如表所示5和图3。表6和图4的比较结果显示用户会选择场景的可能性。
在表格的第一列数5代表了场景,在该场景中,用户的名字不满意,总共12。比较的数据在表的第二列和第三列显示被选中的概率得分1使用传统的动画场景设计方法被选中的概率高于使用本文中的动画设计方法。因为动画设计方法在本文中具有自学习功能,它有可能提高用户满意度。创建动画时,它将积极避免选择场景1分。因此,场景的得分的可能性1被选中是大大减少。图3描绘了一个视觉比较两种方法的基于场景的选择率,得分为1。本文验证射频模型中引入自然景观的动画设计。
表6的第一列包含12个场景数据,用户非常满意。第二列的数据代表一个场景的可能性的得分1选择使用原来的动画设计方法。第三列被选中代表了每个场景的可能性使用本文中的动画设计方法。12为每一行记录,第二列中的数据低于第三列中的数据。它说明了本文中使用的方法是更容易为用户满意的情况选择。喜欢更有可能选择,增加用户满意度。这是由于动画的自学习功能设计方法在本文提出。图4描绘了一个视觉比较这两种方法在现场选择率得分为4。本文验证射频模型中引入自然景观动画的设计。
5。结论
自然景观动画已经广泛应用,但在一百人的眼中,有一百个村庄。每个人都有不同的偏好,动画风格。本文提出了一种自然景观动画设计方法与自学习功能,以提出用户满意度。该方法的核心思想是将射频模型合并到动画设计过程。射频可以生成一个学习模式与用户评价分类结果指导自然景观动画的自动设计,导致user-satisfying自然景观动画。同时,RF-based自然景观动画设计可以根据用户需求不断更新学习模式,自主学习。实验结果表明,本文中的动画设计方法降低了用户的选择率不满意的场景,同时增加用户满意的场景的选择率。它表明,在本文中描述的方法可以用来优化动画设计过程,提高用户满意度。然而,这篇文章有一些局限性,如用户评分的主观性以及如何进一步提高用户满意度。为了应对用户评价的主观性,后续将使用的方法增加用户评分的数量来减少主观性的干扰。 In order to improve user satisfaction even further, this article will attempt to replace RF with other machine learning models in the future and see whether the system's performance can be further optimized.
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者声明没有coflicts的兴趣。
确认
这项工作是支持的哈尔滨科学技术职业学院和哈尔滨科学技术大学。