2021⁃03⁃10
计算机应用,Journal of Computer Applications 2021,41(3):839-844ISSN 1001⁃9081
CODEN JYIIDU http ：//www.joca
刘
洁，李
毅*，朱江平
（四川大学计算机学院，成都610065）（∗通信作者liyi_ws@sina ）
摘要：为了生成表情丰富、动作流畅的三维虚拟人动画，提出了一种基于双相机同步捕获面部表情及人体姿态
生成三维虚拟人动画的方法。首先，采用传输控制协议（TCP ）网络时间戳方法实现双相机时间同步，采用张正友标定法实现双相机空间同步。然后，利用双相机分别采集面部表情和人体姿态。采集
面部表情时，提取图像的2D 特征点，利用这些2D 特征点回归计算得到面部行为编码系统（FACS ）面部行为单元，为实现表情动画做准备；以标准头部3D 坐标值为基准，根据相机内参，采用高效n 点投影（EP n P ）算法实现头部姿态估计；之后将面部表情信息和头部姿态估计信息进行匹配。采集人体姿态时，利用遮挡鲁棒姿势图（ORPM ）方法计算人体姿态，输出每个骨骼点位置、旋转
角度等数据。最后，在虚幻引擎4（UE4）中使用建立的虚拟人体三维模型来展示数据驱动动画的效果。实验结果表明，该方法能够同步捕获面部表情及人体姿态，而且在实验测试中的帧率达到20fps ，能实时生成自然真实的三维动画。 关键词：双相机；人体姿态；面部表情；虚拟人动画；同步捕获中图分类号：TP391.4
文献标志码：A
3D virtual human animation generation based on dual -camera capture of facial
expression and human pose
LIU Jie ，LI Yi *，ZHU Jiangping
（College of Computer Science ，Sichuan University ，Chengdu Sichuan 610065，China ）
新菠萝灰粉蚧
Abstract:In order to generate a three -dimensional virtual human animation with rich expression and smooth movement ，
a method for generating three -dimensional virtual human animation based on synchronous capture of facial expression and
human pose with two cameras was proposed.Firstly ，the Transmission Control Protocol （TCP ）network timestamp method was used to realize the time synchronization of the two cameras ，and the ZHANG Zhengyou ’s calibration method was used to realize the spatial synchronization of the two cameras.Then ，the two cameras were used to collect facial expressions and human poses respectively.When collecting facial expressions ，the 2D feature points of the image were extracted and the
regression of these 2D points was used to calculate the Facial Action Coding System （FACS ）facial action unit in order to
prepare for the realization of expression animation.Based on the standard head 3D coordinate ，according to the camera internal parameters ，the Efficient Perspective -n -Point （EP n P ）algorithm was used to realize the head pose estimation.After that ，the facial expression information
was matched with the head pose estimation information.When collecting human poses ，the Occlusion -Robust Pose -Map （ORPM ）method was used to calculate the human poses and output data such as the position and rotation angle of each bone point.Finally ，the established 3D virtual human model was used to show the effect of data -driven animation in the Unreal Engine 4（UE4）.Experimental results show that this method can simultaneously capture facial expressions and human poses and has the frame rate reached 20fps in the experimental test ，so it can generate natural
and realistic three -dimensional animation in real time.
Key words:dual -camera;human pose;facial expression;virtual human animation;synchronous capture
0引言
随着虚拟现实技术走进大众生活，人们对虚拟替身的获取手段及逼真程度都提出较高要求，希望能够通过低成本设备，在日常生活环境下获取替身，并应用于虚拟环境［1］。
目前，动作捕获生成三维虚拟人动画的技术在动画影视、人机交互、虚拟现实等行业已得到广泛应用。商业领域已经
成功运用复杂的设备及标记点的方法驱动模型，生成动画。例如，Vicon Cara System 、OptiTrack Expression 等动作捕获系统，利用光学传感器，为人体贴上多个标记跟踪点，可对人类全身运动及面部表情进行准确捕捉，最优捕捉精度可达到20μm 。这类设备采集过程有侵入性、价格昂贵、应用场景复杂，难以进一步在日常生活中应用。
文章编号：1001-9081（2021）03-0839-06三维人体扫描
DOI ：10.11772/j.issn.1001-9081.2020060993
收稿日期：2020⁃07⁃09；修回日期：2020⁃10⁃27；录用日期：2020⁃11⁃13。基金项目：四川省科技厅重点研发项目（2020YFG0306）。
作者简介：刘洁（1996—），女，新疆阿克苏人，硕士研究生，主要研究方向：图像处理、计算机视觉；李毅（1967—），男，四川成都人，副教授，博士，主要研究方向：计算机视觉、图像处理、空管自动化系统；朱江平（1984—），男，四川达州人，副教授，博士，主要研究方向：光学三维传感、计算机视觉。
第41卷计算机应用
对普通用户而言，单目相机相对动作捕获设备价格更低，操作更灵活，能在大多数人机交互场景应用。
因此，如何利用单目相机跟踪人体运动，生成自然逼真的动画，是近年来计算机视觉和人体运动仿真的一个研究热点。
围绕单目相机实时跟踪人体运动生成动画的问题，本文展开了深入的研究。首先，采用传输控制协议（Transmission
Control Protocol，TCP）网络时间戳实现双相机时间同步，使用张正友标定法［2］实现双相机空间同步；然后，通过同步后的双相机分别采集面部表情及人体姿态，获得模型驱动数据；最后，在虚幻引擎4（Unreal Engine4，UE4）中驱动三维虚拟人生成动画。从实验生成的虚拟人动画效果来看，本文提出的方法能实时捕获人体、面部的运动，可以获得姿态、表情动作一致的动画效果，有较好的用户视觉体验。
1相关工作
近年来，研究者们对捕获人体姿态与面部表情生成动画问题进行了大量的研究。
人体姿态估计方面，Cao等［3］设计了OpenPose，可以在一个图像中实时检测多个人体姿态，在多相机场景下预测关节点置信度和部分亲和场向量，并由2D检测姿态结果匹配3D 信息，取得了较好的鲁棒性。Güler等［4］提出使用蒙皮多人线性模型（Skinned Multi-Person Linear model，SMPL）拟
合密集三维人体方法，构建DensePo络对人体表面进行回归，将图像的人体像素映射成3D人体表面。Mehta等［5］提出基于单目相机实时稳定的姿态估计方法，该方法实时检测速度高；但部分场景下，对关节预测不够精确，无法解决肢体遮挡问题。王志勇等［6］提出利用Kinect相机和彩相机同步采集面部表情及身体姿态方法，使用Kinect Fusion扫描得到人物模型，使用Robust Icp方法实现姿态估计，重建人脸得到面部动画；但Kinect采集过程中易引入噪声，导致出现抖动情况。
面部表情动画方面，Cao等［7-8］构建了FaceWarehouse三维表情库，回归预测3D特征点，实时跟踪人脸表情，配准生成3D人脸，能结合BlendShape生成逼真的人脸表情动画，提高了三维表情动画的精确度；但其离线训练阶段，需要对每一个人脸采集数据，且生成的人脸模型较为粗糙。
上述研究在人脸面部表情动画驱动及人体姿态估计方面取得了显著成果，但未考虑到使用单目相机同时采集面部及身体图像，提取运动数据的情况；且部分方法对头部运动采集效果较差，得到的数据驱动模型时，几乎无法还原头部运动情况。摄像头距离人体较远时，不易捕捉细微的表情变化；距离较近时，不能完整捕获人体的肢体信息。得到的数据驱动三维动画时，无法同时得到面部表情与身体姿态一致的动画效果，表达人体的行为及情绪。部分方法通过扫描或重建3D模型生成动画，不能利用数据驱动多种模型，模型通用性差，无法复用。因此本文提出了使用单目相机捕捉人体面部表情及身体姿态，生成同步的动作表情捕获数据，驱动建立的虚拟模型，得到三维动画的方法。
2双相机同步捕获面部表情及人体姿态2.1相机同步
在人体姿态采集过程中，相机距离人体面部较远，处理细微面部表情的能力较差。为解决该问题，本文采用两个单目相机分别对面部和身体姿态数据进行采集；但是，两个相机同时采集会产生时间空间不同步问题，导致后续面部数据与姿态估计数据融合求解过程中产生误差，因此，需要对相机进行
时间同步及空间对齐。
为了保证两个相机采集的人物数据的空间坐标保持一致，本文采用张正友标定法对两个相机进行空间标定；为保持时间同步，采用TCP网络时间戳方法对面部和身体信息进行同步融合。
相机标定的目的是修正相机畸变参数，矫正图像。根据标定法，将两个相机对同一棋盘图片的不同方向拍照，得到相机各自的内参、外参及其畸变系数。
为了解决相机时间不同步问题，本文提出了一种使用TCP网络传输时间戳的同步方法，将表情与姿态数据进行同步融合。TCP是一种面向连接提供可靠有序数据传输的传输层协议，但在传输过程中可能存在丢包、粘包等情况。为解决程序发送接收过程中出现类似的问题，根据传输数据类型，始终在发送端将每个数据包封装为固定长度。根据处理帧率，在发送端调用sleep方法，保证TCP发送速率，在接收端设置相同的动画刷新速率，保证双方的接收情况。采用此方法后，由于同步后的传输能达到20fps，即使丢失小部分数据，仍然能达到较为真实的效果，图1中展示了TCP传输流程。
首先，采集面部图像，利用TCP网络，传输包含时间戳的数据结构至姿态估计程序；其次，对姿态估计部分得到的数据进行封装后，匹配面部表情数据对应的时间戳，按照先后次序整合为新的表情及姿态结构数据；最后，将融合后的数据传输至UE4引擎，用于控制模型生成动画。由于单目相机采集图像估计3D姿态时，帧率较低，为更好地利用姿态估计得到的数据，减少丢帧，本文使用平滑及预测方法处理面部表情行为单元数据，保证面部表情动画更流畅，通过预测也能使后续帧面部与身体行为保持同步。
2.2实时捕获人脸面部表情
为从单目相机中得到清晰真实的面部表情动画，本文从图像中提取2D特征点，利用2D特征点回归得到面部行为编码系统（Facial Action Coding System，FACS）面部行为单元（Action Unit，AU）参数［9］，根据行为单元参数与表情基线性组合，驱动模型获得面部表情动画。
从图像中提取有效特征点是对面部表情分析的核心步骤，获取的特征点可作为表情参数的基础数据。本文使用Baltrusaitis等［10］提出的受约束局部神经域（Constrained Local Neural Field，CLNF）模型，检测面部特征点及跟踪面部。其模型构建阶段分为Shape模型及Patch模型构建过程。捕获人脸面部表情时，首先构建CLNF模型，生成目标函数并得到面部特征点；然后，采用方向梯度直方图（Histogram of Oriented Gradient，HOG）［11］提取外观特征，用主成分分析法降低维度；最后，
用支持向量机［12］检测面部行为单元AU存在情况，使用支持向量回归估计AU强度，得到表情的分类和回归效果。
由于面部表情采集过程平均帧率为30fps，优于姿态估计效果，本文采用Holt双参数指数平滑法对面部表情参数进行平滑及预测，匹配姿态估计得到的数据。期望利用当前人物表情状态先验信息，推断下一时刻的表情状态。通过该方法可以将面部表情数据变得更平滑，也能得到一定范围内的趋势预测，提高对面部表情的检测精度。式（1）
为平滑方程：
图1TCP传输过程
Fig.1TCP transmission process
840
第3期刘洁等：基于双相机捕获面部表情及人体姿态生成三维虚拟人动画
{
y t =αx t +(1-α)(y t -1+b t -1)b t =β(y t -y t -1)+(1-β)b t -1
（1）
式（2）为预测模型：
y t +h =y t +hb t
（2）
其中：
α为平滑参数，β为趋势平滑参数，y t 为t 时刻平滑值，x t 为实际值，
b t 为t 时刻的趋势值。经过Holt 算法平滑处理后，可以避免表情突变情况，获得更流畅自然的动画效果。使用预测模型能够合理预测一段范围内的表情状态。为验证其预测效果，本文采用平均绝对百分误差（Mean Absolute Percentage Error ，MAPE ）对该连续时间序列的整体预测结果进行评价，式（3）为计算公式：
MAPE =1T (
∑t =1
T
()
|a t -x t |/x t )
×100%（3）
其中a t 和x t 表示当前时刻预测值与实际值。误差越小，表示
预测效果较好，接近真实值；反之则效果较差。针对表情行为单元中的9个值进行评估，选取其中1s 内25个数据，预测未来5帧的数据，MAPE 结果都在10%范围内，表明预测结果能反映一定的变化趋势。
由于靠近人脸的相机能更准确地采集头部信息，为表现人体头部位置信息，本文在面部表情采集过程中采用高效n 点投影（Efficient Perspective -n -Point ，EP n P ）算法［13］估计头部姿态。以标准头部3D 坐标值为基准，根据相机内参，可以得到人体头部的姿态估计信息。将头部坐标信息、表情行为单元和姿态估计信息匹配融合，能生成合理的人物姿态及表情驱动数据。
2.3实时人体姿态估计
为从单目相机中得到清晰真实的虚拟人物身体动画，本文用相机捕捉人体姿态，获得人体关键点3D 空间坐标及旋转角度数据，驱动三维动画角的身体运动。使用Mehta 等［14］提出的遮挡鲁棒姿势图（Occlusion -Robust Pose -Map ，ORPM ）方法实现人体姿态估计。
ORPM 方法是一种同时估计二维和三维姿态的方法，对于一张RGB 相机获得的图像I ，计算图像中人体姿态，输出每个骨骼点位置、旋转角度等数据，即使在较强的局部遮挡情况下也能输出完整的姿态估计数据。将采集到人体的分为躯干、颈部、头部，以及肢干等人体关键点。使用Cao 等［3］的方法预测的热图H 和部分亲和场实现2D 关节点的关联。图2展示了ORPM 的网络结构［14］，首先用ResNet50网络对输入图像进行特征提取，然后将这些特征送入二维姿态估计网络，得到各关键点的热图H 和部分亲和场，随后将这部分信息与基础网络得到的特征信息一起送入三维姿态估计模型中，得到三维姿态估计结果。这部分结果不光包括各关键点的热图，还包含pose -map 冗余信息，用来在最后修正最终的估计结果。通过冗余信息的加入，虚拟试衣技术
三维姿态模型得到了很好的遮挡鲁棒性。
图2
ORPM 网络结构褐变度
Fig.2
Network structure of ORPM
在姿态估计过程中，如果图像中人体有明显遮挡，则定义躯干和颈部节点作为判断身体姿态的主要节点。若末端节点存在遮挡情况，则取其父节点位置估计该节点；若躯干中心节
点被遮挡则根据主要节点位置保持基础姿态。这样能够保证无论是否存在遮挡情况，每组数据都输出包含完整关节点，防止出现由于缺失部分关节数据而生成不自然动画情况。
为防止数据抖动发生突变，应对数据进行平滑处理。具体表现为在得到节点数据后，添加平滑项，由式（4）表示，其中q 表示当前帧运动情况。
Q =
q i -2-2q i -1+q
2
（4）
不同的人体姿态在空间上可由模型骨架的位置和旋转角度表示。将骨骼点数据按照式（5）来表示：
M i =(x i ，y i ，z i ，θi ，ψi ，φi )
（5）
其中：
(x i ，y i ，z i )为位移信息，(θi ，ψi ，φi )为旋转信息。这样就得到了驱动三维人物肢体动画的人体姿态估计数据。
3
三维虚拟人动画驱动
目前驱动三维模型常用的变形方法有：基于BlendShape
的模型差值变形、基于骨骼动画的子空间蒙皮变形、自由变形、基于物理的仿真变形等。
生成虚拟人身体动画时，由于骨骼点较为清晰、数量较少，通过控制骨骼点的相对位置即可产生相应的动画。生成面部表情动画时，需要驱动大量面部点、面部肌肉等来获得逼真的动画效果。如果驱动数据抖动或偏差较大，会导致生成的表情动画滑稽夸张。因此本文采用骨骼动画方法驱动模型身体姿态，使用BlendShape 模型方法驱动面部表情，得到整体过渡自然真实的全身动画效果。3.1
身体动画驱动
本文通过得到的姿态数据，在UE4引擎中驱动虚拟人物生成动画，模拟人体姿态。根据捕获到的身体骨骼点，在UE4人物蓝图中建立动画人物关节点与捕获数据节点的映射关系，确定关节点位置。图3（a ）表示姿态估计中采集的关节点信息，图3（b ）表示UE4引擎模型骨骼树节点信息。其中未匹配的骨骼在动画生成的过程中会保持相对父骨骼静止。
初始情况下，采集到的身体特征点坐标系与UE4引擎坐标
pstl系存在差异，每个骨骼也有独立的局部坐标系，如果不转换坐标系，会导致骨骼点方向错误。因此在输入数据之前需要对坐标系进行统一。本文将三维模型、特征点局部坐标系、特征点世界坐标系均统
一至UE4世界坐标。在人物蓝图中将2.3节得到的骨骼点数据M 转换为UE4引擎中的Transform （Location X ，Location Y ，Location Z ）及Rotator （Roll ，Pitch ，Yaw ）数据。
由于人体骨架的各个节点之间有内在的关联性，直接指
定各关节的平移和旋转值很容易产生不协调的动作。本文使
图3
姿态估计与UE4模型的映射关系
Fig.3
Mapping relationship between pose estimation and UE4model
841
第41卷计算机应用
用基于物理的人体模拟方法前向动力学（Forward Kinematics，FK）和逆向动力学（Inverse Kinematics，IK），来获得更加流畅的动画效果。
由于不同采集者身高比例不同，直接给出末端节点位置可能会导致模型穿模、相邻关节分离的情况。因此本文采用动画IK处理模型身体末端节点（例如手腕、脚腕），即使用子节点牵引父节点运动。当末端关节的位置确定后，根据末端骨骼点的位置、旋转信息，计算中间骨骼点的信息。骨骼架构中对应的两个关节偏转角度可以通过雅可比矩阵确定。由于IK动画计算出的中间骨骼具有多个方向，因此需要针对不同骨骼调节其动画蓝图中的节点目标位置（Joint Target Location）参数，保证骨骼的正方向。
身体主要支撑节点（例如髋、肩部等）使用动画FK，即用骨骼的父节点驱动子节点运动，确定核心骨骼相对于UE4世界坐标系下的准确位置。
人物蓝图将骨骼数据传入相应的动画蓝图骨骼节点，按照发送帧率刷新动画，就能得到模型的身体动画驱动效果。
3.2面部表情动画驱动
表情融合模型（Expression Blendshape Model）是一种数据驱动参数模型的方法，包括了一个用户在不同表情下的人脸形状，描述了该用户的一个线性表情空间［15］。不同的表情可以与模型中的表情基线性组合得到，因此，人脸的特定表情E 可由式（6）计算：
E=E0+∑i=017e i(E i-E0)（6）其中：E0为表情基；e i为对应表情加权系数。对于部分中性表情，适当扩大或重新计算加权系数，能让部分细微表情表达得更清晰。例如，针对人物眨眼动作判断不准确的问题，采用得到的面部特征点位置计算上下眼睑开合程度重新计算对应表情系数，能得到更好的表情效果。
表情动画驱动过程中，首先，在3ds MAX中绑定好人物面部骨骼，使用Maya设计模型BlendShape表情控制器，导入UE4引擎生成相应的变形控制器（Morph Targets）。然后，建立控制器与表情采集过程获得的行为单元参数AU之间的映射关系。最后，使用TCP网络传输AU数据至UE4引擎，根据表情权值驱动相应表情控制器。按照发送帧率刷新三维人物面部表情，即可得到实时面部动画效果。
3.3三维虚拟人动画融合
在相机时间同步过程中，捕获得到的数据已被封装为结构体数据。其中面部表情模块包含17个面部行为单元数据，姿态估计模块包含15个骨骼点的位移坐标及旋转欧拉角数据。在驱动全身动画时，需要将面部表情数据与姿态估计数据进行匹配融合。
在面部采集过程和姿态估计过程计算了重复的头部坐标信息，其中面部采集无法获得真实的头部平移参数，姿态估计过程无法获得准确的头部旋转信息及表情信息。因此，本文借助头部节点（Head）将面部数据与身体姿态数据进行融合，修正头部姿态。融合姿态估计得到的平移坐标，与面部表情采集
获得的头部旋转坐标、表情参数，表示完整的人体运动。最终的动画驱动数据表示为式（7）：
M=RE+t（7）其中：R为面部表情捕获得到的头部旋转坐标；E为面部表情；t为姿态估计过程得到的头部位移。图4展示了动画驱动数据结构的完整信息。
在UE4动画蓝图中，利用TCP接收数据，绑定对应表情控制器及身体骨骼点，就可以得到3D人物骨骼动画及表情动画的重定向结果。
4实验结果与分析
本文提出了一种使用双相机同步检测人体姿态及表情并驱动三维动画的方法。为检测方法的有效性，使用两个分辨率为720p的Logitech相机，Intel i7-8700K处理器，NVIDIA GeForce GTX1080显卡进行了实验。首先，令表演者表演日常行为，包含肢体动作及多种面部表情。对相机同步后，实时采集表演者的动作，获得面部表情及姿态估计数据。其次，按照本文提出的方法处理得到驱动数据，建立绑定好面部表情控制器及身体骨骼点的三维模型。最后，使用TCP网络传输数据，在UE4引擎中驱动模型，产生动画效果。在实验室环境下，同时捕获面部表情及身体姿态，并生成动画，处理帧率能达到20fps，生成人体肉眼可接受的动画。
为了验证两个相机采集效果是否优于单独采集面部或姿态得到的动画效果，本文对比分析了采集部分人体运动获得的动画效果。
4.1表情驱动动画
针对人脸面部表情驱动，本文使用第3章中面部表情捕获方法，获得了人脸表情动画效果，如图5所示，展示了不同表情及头部姿态得到的面部表情渲染结果。图5（a）为真实用户表情，图5（b）为驱动得到的动画表情，实时生成动画的帧率可达到30fps。可以看出，本文提出的面部表情捕获方法能够快速捕捉用户面部表情，并实时驱动人脸表情动画。4.2身体姿态动画
本文的姿态估计结果如图6所示，其中图6（a）为相机采集的人体图像，图6（b）为姿态估计结果，图6（c）为驱动得到的动画。根据结果图可以发现，本文提出的方法生成的动画能够快速模拟出人体行为，但对于面部及头部采集效果比较模糊，对人体面部表情采集情况较差，需要借助其他方法进一步采集细微表情。
4.3融合结果
融合面部表情及身体姿态后产生的动画效果如图7所示。图7（a）为相机采集的人体图像，图7（b）为姿态估计得到的结果，图7（c）为面部表情捕获结果，图7（d）为融合后生成的动画。可以看出，使用两个相机分别进行采集，能同时捕捉到更丰富的面部表情特征以及身体姿态信息，获得更加真实的虚拟动画效果。
对比图5、6及图7可以看出：单独捕获面部表情，仅能获得表情动画，不能反映人体运动信息；单独捕获姿态信息，仅能获得大尺度姿态动画，头部几乎没有动作。采集部分人体运动生成的动画中，角的面部表情与身体运动的情感表达脱节，不能反映人的真实情绪；而同时捕获面部表情及身体姿态，得到的动画效果更加流畅，能够表达采集者的真实情感，
头部姿态也更自然。
图4动画驱动数据结构
Fig.4Animation-driven data structure
842
第3期刘洁等：基于双相机捕获面部表情及人体姿态生成三维虚拟人动画
4.4实验对比
为验证本文方法生成虚拟人动画的自然真实性，在视觉上，本文与直接使用Kinect相机采集面部表情及身体数据，生成的虚拟人动画效果进行了对比。图8为使用Kinect相机采集人体生成动画效果。图8（a）为Kinect相机采集的人体图像，图8（b）为生成的动画效果。
对比图7和图8可以看出，本文提出的方法生成的动画，能达到Kinect采集数据生成的动画效果。虽然在估计骨骼深度信息时，Kinect利用红外设备采集的骨骼深度数据优于本文提出的单目相机采集的骨
骼数据。但是，在采集面部信息时，Kinect仅能采集大尺度头部运动情况，而本文提出的采用两个相机同时采集的面部与姿态的方法能更好地检测人物表情，生成反映人的真实情绪的动画。
文献［6］采用的方法与本文一致，均为使用两个相机同步采集面部表情及身体姿态生成动画，因此本文对比两种方法的实验效果。本文方法采用两个单目相机采集人体信息，而文献［6］方法使用一个单目相机和一个Kinect相机。本文方法处理图像，生成动画的帧率与文献［6］方法的实验结果如表
1所示。
表1不同方法生成动画帧率
Tab.1Frame rates of animations generated by different methods 方法
本文方法
文献［6］方法
面部表情/fps
30
20
姿态估计/fps
20
5
融合动画/fps
20
—从表1中可以看出，本文采用的方法能更快地处理并实时生成面部表情及姿态动画。分析其原因在于：文献［6］
方法
图8Kinect动画实验结果
Fig.8Kinect animation experimental
results 图5面部表情动画驱动效果
复方金荞麦颗粒Fig.5Facial expression animation driving
effect
图6身体姿态动画驱动效果
Fig.6Human pose animation driving
effect
图7融合动画实验结果
Fig.7Fusion animation experimental results
843
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议