基于形態(tài)匹配的產(chǎn)品仿生設(shè)計(jì)融合

羅仕鑒，邊 澤，張宇飛，陸佳煒，盧世主

(1.浙江大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310027; 2.浙大寧波理工學(xué)院 設(shè)計(jì)學(xué)院，浙江 寧波 315100; 3.武漢理工大學(xué) 藝術(shù)與設(shè)計(jì)學(xué)院，湖北 武漢 430070)

0 引言

自人類誕生起，就從自然界不斷地獲取知識與靈感，賦能到生產(chǎn)生活中。從鋸齒草到鋸子，從鳥類到飛機(jī)，從蒼耳到尼龍搭扣，從螢火蟲到人工冷光——仿生拓寬了人類的想象力和技術(shù)的邊界，推動了科技與藝術(shù)的進(jìn)步。在當(dāng)前科技與藝術(shù)高速發(fā)展下，仿生設(shè)計(jì)作為一種生物知識驅(qū)動的設(shè)計(jì)方法，廣泛應(yīng)用于各個(gè)行業(yè)，包括機(jī)械設(shè)計(jì)、建筑設(shè)計(jì)、產(chǎn)品設(shè)計(jì)、醫(yī)學(xué)領(lǐng)域等[1-2]。著名仿生設(shè)計(jì)大師科拉尼一直從生物中汲取靈感，為蘭博基尼、法拉利、奔馳、寶馬等公司設(shè)計(jì)了一系列仿生概念車，受到業(yè)界追捧。德國仿生機(jī)器人公司Festo設(shè)計(jì)了一系列異常逼真的機(jī)器人，如會游泳的仿生魚、會飛的仿生水母、仿生象鼻的機(jī)械手臂，推動了自動化行業(yè)進(jìn)程，拓展了人機(jī)協(xié)作空間。仿生設(shè)計(jì)在整個(gè)設(shè)計(jì)中的作用是為設(shè)計(jì)師提供靈感，將生物的外形、結(jié)構(gòu)、原理等特征應(yīng)用到產(chǎn)品設(shè)計(jì)中，賦予產(chǎn)品相應(yīng)的生物的特性。

類比(analogy)是利用一個(gè)領(lǐng)域的知識去解決另一個(gè)領(lǐng)域的問題，信息來源的領(lǐng)域被稱為源域(source domain)，待解決問題的領(lǐng)域被稱為目標(biāo)域(target domain)。借助類比的概念，仿生設(shè)計(jì)可以看作是一種特殊的類比設(shè)計(jì)，其源域?yàn)樯?，目?biāo)域?yàn)楫a(chǎn)品或待解決的問題[3]。仿生設(shè)計(jì)中的源域信息包含生物的外形、身體結(jié)構(gòu)、生命活動原理、種群繁殖方式、生態(tài)系統(tǒng)等一系列生物知識。

產(chǎn)品形態(tài)仿生設(shè)計(jì)往往是問題驅(qū)動的,即先給定要設(shè)計(jì)的產(chǎn)品，通過產(chǎn)品的目標(biāo)用戶、感性意象、文化定位和形態(tài)聯(lián)想等去調(diào)研和搜索相對應(yīng)的源域生物，再根據(jù)自己的審美取向進(jìn)行仿生融合。仿生設(shè)計(jì)的知識往往是跨領(lǐng)域的，對設(shè)計(jì)師的知識獲取與儲備要求較高，同時(shí)仿生設(shè)計(jì)也是有限制條件的產(chǎn)品造型設(shè)計(jì)，對設(shè)計(jì)師的設(shè)計(jì)能力有一定挑戰(zhàn)。如何通過科學(xué)有效的方法為給定的目標(biāo)域產(chǎn)品找到匹配的源域生物，并在確定仿生生物與產(chǎn)品后快速生成科學(xué)的仿生融合方案，為設(shè)計(jì)師提供相應(yīng)的設(shè)計(jì)知識與設(shè)計(jì)參考，是仿生設(shè)計(jì)中的兩大難題。

目標(biāo)域與源域的匹配主要用到感性意象匹配方法。袁雪青等[4]構(gòu)建了基于形態(tài)、結(jié)構(gòu)、功能、色彩、肌理、意象詞語描述的仿生基因庫，分別通過問卷收集生物與產(chǎn)品的意象詞匯并進(jìn)行歸并，將目標(biāo)域的意象詞匯在基因庫中進(jìn)行搜索，即可得到意象詞匯相匹配的源域生物;朱赫[5]用同樣的方法得到意象詞匯，并通過余弦相似度計(jì)算目標(biāo)域與源域的感性意象匹配程度;高小針等[6]將產(chǎn)品結(jié)構(gòu)和生物結(jié)構(gòu)進(jìn)行了劃分，對每個(gè)部件進(jìn)行感性意象描述，從而進(jìn)行產(chǎn)品部件和生物結(jié)構(gòu)的感性意象匹配和仿生設(shè)計(jì)。

目前，仿生融合的方法主要有設(shè)計(jì)師根據(jù)設(shè)計(jì)原則和審美取向的融合和借助計(jì)算機(jī)算法的融合。張祥泉[7]探討了在仿生融合中設(shè)計(jì)師通過對生物外形簡化從而形變生成仿生產(chǎn)品的理論與方法，并確立了簡化原則;徐紅磊[8]分析了生物的拓?fù)浣Y(jié)構(gòu)及各部位拓?fù)浣Y(jié)構(gòu)值，以在仿生設(shè)計(jì)的形態(tài)特征簡化、生成與動勢表達(dá)時(shí)形成約束，保持拓?fù)潢P(guān)系的不變;郭南初[9]提出使用遺傳算法進(jìn)行仿生融合的構(gòu)想，通過參數(shù)編碼、生成初始種群、適應(yīng)度函數(shù)評價(jià)、選擇算子、交叉操作和變異操作實(shí)現(xiàn)產(chǎn)品與生物外形的融合，不過并未給出具體實(shí)現(xiàn)方法和案例;朱赫[5]借用猴王在猴群遺傳中絕對優(yōu)先權(quán)的概念，改進(jìn)了傳統(tǒng)遺傳算法形成猴王遺傳算法，將生物形態(tài)識別中占據(jù)優(yōu)勢的生物特征定義為“猴王”，在進(jìn)化算法中設(shè)置較高的遺傳權(quán)重，并將形態(tài)識別中的劣勢樣本設(shè)置較低的遺傳概率，最終得到的仿生融合產(chǎn)品將更好地體現(xiàn)生物主要特征。該方法屬于生物外形和產(chǎn)品外形的整體融合，在仿生融合前會對生物拓?fù)浣Y(jié)構(gòu)進(jìn)行深入的分析。

目前的仿生匹配與融合取得了一定進(jìn)展，仍存在以下問題：

(1)目標(biāo)域與源域的匹配主要集中在感性意象匹配，對于形態(tài)匹配的研究較少。設(shè)計(jì)師尋找源域時(shí)的形態(tài)考慮多是從主觀認(rèn)知出發(fā)，如果能借助計(jì)算機(jī)輔助方法，就能更精準(zhǔn)和迅速地篩選出形態(tài)匹配的生物原型，進(jìn)行仿生設(shè)計(jì)。

(2)目前的仿生融合主要是設(shè)計(jì)師遵從其經(jīng)驗(yàn)、審美取向和一些設(shè)計(jì)方法的主觀融合，基于計(jì)算機(jī)圖形圖像的融合算法研究處于起步階段，需要探究新的計(jì)算機(jī)領(lǐng)域的仿生融合方法，并希望設(shè)計(jì)師在其中有一定的參與度。

本文將從生物與產(chǎn)品的形態(tài)入手，使用計(jì)算機(jī)圖形學(xué)中的圖形匹配與圖像融合方法，展開仿生設(shè)計(jì)的相關(guān)研究，并提出基于形態(tài)匹配的產(chǎn)品仿生設(shè)計(jì)融合方法。試圖建立仿生設(shè)計(jì)數(shù)據(jù)庫與設(shè)計(jì)輔助工具，提供不同的源域生物匹配方案和快速生成的2D仿生融合輪廓方案，輔助設(shè)計(jì)師進(jìn)行設(shè)計(jì)抉擇與參考，指導(dǎo)3D產(chǎn)品設(shè)計(jì)建模,提升仿生設(shè)計(jì)效率。

1 基于形態(tài)匹配的產(chǎn)品仿生設(shè)計(jì)融合方法

根據(jù)格式塔心理學(xué)，當(dāng)視覺對象在一定范圍內(nèi)變化時(shí)，人對視覺對象的認(rèn)知仍然保持不變，這種現(xiàn)象被稱為知覺恒常性。知覺恒常性包括大小恒常性、形狀恒常性、亮度恒常性和顏色恒常性[10]。同時(shí)，在格式塔心理學(xué)記憶研究中，F(xiàn)riedrich Wolf發(fā)現(xiàn)了完形趨向原則，即被試面對無意義的圖形會在腦內(nèi)進(jìn)行勻稱化、規(guī)則化和簡單化，并與他們記憶中有意義的圖形進(jìn)行匹配和理解[11]。根據(jù)心理學(xué)研究基礎(chǔ)，仿生設(shè)計(jì)時(shí)若挑選與目標(biāo)域產(chǎn)品形狀相似的生物源域進(jìn)行設(shè)計(jì)，可以保持用戶對于形狀認(rèn)知的一致性，在產(chǎn)品形態(tài)可變范圍有限的情況下提升生物的可識別度，是形態(tài)匹配的理論依據(jù)。

譚建榮等[12]將圖形特征歸結(jié)為幾何構(gòu)成元素?cái)?shù)量、元素類型、元素臨接狀態(tài)和連接方式，并根據(jù)圖形特征定義了圖形相似性，可分為拓?fù)浣Y(jié)構(gòu)相似、幾何形狀相似、尺寸約束相似。在計(jì)算機(jī)視覺領(lǐng)域，形狀匹配是基于特征的匹配，特征可分為基于區(qū)域的形狀特征(如凹凸結(jié)構(gòu)和基于骨架的形狀表示)和基于輪廓的形狀特征涵蓋特征的空間排列，匹配方法包括變換域、多尺度空間和輪廓點(diǎn)空間結(jié)構(gòu)[13]。形狀匹配一般包括“形狀特征提取”、“形狀特征匹配”和“形狀距離學(xué)習(xí)”3個(gè)步驟。目前，計(jì)算兩個(gè)形狀距離的方法主要有形狀上下文和豪斯多夫距離，本文選取形狀上下文匹計(jì)算產(chǎn)品與生物的形狀距離，進(jìn)行仿生匹配。

在產(chǎn)品設(shè)計(jì)領(lǐng)域，已有學(xué)多學(xué)者進(jìn)行了產(chǎn)品形態(tài)的耦合與進(jìn)化研究。師潔等[14]應(yīng)用形態(tài)混合算法對選定表現(xiàn)“高貴”意象的香水瓶造型和香水瓶原造型進(jìn)行融合，形成新的香水瓶造型;羅仕鑒等[15]研究了消費(fèi)者偏好與SUV產(chǎn)品族外形基因之間的映射模型，并使用遺傳算法實(shí)現(xiàn)偏好驅(qū)動的SUV產(chǎn)品族側(cè)面輪廓線基因進(jìn)化;蘇建寧等[16]通過選擇代表性產(chǎn)品樣本、量化造型元素，使用元胞遺傳算法進(jìn)行產(chǎn)品造型初始設(shè)計(jì)，再運(yùn)用標(biāo)準(zhǔn)遺傳算法進(jìn)行產(chǎn)品造型細(xì)化設(shè)計(jì)。

在計(jì)算機(jī)領(lǐng)域，圖像融合的算法可劃分為基于彩色空間的融合算法、基于數(shù)學(xué)/統(tǒng)計(jì)學(xué)的圖像融合算法、基于MGA的圖像融合算法和智能圖像融合算法，其中基于智能圖像的融合算法包括神經(jīng)網(wǎng)絡(luò)、模糊理論和優(yōu)化理論[17]?；谏疃葘W(xué)習(xí)的生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)已經(jīng)廣泛應(yīng)用于圖像的風(fēng)格遷移，對給定的內(nèi)容圖和風(fēng)格圖形成效果圖，但GAN主要改變圖像色彩、紋理等風(fēng)格，不包括圖像的形變[18]。圖像變形技術(shù)能夠?qū)⒁环鶊D片平滑的變換為另一幅圖片，本研究選擇圖像變形技術(shù)進(jìn)行仿生融合，整體方法框架如圖1所示。首先使用形狀上下文匹配法進(jìn)行產(chǎn)品與生物的仿生匹配，然后對匹配好的產(chǎn)品和生物使用圖像變形技術(shù)進(jìn)行仿生融合，最后從3個(gè)維度對融合產(chǎn)生的仿生產(chǎn)品進(jìn)行評價(jià)。

1.1 基于形狀上下文(Shape Context)的仿生匹配方法

形狀上下文(shape context)是由Belongie等[19]于2002年提出的一種強(qiáng)形狀描述子，用離散點(diǎn)表示形狀輪廓，用對數(shù)極坐標(biāo)表示其余各點(diǎn)與選定點(diǎn)的位置關(guān)系，以計(jì)算兩個(gè)形狀輪廓之間的匹配度。該匹配具有不變性和魯棒性，即在縮放、平移甚至需要旋轉(zhuǎn)的情況下認(rèn)為兩幅圖片是不變的，在小的幾何畸變下保持魯棒性。

形狀上下文匹配被廣泛應(yīng)用于數(shù)字識別、人臉識別、智能視頻監(jiān)控、商標(biāo)檢索及圖像檢索等領(lǐng)域[20-21]，具體步驟如下：

(1)提取輪廓。

1)輸入圖片I；

2)對I提取輪廓點(diǎn)C，C={ci},i∈[0,…,N-1]。其中N為采樣數(shù);ci=(x,y)，為圖像坐標(biāo)系下的坐標(biāo)。采樣點(diǎn)越多，形狀表示越精確。

(2)提取輪廓點(diǎn)的形狀上下文。

對每個(gè)ci∈C,計(jì)算形狀上下文hi(k)，hi(k)=#{j≠i:(cj-ci)∈bin(k)}，其中bin(k)表示以ci為原點(diǎn)的對數(shù)極坐標(biāo)系下的均勻分布區(qū)間,k=nlogr_bins×nθ_bins。

(3)計(jì)算代價(jià)矩陣。

給定p,q兩點(diǎn)以及它們的歸一化直方圖gk,hk，由于gk,hk實(shí)為概率分布，可以使用χ2檢驗(yàn)來計(jì)算兩點(diǎn)之間的代價(jià)：

(5)使用薄板樣條函數(shù)(Thin Plate Spline, TPS)對變換建模，可以用彎曲能量BE來表達(dá)對齊對應(yīng)點(diǎn)所需變換的程度。

(6)最終的形狀距離可以由三項(xiàng)距離的加權(quán)平均來表達(dá)：

dist=DSC×WSC+DBE×WBE+DIA×WIA。

其中：W*為各個(gè)距離的權(quán)重;SCD為匹配點(diǎn)變換后的距離和;BE為變換的距離;IA為變換后的圖片之間的距離，具體計(jì)算方式如下：

1)形狀距離。其中T為估計(jì)的TPS變換

2)外觀距離。其中G為高斯窗口函數(shù)，IP和IQ分別為P的圖像和變換后Q的圖像

IQ(T(qπ(i))+Δ)]2。

3)變換距離。

DBE(P,Q)=BE。

以我國自主研發(fā)生產(chǎn)的10噸級中型通用直升機(jī)“直-20”和鱘魚為例(如圖2)。首先提取鱘魚的輪廓線和直-20除去螺旋槳部分的輪廓線；然后均勻地提取輪廓點(diǎn)，采樣數(shù)N=200，如圖2c所示；接著提取輪廓點(diǎn)的形狀上下文，圖2d和圖2e所示為以A為原點(diǎn)的對數(shù)極坐標(biāo)分布；通過計(jì)算代價(jià)矩陣找到最小化總代價(jià)的匹配π，使用薄板樣條函數(shù)對變換建模，最終“直-20”和鱘魚的形狀距離計(jì)算值為0.186 697。

1.2 基于圖像變形技術(shù)(Morphing)的仿生融合方法

圖像變形技術(shù)(Morphing)是將一幅二維圖像的矩陣進(jìn)行變換處理后，平滑地過渡到另一幅二維圖像，變換對象包括顏色和形狀兩種特征[22]。圖像變形技術(shù)的研究始于1960年，最初是用交叉變形的方法直接對兩幅數(shù)字圖像中的像素進(jìn)行差值處理。1980年，Douglas Smythe提出了網(wǎng)格扭曲的變形方法，實(shí)現(xiàn)了圖像變形技術(shù)的改進(jìn)[23]。1982年在SIGGraph年會上展示了圖像變形技術(shù)的經(jīng)典案例：將一個(gè)女人的臉變成山貓。目前，基于人臉的圖像變形技術(shù)廣泛應(yīng)用于影視特效、動畫制作、醫(yī)學(xué)整形產(chǎn)業(yè)。根據(jù)特征表達(dá)方式不同，可以分為網(wǎng)格Morphing、域Morphing、點(diǎn)Morphing和復(fù)雜特征Morphing[24]。本文研究應(yīng)用基于特征點(diǎn)的Morphing技術(shù)，但在形態(tài)仿生中只用到圖像變形技術(shù)的形變部分而忽略其色彩的變化。

圖像變形技術(shù)的算法步驟如下：

步驟1標(biāo)注圖片I和圖片J對應(yīng)的特征點(diǎn)P,Q,保證P,Q中的點(diǎn)一一對應(yīng)。

步驟2以特征點(diǎn)和圖片各邊中心點(diǎn)以及圖片角點(diǎn)，進(jìn)行德魯尼三角化，得到兩個(gè)三角網(wǎng)格TP,TQ。

步驟3根據(jù)參數(shù)α對TP,TQ中的每個(gè)點(diǎn)對Pi,Qi，求新的點(diǎn)位置Wi=αPi+(1-α)Qi，得到新的三角網(wǎng)格TW。

步驟4對于TW中和TP,TQ中的每個(gè)三角形對，求仿射變換。

步驟5對圖片I和圖片J中的每個(gè)三角形分別根據(jù)仿射變換進(jìn)行雙線性插值得到新的圖片WI,WJ，即為形變后的圖片。

以鯊魚和特斯拉X為例(如圖3)。首先對鯊魚和特斯拉的側(cè)面圖片標(biāo)注特征點(diǎn)，盡量選取能表現(xiàn)鯊魚特征的轉(zhuǎn)折點(diǎn)，由于汽車的底部是固定的底盤和輪胎，不適宜仿生設(shè)計(jì)，因此選擇鯊魚頭部和背部對應(yīng)特斯拉的前臉和車頂部分進(jìn)行標(biāo)注，如圖3a所示，共選擇33對特征點(diǎn)對一一對應(yīng)；然后以特征點(diǎn)和圖片各邊中心點(diǎn)以及圖片角點(diǎn)，進(jìn)行德魯尼三角化，得到圖3b所示的兩個(gè)三角形網(wǎng)格；根據(jù)參數(shù)α對兩個(gè)三角形網(wǎng)格中的每個(gè)點(diǎn)求新的點(diǎn)位置，得到新的三角形網(wǎng)格；對新的三角形網(wǎng)格中每個(gè)三角形對仿射變換進(jìn)行雙線性插值得到新的圖片，圖3c展示了α取值為0.166 7、0.333 3、0.5、0.666 7、0.888 3時(shí)得到新的圖片的效果。

2.3 仿生評價(jià)方法

仿生融合后，需要對融合生成的仿生方案進(jìn)行評價(jià)，作為設(shè)計(jì)師挑選方案進(jìn)一步細(xì)化設(shè)計(jì)的依據(jù)。Vandevenne等[25]選取了數(shù)量、不同度(variety)、創(chuàng)新度和質(zhì)量4個(gè)指標(biāo)衡量了仿生設(shè)計(jì)的效率；Keshwani等[26]用創(chuàng)新度和抽象度兩個(gè)指標(biāo)比較了生物激勵產(chǎn)生的方案和頭腦風(fēng)暴產(chǎn)生方案的質(zhì)量；張阿維等[27]選取整體效果、造型、宜人性作為醫(yī)療傳感器產(chǎn)品設(shè)計(jì)的評價(jià)指標(biāo)；高小針等[6]選取情感效應(yīng)、造型與仿生、人機(jī)工程、影響效應(yīng)作為仿生評價(jià)的一級指標(biāo)。

采用德爾斐法，邀請5位專家匿名提出對仿生設(shè)計(jì)方案評價(jià)指標(biāo)的意見，對專家意見進(jìn)行歸并同類后，再將第一輪意見整理的結(jié)果發(fā)給專家進(jìn)行爭論和評價(jià)，最終確立了美觀度、相似度(與源域生物的相似度)、實(shí)用度3個(gè)評價(jià)指標(biāo)。在使用3個(gè)指標(biāo)進(jìn)行評價(jià)時(shí)，將采用5點(diǎn)Likert量表打分。

2 應(yīng)用實(shí)例:基于形態(tài)匹配的企鵝—電水壺仿生設(shè)計(jì)

基于形狀上下文匹配、圖像變形技術(shù)和確立的仿生評價(jià)指標(biāo)，開發(fā)了“匹配—融合—評價(jià)”一體化的基于形態(tài)匹配的仿生設(shè)計(jì)融合系統(tǒng)，如圖4所示。系統(tǒng)開發(fā)環(huán)境為Windows 10, x64,開發(fā)語言為Python3, PyQt5, Python-OpenCV。本章以“企鵝—電水壺”形態(tài)仿生為例，闡述如何使用“基于形態(tài)匹配的產(chǎn)品仿生設(shè)計(jì)融合方法”找到與給定產(chǎn)品匹配的源域生物并產(chǎn)生仿生設(shè)計(jì)方案。

系統(tǒng)分為仿生匹配、仿生融合、仿生評價(jià)3個(gè)模塊，可以點(diǎn)擊任一模塊進(jìn)行操作。

由于仿生匹配中需要有源域生物輪廓與給定的產(chǎn)品輪廓進(jìn)行計(jì)算，首先需要構(gòu)建生物輪廓數(shù)據(jù)集。按照生物綱，選取常見的生物，考慮到一種生物的形態(tài)特征可以包括其靜止、奔跑、捕食的姿態(tài)，對生物形態(tài)特征的展現(xiàn)也包括生物的各個(gè)角度。在建立生物模型庫時(shí)，應(yīng)盡量包涵較多的形態(tài)信息，選取能體現(xiàn)生物形態(tài)特征的正面圖片、側(cè)面圖片、背面圖片、其他局部特征特寫圖片等。

構(gòu)建生物輪廓數(shù)據(jù)集的第二步是對篩選的圖片進(jìn)行處理。如圖5所示，選取駱駝側(cè)面圖片，在矢量繪圖軟件Adobe Illustrator或Sketch中用貝塞爾曲線描繪出駱駝的勾線圖，再將圖片進(jìn)行輪廓化處理。進(jìn)行輪廓化處理是因?yàn)楹罄m(xù)用到的形狀上下文匹配中將對生物外部輪廓的采樣獲取離散點(diǎn)。

將輪廓化處理后的生物正面圖片、側(cè)面圖片、背面圖片、其他局部特征特寫圖片構(gòu)建生物輪廓數(shù)據(jù)集。生物輪廓數(shù)據(jù)集的部分生物圖片展示如表1所示，生物輪廓數(shù)據(jù)集為仿生匹配提供源域數(shù)據(jù)。

表1 生物輪廓數(shù)據(jù)集的部分展示

2.1 仿生匹配

借鑒文獻(xiàn)[5]的研究思路，選擇電水壺為設(shè)計(jì)目標(biāo)域。首先用矢量繪圖軟件勾勒出電水壺的勾線圖，由于電水壺的把手比較固定，不是表現(xiàn)電水壺形態(tài)特征的主體，對去掉把手的電水壺進(jìn)行輪廓化處理，如圖6所示。準(zhǔn)備好目標(biāo)域產(chǎn)品后，開始在系統(tǒng)中進(jìn)行仿生匹配，首先點(diǎn)擊系統(tǒng)首頁中的仿生匹配按鈕，進(jìn)入匹配程序主界面，上傳電水壺輪廓后，點(diǎn)擊“匹配”按鈕開始匹配。程序?qū)⒏鶕?jù)形狀上下文匹配算法，讀取生物輪廓數(shù)據(jù)集中的每張生物輪廓圖與產(chǎn)品輪廓圖進(jìn)行計(jì)算。匹配結(jié)果如圖7所示，生物圖片按照與產(chǎn)品輪廓圖的相似度由高到低進(jìn)行排列，并顯示形狀距離數(shù)值。與電水壺匹配度最高的是企鵝，形狀距離為0.260141，因此確定企鵝為源域生物。

2.2 仿生融合

系統(tǒng)中通過仿生匹配選擇合適的源域生物后，即可使用仿生融合功能進(jìn)行仿生方案的快速生成。在系統(tǒng)首頁點(diǎn)擊仿生融合按鈕，進(jìn)入融合程序主界面。將企鵝的勾線圖和電水壺的勾線圖分別上傳后，開始進(jìn)行特征點(diǎn)標(biāo)注。由于電水壺的把手和底座部位比較固定不宜變形，在標(biāo)注時(shí)略過這兩個(gè)位置進(jìn)行標(biāo)注。在選取企鵝的特征點(diǎn)時(shí)盡量選取所有能表現(xiàn)企鵝輪廓的關(guān)鍵點(diǎn)，包括其不同部位分割的轉(zhuǎn)折點(diǎn)、表現(xiàn)身體弧線變化的點(diǎn)，選取電水壺特征點(diǎn)時(shí)同樣按照順序選取電水壺和企鵝形態(tài)匹配的點(diǎn)作為特征點(diǎn)對。在標(biāo)注特征點(diǎn)過程中，可選擇特定的特征點(diǎn)，進(jìn)行刪除或移動操作。最終選擇了24對特征點(diǎn)對產(chǎn)品和生物圖片進(jìn)行了標(biāo)注，如圖8所示。檢查特征點(diǎn)數(shù)量一致后，點(diǎn)擊下一步進(jìn)行仿生融合，系統(tǒng)將按照1.2節(jié)所述的圖像變形技術(shù)步驟，依次對兩張圖片進(jìn)行德魯尼三角化、根據(jù)參數(shù)α求解、仿射變換等最終生成仿生產(chǎn)品圖片。如圖9所示為α取值為0.1667、0.3333、0.5、0.6667、0.8883下的水瓶和電水壺的仿生融合結(jié)果，可以點(diǎn)擊選擇一張或多張融合后的圖片進(jìn)行下載。

如圖10所示為將標(biāo)記點(diǎn)減半進(jìn)行融合。當(dāng)電水壺向企鵝的變化程度都是0.667時(shí)，仿生融合結(jié)果如圖11所示，特征點(diǎn)數(shù)量為24的仿生電水壺比標(biāo)記點(diǎn)數(shù)為12的電水壺仿生效果更加細(xì)膩，更能體現(xiàn)企鵝的輪廓特點(diǎn)。

2.3 仿生評價(jià)

使用仿生融合在系統(tǒng)中產(chǎn)出快速生成方案后，要對仿生融合產(chǎn)生的方案進(jìn)行評價(jià)。在系統(tǒng)首頁中點(diǎn)擊仿生評價(jià)按鈕進(jìn)入仿生評價(jià)頁面，上傳需要評價(jià)的仿生方案，如圖12所示。采取美觀度、相似度、實(shí)用度3個(gè)指標(biāo)對仿生產(chǎn)品進(jìn)行評價(jià)，使用五點(diǎn)里克特量表，1代表不符合，5代表非常符合。邀請20位年齡在25歲～32歲具有5年以上工業(yè)設(shè)計(jì)背景的設(shè)計(jì)師對特征點(diǎn)對數(shù)量為24的五個(gè)“企鵝—水壺”融合結(jié)果作出評價(jià)。方案1～方案5分別對應(yīng)α取值為0.166 7、0.333 3、0.5、0.666 7、0.888 3下的融合結(jié)果。最終，每個(gè)方案的3個(gè)指標(biāo)取得分平均值，評價(jià)結(jié)果如圖13所示。可以看出，隨著仿生程度的增高，美觀度和實(shí)用度評價(jià)下降，產(chǎn)品與生物的相似度上升。在實(shí)際仿生設(shè)計(jì)中，需要綜合考量這幾個(gè)指標(biāo)作出選擇，同時(shí)融合生成的方案美觀度欠奉，需要設(shè)計(jì)師的進(jìn)一步設(shè)計(jì)和優(yōu)化。

綜合考量仿生的美觀度、相似性與實(shí)用性，設(shè)計(jì)師最終選取了α取值為0.333 3的仿生方案，進(jìn)行下一步的建模設(shè)計(jì)。運(yùn)用生成的仿生外形輪廓中水壺頭部及腰線的比例關(guān)系和線條弧度，在Rhinoceros中進(jìn)行優(yōu)化微調(diào)，同時(shí)修改水壺底部的形態(tài)保持其穩(wěn)定性，再進(jìn)行渲染，最終仿生設(shè)計(jì)電水壺的設(shè)計(jì)結(jié)果如圖14所示。

3 結(jié)束語

本文創(chuàng)新性地引入工業(yè)設(shè)計(jì)和計(jì)算機(jī)圖形學(xué)的方法解決形態(tài)仿生設(shè)計(jì)的問題。通過運(yùn)用形狀上下文匹配法解決目標(biāo)域與源域的匹配，使用圖像變形技術(shù)實(shí)現(xiàn)了目標(biāo)域與源域的仿生融合。開發(fā)了“匹配—融合—評價(jià)”的一體化形態(tài)仿生設(shè)計(jì)系統(tǒng)，并通過“企鵝—電水壺”仿生設(shè)計(jì)案例驗(yàn)證了系統(tǒng)的可行性。使用形態(tài)匹配挑選出與產(chǎn)品形態(tài)相似的生物，保持了用戶對于形態(tài)認(rèn)知的一致性，在產(chǎn)品形態(tài)可變范圍有限的情況下提升了生物的可識別度；仿生融合時(shí)，設(shè)計(jì)師參與度高，可以自行選取特征點(diǎn)數(shù)量及仿生部位，并可以根據(jù)其喜好選取不同程度的仿生融合方案；該方法提供了一種仿生融合的快速生成工具，可以為設(shè)計(jì)師提供設(shè)計(jì)參考。

本文各點(diǎn)的α統(tǒng)一取值，限制了形態(tài)的優(yōu)化，未來將在后續(xù)研究中引入優(yōu)化機(jī)制，獲得更好的產(chǎn)品形態(tài)效果并進(jìn)行局部加工，改進(jìn)現(xiàn)有融合算法和嘗試新算法，為設(shè)計(jì)師提供生物的棲息環(huán)境、生活習(xí)性、繁殖方式、種群特征等知識，探究設(shè)計(jì)師在不同知識驅(qū)動下的創(chuàng)新設(shè)計(jì)表現(xiàn)，提升仿生設(shè)計(jì)的效率。