一种三维动画场景帧评分模型确定方法及评分系统与流程

1.本发明涉及场景评分的技术领域，尤其涉及一种三维动画场景帧评分模型确定方法及评分系统。


背景技术：

2.三维动画技术被广泛应用于电影、游戏、教育和其他可视化展示领域。与其他立体内容生成方式相比，使用三维动画技术，可以确保其制作流程的各个环节和立体参数调节时不受设备、场地和其他制作环境因素的影响，全部实现人工调控，在内容的最终视觉效果呈现方面具有无可比拟的天然优势。
3.当前三维动画制作过程中对立体视觉效果评价主要是基于制作人员的主观判断，评价标准受制作人员主观因素影响较大，大部分依靠制作人员的经验知识积累；其次，评价过程容易受当时测试环境和显示设备的影响，工作量大，效率不高。
4.鉴于此，如何获得三维动画场景帧评分模型，从而利用三维动画场景帧评分模型进行动画场景评分，成为本领域技术人员亟待解决的问题。


技术实现要素：

5.本发明提供一种三维动画场景帧评分模型确定方法，通过利用中值滤波方法对三维动画帧图像进行降噪处理，并利用迭代法对降噪后的图像进行二值化处理，从二值化图像中提取动画场景特征；同时采集大量三维动画图像数据，形成三维动画帧数据集，并对每一帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分；利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，形成三维动画场景帧评分模型。
6.为实现上述目的，本发明提供的一种三维动画场景帧评分模型确定方法，包括：
7.采集大量三维动画视频，形成三维动画帧图像数据集，并对每一帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分；
8.对三维动画帧图像进行灰度化处理，得到三维动画帧的灰度图，利用中值滤波方法对灰度图进行降噪处理，得到降噪后的三维动画帧灰度图；
9.利用迭代法对降噪后的灰度图进行二值化处理，得到三维动画帧图像的二值化图像；
10.利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特征；
11.利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，形成三维动画场景帧评分模型。
12.可选地，所述对每一帧图像进行主观评分，包括：
13.采集大量三维动画视频，并对三维动画视频进行分帧处理，形成三维动画帧图像数据集；
14.对每帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评
分。
15.可选地，所述利用中值滤波方法对灰度图进行降噪处理，包括：
16.1)使用窗口g(x,y)在灰度图上按照行和列二维扫描，即依次用窗口去选取图像中的数据，所述窗口g(x,y)的公式为：
17.g(x,y)＝median(i(x,y))
18.其中：
19.g(x,y)为窗口中心；
20.i(x,y)为窗口内的图像灰度值；
21.median为中值函数；
22.2)读取窗口内所有的像素数值；
23.3)对数据按从小到大的方式排序；
24.4)取数据序列的中位数作为窗口中心位置的像素值。
25.可选地，所述利用迭代法对降噪后的灰度图进行二值化处理，包括：
26.1)获取灰度图的最大灰度值z
max
和最小灰度值z
min
，取初始阈值为t；
27.2)利用t把灰度图划分为前景和背景，然后计算前景和背景的平均灰度值μ0和μ1；
28.3)计算新阈值t1：
[0029][0030]
4)若t≤|t1‑
t|，则将t1的值赋给t，并转到2)，循环迭代计算直到|t1‑
t|≤t，则迭代结束，所得t即为最佳阈值，并根据最佳阈值进行图像的分割处理，得到三维动画帧图像的二值化图像，其中t为灰度阈值的允许误差。
[0031]
可选地，所述特征提取算法的流程为：
[0032]
1)利用投影原理将三维二值化图像转化为二维图像，所述投影原理的公式为：
[0033]
x
′
＝x
×
(x/z)+b
x
,y
′
＝y
×
(y/z)+b
y
[0034]
其中：
[0035]
x,y表示三维二值化图像的横纵坐标；
[0036]
b
x
,b
y
表示三维二值化图像的横纵坐标偏移量；
[0037]
x,y,z表示三维二值化图像顶点的x轴、y轴、z轴坐标；
[0038]
转化后的二维图像为g(x,y)；
[0039]
x
′
,y
′
表示转化后二维图像的横纵坐标；
[0040]
2)计算二维图像的视觉舒适度特征：
[0041][0042]
其中：
[0043]
m
×
n表示二维图像的像素大小；
[0044]
s表示人眼瞳距；
[0045]
h表示观看距离；
[0046]
v
l
表示视觉舒适区离人眼的最近距离；
[0047]
v
r
表示视觉舒适区离人眼的最远距离；
[0048]
3)计算二维图像的立体感特征：
[0049][0050]
其中：x表示二维图像中双目视差图各像素点组成的向量；
[0051]
n表示向量的像素点数量；δx
j
表示双目视差图经过拉普拉斯变换后得到的视差梯度向量的第j个元素；4)将视觉舒适度特征fv1以及立体感特征fv2作为三维动画场景帧图像的特征f＝[fv1,fv2]。
[0052]
可选地，所述利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，包括：
[0053]
利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系：
[0054][0055]
其中：
[0056]
y
i
表示第i帧三维动画场景的主观评分，y
i
的值为1/2视觉舒适度评分+1/2立体感评分；
[0057]
f
i
＝[f
i
v1,f
i
v2]表示第i帧三维动画场景的特征，其中f
i
v1表示视觉舒适度特征，f
i
v2表示立体感特征；
[0058]
w表示超平面wf+b的线性权重；
[0059]
b表示超平面wf+b的偏置值；
[0060]
l表示主观评分y
i
的满分分值，将其设置为100；
[0061]
将上述映射关系转换为目标函数模型：
[0062][0063]
即通过寻找满足映射关系的参数w和b，构造超平面wf+b，将三维动画场景进行得分评分。
[0064]
可选地，所述利用改进的粒子群算法对svr算法参数进行求解，包括：
[0065]
1)将参数w和b作为粒子群中的粒子，初始化粒子群参数，所述粒子群参数包括粒子的速度、位置、最大迭代次数max，其中粒子群的二维位置信息即为(w,b)的取值结果；
[0066]
2)计算收缩系数β：
[0067]
[0068]
其中：
[0069]
β1表示初始收缩系数，β1＝1；
[0070]
β2表示最终收缩系数，β2＝0.5；
[0071]
t表示当前迭代次数；
[0072]
max表示初始化的最大迭代次数，将其设置为50；
[0073]
3)计算每个粒子的适应度值：
[0074][0075]
其中：
[0076]
x
i
表示粒子i的位置信息(w,b)；
[0077]
表示在当前位置信息(w,b)下，第j次评分所对应的正确评分样本数；
[0078]
n
j
表示第j次评分的总样本数；
[0079]
对于每个粒子的适应度值f(x
i
)，与之前的最优适应度值进行比较，保留更大的适应度值作为最优适应度值f(p)；
[0080]
4)更新粒子的位置：
[0081]
x
i
(t+1)＝x
i
(t)+β|x
p
(t)
‑
x
i
(t)|
[0082]
其中：
[0083]
x
i
(t+1)表示t+1时刻粒子x
i
的更新位置；
[0084]
x
p
(t)表示t时刻的最优适应度f(p)所对应的粒子位置；
[0085]
β表示收缩系数；
[0086]
直到在当前迭代过程中，粒子的位置不发生改变；
[0087]
5)判断当前迭代次数是否达到最大迭代次数max，若达到最大迭代次数max，则输出最后一次迭代过程中最优适应度f(p)所对应的粒子位置x
p
，否则返回2)；
[0088]
将粒子位置x
p
的位置信息(w
p
,b
p
)作为svr算法的参数，得到基于svr算法的三维动画场景帧评分模型。
[0089]
此外，为实现上述目的，本发明还提供一种评分系统，所述系统包括：
[0090]
三维动画场景帧获取装置，用于接收待评分的三维动画场景帧图像；
[0091]
数据处理器，用于对三维动画帧图像进行灰度化处理，得到三维动画帧的灰度图，利用中值滤波方法对灰度图进行降噪处理，得到降噪后的三维动画帧灰度图；利用迭代法对降噪后的灰度图进行二值化处理，得到三维动画帧图像的二值化图像；
[0092]
评分装置，用于利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特征，并利用三维动画场景帧评分模型进行三维动画场景帧评分。
[0093]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有评分程序指令，所述评分程序指令可被一个或者多个处理器执行，以实现如上所述的三维动画场景帧评分模型的实现方法的步骤。
[0094]
相对于现有技术，本发明提出一种三维动画场景帧评分模型确定方法，该技术具有以下优势：
[0095]
首先，本发明利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特
征，所述特征提取算法的流程为：利用投影原理将三维二值化图像转化为二维图像，所述投影原理的公式为：
[0096]
x
′
＝x
×
(x/z)+b
x
,y
′
＝y
×
(y/z)+b
y
[0097]
其中：x,y表示三维二值化图像的横纵坐标；b
x
,b
y
表示三维二值化图像的横纵坐标偏移量；x,y,z表示三维二值化图像顶点的x轴、y轴、z轴坐标；x
′
,y
′
表示转化后二维图像的横纵坐标；转化后的二维图像为g(x,y)；计算二维图像的视觉舒适度特征：
[0098][0099]
其中：m
×
n表示二维图像的像素大小；s表示人眼瞳距；h表示观看距离；v
l
表示视觉舒适区离人眼的最近距离；v
r
表示视觉舒适区离人眼的最远距离；其中[v
l
,v
r
]表示若人眼与屏幕之间的距离为[v
l
,v
r
]，能够具有舒适的体验，所述视觉舒适度特征即为在[v
l
,v
r
]范围内的二维像素点占比，从而将主观舒适度感受量化为视觉特征；并计算二维图像的立体感特征：
[0100][0101]
其中：x表示二维图像中双目视差图各像素点组成的向量；n表示向量的像素点数量；δx
j
表示双目视差图经过拉普拉斯变换后得到的视差梯度向量的第j个元素；其中图像的立体感指视觉感知三维深度距离的能力，立体感特征越强，表明视觉从动画中感知到三维结构的能力越强，人眼的视网膜根据左右图像间的差异感知到三维动画的深度结构，所述δx
j
表示双目视差图经过拉普拉斯变换后得到的视差梯度向量δx，即表示模拟的双目视觉系统的视觉差异，将视觉舒适度特征fv1以及立体感特征fv2作为三维动画场景帧图像的特征[fv1,fv2]，从而根据所获取的视觉舒适度特征fv1以及立体感特征fv2，构建特征与主观评分相映射的三维动画场景帧评分模型。
[0102]
同时，本发明利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系：
[0103][0104]
其中：y
i
表示第i帧三维动画场景的主观评分，y
i
的值为1/2视觉舒适度评分+1/2立体感评分；f
i
＝[f
i
v1,f
i
v2]表示第i帧三维动画场景的特征，其中f
i
v1表示视觉舒适度特征，f
i
v2表示立体感特征；w表示超平面wf+b的线性权重；b表示超平面wf+b的偏置值；l表示主观评分y
i
的满分分值，将其设置为100；将上述映射关系转换为目标函数模型：
[0105][0106]
即通过寻找满足映射关系的参数w和b，构造超平面wf+b，将三维动画场景进行得分评分；本发明利用改进的粒子群算法对参数w和b进行求解，求解过程如下：
[0107]
将参数w和b作为粒子群中的粒子，初始化粒子群参数，所述粒子群参数包括粒子的速度、位置、最大迭代次数max，其中粒子群的二维位置信息即为(w,b)的取值结果；
[0108]
计算收缩系数β：
[0109][0110]
其中：β1表示初始收缩系数，β1＝1；β2表示最终收缩系数，β2＝0.5；t表示当前迭代次数；max表示初始化的最大迭代次数，将其设置为50；传统收缩系数的计算方法为直线型的更新策略，即收缩系数为线性增加或者线性减少的更新策略，而本发明所提出的收缩系数计算方法为非线性的更新策略，在粒子进化迭代的初期阶段，改进的收缩系数的值明显比传统方法更新的策略的值要大，而在迭代后期，改进的收缩系数的值小于传统方法的值，且前者的下降速度明显比后者更优，；计算每个粒子的适应度值：
[0111][0112]
其中：x
i
表示粒子i的位置信息(w,b)；表示在当前位置信息(w,b)下，第j次评分所对应的正确评分样本数；n
j
表示第j次评分的总样本数；对于每个粒子的适应度值f(x
i
)，与之前的最优适应度值进行比较，保留更大的适应度值作为最优适应度值f(p)；更新粒子的位置：
[0113]
x
i
(t+1)＝x
i
(t)+β|x
p
(t)
‑
x
i
(t)|
[0114]
其中：x
i
(t+1)表示t+1时刻粒子x
i
的更新位置；x
p
(t)表示t时刻的最优适应度f(p)所对应的粒子位置；β表示收缩系数，在算法初始阶段，粒子具有较大的位置更新范围，从而使得粒子在更大范围内进行位置的更新，搜索范围更大，有助于算法的全局搜索，而在算法迭代后期，粒子具有较小的位置更新范围，使得粒子在较小范围内进行位置的更新，能够加强粒子的位置精度要求，从而迭代出更为准确的粒子位置作为模型参数，有助于实现评分与图像特征的映射；直到在当前迭代过程中，粒子的位置不发生改变；判断当前迭代次数是否达到最大迭代次数max，若达到最大迭代次数max，则输出最后一次迭代过程中最优适应度f(p)所对应的粒子位置x
p
；将粒子位置x
p
的位置信息(w
p
,b
p
)作为svr算法的参数，得到基于svr算法的三维动画场景帧评分模型。
附图说明
[0115]
图1为本发明一实施例提供的一种三维动画场景帧评分模型确定方法的流程示意图；
[0116]
图2为本发明一实施例提供的一种评分系统的结构示意图；
[0117]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0118]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0119]
通过利用中值滤波方法对三维动画帧图像进行降噪处理，并利用迭代法对降噪后的图像进行二值化处理，从二值化图像中提取动画场景特征；同时采集大量三维动画图像数据，形成三维动画帧数据集，并对每一帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分；利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，形成三维动画场景帧评分模型。参照图1所示，为本发明一实施例提供的三维动画场景帧评分模型确定方法示意图。
[0120]
在本实施例中，三维动画场景帧评分模型确定方法包括：
[0121]
s1、采集大量三维动画视频，形成三维动画帧图像数据集，并对每一帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分。
[0122]
首先，本发明采集大量三维动画视频，并对三维动画视频进行分帧处理，形成三维动画帧图像数据集；
[0123]
进一步地，本发明对每帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分。
[0124]
s2、对三维动画帧图像进行灰度化处理，得到三维动画帧的灰度图，利用中值滤波方法对灰度图进行降噪处理，得到降噪后的三维动画帧灰度图。
[0125]
本发明利用图像加权平均值法对三维动画帧图像进行灰度化处理，得到三维动画帧的灰度图，所述图像加权平均值法的公式为：
[0126]
gray
(i,j)
＝r
(i,j)
×
0.3+g
(i,j)
×
0.59+b
(i,j)
×
0.11
[0127]
其中：
[0128]
r
(i,j)
,g
(i,j)
,b
(i,j)
为像素(i,j)在r，g，b三个颜色通道上的像素值；
[0129]
gray
(i,j)
为像素(i,j)的灰度值。
[0130]
进一步地，本发明利用中值滤波方法对灰度图进行降噪处理，得到降噪后的三维动画帧灰度图，所述中值滤波方法的公式为：
[0131]
1)使用窗口g(x,y)在灰度图上按照行和列二维扫描，即依次用窗口去选取图像中的数据，所述窗口g(x,y)的公式为：
[0132]
g(x,y)＝median(i(x,y))
[0133]
其中：
[0134]
g(x,y)为窗口中心；
[0135]
i(x,y)为窗口内的图像灰度值；
[0136]
median为中值函数；
[0137]
2)读取窗口内所有的像素数值；
[0138]
3)对数据按从小到大的方式排序；
[0139]
4)取数据序列的中位数作为窗口中心位置的像素值。
[0140]
s3、利用迭代法对降噪后的灰度图进行二值化处理，得到三维动画帧图像的二值
化图像。
[0141]
进一步地，本发明利用迭代法对降噪后的灰度图进行二值化处理，所述迭代法的流程为：
[0142]
1)获取灰度图的最大灰度值z
max
和最小灰度值z
min
，取初始阈值为t；
[0143]
2)利用t把灰度图划分为前景和背景，然后计算前景和背景的平均灰度值μ0和μ1；
[0144]
3)计算新阈值t1：
[0145][0146]
4)若t≤|t1‑
t|，则将t1的值赋给t，并转到2)，循环迭代计算直到|t1‑
t|≤t，则迭代结束，所得t即为最佳阈值，并根据最佳阈值进行图像的分割处理，得到三维动画帧图像的二值化图像，其中t为灰度阈值的允许误差。
[0147]
s4、利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特征。
[0148]
进一步地，本发明利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特征，所述特征提取算法的流程为：
[0149]
1)利用投影原理将三维二值化图像转化为二维图像，所述投影原理的公式为：
[0150]
x
′
＝x
×
(x/z)+b
x
,y
′
＝y
×
(y/z)+b
y
[0151]
其中：
[0152]
x,y表示三维二值化图像的横纵坐标；
[0153]
b
x
,b
y
表示三维二值化图像的横纵坐标偏移量；
[0154]
x,y,z表示三维二值化图像顶点的x轴、y轴、z轴坐标；
[0155]
转化后的二维图像为g(x,y)；
[0156]
x
′
,y
′
表示转化后二维图像的横纵坐标；
[0157]
2)计算二维图像的视觉舒适度特征：
[0158][0159]
其中：
[0160]
m
×
n表示二维图像的像素大小；
[0161]
s表示人眼瞳距；
[0162]
h表示观看距离；
[0163]
v
l
表示视觉舒适区离人眼的最近距离；
[0164]
v
r
表示视觉舒适区离人眼的最远距离；
[0165]
3)计算二维图像的立体感特征：
[0166][0167]
其中：x表示二维图像中双目视差图各像素点组成的向量；
[0168]
n表示向量的像素点数量；δx
j
表示双目视差图经过拉普拉斯变换后得到的视差
梯度向量的第j个元素；4)将视觉舒适度特征fv1以及立体感特征fv2作为三维动画场景帧图像的特征f＝[fv1,fv2]。
[0169]
s5、利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，形成三维动画场景帧评分模型。
[0170]
进一步地，本发明利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系：
[0171][0172]
其中：
[0173]
y
i
表示第i帧三维动画场景的主观评分，y
i
的值为1/2视觉舒适度评分+1/2立体感评分；
[0174]
f
i
＝[f
i
v1,f
i
v2]表示第i帧三维动画场景的特征，其中f
i
v1表示视觉舒适度特征，f
i
v2表示立体感特征；
[0175]
w表示超平面wf+b的线性权重；
[0176]
b表示超平面wf+b的偏置值；
[0177]
l表示主观评分y
i
的满分分值，将其设置为100；
[0178]
将上述映射关系转换为目标函数模型：
[0179][0180]
即通过寻找满足映射关系的参数w和b，构造超平面wf+b，将三维动画场景进行得分评分；
[0181]
利用改进的粒子群算法对参数w和b进行求解，求解过程如下：
[0182]
1)将参数w和b作为粒子群中的粒子，初始化粒子群参数，所述粒子群参数包括粒子的速度、位置、最大迭代次数max，其中粒子群的二维位置信息即为(w,b)的取值结果；
[0183]
2)计算收缩系数β：
[0184][0185]
其中：
[0186]
β1表示初始收缩系数，β1＝1；
[0187]
β2表示最终收缩系数，β2＝0.5；
[0188]
t表示当前迭代次数；
[0189]
max表示初始化的最大迭代次数，将其设置为50；
[0190]
3)计算每个粒子的适应度值：
[0191][0192]
其中：
[0193]
x
i
表示粒子i的位置信息(w,b)；
[0194]
表示在当前位置信息(w,b)下，第j次评分所对应的正确评分样本数；
[0195]
n
j
表示第j次评分的总样本数；
[0196]
对于每个粒子的适应度值f(x
i
)，与之前的最优适应度值进行比较，保留更大的适应度值作为最优适应度值f(p)；
[0197]
4)更新粒子的位置：
[0198]
x
i
(t+1)＝x
i
(t)+β|x
p
(t)
‑
x
i
(t)|
[0199]
其中：
[0200]
x
i
(t+1)表示t+1时刻粒子x
i
的更新位置；
[0201]
x
p
(t)表示t时刻的最优适应度f(p)所对应的粒子位置；
[0202]
β表示收缩系数；
[0203]
直到在当前迭代过程中，粒子的位置不发生改变；
[0204]
5)判断当前迭代次数是否达到最大迭代次数max，若达到最大迭代次数max，则输出最后一次迭代过程中最优适应度f(p)所对应的粒子位置x
p
，否则返回2)；
[0205]
将粒子位置x
p
的位置信息(w
p
,b
p
)作为svr算法的参数，得到基于svr算法的三维动画场景帧评分模型。
[0206]
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：inter(r)core(tm)i7
‑
6700k cpu，软件为matlab2018b；对比方法为基于随机森林的三维动画场景帧评分模型确定方法以及基于神经网络的三维动画场景帧评分模型确定方法。
[0207]
在本发明所述算法实验中，数据集为10g的三维动画场景帧。本实验通过将三维动画场景帧输入到算法模型中，将确定的评分模型的评分准确性作为算法可行性的评价指标，其中评分模型的评分准确性越高，则说明算法的有效性、可行性越高。
[0208]
根据实验结果，基于随机森林的三维动画场景帧评分模型确定方法的评分模型评分准确率为85.12％，基于神经网络的三维动画场景帧评分模型确定方法的评分模型评分准确率为86.11％，本发明所述方法的评分模型评分准确率为90.26％，相较于对比算法，本发明所提出的三维动画场景帧评分模型确定方法能够确定评分更为精准的评分模型。
[0209]
发明还提供一种评分系统。参照图2所示，为本发明一实施例提供的评分系统的内部结构示意图。
[0210]
在本实施例中，所述评分系统1至少包括三维动画场景帧获取装置11、数据处理器12、评分装置13，通信总线14，以及网络接口15。
[0211]
其中，三维动画场景帧获取装置11可以是pc(personal computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
[0212]
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。数据处理
器12在一些实施例中可以是评分系统1的内部存储单元，例如该评分系统1的硬盘。数据处理器12在另一些实施例中也可以是评分系统1的外部存储设备，例如评分系统1上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，数据处理器12还可以既包括评分系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于评分系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0213]
评分装置13在一些实施例中可以是一中央处理器(central processing unit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，包括监控单元，用于运行数据处理器12中存储的程序代码或处理数据，例如评分程序指令16等。
[0214]
通信总线14用于实现这些组件之间的连接通信。
[0215]
网络接口15可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)，通常用于在评分系统1与其他电子设备之间建立通信连接。
[0216]
可选地，评分系统1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在评分系统1中处理的信息以及用于显示可视化的用户界面。
[0217]
图2仅示出了具有组件11
‑
15以及评分系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对评分系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0218]
在图2所示的评分系统1实施例中，数据处理器12中存储有评分程序指令16；评分装置13执行数据处理器12中存储的评分程序指令16的步骤，与三维动画场景帧评分模型的实现方法相同，在此不作类述。
[0219]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有评分程序指令，所述评分程序指令可被一个或多个处理器执行，以实现如下操作：
[0220]
采集大量三维动画视频，形成三维动画帧图像数据集，并对每一帧图像进行主观评分，分别得到每一帧动画帧的视觉舒适度和立体感的评分；
[0221]
对三维动画帧图像进行灰度化处理，得到三维动画帧的灰度图，利用中值滤波方法对灰度图进行降噪处理，得到降噪后的三维动画帧灰度图；
[0222]
利用迭代法对降噪后的灰度图进行二值化处理，得到三维动画帧图像的二值化图像；
[0223]
利用特征提取算法提取二值化图像的视觉舒适度特征和立体感特征；
[0224]
利用svr算法分别建立主观评分与图像视觉舒适度特征和立体感特征之间的映射关系，形成三维动画场景帧评分模型；
[0225]
利用三维动画场景帧评分模型进行三维动画场景帧评分。
[0226]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的
其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0227]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0228]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。