随着计算机技术的飞速发展,计算机图形学被越来越多地应用到数字电影和游戏中。其中,人脸动画是计算机图形学中最典型的研究方向。近年来数据驱动形式的人脸表情动画也受到了广泛的关注。目前为止,人脸表情驱动方法通常只是对给定的数据进行线性变换以得到驱动后的人脸模型。这些方法都存在着以下缺陷:首先,驱动后的人脸模型对所选取的关键模型具有很大的依赖性;其次,运算复杂度高,会耗费大量的时间;最后,这些方法通常无法得到比较自然的人脸驱动结果。在人脸表情驱动过程中,需要保证初始的人脸表情模型和驱动后的人脸表情模型具有相同的拓扑结构。而人脸模型的拓扑结构可以利用人脸模型上顶点与顶点之间的联系进行描述。因此,本课题提出利用超图学习的方法来解决多个相互关联的顶点之间的问题,并据此提出了一种新的人脸表情驱动方法。在该方法中,首先利用人脸模型中所有的3D顶点构造一个超图;然后,根据顶点之间的相似性为每条超边分配权重,计算出超图的拉普拉斯排列矩阵;之后使用该矩阵对人脸模型中的顶点进行排列从而得到驱动后的人脸表情模型。此外,为了能够得到更加真实和自然的驱动结果,在驱动过程中需要从目标人脸模型上选取一些顶点作为约束条件。这些顶点包括手动选取的有代表性的顶点和随机选择的自由顶点。实验结果表明:使用超图学习对人脸表情进行驱动,不仅可以保持人脸模型之间的拓扑结构,减少人工干预,提高用户视觉体验,而且可以得到更加准确、自然的人脸模型。