CN109166170A - 用于渲染增强现实场景的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于渲染增强现实场景的方法和装置。该方法的一具体实施方式包括：获取包含目标场景的至少一个图像；将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，其中，光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。该实施方式提高了虚拟对象与现实场景的融合度。

Description

用于渲染增强现实场景的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于渲染增强现实场景的方法和装置。

背景技术

增强现实(Augmented Reality，AR)技术主要是通过摄像头和传感器定位现实空间，将虚拟对象放置在三维空间中，之后对虚拟对象放置后的三维空间进行渲染的技术。现有的用于渲染AR场景中的光照效果的方法主要包括：通过自定义的光照信息对AR场景进行渲染；利用现实世界的光照图像，通过环境映射方式使虚拟对象更加真实。

发明内容

本申请实施例提出了用于渲染增强现实场景的方法和装置。

第一方面，本申请实施例提供了一种用于渲染增强现实场景的方法，包括：获取包含目标场景的至少一个图像；将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，其中，光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

在一些实施例中，光源参数预测模型包括光源类型识别模型和至少一个光源参数预测子模型，光源参数预测子模型与光源类型相对应，光源类型识别模型用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系，光源参数预测子模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

在一些实施例中，将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，包括：将至少一个图像输入光源类型识别模型中，得到目标场景中光源的光源类型；将至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到目标场景中光源的光源参数。

在一些实施例中，光源参数预测子模型是通过如下步骤训练得到的：获取第一训练样本集合，其中，第一训练样本包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息，至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型；将第一训练样本集合中的第一训练样本中的至少一个第一样本图像作为输入，将与输入的至少一个第一样本图像对应的标注信息作为期望输出，训练得到预设光源类型对应的光源参数预测子模型。

在一些实施例中，至少一个第一样本图像是从样本视频中截取出的至少一个连续的画面帧，样本视频所包含的场景中光源的光源类型为预设光源类型。

在一些实施例中，光源类型包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。

在一些实施例中，光源参数预测模型是通过如下步骤训练得到的：获取第二训练样本集合，其中，第二训练样本包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息；将第二训练样本集合中的第二训练样本中的至少一个第二样本图像作为输入，将与输入的至少一个第二样本图像对应的标注信息作为期望输出，训练得到光源参数预测模型。

第二方面，本申请实施例提供了一种用于渲染增强现实场景的装置，包括：获取单元，被配置成获取包含目标场景的至少一个图像；输入单元，被配置成将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，其中，光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；渲染单元，被配置成基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

在一些实施例中，光源参数预测模型包括光源类型识别模型和至少一个光源参数预测子模型，光源参数预测子模型与光源类型相对应，光源类型识别模型用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系，光源参数预测子模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

在一些实施例中，输入单元进一步用于按照如下方式将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数：将至少一个图像输入光源类型识别模型中，得到目标场景中光源的光源类型；将至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到目标场景中光源的光源参数。

在一些实施例中，光源参数预测子模型是通过如下步骤训练得到的：获取第一训练样本集合，其中，第一训练样本包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息，至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型；将第一训练样本集合中的第一训练样本中的至少一个第一样本图像作为输入，将与输入的至少一个第一样本图像对应的标注信息作为期望输出，训练得到预设光源类型对应的光源参数预测子模型。

在一些实施例中，至少一个第一样本图像是从样本视频中截取出的至少一个连续的画面帧，样本视频所包含的场景中光源的光源类型为预设光源类型。

在一些实施例中，光源类型包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。

在一些实施例中，光源参数预测模型是通过如下步骤训练得到的：获取第二训练样本集合，其中，第二训练样本包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息；将第二训练样本集合中的第二训练样本中的至少一个第二样本图像作为输入，将与输入的至少一个第二样本图像对应的标注信息作为期望输出，训练得到光源参数预测模型。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如用于渲染增强现实场景的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如用于渲染增强现实场景的方法中任一实施例的方法。

本申请实施例提供的用于渲染增强现实场景的方法和装置，通过将获取到的包含目标场景的至少一个图像输入到预先训练的光源参数预测模型中得到上述目标场景中光源的光源参数。之后，可以基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到上述目标场景后的增强现实场景进行渲染。从而可以准确地确定出目标场景中光源的光源参数，提高了虚拟对象与现实场景的融合度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性***架构图；

图2是根据本申请的用于渲染增强现实场景的方法的一个实施例的流程图；

图3是根据本申请的用于渲染增强现实场景的方法的一个应用场景的示意图；

图4是根据本申请的用于渲染增强现实场景的方法的又一个实施例的流程图；

图5是根据本申请的用于渲染增强现实场景的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于渲染增强现实场景的方法或用于渲染增强现实场景的装置的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息(例如，发送包含目标场景的至少一个图像)等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如摄影摄像类应用、图像处理类应用、增强现实类应用、三维动画渲染类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的包含目标场景的至少一个图像进行处理的图像处理服务器。图像处理服务器可以对获取到的至少一个图像等进行分析等处理，并将处理结果(例如渲染后的增强现实场景)反馈给终端设备。例如，服务器105可以将获取到的包含目标场景的至少一个图像输入预先训练的光源参数预测模型中，得到上述目标场景中光源的光源参数；之后，基于上述光源参数，利用增强现实技术对将目标虚拟对象添加到上述目标场景后的增强现实场景进行渲染。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于渲染增强现实场景的方法一般由服务器105执行，相应地，用于渲染增强现实场景的装置一般设置于服务器105中。

需要指出的是，服务器105的本地也可以直接存储包含目标场景的至少一个图像，服务器105可以直接获取本地的包含目标场景的至少一个图像进行图像处理，此时，示例性***架构100可以不存在终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有图像处理类应用和增强现实类应用，终端设备101、102、103也可以基于图像处理类应用和增强现实类应用对至少一个图像进行光源参数分析和增强现实场景渲染，此时，用于渲染增强现实场景的方法也可以由终端设备101、102、103执行，相应地，用于渲染增强现实场景的装置也可以设置于终端设备101、102、103中。此时，示例性***架构100可以不存在服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于渲染增强现实场景的方法的一个实施例的流程200。该用于渲染增强现实场景的方法，包括以下步骤：

步骤201，获取包含目标场景的至少一个图像。

在本实施例中，用于渲染增强现实场景的方法的执行主体(例如图1所示的服务器105)可以获取包含目标场景的至少一个图像。场景可以泛指生活中特定的情景。场景中通常可以包括特定的对象。例如，由办公桌、电脑、电话所组成的办公场景。目标场景可以是预设的现实生活中的真实场景，也可以是由用户指定的真实场景。上述执行主体可以将虚拟对象添加到目标场景中以得到增强现实场景。上述至少一个图像可以是按照时间推移的顺序所拍摄到的包含目标场景的至少一个图像，例如，可以是从包含目标场景的视频中所截取到的一组连续的画面帧。

步骤202，将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数。

在本实施例中，上述执行主体可以将步骤201中获取到的至少一个图像输入到预先训练的光源参数预测模型中，得到上述目标场景中光源的光源参数。其中，上述光源参数预测模型可以用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。可以通过多种方式训练出可以表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系的光源参数预测模型。

作为一种示例，上述光源参数预测模型可以包括特征提取部分和对应关系表。其中，特征提取部分可以用于从至少一个图像中提取特征生成特征向量，例如，特征提取部分可以为卷积神经网络、深度神经网络等等。对应关系表可以是技术人员基于对大量的特征向量和光源参数的统计而预先制定的、存储有多个特征向量与光源参数的对应关系的对应关系表。这样，上述光源参数预测模型可以首先使用特征提取部分提取步骤201中获取到的至少一个图像的特征，从而生成目标特征向量。之后，将该目标特征向量与对应关系表中的多个特征向量依次进行比较，若对应关系表中的某一个特征向量与目标特征向量相同或相似，则将对应关系表中的该特征向量对应的光源参数作为步骤201中获取到的至少一个图像所指示的目标场景中光源的光源参数。

在这里，光源参数可以包括但不限于以下至少一项：光源的位置信息、光源的入射角度、光源颜色和光源强度。光源强度也可以称为光强度，是指光源在给定方向上的发光强度。

在本实施例的一些可选的实现方式中，上述光源参数预测模型可以是通过如下第一训练步骤训练得到的：

首先，第一训练步骤的执行主体可以从本地或者远程地从与第一训练步骤的执行主体网络连接的其它电子设备获取第二训练样本集合。其中，每个第二训练样本可以包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息。例如，可以由人工标定第二样本图像所包含的场景中光源的光源参数。

需要说明的是，第一训练步骤的执行主体可以与用于渲染增强现实场景的方法的执行主体相同或者不同。如果相同，则第一训练步骤的执行主体可以在训练得到光源参数预测模型后将训练好的光源参数预测模型的模型参数存储在本地。如果不同，则第一训练步骤的执行主体可以在训练得到光源参数预测模型后将训练好的光源参数预测模型的模型参数发送给用于渲染增强现实场景的方法的执行主体。

之后，第一训练步骤的执行主体可以将获取到的第二训练样本集合中的第二训练样本中的至少一个第二样本图像输入初始的光源参数预测模型，得到该第二样本图像所包含的场景中光源的光源参数，以该第二训练样本中的标注信息作为上述初始的光源参数预测模型的期望输出，利用机器学习方法训练得到光源参数预测模型。具体地，可以首先利用预设的损失函数计算所得到的光源参数与该第二训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的光源参数与该第二训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始的光源参数预测模型，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。需要说明的是，上述初始的光源参数预测模型可以为神经网络，例如卷积神经网络、深度神经网络等。

这里，可以采用各种实现方式基于所生成的光源参数与该第二训练样本中的标注信息之间的差异调整初始的光源参数预测模型的模型参数。例如，可以采用BP(BackPropagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始的光源参数预测模型的模型参数。

步骤203，基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

在本实施例中，上述执行主体可以基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。增强现实是一种实时地计算摄影机影像的位置及角度并加上相应图像的技术，这种技术的目标是在屏幕上把虚拟世界套在现实世界并进行互动。目标虚拟对象可以包括预设的虚拟对象，例如，用户指定的卡通人物。

在这里，渲染指的是将三维场景转化为二维图像的过程。在实际应用中，一般可以采用游戏引擎或者直接使用底层的图形API(Application Programming Interface，应用程序编程接口)进行增强现实场景的渲染。作为示例，可以将所得到的光源参数作为输入参数，利用游戏引擎(例如，Unity 3D，一个可以创建三维视频游戏、建筑可视化、实时三维动画等类型互动内容的多平台的综合型游戏开发工具)对将目标虚拟对象添加到上述目标场景后的增强现实场景进行光照渲染。

继续参见图3，图3是根据本实施例的用于渲染增强现实场景的方法的应用场景的一个示意图。在图3的应用场景中，用于渲染增强现实场景的执行主体301可以首先获取包含目标场景的至少一个图像302，上述目标场景可以为用户所指定的由办公桌、电脑和电话所组成的一个办公场景。之后，用于渲染增强现实场景的执行主体301可以将包含目标场景的至少一个图像302输入到预先训练的光源参数预测模型303中，得到目标场景中光源的光源参数304，作为示例，目标场景中光源的光源参数304可以包括光源的位置信息、光源颜色和光源强度。最后，用于渲染增强现实场景的执行主体301可以将所得到的目标场景中光源的光源参数304作为输入参数，利用预设的游戏引擎对将目标虚拟对象(例如，卡通人物“米老鼠”)添加到上述目标场景后的增强现实场景进行光照渲染，从而得到渲染后的增强现实场景305。

本申请的上述实施例提供的方法可以准确地确定出目标场景中光源的光源参数，提高了虚拟对象与现实场景的融合度。

进一步参考图4，其示出了用于渲染增强现实场景的方法的又一个实施例的流程400。该用于渲染增强现实场景的方法的流程400，包括以下步骤：

步骤401，获取包含目标场景的至少一个图像。

在本实施例中，步骤401的操作与步骤201的操作基本相同，在此不再赘述。

步骤402，将至少一个图像输入光源类型识别模型中，得到目标场景中光源的光源类型。

在本实施例中，上述光源参数预测模型可以包括光源类型识别模型。其中，上述光源类型识别模型可以用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系。

在本实施例中，上述执行主体可以将步骤401中获取到的至少一个图像输入到预先训练的光源类型识别模型中，得到上述目标场景中光源的光源类型。可以通过多种方式训练出可以表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系的光源类型识别模型。

作为一种示例，上述光源类型识别模型可以包括特征提取部分和对应关系表。其中，特征提取部分可以用于从至少一个图像中提取特征生成特征向量，例如，特征提取部分可以为卷积神经网络、深度神经网络等等。对应关系表可以是技术人员基于对大量的特征向量和光源类型的统计而预先制定的、存储有多个特征向量与光源类型的对应关系的对应关系表。这样，上述光源类型识别模型可以首先使用特征提取部分提取步骤401中获取到的至少一个图像的特征，从而生成目标特征向量。之后，将该目标特征向量与对应关系表中的多个特征向量依次进行比较，若对应关系表中的某一个特征向量与目标特征向量相同或相似，则将对应关系表中的该特征向量对应的光源类型作为步骤401中获取到的至少一个图像所指示的目标场景中光源的光源类型。

作为另一种示例，光源类型识别模型可以通过如下第二训练步骤训练得到：

首先，第二训练步骤的执行主体可以从本地或者远程地从与第二训练步骤的执行主体网络连接的其它电子设备获取第三训练样本集合。其中，每个第三训练样本可以包括至少一个第三样本图像和用于表征至少一个第三样本图像所包含的场景中光源的光源类型的标注信息。例如，可以由人工标定第三样本图像所包含的场景中光源的光源类型。

之后，第二训练步骤的执行主体可以将获取到的第三训练样本集合中的第三训练样本中的至少一个第三样本图像输入初始的光源类型识别模型，得到该第三样本图像所包含的场景中光源的光源类型，以该第三训练样本中的标注信息作为所述初始的光源类型识别模型的期望输出，利用机器学习方法训练得到光源类型识别模型。具体地，可以首先利用预设的损失函数计算所得到的光源类型与该第三训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的光源类型与该第三训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始的光源类型识别模型，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。需要说明的是，上述初始的光源类型识别模型可以为神经网络，例如卷积神经网络、深度神经网络等。

在这里，可以采用各种实现方式基于所生成的光源类型与该第三训练样本中的标注信息之间的差异调整初始的光源类型识别模型的模型参数。例如，可以采用BP算法或者SGD算法来调整初始的光源类型识别模型的模型参数。

在本实施例中，光源类型可以包括但不限于以下至少一项：环境光、平行光、点光源和聚光灯。环境光是指在特定的环境内照明的光线。平行光又称为方向光(DirectionalLight)，是一组没有衰减的平行的光线，类似太阳光的效果。点光源指的是从一个点向周围空间均匀发光的光源。聚光灯是使用聚光镜头或反射镜等聚成的光。

在本实施例的一些可选的实现方式中，上述光源类型可以包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。灯光还可以包括但不限于以下至少一项：荧光灯、LED(Light-Emitting Diode Light，发光二极管)灯和白炽灯。

步骤403，将至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到目标场景中光源的光源参数。

在本实施例中，上述光源参数预测模型可以包括至少一个光源参数预测子模型。其中，一个光源参数预测子模型可以与一种光源类型相对应。光源参数预测子模型可以用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

通常来说，上述至少一个光源参数预测子模型中的光源参数预测子模型的数量取决于光源类型的数量。

在本实施例中，上述执行主体可以将步骤401中获取到的至少一个图像输入与步骤402中所得到的光源类型相对应的光源参数预测子模型中，得到上述目标场景中光源的光源参数。可以通过多种方式训练出可以表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系的光源参数预测子模型。

作为一种示例，针对上述至少一个光源参数预测子模型中的光源参数预测子模型，该光源参数预测子模型可以包括特征提取部分和对应关系表。其中，特征提取部分可以用于从至少一个图像(所包含的场景中光源的光源参数为该光源参数预测子模型对应的光源参数的至少一个图像)中提取特征生成特征向量，例如，特征提取部分可以为卷积神经网络、深度神经网络等等。对应关系表可以是技术人员基于对大量的特征向量和光源参数的统计而预先制定的、存储有多个特征向量与光源参数的对应关系的对应关系表。这样，上述光源参数预测子模型可以首先使用特征提取部分提取步骤402中得到的光源类型对应的至少一个图像的特征，从而生成目标特征向量。之后，将该目标特征向量与对应关系表中的多个特征向量依次进行比较，若对应关系表中的某一个特征向量与目标特征向量相同或相似，则将对应关系表中的该特征向量对应的光源参数作为步骤402中得到的光源类型对应的至少一个图像所指示的目标场景中光源的光源参数。

在本实施例的一些可选的实现方式中，针对至少一个光源参数预测子模型中的光源参数预测子模型，该光源参数预测子模型可以是通过如下第三训练步骤训练得到的：

首先，第三训练步骤的执行主体可以从本地或者远程地从与第三训练步骤的执行主体网络连接的其它电子设备获取第一训练样本集合。其中，每个第一训练样本可以包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息。至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型，其中，预设光源类型为与该光源参数预测子模型对应的光源类型。可以由人工标定第一样本图像所包含的场景中光源的光源参数。

需要说明的是，第三训练步骤的执行主体可以与用于渲染增强现实场景的方法的执行主体相同或者不同。如果相同，则第三训练步骤的执行主体可以在训练得到光源参数预测子模型后将训练好的光源参数预测子模型的模型参数存储在本地。如果不同，则第三训练步骤的执行主体可以在训练得到光源参数预测子模型后将训练好的光源参数预测子模型的模型参数发送给用于渲染增强现实场景的方法的执行主体。

之后，第三训练步骤的执行主体可以将获取到的第一训练样本集合中的第一训练样本中的至少一个第一样本图像输入初始的光源参数预测子模型，得到该第一样本图像所包含的场景中光源的光源参数，以该第一训练样本中的标注信息作为上述初始的光源参数预测子模型的期望输出，利用机器学习方法训练得到光源参数预测子模型。具体地，可以首先利用预设的损失函数计算所得到的光源参数与该第一训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的光源参数与该第一训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始的光源参数预测子模型，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。需要说明的是，上述初始的光源参数预测子模型可以为神经网络，例如卷积神经网络、深度神经网络等。

这里，可以采用各种实现方式基于所生成的光源参数与该第一训练样本中的标注信息之间的差异调整初始的光源参数预测子模型的模型参数。例如，可以采用BP算法或者SGD算法来调整初始的光源参数预测子模型的模型参数。

在本实施例的一些可选的实现方式中，上述至少一个第一样本图像可以是从样本视频中截取出的至少一个连续的画面帧，在这里，上述样本视频所包含的场景中光源的光源类型通常为上述预设光源类型，即为训练得到的光源参数预测子模型对应的光源类型。

步骤404，基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

在本实施例中，步骤404的操作与步骤203的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于渲染增强现实场景的方法的流程400增加了确定至少一个图像所包含的目标场景中光源的光源类型，之后将上述至少一个图像输入到与确定出的光源类型相对应的光源参数预测子模型中得到目标场景中光源的光源参数的步骤。由此，本实施例描述的方案可以将包含目标场景的至少一个图像输入与目标场景中光源的光源类型对应的光源参数预测子模型中得到目标场景中光源的光源参数，从而进一步提高了所确定出的光源参数的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于渲染增强现实场景的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于渲染增强现实场景的装置500包括：获取单元501、输入单元502和渲染单元503。其中，获取单元501被配置成获取包含目标场景的至少一个图像；输入单元502被配置成将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，其中，光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；渲染单元503被配置成基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

在本实施例中，用于渲染增强现实场景的装置500的获取单元501、输入单元502和渲染单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。

在本实施例的一些可选的实现方式中，上述光源参数预测模型可以包括光源类型识别模型。其中，上述光源类型识别模型可以用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系。上述光源参数预测模型还可以包括至少一个光源参数预测子模型。其中，一个光源参数预测子模型可以与一种光源类型相对应。光源参数预测子模型可以用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

在本实施例的一些可选的实现方式中，上述输入单元502可以进一步用于按照如下方式将上述至少一个图像输入预先训练的光源参数预测模型中，得到上述目标场景中光源的光源参数：首先，上述输入单元502可以将获取到的至少一个图像输入到预先训练的光源类型识别模型中，得到上述目标场景中光源的光源类型。光源类型可以包括但不限于以下至少一项：环境光、平行光、点光源和聚光灯。环境光是指在特定的环境内照明的光线。平行光又称为方向光，是一组没有衰减的平行的光线，类似太阳光的效果。点光源指的是从一个点向周围空间均匀发光的光源。聚光灯是使用聚光镜头或反射镜等聚成的光。之后，上述输入单元502可以将获取到的至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到上述目标场景中光源的光源参数。

在本实施例的一些可选的实现方式中，针对至少一个光源参数预测子模型中的光源参数预测子模型，该光源参数预测子模型可以是通过如下第三训练步骤训练得到的：

首先，第三训练步骤的执行主体可以从本地或者远程地从与第三训练步骤的执行主体网络连接的其它电子设备获取第一训练样本集合。其中，每个第一训练样本可以包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息。至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型，其中，预设光源类型为与该光源参数预测子模型对应的光源类型。可以由人工标定第一样本图像所包含的场景中光源的光源参数。

需要说明的是，第三训练步骤的执行主体可以与用于渲染增强现实场景的方法的执行主体相同或者不同。如果相同，则第三训练步骤的执行主体可以在训练得到光源参数预测子模型后将训练好的光源参数预测子模型的模型参数存储在本地。如果不同，则第三训练步骤的执行主体可以在训练得到光源参数预测子模型后将训练好的光源参数预测子模型的模型参数发送给用于渲染增强现实场景的方法的执行主体。

之后，第三训练步骤的执行主体可以将获取到的第一训练样本集合中的第一训练样本中的至少一个第一样本图像输入初始的光源参数预测子模型，得到该第一样本图像所包含的场景中光源的光源参数，以该第一训练样本中的标注信息作为上述初始的光源参数预测子模型的期望输出，利用机器学习方法训练得到光源参数预测子模型。具体地，可以首先利用预设的损失函数计算所得到的光源参数与该第一训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的光源参数与该第一训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始的光源参数预测子模型，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。需要说明的是，上述初始的光源参数预测子模型可以为神经网络，例如卷积神经网络、深度神经网络等。

这里，可以采用各种实现方式基于所生成的光源参数与该第一训练样本中的标注信息之间的差异调整初始的光源参数预测子模型的模型参数。例如，可以采用BP算法或者SGD算法来调整初始的光源参数预测子模型的模型参数。

在本实施例的一些可选的实现方式中，上述至少一个第一样本图像可以是从样本视频中截取出的至少一个连续的画面帧，在这里，上述样本视频所包含的场景中光源的光源类型通常为上述预设光源类型，即为训练得到的光源参数预测子模型对应的光源类型。

在本实施例的一些可选的实现方式中，上述光源类型可以包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。灯光还可以包括但不限于以下至少一项：荧光灯、LED灯和白炽灯。

在本实施例的一些可选的实现方式中，上述光源参数预测模型可以是通过如下第一训练步骤训练得到的：

首先，第一训练步骤的执行主体可以从本地或者远程地从与第一训练步骤的执行主体网络连接的其它电子设备获取第二训练样本集合。其中，每个第二训练样本可以包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息。例如，可以由人工标定第二样本图像所包含的场景中光源的光源参数。

需要说明的是，第一训练步骤的执行主体可以与用于渲染增强现实场景的方法的执行主体相同或者不同。如果相同，则第一训练步骤的执行主体可以在训练得到光源参数预测模型后将训练好的光源参数预测模型的模型参数存储在本地。如果不同，则第一训练步骤的执行主体可以在训练得到光源参数预测模型后将训练好的光源参数预测模型的模型参数发送给用于渲染增强现实场景的方法的执行主体。

之后，第一训练步骤的执行主体可以将获取到的第二训练样本集合中的第二训练样本中的至少一个第二样本图像输入初始的光源参数预测模型，得到该第二样本图像所包含的场景中光源的光源参数，以该第二训练样本中的标注信息作为上述初始的光源参数预测模型的期望输出，利用机器学习方法训练得到光源参数预测模型。具体地，可以首先利用预设的损失函数计算所得到的光源参数与该第二训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的光源参数与该第二训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始的光源参数预测模型，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。需要说明的是，上述初始的光源参数预测模型可以为神经网络，例如卷积神经网络、深度神经网络等。

这里，可以采用各种实现方式基于所生成的光源参数与该第二训练样本中的标注信息之间的差异调整初始的光源参数预测模型的模型参数。例如，可以采用BP算法或者SGD算法来调整初始的光源参数预测模型的模型参数。

下面参考图6，其示出了适于用来实现本发明实施例的电子设备(例如图1中的服务器105)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元和渲染单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，获取单元还可以被描述为“获取包含目标场景的至少一个图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取包含目标场景的至少一个图像；将至少一个图像输入预先训练的光源参数预测模型中，得到目标场景中光源的光源参数，其中，光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到目标场景后的增强现实场景进行渲染。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于渲染增强现实场景的方法，包括：

获取包含目标场景的至少一个图像；

将所述至少一个图像输入预先训练的光源参数预测模型中，得到所述目标场景中光源的光源参数，其中，所述光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；

基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到所述目标场景后的增强现实场景进行渲染。

2.根据权利要求1所述的方法，其中，所述光源参数预测模型包括光源类型识别模型和至少一个光源参数预测子模型，光源参数预测子模型与光源类型相对应，所述光源类型识别模型用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系，光源参数预测子模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

3.根据权利要求2所述的方法，其中，所述将所述至少一个图像输入预先训练的光源参数预测模型中，得到所述目标场景中光源的光源参数，包括：

将所述至少一个图像输入所述光源类型识别模型中，得到所述目标场景中光源的光源类型；

将所述至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到所述目标场景中光源的光源参数。

4.根据权利要求3所述的方法，其中，光源参数预测子模型是通过如下步骤训练得到的：

获取第一训练样本集合，其中，第一训练样本包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息，至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型；

将所述第一训练样本集合中的第一训练样本中的至少一个第一样本图像作为输入，将与输入的至少一个第一样本图像对应的标注信息作为期望输出，训练得到所述预设光源类型对应的光源参数预测子模型。

5.根据权利要求4所述的方法，其中，所述至少一个第一样本图像是从样本视频中截取出的至少一个连续的画面帧，所述样本视频所包含的场景中光源的光源类型为所述预设光源类型。

6.根据权利要求2所述的方法，其中，所述光源类型包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。

7.根据权利要求1-6之一所述的方法，其中，所述光源参数预测模型是通过如下步骤训练得到的：

获取第二训练样本集合，其中，第二训练样本包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息；

将所述第二训练样本集合中的第二训练样本中的至少一个第二样本图像作为输入，将与输入的至少一个第二样本图像对应的标注信息作为期望输出，训练得到光源参数预测模型。

8.一种用于渲染增强现实场景的装置，包括：

获取单元，被配置成获取包含目标场景的至少一个图像；

输入单元，被配置成将所述至少一个图像输入预先训练的光源参数预测模型中，得到所述目标场景中光源的光源参数，其中，所述光源参数预测模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系；

渲染单元，被配置成基于所得到的光源参数，利用增强现实技术对将目标虚拟对象添加到所述目标场景后的增强现实场景进行渲染。

9.根据权利要求8所述的装置，其中，所述光源参数预测模型包括光源类型识别模型和至少一个光源参数预测子模型，光源参数预测子模型与光源类型相对应，所述光源类型识别模型用于表征包含场景的至少一个图像与场景中光源的光源类型之间的对应关系，光源参数预测子模型用于表征包含场景的至少一个图像与场景中光源的光源参数之间的对应关系。

10.根据权利要求9所述的装置，其中，所述输入单元进一步用于按照如下方式将所述至少一个图像输入预先训练的光源参数预测模型中，得到所述目标场景中光源的光源参数：

将所述至少一个图像输入所述光源类型识别模型中，得到所述目标场景中光源的光源类型；

将所述至少一个图像输入与所得到的光源类型相对应的光源参数预测子模型中，得到所述目标场景中光源的光源参数。

11.根据权利要求10所述的装置，其中，光源参数预测子模型是通过如下步骤训练得到的：

获取第一训练样本集合，其中，第一训练样本包括至少一个第一样本图像和用于表征至少一个第一样本图像所包含的场景中光源的光源参数的标注信息，至少一个第一样本图像所包含的场景中光源的光源类型为预设光源类型；

将所述第一训练样本集合中的第一训练样本中的至少一个第一样本图像作为输入，将与输入的至少一个第一样本图像对应的标注信息作为期望输出，训练得到所述预设光源类型对应的光源参数预测子模型。

12.根据权利要求11所述的装置，其中，所述至少一个第一样本图像是从样本视频中截取出的至少一个连续的画面帧，所述样本视频所包含的场景中光源的光源类型为所述预设光源类型。

13.根据权利要求9所述的装置，其中，所述光源类型包括以下至少一项：室内日光、室内灯光、室外日光、室外灯光。

14.根据权利要求8-13之一所述的装置，其中，所述光源参数预测模型是通过如下步骤训练得到的：

获取第二训练样本集合，其中，第二训练样本包括至少一个第二样本图像和用于表征至少一个第二样本图像所包含的场景中光源的光源参数的标注信息；

将所述第二训练样本集合中的第二训练样本中的至少一个第二样本图像作为输入，将与输入的至少一个第二样本图像对应的标注信息作为期望输出，训练得到光源参数预测模型。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。