CN116347057B - 一种App端实现动态模型AR实景展示方法 - Google Patents
一种App端实现动态模型AR实景展示方法 Download PDFInfo
- Publication number
- CN116347057B CN116347057B CN202310608873.XA CN202310608873A CN116347057B CN 116347057 B CN116347057 B CN 116347057B CN 202310608873 A CN202310608873 A CN 202310608873A CN 116347057 B CN116347057 B CN 116347057B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- neural network
- angle adjustment
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 256
- 238000004364 calculation method Methods 0.000 claims abstract description 85
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 241000533950 Leucojum Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 53
- 230000008569 process Effects 0.000 description 21
- 238000011161 development Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/275—Image signal generators from 3D object models, e.g. computer-generated stereoscopic image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/122—Improving the 3D impression of stereoscopic images by modifying image signal contents, e.g. by filtering or adding monoscopic depth cues
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/194—Transmission of image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N2013/0074—Stereoscopic image analysis
- H04N2013/0088—Synthesising a monoscopic image signal from stereoscopic images, e.g. synthesising a panoramic or high resolution monoscopic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种App端实现动态模型AR实景展示方法,包括以下步骤:获取AR实景中展示物的坐标与清晰度数据;利用AR实景中数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息;利用时间序列神经网络模型进行实时展示物清晰度分辨率角度调整;当计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整后分别传输到各AR实景组件数据控制平台,本发明可以提高计算的准确性和对AR实景数据的分辨率。
Description
技术领域
本发明涉及AR实景清晰度管控领域,尤其涉及一种App端实现动态模型AR实景展示方法。
背景技术
在数字化时代,AR技术和移动端技术发展迅速,AR技术是一种将虚拟现实与现实世界融合的技术,能够将虚拟对象定位到现实场景中,从而实现更真实的展示效果。随着AR技术的不断发展和普及,越来越多的AR应用在移动端进行开发和实现,AR应用成为移动端应用中的一个重要方向。
移动端技术的发展也为App端实现动态模型AR实景展示提供了更好的技术支持。移动端设备的处理能力和存储能力的不断提升,为AR应用提供了更强的计算和存储能力。同时,移动端操作***的开放性和应用生态的丰富性,也为AR应用的开发和发布提供了更加便捷和灵活的环境。
在技术方面,AR引擎的出现和发展是实现App端动态模型AR实景展示的关键。AR引擎能够提供相机跟踪、空间定位、虚实融合等核心功能,从而实现更精准、流畅、真实的AR展示效果。同时,AR引擎还支持多种平台和开发语言,为App端开发提供了更大的灵活性和扩展性。但是现有的AR实景展示过程中由于角度控制的问题导致动态AR分辨率不高,从而大大影响了AR实景展示的效果。
发明内容
针对现有技术存在的技术问题,本发明的目的在于提出了一种App端实现动态模型AR实景展示方法,以解决AR实景展现过程中的角度控制问题。
为了实现上述目的,本发明采用了如下技术方案:
本发明的第一方面提供了一种App端实现动态模型AR实景展示方法,包括以下步骤:
S1、获取AR实景中展示物的坐标与清晰度数据,使用框架chooseFile的方法获取到手机本地模型文件,在App端上传服务器,调用服务器端Assimp库,对模型进行通用的格式转化,转化为通用glb格式,处理完成后,将模型文件利用雪花算法重命名并且分类储存到文件数据库;
S2、根据步骤S1的模型文件,分类获取到模型的数据字段,提取修改到一个单独AT数据表中,同时设置好关联ID。保证外部环境能独立修改相关数据,同步与主模型数据对应,利用所述AR实景中展示物的坐标与清晰度数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息;其中,所述数据字段包括sky、mesh、meshUrl、scene等;
S3、服务端设置好模型文件的环境相关参数,调整模型初始视角(0,0,3),初始中心点,设置初始变量,同步设置到关联数据表中,利用所述时间序列神经网络模型进行实时展示物清晰度分辨率角度调整;所述初始变量包括AmbientLight、bottomRightDirLight、frontDirLight等;
S4、App端加载服务器端处理好的模型文件,利用移动端渲染技术canvas实现初步加载模型,同时,基于封装好的initScene技术,结合App端动态UI,每次触击选择与数据库中的对应数据进行匹配替换,从而初步实现模型动态加载,计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值;
S5、调用手机***内置API,利用createCameraContext调用手机拍摄功能,同时调用AR相关引擎与绑定相机追踪,空间定位等,初步形成模型与实景相结合的场景,当计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台;
S6、当计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,重新进行所述AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率,创建AR的坐标系initWorldTrack,创建addModelByHitTest方法,将矩阵分解到平移position、旋转quaternion,但不修改缩放scale,进行模型AR互动。
优选地,步骤S6中,所述当计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,还包括以下步骤:
存档当前的时间序列神经网络模型进行实时展示物清晰度角度调整及其对应的各AR实景组件数据控制平台的时间序列神经网络模型、以及实时展示物清晰度角度调整的分辨率、时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率;
在上一次进行时间序列神经网络模型进行实时展示物清晰度角度调整的计算之后,重复进行所述AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率的迭代次数是否达到设置的迭代阈值;
当计算所述迭代次数已经达到设置的迭代阈值时,进行实时展示物清晰度角度调整;
当计算所述迭代次数未达到设置的迭代阈值时,重新进行所述获取AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率。
优选地,步骤S5中,所述当计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,还包括以下步骤:
确定在该清晰度最佳值下将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各AR实景组件数据控制平台的次数是否已经达到设置的次数数据;
当所计算的次数数据已经达到设置的次数数据时,计算新的清晰度最佳值。
优选地,所述计算新的清晰度最佳值,包括以下步骤:
计算初始清晰度最佳值;
计算各次计算中时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的平均值;
依据所述初始清晰度最佳值与分辨率的平均值,计算新的清晰度最佳值,其中,所述新的清晰度最佳值为初始清晰度最佳值与分辨率的平均值。
优选地,步骤S3中,利用所述时间序列神经网络模型进行实时展示物清晰度分辨率角度调整,包括以下步骤:
计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率;
将所述各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率及分辨率差异的算法作为时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
优选地,步骤S5中,所述在将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台的步骤之前,还进行以下步骤:计算时间序列神经网络模型进行实时展示物清晰度角度调整中所包括的各AR实景组件模糊时参数的相应分辨率与展示信息,所述展示信息为相应AR实景组件模糊时参数的预定出现时间;
在进行了设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算后,计算各AR实景组件模糊时参数的相应动态变量,所述动态变量为在设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算中相应AR实景组件模糊时参数的出现概率;
利用分辨率、展示信息与动态变量,计算所述AR实景组件模糊时参数的新分辨率;
其中所述时间序列神经网络模型进行实时展示物清晰度角度调整包括各AR实景组件模糊时参数,所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率利用各AR实景组件模糊时参数的分辨率而计算。
本发明的第二方面还提供了一种App端实现动态模型AR实景展示***,包括:
AR实景坐标状态信息获取组件,用于获取AR实景中展示物的坐标与清晰度数据;
时间序列神经网络模型进行实时展示物清晰度角度调整使用组件,与所述AR实景坐标状态信息获取组件相连,用于利用所述AR实景中展示物的坐标与清晰度数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息;
清晰度角度调整组件,与所述时间序列神经网络模型进行实时展示物清晰度角度调整使用组件相连,用于计算所述时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率;
分辨率管理组件,与所述清晰度角度调整组件相连,用于计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值;
AR实景组件数据传输组件,与时间序列神经网络模型进行实时展示物清晰度角度调整使用组件和分辨率管理组件相连,用于利用来自分辨率管理组件的表明时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值的信号而将时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台。
AR实景组件模糊时参数分辨率管理组件,用于角度调整清晰度角度调整组件所进行时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率计算所需的各AR实景组件模糊时参数的分辨率,其中所述AR实景组件模糊时参数分辨率管理组件用于计算AR实景组件模糊时参数的分辨率与展示信息,并用于利用时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的各次时间序列神经网络模型进行实时展示物清晰度角度调整中AR实景组件模糊时参数的出现概率而计算AR实景组件模糊时参数的动态变量,以及利用所述分辨率、展示信息、动态变量来计算AR实景组件模糊时参数的新分辨率。
本发明具备以下有益效果:
本发明所提出的一种App端实现动态模型AR实景展示方法,计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率并与设置的清晰度最佳值相比较,从而通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化来实现对时间序列神经网络模型进行实时展示物清晰度角度调整的优化,相比于现有AR实景展示方法所带来准确度较低的问题,本发明可以通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化而实现对计算优化难度、可操作性以及时间序列神经网络模型进行实时展示物清晰度角度调整的横向差异的优化,提升AR实景组件数据控制平台的使用性,提高计算的准确性和对AR实景数据的分辨率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种App端实现动态模型AR实景展示方法的流程图;
图2为本发明的一种App端实现动态模型AR实景展示方法的组件构成图。
具体实施方式
下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,其为本发明一种实施方式的一种App端实现动态模型AR实景展示方法的流程。
步骤102,获取AR实景中展示物的坐标与清晰度数据,使用框架chooseFile的方法获取到手机本地模型文件,在App端上传服务器,调用服务器端Assimp库,对模型进行通用的格式转化,本方法转化为通用glb格式,处理完成后,将模型文件利用雪花算法重命名并且分类储存到文件数据库。对于具有特定内容的计算优化而言,所述AR实景坐标状态信息优选地为利用该计算优化内容而计算的对于计算优化具有最大影响力的因素。通常地,获得所述AR实景坐标状态信息应当有利于完成依据计算优化内容而设定的AR实景组件模糊时参数。例如,对于对抗类计算优化而言,该AR实景坐标状态信息可设置为具有最大战斗力的目标特征或者角色等。AR实景中展示物的坐标与清晰度数据可以包括:AR实景坐标状态信息的数目、大小、位置等。
步骤104,根据步骤102的模型文件,分类获取到模型的sky、mesh、meshUrl、scene等数据字段,提取修改到一个单独AT数据表中,同时设置好关联ID。保证外部环境能独立修改相关数据,同步与主模型数据对应。利用所述AR实景中展示物的坐标与清晰度数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息。
具体地,在所使用的时间序列神经网络模型进行实时展示物清晰度角度调整中,应当包括AR实景坐标状态信息。时间序列神经网络模型进行实时展示物清晰度角度调整应当包括利用计算优化内容而计算的待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整,其中所述AR实景坐标状态信息包括在待传输到一个或多个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中。示例地,AR实景坐标状态信息应当在使用时间序列神经网络模型进行实时展示物清晰度角度调整时使用并包括在所使用的时间序列神经网络模型进行实时展示物清晰度角度调整中。
步骤106,服务端设置好模型文件的环境相关参数,调整模型初始视角(0,0,3),初始中心点,设置AmbientLight、bottomRightDirLight、frontDirLight等初始变量,同步设置到关联数据表中,计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
具体地,可以利用所述待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整,而计算所述待传输到AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。可以理解的是,利用随机计算方式所产生的时间序列神经网络模型进行实时展示物清晰度角度调整,在难度、可操作性等方面的差别也是随机的,从而在同一计算优化同一时段中可能出现超出预期的不平均,而这种超出预期的不平均,也是现有的随机计算原则影响用户预测麻烦和粘性的重要原因之一。利用本发明的一种实施方式,计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率,是作为优化现有的随机计算原则的重要手段。
步骤108,App端加载服务器端处理好的模型文件,利用移动端渲染技术canvas实现初步加载模型,同时,基于封装好的initScene技术,结合App端动态UI,每次触击选择与数据库中的对应数据进行匹配替换,从而初步实现模型动态加载,计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
利用本发明的一种实施方式,可以基于步骤106所计算的各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率而计算该分辨率。当然,利用其他可行的实施方式,也可以通过对于所有所使用的时间序列神经网络模型进行实时展示物清晰度角度调整进行设置的运算,从而计算所使用的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率,在此情况下,亦可不进行步骤106的对于各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整分辨率的计算。
在本实施方式中,该分辨率体现时间序列神经网络模型进行实时展示物清晰度角度调整所体现的计算优化内容的难度、可操作性,以及所述各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间的差异。通过该分辨率,可以得到各个AR实景组件数据控制平台所被计算的时间序列神经网络模型进行实时展示物清晰度角度调整的难度、可操作性的差别,进而可以区别于现有的随机计算原则中所体现的不在预期之中的难度、可操作性以及差异性。
步骤110,调用手机***内置API,利用createCameraContext调用手机拍摄功能,同时调用AR相关引擎与绑定相机追踪,空间定位等,初步形成模型与实景相结合的场景。计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值。
具体地,该设置的清晰度最佳值可以是利用时间序列神经网络模型进行实时展示物清晰度角度调整中所包含的各种计算优化元素、利用各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间所要的差别而设置的。在本实施方式中,当时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,表明总体计算优化的难度、可操作性以及各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间的差别超出了预期,则需要重新进行步骤102至步骤108所述的计算AR实景坐标状态信息、使用时间序列神经网络模型进行实时展示物清晰度角度调整、计算分辨率的过程,直至时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率符合预期的难度、操作性和差异性期待,即清晰度最佳值大于设置的清晰度最佳值。
步骤112,若步骤110中计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值,则将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台,创建AR的坐标系initWorldTrack,创建addModelByHitTest方法,将矩阵分解到平移position、旋转quaternion,但不修改缩放scale,从而实现模型AR互动效果。
在本实施方式中,时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率反映的是待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整总体难度、操作性以及个体之间的差别,若分辨率大于设置的清晰度最佳值,表明各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的总体难度、操作性以及个体之间的差别符合所需要的预期,各个AR实景组件数据控制平台可以利用该时间序列神经网络模型进行实时展示物清晰度角度调整开始进行计算优化。
在可选的实施方式中,可以在步骤106计算各个使用方的时间序列神经网络模型进行实时展示物清晰度角度调整分辨率之前、或者在步骤108计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率之前,即将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各个AR实景组件数据控制平台。从而,在计算了时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值而需要重新进行AR实景中展示物的坐标与清晰度数据计算以及使用时间序列神经网络模型进行实时展示物清晰度角度调整时,需要从各个AR实景组件数据控制平台处删除或者撤回该计算的时间序列神经网络模型进行实时展示物清晰度角度调整。
本发明另一实施方式的一种App端实现动态模型AR实景展示方法的流程。步骤202至步骤212和图1中的步骤102至步骤112具有相似的内容,在此不予赘述。
步骤200,对控制信号进行规律输出,所述控制信号表明对时间序列神经网络模型进行实时展示物清晰度角度调整随机性的优化。
具体地,输出该控制信号表示的是本发明区别于现有的随机计算时间序列神经网络模型进行实时展示物清晰度角度调整的信息,亦即在潜在AR实景组件数据控制平台意欲进入该计算优化内容之前,将会得到关于该计算优化内容区别于既有随机计算时间序列神经网络模型进行实时展示物清晰度角度调整的方式的提示。
步骤201,对控制信号反馈进行接收,并确定所述信号反馈是否表明接受所述对时间序列神经网络模型进行实时展示物清晰度角度调整随机性的优化。
具体地,在前述步骤200的控制信号表明了该欲开始的计算优化内容区别于现有的随机计算计算优化内容的信息之后,潜在AR实景组件数据控制平台可以依据该控制信号而提供信号反馈,该信号反馈表明是否接受所述对于时间序列神经网络模型进行实时展示物清晰度角度调整随机性的优化。
若所述信号反馈表明了接受所述对于时间序列神经网络模型进行实时展示物清晰度角度调整随机性的优化,则继续进行步骤202及其后的各步骤,使用时间序列神经网络模型进行实时展示物清晰度角度调整并依据优化的时间序列神经网络模型进行实时展示物清晰度角度调整进行计算,以开始计算优化。
若所述信号反馈表明不接受所述对于时间序列神经网络模型进行实时展示物清晰度角度调整随机性的优化,则对于该潜在的计算优化用户不开放该计算优化内容,继续进行步骤200、步骤201的对控制信号进行规律输出、对控制信号反馈进行接收并确定的过程。
利用该实施方式的一种App端实现动态模型AR实景展示方法,可以在计算优化开始之前充分保证使用计算优化的各方明了本发明一种App端实现动态模型AR实景展示方法对既有的时间序列神经网络模型进行实时展示物清晰度角度调整的随机计算方法的优化,保障AR实景组件数据控制平台在参加之前的充分知情。在可选的实施方式中,该通知信息可以通过对话框、提示信息的方式发送到AR实景组件数据控制平台,也可以通过设置专用的计算优化区域的方式来体现,其中在该专用的所计算的计算优化区域中,步骤200的信息输出可以体现为对于计算优化区域的标识、提示等方式;步骤201的接收反馈信息可以体现为AR实景组件数据控制平台进入或不进入该专用的计算优化区域。
本发明另一种实施方式的一种App端实现动态模型AR实景展示方法的流程。步骤302至步骤312和图1中的步骤102至步骤112具有相似的内容,在此不予赘述。
本实施方式中,在步骤310计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值之后,若计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值,则进行步骤311,确定在该清晰度最佳值下将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各AR实景组件数据控制平台的次数是否已经达到设置的次数数据。
若步骤311中计算,在该清晰度最佳值下将时间序列神经网络模型进行实时展示物清晰度角度调整传输到各AR实景组件数据控制平台的次数尚未达到设置的次数数据,则继续进行步骤312,将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各个AR实景组件数据控制平台。
步骤314,若步骤311中计算所计算的次数已经达到设置的次数数据,则计算新的清晰度最佳值,并随后进行步骤310以将时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率与新的清晰度最佳值进行比较。
通过该实施方式的一种App端实现动态模型AR实景展示方法,可以实现对于时间序列神经网络模型进行实时展示物清晰度角度调整的清晰度最佳值的动态调整。可选地,由于本发明的实施方式的一种App端实现动态模型AR实景展示方法只在AR实景坐标状态信息、分辨率的方面对于时间序列神经网络模型进行实时展示物清晰度角度调整进行优化,对于清晰度最佳值的动态优化可以利用除了AR实景坐标状态信息之外的其他时间序列神经网络模型进行实时展示物清晰度角度调整在随机计算和形成之中的随机性来进行时间序列神经网络模型进行实时展示物清晰度角度调整的优化,体现对于随机性的进一步优化。
本发明另一实施方式的一种App端实现动态模型AR实景展示方法的流程。步骤402至步骤412和图1中的步骤102至步骤112具有相似的内容,在此不予赘述。
在该实施方式中,若步骤410计算待计算的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于清晰度最佳值而需要重新进行计算AR实景坐标状态信息、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率的过程时,步骤414,存档当前的时间序列神经网络模型进行实时展示物清晰度角度调整及其对应的各方分辨率。
步骤416,计算在当前分辨率与清晰度最佳值的比较回合下,重复进行AR实景坐标状态信息、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率的迭代次数是否达到设置的迭代阈值。
在此,当前分辨率与清晰度最佳值的比较回合是指,自上一次进行时间序列神经网络模型进行实时展示物清晰度角度调整的计算之后,利用步骤410所进行的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率与清晰度最佳值的比较。
具体地,在利用AR实景中展示物的坐标与清晰度数据而使用包括AR实景坐标状态信息的时间序列神经网络模型进行实时展示物清晰度角度调整之后,若分辨率不大于设置的清晰度最佳值,则需要重新获取AR实景中展示物的坐标与清晰度数据,并进而重新计算时间序列神经网络模型进行实时展示物清晰度角度调整,以计算相应的分辨率。然而,有可能出现的情况是,连续经过数次重新计算AR实景坐标状态信息、时间序列神经网络模型进行实时展示物清晰度角度调整之后,所得到的分辨率仍然不能大于设置的清晰度最佳值,为节省重新计算AR实景坐标状态信息、时间序列神经网络模型进行实时展示物清晰度角度调整所需要的时间,有必要对这种迭代次数进行限制。
若所述迭代次数未达到设置的迭代阈值,则继续进行步骤402至步骤410所述的计算AR实景坐标状态信息、时间序列神经网络模型进行实时展示物清晰度角度调整及其分辨率、并且与设置的清晰度最佳值进行比较的过程。
步骤418,若在步骤416中计算在当前分辨率与清晰度最佳值的比较回合下迭代次数已经达到设置的迭代阈值,进行实时展示物清晰度角度调整,并继续进行步骤412,将该计算的待计算的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各AR实景组件数据控制平台,以开始计算优化。
利用本发明的该实施方式,为避免对于时间序列神经网络模型进行实时展示物清晰度角度调整的优化过于冗长而影响用户体验,有必要对于重复使用时间序列神经网络模型进行实时展示物清晰度角度调整的次数进行限制。若自上一次计算时间序列神经网络模型进行实时展示物清晰度角度调整到各个AR实景组件数据控制平台之后,利用步骤410已经进行了达到迭代阈值的次数的比较,则为了避免进一步计算AR实景坐标状态信息、使用时间序列神经网络模型进行实时展示物清晰度角度调整的过程耗费的时间,需要将上一次计算时间序列神经网络模型进行实时展示物清晰度角度调整之后所使用的各次时间序列神经网络模型进行实时展示物清晰度角度调整中具有最大的分辨率的一次时间序列神经网络模型进行实时展示物清晰度角度调整作为待计算的时间序列神经网络模型进行实时展示物清晰度角度调整而利用步骤412的过程计算给各个AR实景组件数据控制平台。
利用本发明的以上各实施方式,计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率并与设置的清晰度最佳值相比较,从而通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化来实现对时间序列神经网络模型进行实时展示物清晰度角度调整的优化,相比于既有的随机计算时间序列神经网络模型进行实时展示物清晰度角度调整所带来的预测麻烦、准确度较低的问题,本发明各实施方式的一种App端实现动态模型AR实景展示方法可以通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化而实现对计算优化难度、可操作性以及时间序列神经网络模型进行实时展示物清晰度角度调整的横向差异的优化,提升AR实景组件数据控制平台的使用性,提高计算的准确性。
本发明另一实施方式的时间序列神经网络模型进行实时展示物清晰度角度调整的优化方法中,计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的流程。
步骤502,计算AR实景坐标状态信息的分辨率。
具体地,步骤102、202、302、402获取AR实景中展示物的坐标与清晰度数据,以及步骤104、204、304、404利用AR实景中展示物的坐标与清晰度数据而计算了包括AR实景坐标状态信息的时间序列神经网络模型进行实时展示物清晰度角度调整之后,拟计算至各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中可能包括或者不包括AR实景坐标状态信息。从而,在步骤502中,如果该AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中包括该AR实景坐标状态信息,则计算该AR实景坐标状态信息的分辨率,如果不包括该AR实景坐标状态信息,则进入下一步骤以计算下一AR实景组件模糊时参数的分辨率。类似地,可以理解的是,计算其他AR实景组件模糊时参数的分辨率的过程中,也只在AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中具有该AR实景组件模糊时参数时才予以计算。
步骤504,计算再次AR实景组件模糊时参数的分辨率。
如前所述,AR实景坐标状态信息通常为对于总体计算优化进度及操作具有较大影响力的AR实景组件模糊时参数。进而,在AR实景坐标状态信息之后,还可以顺序地计算影响力稍弱的再次AR实景组件模糊时参数的分辨率。
步骤506,计算最终AR实景组件模糊时参数的分辨率。
通常而言,在拟传输到AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中,可以包括多种AR实景组件模糊时参数,可以依据各种类AR实景组件模糊时参数的影响力大小而依次计算各种AR实景组件模糊时参数的分辨率。
步骤508,利用所计算的各AR实景组件模糊时参数的分辨率而计算AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
具体地,在计算了各种类AR实景组件模糊时参数的分辨率之后,可以依据设置的方式来计算该AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。在一种可选的实施方式中,一个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率可以是该时间序列神经网络模型进行实时展示物清晰度角度调整中所包括的所有AR实景组件模糊时参数的分辨率之和,或者加权和。
以上步骤502至步骤506中仅示出了计算AR实景组件数据控制平台的三种AR实景组件模糊时参数的分辨率的过程,应当理解的是,对于一种计算优化内容而言,可能包括更多、更少的AR实景组件模糊时参数,在此情况下,可以类似地计算出各种AR实景组件模糊时参数的分辨率,并依据步骤508所示的过程计算AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。此外,计算各种AR实景组件模糊时参数的分辨率的过程也可以不是如上所述的依照AR实景组件模糊时参数的影响力的顺序,其他任意的顺序也是可行的。
进一步地,所前所述,步骤108、208、308、408所述的计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的过程,可以利用各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率来计算,亦可通过对于所有所使用的时间序列神经网络模型进行实时展示物清晰度角度调整进行设置的运算,从而计算所使用的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。作为一种可选的实施方式,时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率可以是各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率及分辨率差异的算法。
反映的是各AR实景组件数据控制平台拟计算的时间序列神经网络模型进行实时展示物清晰度角度调整之间的差异性。
利用本发明进一步的可选的实施方式,每个种类的AR实景组件模糊时参数的分辨率并不是固定的,而是可以动态调整的。利用本发明一种实施方式的AR实景组件模糊时参数的分辨率进行动态调整的过程。应当理解的是,对于多种AR实景组件模糊时参数,可以分别适用该实施方式中的AR实景组件模糊时参数分辨率的动态调整,并且,其他可能的动态调整方式也是适用的。
步骤602,计算AR实景组件模糊时参数的分辨率与展示信息。
具体地,对于一种计算的计算优化内容而言,AR实景组件模糊时参数的预定出现时间是计算的,以该预期出现的比例作为AR实景组件模糊时参数的展示信息。
步骤604,在进行了设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算后,计算AR实景组件模糊时参数的动态变量。
可以理解的是,尽管如前所述,AR实景组件模糊时参数的预定出现时间是计算的,但在有限次的时间序列神经网络模型进行实时展示物清晰度角度调整使用与计算中,AR实景组件模糊时参数的出现未必完全符合预定出现时间,在该设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算中,该AR实景组件模糊时参数的出现概率计算为AR实景组件模糊时参数的动态变量。
步骤606,利用所述分辨率、展示信息与所述动态变量,计算AR实景组件模糊时参数的新分辨率。
从而,可以理解的是,当在该设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整计算中,如果AR实景组件模糊时参数的出现概率大于预期,则调低该AR实景组件模糊时参数的分辨率。
进一步地,若在计算优化进行过程中已经进行过AR实景组件模糊时参数的分辨率的动态调整,则将前一次设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整计算中AR实景组件模糊时参数的分辨率、出现概率作为新一次动态调整中AR实景组件模糊时参数的分辨率和出现的基准比例。亦即将前一次动态调整中的分辨率、动态变量作为后一次动态调整中的分辨率、展示信息。
通过本实施方式中对于AR实景组件模糊时参数的分辨率的动态调整,可以避免在实际的时间序列神经网络模型进行实时展示物清晰度角度调整计算过程中因AR实景组件模糊时参数出现的随机性而影响可操作性,从而进一步实现对于随机性的优化与优化。
利用本发明进一步的可选的实施方式,步骤110、步骤210、步骤310、步骤410中所进行比较的清晰度最佳值并不是固定的,而是可以动态调整的。利用本发明一种实施方式的清晰度最佳值进行动态调整的过程。应当理解的是,其他可能的动态调整方式也是适用的。
步骤702,计算初始清晰度最佳值。
具体地,在计算优化开始之前,初始清晰度最佳值是设置的默认初始值。
步骤704,在进行了设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算后,计算各次计算中时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的平均值。
具体地,在实际的时间序列神经网络模型进行实时展示物清晰度角度调整的计算过程中,实际上,符合大于清晰度最佳值的条件的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的分布可能是不均匀的,取设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整计算中时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的平均值,可以反映出在该设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整计算中的分辨率的计算状况。
步骤706,依据前述初始清晰度最佳值与分辨率的平均值而计算新的清晰度最佳值。
进一步地,若在计算优化进行过程中已经进行过清晰度最佳值的动态调整,则将前一次设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整计算中所使用的清晰度最佳值作为新一次动态调整中的初始清晰度最佳值。通过动态调整数据,可以避免由于数据的设置过高或过低而影响到时间序列神经网络模型进行实时展示物清晰度角度调整计算的进程。
如图2所示,实现上述App端实现动态模型AR实景展示方法的***,包括:
AR实景坐标状态信息获取组件,用于获取AR实景中展示物的坐标与清晰度数据。
对于具有特定内容的计算优化而言,所述AR实景坐标状态信息优选地为利用该计算优化内容而计算的对于计算优化具有最大影响力的因素。通常地,获得所述AR实景坐标状态信息应当有利于完成依据计算优化内容而设定的AR实景组件模糊时参数。例如,对于对抗类计算优化而言,该AR实景坐标状态信息可设置为具有最大战斗力的目标特征或者角色等。AR实景中展示物的坐标与清晰度数据可以包括:AR实景坐标状态信息的数目、大小、位置等。
时间序列神经网络模型进行实时展示物清晰度角度调整使用组件,用于利用所述AR实景中展示物的坐标与清晰度数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息。
具体地,在时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整中,应当包括具有所AR实景坐标状态信息。时间序列神经网络模型进行实时展示物清晰度角度调整应当包括利用计算优化内容而计算的待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整,其中所述AR实景坐标状态信息包括在待传输到一个或多个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整中。示例地,AR实景坐标状态信息应当在时间序列神经网络模型进行实时展示物清晰度角度调整使用组件使用时间序列神经网络模型进行实时展示物清晰度角度调整时被使用并包括在所使用的时间序列神经网络模型进行实时展示物清晰度角度调整中。
清晰度角度调整组件,用于计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率,以及计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
具体地,清晰度角度调整组件可以利用时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整,而计算所述待传输到AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。可以理解的是,利用随机计算方式所产生的时间序列神经网络模型进行实时展示物清晰度角度调整,在难度、可操作性等方面的差别也是随机的,从而在同一计算优化同一时段中可能出现超出预期的不平均,而这种超出预期的不平均,也是现有的随机计算原则影响用户预测麻烦和粘性的重要原因之一。利用本发明的一种实施方式,利用清晰度角度调整组件计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率,是作为优化现有的随机计算原则的重要手段。
利用本发明的一种实施方式,清晰度角度调整组件可以基于所计算的各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率而计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。当然,利用其他可行的实施方式,也可以通过对于时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的所有的时间序列神经网络模型进行实时展示物清晰度角度调整进行设置的运算,从而计算时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率,在此情况下,清晰度角度调整组件亦可不进行对于各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整分辨率的计算。
在本实施方式中,该分辨率体现时间序列神经网络模型进行实时展示物清晰度角度调整所体现的计算优化内容的难度、可操作性,以及所述各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间的差异。通过该分辨率,可以得到各个AR实景组件数据控制平台所被计算的时间序列神经网络模型进行实时展示物清晰度角度调整的难度、可操作性的差别,进而可以区别于现有的随机计算原则中所体现的不在预期之中的难度、可操作性以及差异性。
分辨率管理组件,用于计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值。
具体地,该设置的清晰度最佳值可以是利用时间序列神经网络模型进行实时展示物清晰度角度调整中所包含的各种计算优化元素、利用各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间所要的差别而设置的。在本实施方式中,当分辨率管理组件计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,表明总体计算优化的难度、可操作性以及各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整之间的差别超出了预期,则需要通知AR实景坐标状态信息获取组件、时间序列神经网络模型进行实时展示物清晰度角度调整使用组件、清晰度角度调整组件,以分别再次进行所述的计算AR实景坐标状态信息、使用时间序列神经网络模型进行实时展示物清晰度角度调整、计算分辨率的过程,直至分辨率管理组件计算所使用的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率符合预期的难度、操作性和差异性期待,即清晰度最佳值大于设置的清晰度最佳值。
AR实景组件数据传输组件,与时间序列神经网络模型进行实时展示物清晰度角度调整使用组件和分辨率管理组件相连,用于利用来自分辨率管理组件的表明时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值的信号而将时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台。
AR实景组件模糊时参数分辨率管理组件,用于角度调整清晰度角度调整组件所进行时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率计算所需的各AR实景组件模糊时参数的分辨率,其中所述AR实景组件模糊时参数分辨率管理组件用于计算AR实景组件模糊时参数的分辨率与展示信息,并用于利用时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的各次时间序列神经网络模型进行实时展示物清晰度角度调整中AR实景组件模糊时参数的出现概率而计算AR实景组件模糊时参数的动态变量,以及利用所述分辨率、展示信息、动态变量来计算AR实景组件模糊时参数的新分辨率。
在本实施方式中,时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率反映的是待传输到各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整总体难度、操作性以及个体之间的差别,若分辨率大于设置的清晰度最佳值,表明各个AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的总体难度、操作性以及个体之间的差别符合所需要的预期,各个AR实景组件数据控制平台可以利用该时间序列神经网络模型进行实时展示物清晰度角度调整开始进行计算优化。
在可选的实施方式中,该还可以包括寄存器,寄存器与时间序列神经网络模型进行实时展示物清晰度角度调整使用组件相连,用于寄存时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整。从而,当分辨率管理组件计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,AR实景组件数据传输组件可以从寄存器中取出所寄存的时间序列神经网络模型进行实时展示物清晰度角度调整,并将时间序列神经网络模型进行实时展示物清晰度角度调整发送到各AR实景组件数据控制平台。
在可选的实施方式中,AR实景组件数据传输组件可以不依赖于分辨率管理组件的指示信号而直接将时间序列神经网络模型进行实时展示物清晰度角度调整使用组件所使用的时间序列神经网络模型进行实时展示物清晰度角度调整或者寄存器所寄存的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各个AR实景组件数据控制平台。从而,在分辨率管理组件计算了时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值而需要重新进行AR实景中展示物的坐标与清晰度数据计算以及使用时间序列神经网络模型进行实时展示物清晰度角度调整时,AR实景组件数据传输组件需要发出命令到各AR实景组件数据控制平台,以从各个AR实景组件数据控制平台处删除或者撤回该计算的时间序列神经网络模型进行实时展示物清晰度角度调整。
利用本发明的以上各实施方式,计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率并与设置的清晰度最佳值相比较,从而通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化来实现对时间序列神经网络模型进行实时展示物清晰度角度调整的优化,相比于既有的随机计算时间序列神经网络模型进行实时展示物清晰度角度调整所带来的预测麻烦、准确度较低的问题,本发明各实施方式的时间序列神经网络模型进行实时展示物清晰度角度调整优化***可以通过对于时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的优化而实现对计算优化难度、可操作性以及时间序列神经网络模型进行实时展示物清晰度角度调整的横向差异的优化,提升AR实景组件数据控制平台的使用性,提高计算的准确性。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (6)
1.一种App端实现动态模型AR实景展示方法,其特征在于,包括以下步骤:
S1、获取AR实景中展示物的坐标与清晰度数据,使用框架chooseFile的方法获取到手机本地模型文件,在App端上传服务器,调用服务器端Assimp库,对模型进行通用的格式转化,转化为通用glb格式,处理完成后,将模型文件利用雪花算法重命名并且分类储存到文件数据库;
S2、根据步骤S1的模型文件,分类获取到模型的数据字段,提取修改到一个单独AT数据表中,同时设置好关联ID,保证外部环境能独立修改相关数据,同步与主模型数据对应,利用所述AR实景中展示物的坐标与清晰度数据使用时间序列神经网络模型进行实时展示物清晰度角度调整,所述时间序列神经网络模型进行实时展示物清晰度角度调整包括了AR实景坐标状态信息,其中,所述数据字段包括sky、mesh、meshUrl、scene;
S3、服务端设置好模型文件的环境相关参数,调整模型初始视角(0,0,3),初始中心点,设置初始变量,同步设置到关联数据表中,利用所述时间序列神经网络模型进行实时展示物清晰度分辨率角度调整;所述初始变量包括AmbientLight、bottomRightDirLight、frontDirLight;
S4、App端加载服务器端处理好的模型文件,利用移动端渲染技术canvas实现初步加载模型,同时,基于封装好的initScene技术,结合App端动态UI,每次触击选择与数据库中的对应数据进行匹配替换,从而初步实现模型动态加载,计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率是否大于设置的清晰度最佳值;
S5、调用手机***内置API,利用createCameraContext调用手机拍摄功能,同时调用AR相关引擎与绑定相机追踪,空间定位,初步形成模型与实景相结合的场景,当计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台;
S6、当计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,重新进行所述AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率,创建AR的坐标系initWorldTrack,创建addModelByHitTest方法,将矩阵分解到平移position、旋转quaternion,但不修改缩放scale,进行模型AR互动。
2.利用权利要求1所述的一种App端实现动态模型AR实景展示方法,其特征在于,步骤S6中,所述当计算所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率不大于设置的清晰度最佳值时,还包括以下步骤:
存档当前的时间序列神经网络模型进行实时展示物清晰度角度调整及其对应的各AR实景组件数据控制平台的时间序列神经网络模型、以及实时展示物清晰度角度调整的分辨率、时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率;
在上一次进行时间序列神经网络模型进行实时展示物清晰度角度调整的计算之后,重复进行所述AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率的迭代次数是否达到设置的迭代阈值;
当计算所述迭代次数已经达到设置的迭代阈值时,进行实时展示物清晰度角度调整;
当计算所述迭代次数未达到设置的迭代阈值时,重新进行所述获取AR实景中展示物的坐标与清晰度数据计算、使用时间序列神经网络模型进行实时展示物清晰度角度调整以及计算分辨率。
3.利用权利要求1所述的一种App端实现动态模型AR实景展示方法,其特征在于,步骤S5中,所述当计算时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率大于设置的清晰度最佳值时,还包括以下步骤:
确定在该清晰度最佳值下将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整传输到各AR实景组件数据控制平台的次数是否已经达到设置的次数数据;
当所计算的次数数据已经达到设置的次数数据时,计算新的清晰度最佳值。
4.利用权利要求3所述一种App端实现动态模型AR实景展示方法,其特征在于,所述计算新的清晰度最佳值,包括以下步骤:
计算初始清晰度最佳值;
计算各次计算中时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率的平均值;
依据所述初始清晰度最佳值与分辨率的平均值,计算新的清晰度最佳值,其中,所述新的清晰度最佳值为初始清晰度最佳值与分辨率的平均值。
5.利用权利要求1所述的一种App端实现动态模型AR实景展示方法,其特征在于,步骤S3中,利用所述时间序列神经网络模型进行实时展示物清晰度分辨率角度调整,包括以下步骤:
计算各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率;
将所述各AR实景组件数据控制平台的时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率及分辨率差异的算法作为时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率。
6.利用权利要求1所述的一种App端实现动态模型AR实景展示方法,其特征在于:步骤S5中,所述在将所使用的时间序列神经网络模型进行实时展示物清晰度角度调整分别传输到各AR实景组件数据控制平台的步骤之前,还进行以下步骤:计算时间序列神经网络模型进行实时展示物清晰度角度调整中所包括的各AR实景组件模糊时参数的相应分辨率与展示信息,所述展示信息为相应AR实景组件模糊时参数的预定出现时间;
在进行了设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算后,计算各AR实景组件模糊时参数的相应动态变量,所述动态变量为在设置次数的时间序列神经网络模型进行实时展示物清晰度角度调整的计算中相应AR实景组件模糊时参数的出现概率;
利用分辨率、展示信息与动态变量,计算所述AR实景组件模糊时参数的新分辨率;
其中所述时间序列神经网络模型进行实时展示物清晰度角度调整包括各AR实景组件模糊时参数,所述时间序列神经网络模型进行实时展示物清晰度角度调整的分辨率利用各AR实景组件模糊时参数的分辨率而计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310608873.XA CN116347057B (zh) | 2023-05-29 | 2023-05-29 | 一种App端实现动态模型AR实景展示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310608873.XA CN116347057B (zh) | 2023-05-29 | 2023-05-29 | 一种App端实现动态模型AR实景展示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116347057A CN116347057A (zh) | 2023-06-27 |
CN116347057B true CN116347057B (zh) | 2023-07-25 |
Family
ID=86884405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310608873.XA Active CN116347057B (zh) | 2023-05-29 | 2023-05-29 | 一种App端实现动态模型AR实景展示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116347057B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546261A (zh) * | 2016-09-20 | 2017-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
CN107977620A (zh) * | 2017-11-29 | 2018-05-01 | 华中科技大学 | 一种基于全卷积网络的多方向场景文本单次检测方法 |
CN112805721A (zh) * | 2018-10-09 | 2021-05-14 | 电子湾有限公司 | 用于生成ar/vr数字内容的数字图像适合性确定 |
CN112991556A (zh) * | 2021-05-12 | 2021-06-18 | 航天宏图信息技术股份有限公司 | Ar数据的展示方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190369742A1 (en) * | 2018-05-31 | 2019-12-05 | Clipo, Inc. | System and method for simulating an interactive immersive reality on an electronic device |
-
2023
- 2023-05-29 CN CN202310608873.XA patent/CN116347057B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546261A (zh) * | 2016-09-20 | 2017-03-29 | 捷开通讯(深圳)有限公司 | 一种基于虚拟现实设备的角度数据补偿方法及装置 |
CN107977620A (zh) * | 2017-11-29 | 2018-05-01 | 华中科技大学 | 一种基于全卷积网络的多方向场景文本单次检测方法 |
CN112805721A (zh) * | 2018-10-09 | 2021-05-14 | 电子湾有限公司 | 用于生成ar/vr数字内容的数字图像适合性确定 |
CN112991556A (zh) * | 2021-05-12 | 2021-06-18 | 航天宏图信息技术股份有限公司 | Ar数据的展示方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116347057A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921782B (zh) | 一种图像处理方法、装置及存储介质 | |
JP7135143B2 (ja) | キーポイント学習モデルを構築するための方法、装置、電子デバイス及びコンピュータ可読記憶媒体 | |
CN107948529B (zh) | 图像处理方法及装置 | |
CN110827378A (zh) | 虚拟形象的生成方法、装置、终端及存储介质 | |
CN109753910B (zh) | 关键点提取方法、模型的训练方法、装置、介质及设备 | |
CN111476871A (zh) | 用于生成视频的方法和装置 | |
CN109040523B (zh) | 伪影消除方法、装置、存储介质及终端 | |
CN109658346B (zh) | 图像修复方法、装置、计算机可读存储介质及电子设备 | |
CN110929564B (zh) | 基于对抗网络的指纹模型生成方法以及相关装置 | |
CN111199540A (zh) | 图像质量评价方法、装置、电子设备及存储介质 | |
CN116934577A (zh) | 一种风格图像生成方法、装置、设备及介质 | |
CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
CN112312021B (zh) | 拍摄参数调整方法及装置 | |
CN112887601B (zh) | 拍摄方法、装置及电子设备 | |
CN116347057B (zh) | 一种App端实现动态模型AR实景展示方法 | |
CN113596574A (zh) | 视频处理方法、视频处理装置、电子设备和可读存储介质 | |
CN112948048A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN113222178B (zh) | 模型训练方法、用户界面的生成方法、装置及存储介质 | |
CN114862720A (zh) | 画布还原方法、装置、电子设备和计算机可读介质 | |
CN115660991A (zh) | 模型的训练方法、图像曝光矫正方法、装置、设备及介质 | |
CN114706518A (zh) | Ai模型推理方法 | |
CN116152586A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN116645468B (zh) | 人体三维建模方法、训练人体结构生成模型的方法及装置 | |
CN114820908B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN116363260B (zh) | 图像生成方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |