CN108597034A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：基于预先获取的全景图像，构建三维全景空间；对目标物体图像进行解析，生成该目标物体图像的属性信息，确定与该属性信息相匹配的区域类型；从该三维全景空间中的、该区域类型所指示的区域中，确定待放置该目标物体图像的目标位置；将该目标物体图像放置于该三维全景空间的目标位置，生成三维全景图像。该实施方式提高了信息生成的灵活性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

随着计算技术的发展，全景图越来越多地应用于网页展现中。全景内容与其他网页内容相比，具有更加丰富的视觉信息，能提供用户身临其境的虚拟现实体验。在全景图中放置待推送的信息(例如作为广告的物体图像)，相对于在常规网页中推送信息，可以提高用户的浏览兴趣。因此，在全景环境中选择适合位置进行广告投放尤为重要。

通常，全景图片可以通过六面图或者UV贴图进行构建。利用六面图所构建的三维全景图具有碎片化的特点，利用UV贴图的方式所构建的三维全景图会发生形变，均不易定位待放置信息的位置。因而，现有的方式通常是人工依据经验进行全景图中位置的尝试和确定，在所确定的位置放置待推送的信息。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：基于预先获取的全景图像数据，构建三维全景空间；对目标物体图像进行解析，生成目标物体图像的属性信息，确定与属性信息相匹配的区域类型；从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置；将目标物体图像放置于三维全景空间的目标位置，生成三维全景图像。

在一些实施例中，对目标物体图像进行解析，生成目标物体图像的属性信息，包括：将目标物体图像输入至预先训练的属性判别模型，得到目标物体图像的属性信息，其中，属性判别模型用于确定图像属性。

在一些实施例中，确定与属性信息相匹配的区域类型，包括：将属性信息输入至预先训练的区域类型判别模型，确定与属性信息相匹配的区域类型，其中，区域类型判别模型用于表征属性信息与区域类型的对应关系。

在一些实施例中，从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置，包括：利用三维全景空间中的虚拟摄像装置，对三维全景空间进行扫描；识别所扫描得到的图像中的、区域类型所指示的区域，将区域确定为目标区域；确定目标区域是否可容纳目标物体图像；若是，将目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到目标物体图像待摆放至目标区域的初始位置的第一位置信息，其中，初始位置确定模型用于确定物体图像摆放于图像中的目标区域的初始位置；将第一位置信息、目标物体图像和全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数；调整目标物体图像待摆放至目标区域的位置，得到至少一个第二位置信息；对于至少一个第二位置信息中的第二位置信息，将该第二位置信息、目标物体图像和全景图像数据输入至打分模型，确定与该第二位置信息对应的分数；将分数最大值所对应的位置信息所指示的位置确定为目标位置。

在一些实施例中，打分模型通过如下步骤训练得到：提取训练样本集合，其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注；利用机器学习方法，将训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。

在一些实施例中，该方法还包括：将三维全景图像投影至网页的页面中，向客户端推送页面。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：构建单元，被配置成基于预先获取的全景图像数据，构建三维全景空间；解析单元，被配置成对目标物体图像进行解析，生成目标物体图像的属性信息，确定与属性信息相匹配的区域类型；确定单元，被配置成从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置；生成单元，被配置成将目标物体图像放置于三维全景空间的目标位置，生成三维全景图像。

在一些实施例中，解析单元被进一步配置成：将目标物体图像输入至预先训练的属性判别模型，得到目标物体图像的属性信息，其中，属性判别模型用于确定图像属性。

在一些实施例中，解析单元被进一步配置成：将属性信息输入至预先训练的区域类型判别模型，确定与属性信息相匹配的区域类型，其中，区域类型判别模型用于表征属性信息与区域类型的对应关系。

在一些实施例中，确定单元包括：扫描模块，被配置成利用三维全景空间中的虚拟摄像装置，对三维全景空间进行扫描；识别模块，被配置成识别所扫描得到的图像中的、区域类型所指示的区域，将区域确定为目标区域；第一确定模块，被配置成确定目标区域是否可容纳目标物体图像；第一输入模块，被配置成若是，将目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到目标物体图像待摆放至目标区域的初始位置的第一位置信息，其中，初始位置确定模型用于确定物体图像摆放于图像中的目标区域的初始位置；第二输入模块，被配置成将第一位置信息、目标物体图像和全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数；调整模块，被配置成调整目标物体图像待摆放至目标区域的位置，得到至少一个第二位置信息；第三输入模块，被配置成对于至少一个第二位置信息中的第二位置信息，将该第二位置信息、目标物体图像和全景图像数据输入至打分模型，确定与该第二位置信息对应的分数；第二确定模块，被配置成将分数最大值所对应的位置信息所指示的位置确定为目标位置。

在一些实施例中，打分模型通过如下步骤训练得到：提取训练样本集合，其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注；利用机器学习方法，将训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。

在一些实施例中，该装置还包括：推送单元，被配置成将三维全景图像投影至网页的页面中，向客户端推送页面。

第三方面，本申请实施例提供了一种服务器，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生成信息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生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，首先通过预先获取的全景图像数据，构建三维全景空间；而后对目标物体图像进行解析，生成目标物体图像的属性信息，确定与属性信息相匹配的区域类型；之后从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置；最后将目标物体图像放置于三维全景空间的目标位置，生成三维全景图像，从而可以通过对目标物体图像的解析，确定其待放置的位置，不需要人工进行位置的尝试和确定，提高了信息生成的灵活性。

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是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息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生成信息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生成信息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服务器的计算机系统的结构示意图。

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生成信息的方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

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网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。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)，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上显示的网页提供支持的后台网页服务器。后台网页服务器可以基于全景图像数据构建三维全景空间，并将目标物体图像放置在三维全景空间中的目标位置，进而进行生成三维全景图像。从而，可以将该三维全景图像投影至网页的页面中进行推送。

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)，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生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

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生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，基于预先获取的全景图像数据，构建三维全景空间。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以预先获取并存储待构建三维全景空间的全景图像数据。其中，上述全景图像数据可以是用于构建三维全景空间的多张图像，且上述多张图像可以是在同一节点(镜头中光线汇聚的点，光线由此处发散投射到成像面)面向不同方向进行拍摄或构建的二维的图像(例如实景图像或者利用绘图技术所构建的图像)。作为示例，上述全景图像数据可以是构成六面体全景图像的六张二维的实景图像。即，在六个方向(前、后、左、右、上、下)进行拍摄的实景图像，实景图像之间可以具有重叠部分。作为又一示例，上述全景图像数据可以是UV贴图。其中，U为显示器水平方向上的坐标；V为显示器垂直方向的坐标。UV坐标的方式定义了图片上每个点的位置。

在本实施例中，上述执行主体可以基于上述全景图像数据，利用各种现有的三维全景空间构建工具，构建三维全景空间。其中，三维全景空间构建工具可以基于webGL(WebGraphics Library，web图形库)渲染技术，将全景图像数据还原成三维全景空间。实践中，上述三维全景空间可以是立方体或者球体等形状的空间。三维全景空间构建工具可以具有虚拟摄像头，用户可以在所渲染的三维全景空间中通过移动虚拟摄像头改变视角和距离进行观察。

步骤202，对目标物体图像进行解析，生成目标物体图像的属性信息，确定与属性信息相匹配的区域类型。

在本实施例中，上述执行主体可以首先对上述目标物体图像进行解析，生成目标物体图像的属性信息。其中，上述属性信息可以包括但不限于图像高度、图像宽度、图像内容等。上述图像内容可以是目标物体图像中的物体对象的名称。例如，目标物体图像中包含飞机对象，则图像内容可以是“飞机”。此处，上述目标物体图像可以带有属性标注(例如尺寸标注、图像内容标注等)。上述执行主体可以直接读取上述目标物体图像所带有的属性标注，生成属性信息。

在本实施例中，上述执行主体可以预先存储有预置的、用于表征属性信息与区域类型的对应关系的对应关系表。在生成属性信息之后，上述执行主体可以首先提取该对应关系表；而后，在该对应关系表中查找与该属性信息相匹配的区域类型。

步骤203，从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置。

在本实施例中，上述执行主体可以利用各种方式，从上述三维全景空间中的、上述区域类型所指示的区域中，确定待放置目标物体图像的目标位置。作为示例，上述执行主体可以首先利用上述三维全景空间中的虚拟摄像装置，对上述三维全景空间进行多个角度的拍摄。之后，可以将步骤202所确定的区域类型所指示的区域作为待放置区域，对于所拍摄的多张图像中的每一张图像，确定该图像的待放置区域是否可容纳目标物体图像。然后，若上述多张图像中，存在待放置区域中可容纳目标物体图像的至少两张图像，则选取待放置区域最大的图像。最后，可以将所选取的待放置区域最大的图像中的、待放置区域的中心确定为待放置上述目标物体图像的目标位置。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤确定目标位置：

第一步，利用上述三维全景空间中的虚拟摄像装置，对上述三维全景空间进行扫描。此处，可以依次水平旋转一定角度(例如15度)，以进行水平方向的360度的扫描。此外，也可以依次竖直旋转一定角度(例如15度)进行竖直方向的180度的扫描。

第二步，识别所扫描得到的图像中的、上述区域类型所指示的区域，将上述区域确定为目标区域。此处，对于扫描得到的每一张图像，可以利用预先建立的区域识别模型，对该图像中的、上述区域类型所指示的区域进行识别。其中，上述区域识别模型是利用机器学习方法，并基于训练样本对现有的用于进行图像识别的模型(例如卷积神经网络等)进行有监督训练而得到的。此处，可以将步骤202所确定的区域类型作为目标区域类型。此处的训练样本中可以包括多个图像，每一个图像可以带有用于指示该图像中的目标区域类型的区域类型标识，同时，可以带有用于指示图像中的目标区域类型对应的区域的位置的位置标识(例如坐标值)。可以利用机器学习方法，将每一个图像作为输入，将该图像所带有的区域类型标识和位置标识作为输出，训练得到区域识别模型。需要说明的是，利用机器学习方法进行模型训练是目前广泛研究和应用的公知技术，在此不再赘述。

第三步，确定上述目标区域是否可容纳上述目标物体图像。具体地，首先可以对上述目标物体图像进行压缩，将其压缩到预设的预设尺寸阈值(即最小尺寸)。而后，可以根据上述目标区域的坐标，确定上述目标区域的可容纳图像的尺寸(例如，可以以目标区域内的最大矩形框的尺寸，作为目标区域的可容纳图像的尺寸)。最后，可以将该尺寸与压缩后的目标物体图像的尺寸(即预设尺寸阈值)进行比较，确定是否可以容纳压缩后的目标物体图像。

第四步，响应于确定上述目标区域可容纳上述目标物体图像，将上述目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到上述目标物体图像待摆放至上述目标区域的初始位置的第一位置信息。其中，上述初始位置确定模型可以用于确定物体图像摆放于图像中的目标区域的初始位置。此处，上述初始位置确定模型可以是利用机器学习方法，并基于训练样本对现有的用于进行位置检测的模型(例如卷积神经网络等)进行有监督训练而得到的。此处的每一个训练样本，可以包括一个尺寸信息和一个图像，还可以包括与该尺寸信息和该图像对应的初始位置标注(例如坐标)。可以利用机器学习方法，将每一个训练样本中的尺寸信息和图像作为输入，将该训练样本中的初始位置标注作为输出，对现有的用于进行位置检测的模型进行训练，将训练后的该模型确定为初始位置确定模型。需要说明的是，利用机器学习方法进行模型训练是目前广泛研究和应用的公知技术，在此不再赘述。

第五步，将上述第一位置信息、上述目标物体图像和上述全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数。此处，上述打分模型可以是通过如下步骤训练得到：首先，提取训练样本集合。其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注。而后，利用机器学习方法，将上述训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。此处，可以使用各种用于分类的模型进行打分模型的训练，例如支持向量机等。需要说明的是，利用机器学习方法进行模型训练是目前广泛研究和应用的公知技术，在此不再赘述。

第六步，调整上述目标物体图像待摆放至上述目标区域的位置，得到至少一个第二位置信息(第二位置信息可以用于指示移动后的位置，例如，可以是移动位置后的坐标)。此处，可以使用各种预设的位置调整方式进行目标物体图像的位置的调整。例如，将目标物体图像水平移动5度，或者将目标物体图像竖直移动5度等方式。

第七步，对于上述至少一个第二位置信息中的第二位置信息，将该第二位置信息、上述目标物体图像和上述全景图像数据输入至上述打分模型，确定与该第二位置信息对应的分数。

第八步，将分数最大值所对应的位置信息所指示的位置确定为目标位置。

步骤204，将目标物体图像放置于三维全景空间的目标位置，生成三维全景图像。

在本实施例中，上述执行主体可以将上述目标物体图像放置于三维全景空间的上述目标位置，并利用现有的三维全景图像生成工具，生成三维全景图像。其中，三维全景图像生成工具可以基于webGL渲染技术，进行三维全景图像的构建和绘制。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，后台网页服务器首先通过预先获取的全景图像数据301，利用三维全景空间构建工具构建三维全景空间302。而后，后台网页服务器对目标物体图像303进行解析，生成上述目标物体图像的属性信息304，进而确定与属性信息304相匹配的区域类型305。之后，后台网页服务器从上述三维全景空间302中的、上述区域类型305所指示的区域中，确定待放置上述目标物体图像303的目标位置306。最后，后台网页服务器将上述目标物体图像303放置于上述三维全景空间302的目标位置306，利用三维全景图像生成工具，生成三维全景图像307。

本申请的上述实施例提供的方法，首先通过预先获取的全景图像数据，构建三维全景空间；而后对目标物体图像进行解析，生成上述目标物体图像的属性信息，确定与上述属性信息相匹配的区域类型；之后从上述三维全景空间中的、上述区域类型所指示的区域中，确定待放置上述目标物体图像的目标位置；最后将上述目标物体图像放置于上述三维全景空间的目标位置，生成三维全景图像，从而可以通过对目标物体图像的解析，确定其待放置的位置，不需要人工进行位置的尝试和确定，降低了人力成本，提高了三维全景图像生成的灵活性，提高了三维全景图像生成的效。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，基于预先获取的全景图像数据，构建三维全景空间。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以预先获取并存储待构建三维全景空间的全景图像数据。其中，上述全景图像数据可以是用于构建三维全景空间的多张图像，且上述多张图像可以是在同一节点(镜头中光线汇聚的点，光线由此处发散投射到成像面)面向不同方向进行拍摄或构建的二维的图像(例如实景图像或者利用绘图技术所构建的图像)。上述执行主体可以基于上述全景图像数据，利用各种现有的三维全景空间构建工具，构建三维全景空间。三维全景空间构建工具可以具有虚拟摄像头，用户可以在所渲染的三维全景空间中通过移动虚拟摄像头改变视角和距离进行观察。

步骤402，将目标物体图像输入至预先训练的属性判别模型，得到目标物体图像的属性信息。

在本实施例中，上述执行主体可以将上述目标物体图像输入至预先训练的属性判别模型，得到上述目标物体图像的属性信息。此处，上述属性判别模型可以用于确定图像属性。需要说明的是，上述属性判别模型可以是利用机器学习方法，并基于训练样本对现有的卷积神经网络(例如DenseBox、VGGNet、ResNet、SegNet等)进行有监督训练而得到的。

具体地，可以通过如下步骤训练得到：第一步，提取包含多个物体图像的训练样本。其中，每一个物体图像可以带有属性标注，属性标注可以用于指示和确定物体图像的属性。第二步，利用机器学习方法，将每一个物体图像作为所使用的、现有的卷积神经网络的输入，将该物体图像所带有的属性标注作为上述卷积神经网络的输出，训练得到属性判别模型。

步骤403，将属性信息输入至预先训练的区域类型判别模型，确定与属性信息相匹配的区域类型。

在本实施例中，上述执行主体可以将上述属性信息输入至预先训练的区域类型判别模型，确定与上述属性信息相匹配的区域类型。其中，区域类型可以是位置区域的类型。例如天空区域，地面区域等。

此处，上述区域类型判别模型用于表征属性信息与区域类型的对应关系。例如，用于表征属性信息与区域类型的对应关系的对应关系表弟。作为又一示例，上述区域类型判别模型可以是利用机器学习方法，并基于训练样本对现有的用于实现分类功能的模型(例如SVM(Support Vector Machine，支持向量机)等)进行有监督训练而得到的。具体地，可以通过如下步骤训练得到：第一步，提取包含多个属性信息的训练样本。其中，每一个属性信息可以带有用于指示区域类型的区域类型标注。第二步，利用机器学习方法，将每一个属性信息作为所使用的、可用于实现分类功能的模型的输入，将该属性信息所带有的区域类型标注作为该模型的输出，训练得到区域类型判别模型。

步骤404，从三维全景空间中的、区域类型所指示的区域中，确定待放置目标物体图像的目标位置。

在本实施例中，上述执行主体可以按照如下步骤确定目标位置：第一步，利用上述三维全景空间中的虚拟摄像装置，对上述三维全景空间进行扫描。第二步，识别所扫描得到的图像中的、上述区域类型所指示的区域，将上述区域确定为目标区域。第三步，确定上述目标区域是否可容纳上述目标物体图像。第四步，响应于确定上述目标区域可容纳上述目标物体图像，将上述目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到上述目标物体图像待摆放至上述目标区域的初始位置的第一位置信息。其中，上述初始位置确定模型可以用于确定物体图像摆放于图像中的目标区域的初始位置。第五步，将上述第一位置信息、上述目标物体图像和上述全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数。第六步，调整上述目标物体图像待摆放至上述目标区域的位置，得到至少一个第二位置信息。第七步，对于上述至少一个第二位置信息中的第二位置信息，将该第二位置信息、上述目标物体图像和上述全景图像数据输入至上述打分模型，确定与该第二位置信息对应的分数。第八步，将分数最大值所对应的位置信息所指示的位置确定为目标位置。

步骤405，将目标物体图像放置于三维全景空间的目标位置，生成三维全景图像。

在本实施例中，上述执行主体可以将上述目标物体图像放置于三维全景空间的上述目标位置，并利用现有的三维全景图像生成工具，生成三维全景图像。其中，三维全景图像生成工具可以基于webGL渲染技术，进行三维全景图像的构建和绘制。

步骤406，将三维全景图像投影至网页的页面中，向客户端推送页面。

在本实施例中，上述执行主体可以将上述三维全景图像投影至网页的页面中，并向客户端(例如图1所示的终端设备101、102、103)推送上述页面。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了对利用属性判别模型确定目标物体图像的属性的步骤，以及利用区域类型判别模型确定区域类型的步骤。由此，本实施例描述的方案可以通过人工智能技术确定目标物体图像的属性、待放置的区域的区域类型和待放置的目标位置，因而可以进一步降低人力成本，进一步提高了三维全景图像生成的效率和灵活性。同时，当目标物体图像较多时，通过人工智能技术，可以显著提高处理效率。此外，本实施例中的用于生成信息的方法的流程400还突出了推送包含三维全景图像的页面的步骤。由此，本实施例描述的方案可以提高所推送的信息的丰富性。

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生成信息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，本实施例所述的用于生成信息的装置500包括：构建单元501，被配置成基于预先获取的全景图像数据，构建三维全景空间；解析单元502，被配置成对目标物体图像进行解析，生成上述目标物体图像的属性信息，确定与上述属性信息相匹配的区域类型；确定单元503，被配置成从上述三维全景空间中的、上述区域类型所指示的区域中，确定待放置上述目标物体图像的目标位置；生成单元504，被配置成将上述目标物体图像放置于上述三维全景空间的目标位置，生成三维全景图像。

在本实施例的一些可选的实现方式中，上述解析单元502可以被进一步配置成将上述目标物体图像输入至预先训练的属性判别模型，得到上述目标物体图像的属性信息，其中，上述属性判别模型用于确定图像属性。

在本实施例的一些可选的实现方式中，上述解析单元502可以被进一步配置成将上述属性信息输入至预先训练的区域类型判别模型，确定与上述属性信息相匹配的区域类型，其中，上述区域类型判别模型用于表征属性信息与区域类型的对应关系。

在本实施例的一些可选的实现方式中，上述确定单元503可以包括扫描模块、识别模块、第一确定模块、第一输入模块、第二输入模块、调整模块、第三输入模块和第二确定模块(图中未示出)。其中，上述扫描模块可以被配置成利用上述三维全景空间中的虚拟摄像装置，对上述三维全景空间进行扫描。上述识别模块可以被配置成识别所扫描得到的图像中的、上述区域类型所指示的区域，将上述区域确定为目标区域。上述第一确定模块可以被配置成确定上述目标区域是否可容纳上述目标物体图像。上述第一输入模块可以被配置成若是，将上述目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到上述目标物体图像待摆放至上述目标区域的初始位置的第一位置信息，其中，上述初始位置确定模型用于确定物体图像摆放于图像中的目标区域的初始位置。上述第二输入模块可以被配置成将上述第一位置信息、上述目标物体图像和上述全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数。上述调整模块可以被配置成调整上述目标物体图像待摆放至上述目标区域的位置，得到至少一个第二位置信息。上述第三输入模块可以被配置成对于上述至少一个第二位置信息中的第二位置信息，将该第二位置信息、上述目标物体图像和上述全景图像数据输入至上述打分模型，确定与该第二位置信息对应的分数。上述第二确定模块可以被配置成将分数最大值所对应的位置信息所指示的位置确定为目标位置。

在本实施例的一些可选的实现方式中，上述打分模型可以通过如下步骤训练得到：提取训练样本集合，其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注；利用机器学习方法，将上述训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。

在本实施例的一些可选的实现方式中，该装置还可以包括推送单元(图中未示出)。其中，上述推送单元可以被配置成将上述三维全景图像投影至网页的页面中，向客户端推送上述页面。

本申请的上述实施例提供的装置，首先构建单元501通过预先获取的全景图像数据，构建三维全景空间；而后解析单元502对目标物体图像进行解析，生成上述目标物体图像的属性信息，确定与上述属性信息相匹配的区域类型；之后确定单元503从上述三维全景空间中的、上述区域类型所指示的区域中，确定待放置上述目标物体图像的目标位置；最后生成单元504将上述目标物体图像放置于上述三维全景空间的目标位置，生成三维全景图像，从而可以通过对目标物体图像的解析，确定其待放置的位置，不需要人工进行位置的尝试和确定，降低了人力成本，提高了三维全景图像生成的灵活性，提高了三维全景图像生成的效率。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，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，计算机系统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，还存储有系统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；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等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，本申请所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、或半导体的系统、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系统、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系统、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，图示了按照本申请各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请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：一种处理器包括构建单元、解析单元、确定单元和生成单元。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，构建单元还可以被描述为“基于预先获取的全景图像，构建三维全景空间的单元”。

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：基于预先获取的全景图像，构建三维全景空间；对目标物体图像进行解析，生成该目标物体图像的属性信息，确定与该属性信息相匹配的区域类型；从该三维全景空间中的、该区域类型所指示的区域中，确定待放置该目标物体图像的目标位置；将该目标物体图像放置于该三维全景空间的目标位置，生成三维全景图像。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (14)

1.一种用于生成信息的方法，包括：

基于预先获取的全景图像数据，构建三维全景空间；

对目标物体图像进行解析，生成所述目标物体图像的属性信息，确定与所述属性信息相匹配的区域类型；

从所述三维全景空间中的、所述区域类型所指示的区域中，确定待放置所述目标物体图像的目标位置；

将所述目标物体图像放置于所述三维全景空间的目标位置，生成三维全景图像。

2.根据权利要求1所述的用于生成信息的方法，其中，所述对目标物体图像进行解析，生成所述目标物体图像的属性信息，包括：

将所述目标物体图像输入至预先训练的属性判别模型，得到所述目标物体图像的属性信息，其中，所述属性判别模型用于确定图像属性。

3.根据权利要求1所述的用于生成信息的方法，其中，所述确定与所述属性信息相匹配的区域类型，包括：

将所述属性信息输入至预先训练的区域类型判别模型，确定与所述属性信息相匹配的区域类型，其中，所述区域类型判别模型用于表征属性信息与区域类型的对应关系。

4.根据权利要求1所述的用于生成信息的方法，其中，所述从所述三维全景空间中的、所述区域类型所指示的区域中，确定待放置所述目标物体图像的目标位置，包括：

利用所述三维全景空间中的虚拟摄像装置，对所述三维全景空间进行扫描；

识别所扫描得到的图像中的、所述区域类型所指示的区域，将所述区域确定为目标区域；

确定所述目标区域是否可容纳所述目标物体图像；

若是，将所述目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到所述目标物体图像待摆放至所述目标区域的初始位置的第一位置信息，其中，所述初始位置确定模型用于确定物体图像摆放于图像中的目标区域的初始位置；

将所述第一位置信息、所述目标物体图像和所述全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数；

调整所述目标物体图像待摆放至所述目标区域的位置，得到至少一个第二位置信息；

对于所述至少一个第二位置信息中的第二位置信息，将该第二位置信息、所述目标物体图像和所述全景图像数据输入至所述打分模型，确定与该第二位置信息对应的分数；

将分数最大值所对应的位置信息所指示的位置确定为目标位置。

5.根据权利要求4所述的用于生成信息的方法，其中，所述打分模型通过如下步骤训练得到：

提取训练样本集合，其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注；

利用机器学习方法，将所述训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。

6.根据权利要求1所述的用于生成信息的方法，其中，所述方法还包括：

将所述三维全景图像投影至网页的页面中，向客户端推送所述页面。

7.一种用于生成信息的装置，包括：

构建单元，被配置成基于预先获取的全景图像数据，构建三维全景空间；

解析单元，被配置成对目标物体图像进行解析，生成所述目标物体图像的属性信息，确定与所述属性信息相匹配的区域类型；

确定单元，被配置成从所述三维全景空间中的、所述区域类型所指示的区域中，确定待放置所述目标物体图像的目标位置；

生成单元，被配置成将所述目标物体图像放置于所述三维全景空间的目标位置，生成三维全景图像。

8.根据权利要求7所述的用于生成信息的装置，其中，所述解析单元被进一步配置成：

将所述目标物体图像输入至预先训练的属性判别模型，得到所述目标物体图像的属性信息，其中，所述属性判别模型用于确定图像属性。

9.根据权利要求7所述的用于生成信息的装置，其中，所述解析单元被进一步配置成：

将所述属性信息输入至预先训练的区域类型判别模型，确定与所述属性信息相匹配的区域类型，其中，所述区域类型判别模型用于表征属性信息与区域类型的对应关系。

10.根据权利要求7所述的用于生成信息的装置，其中，所述确定单元包括：

扫描模块，被配置成利用所述三维全景空间中的虚拟摄像装置，对所述三维全景空间进行扫描；

识别模块，被配置成识别所扫描得到的图像中的、所述区域类型所指示的区域，将所述区域确定为目标区域；

第一确定模块，被配置成确定所述目标区域是否可容纳所述目标物体图像；

第一输入模块，被配置成若是，将所述目标物体图像的预设尺寸阈值和所扫描得到的图像输入至预先训练的初始位置确定模型，得到所述目标物体图像待摆放至所述目标区域的初始位置的第一位置信息，其中，所述初始位置确定模型用于确定物体图像摆放于图像中的目标区域的初始位置；

第二输入模块，被配置成将所述第一位置信息、所述目标物体图像和所述全景图像数据输入至预先训练的打分模型，确定与该位置信息对应的分数；

调整模块，被配置成调整所述目标物体图像待摆放至所述目标区域的位置，得到至少一个第二位置信息；

第三输入模块，被配置成对于所述至少一个第二位置信息中的第二位置信息，将该第二位置信息、所述目标物体图像和所述全景图像数据输入至所述打分模型，确定与该第二位置信息对应的分数；

第二确定模块，被配置成将分数最大值所对应的位置信息所指示的位置确定为目标位置。

11.根据权利要求10所述的用于生成信息的装置，其中，所述打分模型通过如下步骤训练得到：

提取训练样本集合，其中，训练样本包括全景图像数据样本、物体图像样本、位置信息样本，分数标注；

利用机器学习方法，将所述训练样本集合中的训练样本的全景图像数据样本、物体图像样本、位置信息样本作为输入，将与输入的全景图像数据样本、物体图像样本、位置信息样本对应的分数标注作为输出，训练得到打分模型。

12.根据权利要求7所述的用于生成信息的装置，其中，所述装置还包括：

推送单元，被配置成将所述三维全景图像投影至网页的页面中，向客户端推送所述页面。

13.一种服务器，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1-6中任一所述的方法。

14.一种计算机可读介质，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1-6中任一所述的方法。