CN109446016B - 一种增强现实技术ar功能测试方法、装置及系统 - Google Patents
一种增强现实技术ar功能测试方法、装置及系统 Download PDFInfo
- Publication number
- CN109446016B CN109446016B CN201811286300.5A CN201811286300A CN109446016B CN 109446016 B CN109446016 B CN 109446016B CN 201811286300 A CN201811286300 A CN 201811286300A CN 109446016 B CN109446016 B CN 109446016B
- Authority
- CN
- China
- Prior art keywords
- image
- virtual object
- function
- predicted value
- detection 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
- 238000010998 test method Methods 0.000 title claims abstract description 20
- 230000003190 augmentative effect Effects 0.000 title claims abstract description 11
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 265
- 238000001514 detection method Methods 0.000 claims abstract description 216
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 224
- 230000000694 effects Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013209 evaluation strategy Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 241000282320 Panthera leo Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241001270131 Agaricus moelleri Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 241000282376 Panthera tigris Species 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000012085 test solution Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种增强现实技术AR功能测试方法、装置及系统。该方法包括:获取移动终端在AR场景下显示的测试图像;将所获取的测试图像输入图像检测模型,获得由图像检测模型输出的虚拟物体检测参数的预测值;根据虚拟物体检测参数的预测值,评估移动终端的AR功能。可见,基于图像检测模型,本发明实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本发明实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种AR功能测试方法、装置及系统。
背景技术
随着通信技术领域的迅速发展,增强现实技术(Augmented Reality,简称为AR)的使用越来越广泛。可以理解的是,AR是一种实时地计算摄影机摄像的位置及角度并加上相应图像、视频、虚拟物体(例如三维虚拟物体)的技术,该技术的目的是在屏幕上把虚拟世界套在现实世界上并进行互动。
目前,AR常常应用于移动终端(例如应用于移动终端的摄像机),这时,移动终端能够具有AR功能(例如移动终端拍摄得到的图像中能够具有虚拟物体)。然而,由于种种原因,移动终端的AR功能是不稳定的(例如,一些情况下,移动终端拍摄得到的图像中根本不存在虚拟物体),因此,需要对移动终端的AR功能进行测试,目前的测试过程主要通过人工方式实现,且需要进行回归测试,这样,测试结果具有主观性,故测试结果的准确度非常低,并且,测试效率也非常低。
发明内容
本发明实施例提供一种AR功能测试方法、装置及系统,以解决现有技术中对移动终端的AR功能进行测试时,测试结果的准确度低,且测试效率低的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供一种增强现实技术AR功能测试方法,包括:
获取移动终端在AR场景下显示的测试图像;
将所获取的测试图像输入图像检测模型,获得由所述图像检测模型输出的虚拟物体检测参数的预测值;
根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能。
第二方面,本发明实施例提供一种增强现实技术AR功能测试装置,包括:
获取模块,用于获取移动终端在AR场景下显示的测试图像;
获得模块,用于将所获取的测试图像输入图像检测模型,获得由所述图像检测模型输出的虚拟物体检测参数的预测值;
评估模块,用于根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能。
第三方面,本发明实施例提供一种增强现实技术AR功能测试系统,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的AR功能测试方法的步骤。
第四方面,本发明实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的AR功能测试方法。
第五方面,本发明实施例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计算机程序,所述计算机程序被处理器执行时实现上述的AR功能测试方法的步骤。
第六方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述AR功能测试方法。
本发明实施例中,在获取移动终端在AR场景下显示的测试图像之后,通过将测试图像输入图像检测模型,可以获得由图像检测模型输出的虚拟物体检测参数的预测值。图像检测模型通过对包括大量样本数据的样本数据集合进行训练得到,这些样本数据是非常客观的数据,因此,图像检测模型输出的虚拟物检测参数的预测值也是非常客观的数据。那么,在后续根据虚拟物检测参数的预测值对移动终端的AR功能进行评估时,评估结果也是非常客观的,这样能够可靠地实现对移动终端的AR功能的测试,以便于后续进行缺陷召回。
可见,基于图像检测模型,本发明实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本发明实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述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性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的AR功能测试方法的流程图;
图2是样本数据集合中包括的图像的示意图之一;
图3是样本数据集合中包括的图像的示意图之二;
图4是测试图像的示意图之一;
图5是测试图像的示意图之二;
图6是测试图像的示意图之三;
图7是测试图像的示意图之四;
图8是本发明实施例提供的AR功能测试系统的结构示意图之一;
图9是本发明实施例提供的AR功能测试装置的结构框图;
图10是本发明实施例提供的AR功能测试系统的结构示意图之二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的AR功能测试方法进行说明。
需要说明的是,本发明实施例提供的AR功能测试方法可以应用于一个单独的设备;或者,本发明实施例提供的AR功能测试方法可以应用于由多个设备组成的AR功能测试系统。为了便于本领域技术人员理解本方案,本发明实施例中均以AR功能测试方法应用于AR功能测试系统的情况为例进行说明。
可选地,AR功能测试系统中可以包括三个设备,分别为移动终端、服务器和测试机,移动终端、服务器和测试机相互之间可进行数据通信。其中,移动终端可以为智能手机或者平板电脑,当然,移动终端的类型并不局限于此,在此不再一一列举。
参见图1,图中示出了本发明实施例提供的AR功能测试方法的流程图。如图1所示,该方法包括如下步骤:
步骤101,获取移动终端在AR场景下显示的测试图像。
其中,AR场景可以为AR拍摄场景或者AR游戏场景,为了便于说明,本发明实施例中均以AR场景为AR拍摄场景的情况为例进行说明。
在步骤101中,移动终端可以置于AR拍摄模式,这样,在移动终端的摄像头被调用的情况下,移动终端可以拍摄并显示测试图像,且将测试图像提供给服务器,以便于服务器执行后续的步骤102。
步骤102,将所获取的测试图像输入图像检测模型,获得由图像检测模型输出的虚拟物体检测参数的预测值。
需要说明的是,图像检测模型可以为设备S通过对包括大量样本数据的样本数据集合进行训练得到,例如基于卷积神经网络(Convolutional Neural Network,简称为CNN)训练得到,训练时使用的可以是卷积神经网络框架(Convolutional Architecture forFast Feature Embedding,简称为Caffe)、并行分布式深度学习(Parallel DistributedDeep Learning,简称为Paddle)Paddle,或者Tensorflow(即张量流)等业内通用的深度学习框架。另外,设备S可以在满足一定条件(例如设定的更新时刻到达或者接收到更新指令)的情况下,对已有的图像检测模型进行更新。
可选地,设备S可以为服务器,或者为不同于服务器的其他设备。在设备S为服务器时,服务器可以将自身训练得到的图像检测模型直接存储在本地;在设备S为不同于服务器的其他设备时,设备S可以将自身训练得到的图像检测模型分发给服务器,服务器再将经分发得到的图像检测模型存储在本地。可见,无论设备S是否为服务器,服务器本地均能够存储有图像检测模型。
在移动终端将测试图像提供给服务器之后,服务器可以直接将测试图像输入本地存储的图像检测模型,以便捷地获得由图像检测模型输出的虚拟物体检测参数的预测值,并将虚拟物体检测参数的预测值提供给测试机。
步骤103,根据虚拟物体检测参数的预测值,评估移动终端的AR功能。
需要说明的是,图像检测模型可以用于进行图像的虚拟物体检测,以通过虚拟物体检测参数的预测值,对测试图像中的虚拟物体显示状态进行预测,例如预测测试图像中是否确实存在虚拟物体(例如AR动物、AR植物等)。这样,在服务器将虚拟物体检测参数的预测值提供给测试机之后,根据虚拟物体检测参数的预测值所预测的虚拟物体显示状态,测试机可以对移动终端的AR功能进行评估(例如评估AR功能运行时,是否能够保证虚拟物体的正常显示),从而最终实现对移动终端的AR功能的测试。
本发明实施例中,在获取移动终端在AR场景下显示的测试图像之后,通过将测试图像输入图像检测模型,可以获得由图像检测模型输出的虚拟物体检测参数的预测值。图像检测模型通过对包括大量样本数据的样本数据集合进行训练得到,这些样本数据是非常客观的数据,因此,图像检测模型输出的虚拟物检测参数的预测值也是非常客观的数据。那么,在后续根据虚拟物检测参数的预测值对移动终端的AR功能进行评估时,评估结果也是非常客观的,这样能够可靠地实现对移动终端的AR功能的测试,以便于后续进行缺陷召回。
可见,基于图像检测模型,本发明实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本发明实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
另外,需要指出的是,现有技术中存在着一些自动测试方案,例如针对AR软件开发工具包(Software Development Kit,简称为SDK)的自动化测试方案,这些测试方案主要是基于用户界面(User Interface,简称为UI)进行自动化的检查,采用的自动化测试框架可以包括UI Automator和UIAutomation。
其中,UI Automator的基本原理是,通过Accessibilityservice(即辅助功能),获取当前窗口的控件层次关系及属性信息,并查找到目标控件。如果检测到对目标控件的点击事件,则计算目标控件的中心坐标,然后通过一些隐藏接口来向移动终端注入用户事件(例如点击类操作对应的事件),从而实现跨进程自动化执行的目的。
由上述对UI Automator的基本原理的介绍可知,现有技术在采用自动化测试方案进行测试时,需要依赖于UI层的控件(例如按钮、文本字段、定位框、复选框、缩放和切换按钮等),也就是说,测试的基础是UI层可以获取控件,而在AR拍摄场景下,若移动终端拍摄得到的图像中存在虚拟物体,虚拟物体是基于视野渲染进行显示的,具体是在移动终端的摄像机输入的数据上,叠加虚拟物体对应的Framebuffer(即帧缓存),以在Framework(即架构)的SurfaceView(即表层视图)层上进行虚拟物体的显示,因此,虚拟物体并不是控件,从UI层无法获得虚拟物体及一些随屏元素,这将导致测试方案将无法实施。
相比较而言,本发明实施例中对移动终端的AR功能的测试并不依赖于UI层的控件,因此,与上述自动化测试方案相比,本发明实施例也能够可靠地实现对移动终端的AR功能的测试。
可选地,图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到。
具体地,在设备S进行模型的训练之前,可以通过人工方式采集一系列不同场景下的图像,这些图像可以构成一图像集合;其中,不同场景是指背景、虚拟物体形变、虚拟物体类型、虚拟物体显示位置中的至少一者不同。具体地,图像集合中可以包括图2中示意出的存在AR熊猫的各图像,以及包括图3中示意出的存在AR狮子的各图像。另外,图像集合中的每一图像均作为一训练图像,针对每一训练图像,可以通过人工方式确定其的虚拟物体检测参数的实际值。
之后,各训练图像及各训练图像的虚拟物体检测参数的实际值可以构成样本数据集合并提供给设备S;其中,样本数据集合也可以称为训练集合或者train set。设备S后续可以以样本数据集合中的各训练图像作为输入内容,以各训练图像的虚拟物体检测参数的实际值作为输出内容进行训练,从而得到图像检测模型。
本实施例中,图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到,其中,训练图像是移动终端通过拍摄等方式得到的真实的图像,训练图像的虚拟物体检测参数的实际值能够反映训练图像真实的虚拟物体显示状态,那么,图像检测模型输出的虚拟物体检测参数的预测值能够非常可靠地预测出测试图像的虚拟物体显示状态,这样,在对移动终端的AR功能进行测试时,本实施例能够较好地保证测试结果的准确度。
可选地,图像检测模型包括第一图像检测模型和第二图像检测模型中的至少一者;
其中,第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数。
由于第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,那么,在将测试图像输入第一图像检测模型后,第一图像检测模型输出的预测值能够从虚拟物体类型角度预测测试图像中的虚拟物体显示状态,以便于据此实现移动终端的AR功能的评估。
由于第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数,那么,在将测试图像输入第二图像检测模型后,第二图像检测模型输出的预测值能够从虚拟物体位置角度预测测试图像中的虚拟物体显示位置,以便于据此实现移动终端的AR功能的评估。
需要说明的是,第二图像检测模型输出的预测值可以用于指示虚拟物体在测试图像中的边界范围(即bounding box)。可选地,边界范围的数学表述形式可以为(X1,Y1,X2,Y2),(X1,Y1,X2,Y2)可以用于描述虚拟物体在测试图像中的像素坐标;其中,x=X1、y=Y1、x=X2、y=Y2可以围设形成一矩形,该矩形为能够围设测试图像中的虚拟物体的各矩形中,面积最小的矩形。
当然,边界范围的数学表述形式并不局限于此,举例而言,边界范围的数学表述形式还可以为(X,Y,W,H),其中,X可以为x=X1和y=Y2的交点的横坐标,Y可以为x=X1和y=Y2的交点的纵坐标,W可以为x=X1和x=X2之间的距离,H可以为y=Y1和y=Y2之间的距离。
可以看出,基于第一图像检测模型和第二图像检测模型中的至少一者,本实施例能够便捷可靠地实现对移动终端的AR功能的评估。
可选地,在图像检测模型中包括第一图像检测模型的情况下,虚拟物体类型参数的预测值的数量为至少两个,不同预测值与不同虚拟物体类型对应,任一预测值指示测试图像中存在具有相应虚拟物体类型的虚拟物体的概率;
根据虚拟物体检测参数的预测值,评估移动终端的AR功能,包括:
在至少两个预测值指示的各概率中,数值最大的概率大于相应的虚拟物体类型所对应的预设概率的情况下,确定移动终端的AR加载功能处于正常状态;否则,确定移动终端的AR加载功能处于异常状态。
其中,在图像检测模型中包括第一图像检测模型的情况下,虚拟物体类型参数的预测值的数量可以为两个、三个或者三个以上,在此不再一一列举。另外,任意两个虚拟物体类型对应的预设概率可以相同,也可以不同。
本实施例中,假设将测试图像输入第一图像检测模型后,第一图像检测模型输出了三个预测值,分别为预测值Y1、预测值Y2和预测值Y3,且预测值Y1对应的虚拟物体类型为AR熊猫类型,预测值Y2对应的虚拟物体类型为AR狮子类型,预测值Y3对应的虚拟物体类型为AR老虎类型,那么,预测值Y1用于指示测试图像中存在AR熊猫的概率G1,预测值Y2用于指示测试图像中存在AR狮子的概率G2,预测值Y3用于指示测试图像中存在AR老虎的概率G3。
假设在概率G1、概率G2和概率G3中,概率G2的数值是最大的,且AR狮子类型对应的预设概率为预设概率G,接下来可以将概率G2与预设概率G(其可以为70%、80%、90%或者其他数值)进行比较。
如果概率G2大于预设概率G,可以认为测试图像中确实存在AR狮子(例如图4中所示的情况),换句话说,移动终端在AR拍摄场景下进行拍摄时,虚拟物体能够成功加载在拍摄得到的图像中,因此,这种情况下可以确定移动终端的AR加载功能处于正常状态。
如果概率G2小于或者等于预设概率G,可以认为测试图像中并不存在AR狮子(例如图5中所示的情况),换句话说,移动终端在AR拍摄场景下进行拍摄时,虚拟物体无法加载在拍摄得到的图像中,因此,这种情况下可以确定移动终端的AR加载功能处于异常状态。
可以看出,基于第一图像检测模型,本实施例能够非常便捷可靠地确定出移动终端的AR加载功能是否处于正常状态。
可选地,在图像检测模型中包括第二图像检测模型的情况下,测试图像中包括第一测试图像和第二测试图像,第二测试图像是在移动终端得到第一测试图像后,调用移动终端的AR显示效果调整功能后得到的;
根据虚拟物体检测参数的预测值,评估移动终端的AR功能,包括:
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,评估AR显示效果调整功能是否处于正常状态;
其中,第一预测值是将第一测试图像输入第二图像检测模型后,第二图像检测模型输出的;第二预测值是将第二测试图像输入第二图像检测模型后,第二图像检测模型输出的。
其中,AR显示效果调整功能可以包括AR缩放功能、AR移动功能、AR旋转功能等。可选地,AR显示效果调整功能可以是测试人员在移动终端上执行单指操作(例如单指移动操作)、双指操作(例如双指移动操作、双指旋转操作)等测试操作后,移动终端响应于测试操作调用的。当然,AR显示功能也可以是在需要进行AR功能的测试的情况下,移动终端自动调用的。
需要指出的是,理论上来说,在移动终端调用AR功能前后,根据所调用的AR功能的类型的不同,移动终端拍摄得到的图像会发生相应的变化。
有鉴于此,本实施例中,在将第一测试图像和第二测试图像分别输入第二图像检测模型之后,第二图像检测模型可以针对第一测试图像输出第一预测值,以及针对第二测试图像输出第二预测值。之后,根据第一预测值、第二预测值,以及调用的AR显示效果调整功能对应的评估策略,可以确定所调用AR功能前后,移动终端拍摄得到的图像是否发生了预期的变化。如果移动终端拍摄得到的图像发生了预期的变化,则可以确定所调用的AR显示效果调整功能处于正常状态;否则,可以确定所调用的AR显示效果调整功能处于异常状态。
可以看出,本实施例能够便捷可靠地确定出AR显示效果调整功能是否处于正常状态。
可选地,AR显示效果调整功能包括AR缩放功能(其包括AR缩小功能和AR放大功能);
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,确定AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定第一测试图像中的第一虚拟物体面积,以及根据第二预测值,确定第二测试图像中的第二虚拟物体面积;
在目标变化趋势与AR缩放功能对应的预期缩放趋势相匹配的情况下,确定AR缩放功能处于正常状态;否则,确定AR缩放功能处于异常状态;
其中,目标变化趋势为第二虚拟物体面积相对于第一虚拟物体面积的面积大小变化趋势。
本实施例中,第二图像检测模型输出的预测值可以用于指示虚拟物体在测试图像中的边界范围,边界范围的数学表述形式为(X1,Y1,X2,Y2),
假设在移动终端拍摄得到第一测试图像之后,测试人员在移动终端上执行了正向上滑动的单指操作,那么,根据即时定位与地图构建(simultaneous localization andmapping,简称为SLAM)场景下的透视原理,移动终端将调用AR缩小功能。之后,移动终端可以拍摄得到第二测试图像。
需要指出的是,理论上来说,由于AR缩小功能的调用,移动终端拍摄得到的图像中的虚拟物体的面积会变小,因此,AR缩小功能对应的预期缩放趋势是虚拟物体的面积缩小。
假设将第一测试图像和第二测试图像分别输入第二图像检测模型之后,第二图像检测模型针对第一测试图像输出的第一预测值指示的为(X1',Y1',X2',Y2'),第二图像检测模型针对第二测试图像输出的第二预测值指示的为(X1″,Y1″,X2″,Y2″),那么,第一测试图像中的第一虚拟物体面积S1可以通过下述公式(1)计算得到,第二测试图像中的第二虚拟物体面积S2可以通过下述公式(2)计算得到:
S1=(X2'-X1')×(Y2'-Y1') (1)
S2=(X2″-X1″)×(Y2″-Y1″) (2)
在计算得到第一虚拟物体面积S1和第二虚拟物体面积S2之后,可以确定第二虚拟物体面积S2相对于第一虚拟物体面积S1的面积大小变化趋势(即目标变化趋势)。
如果目标变化趋势为面积缩小(例如,第一测试图像中的虚拟物体为图4中所示的大小,第二测试图像中的虚拟物体小于图4中的大小),那么,目标面积变化趋势与预期是相匹配的,这种情况下,可以确定AR缩小功能处于正常状态。
如果目标面积变化趋势为面积不变或者面积增大,那么,目标面积变化趋势与AR缩小功能对应的预期缩放趋势是不相匹配的,这种情况下,可以确定AR缩小功能处于异常状态。
可以看出,通过对第二测试图像和第一测试图像中的虚拟物体的面积的判定,本实施例能够非常便捷可靠地确定出AR缩放功能是否处于正常状态。
可选地,AR显示效果调整功能包括AR移动功能;
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,确定AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
确定目标连线与移动终端的预设边的夹角;其中,目标连线为第一显示位置和第二显示位置的连线;
在夹角处于AR移动功能对应的预期夹角范围内的情况下,确定AR移动功能处于正常状态;否则,确定AR移动功能处于异常状态。
其中,移动终端的预设边可以为移动终端的长边。
本实施例中,第二图像检测模型输出的预测值可以用于指示虚拟物体在测试图像中的边界范围,边界范围的数学表述形式为(X1,Y1,X2,Y2)。
假设在移动终端拍摄得到第一测试图像之后,测试人员在移动终端上执行了以一定角度向上移动(例如向左上移动)的单指操作,那么,移动终端将调用AR移动功能。之后,移动终端可以拍摄得到第二测试图像。
需要指出的是,理论上来说,由于AR移动功能的调用,移动终端拍摄得到的图像中的虚拟物体会向屏幕左上方移动,那么,移动后的虚拟物体的中心点与移动前的虚拟物体的中心点的连线与移动终端的长边的夹角应当为锐角,因此,AR移动功能对应的预期夹角范围为(0,900)
假设将第一测试图像和第二测试图像分别输入第二图像检测模型之后,第二图像检测模型针对第一测试图像输出的第一预测值指示的为(X1',Y1',X2',Y2'),第二图像检测模型针对第二测试图像输出的第二预测值指示的为(X1″,Y1″,X2″,Y2″),那么,根据预测图像上的各点的坐标与移动终端屏幕上的各点的坐标的对应性,可以便捷地得出第一显示位置的横纵坐标,以及第二显示位置的横纵坐标,并进一步计算出第一显示位置和第二显示位置的连线(即目标连线)与移动终端的长边的夹角。
如果计算出的夹角为锐角(例如第一测试图像中的虚拟物体位于图4中所示的位置,第二测试图像中的虚拟物体位于图6中所示的位置的情况),那么,计算出的夹角所处的范围与预期是相符的,这种情况下,可以确定AR移动功能处于正常状态。
如果计算出的夹角不为锐角,那么,计算出的夹角所处的范围与预期是不相符的,这种情况下,可以确定AR移动功能处于异常状态。
可以看出,通过对第二测试图像和第二测试图像中的虚拟物体的运动方向的判定,本实施例能够非常便捷可靠地确定出AR移动功能是否处于正常状态。
可选地,AR显示效果调整功能包括AR旋转功能;
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,确定AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
在目标距离小于预设距离,且第一测试图像的图像像素或图像灰度不同于第二测试图像的情况下,确定AR旋转功能处于正常状态;否则,确定AR旋转功能处于异常状态;
其中,目标距离为第一显示位置和第二显示位置之间的距离。
本实施例中,第二图像检测模型输出的预测值可以用于指示虚拟物体在测试图像中的边界范围,边界范围的数学表述形式为(X1,Y1,X2,Y2)。
假设在移动终端拍摄得到第一测试图像之后,测试人员在移动终端上执行了双指旋转操作,那么,移动终端将调用AR旋转功能。之后,移动终端可以拍摄得到第二测试图像。
需要指出的是,理论上来说,由于AR旋转功能的调用,移动终端拍摄得到的图像中的虚拟物体的中心点会发生小幅度的移动,并且,图像像素、图像灰度等也会发生变化,因此,可以通过对虚拟物体中心点的移动,以及图像像素、图像灰度的变化来确定AR旋转功能是否处于正常状态。
假设将第一测试图像和第二测试图像分别输入第二图像检测模型之后,第二图像检测模型针对第一测试图像输出的第一预测值指示的为(X1',Y1',X2',Y2'),第二图像检测模型针对第二测试图像输出的第二预测值指示的为(X1″,Y1″,X2″,Y2″),可以参照上一实施例中的方式,得出第一显示位置的横纵坐标,以及第二显示位置的横纵坐标,并据此计算第一显示位置和第二显示位置之间的距离(即目标距离);此外,还可以判断第一测试图像和第二测试图像的图像像素或者图像灰度是否相同。具体地,图像灰度是否相同可以利用灰度直方图进行判断。
如果目标距离小于预设距离,且第一测试图像和第二测试图像的图像像素或者图像灰度不同(例如第一测试图像中的虚拟物体为图4中所示的情况,第二预测图像中的虚拟物体为图7中所示的情况),那么,中心点移动的距离,以及图像像素或图像灰度的变化与预期是相符的,这种情况下,可以确定AR旋转功能处于正常状态。
如果目标距离大于或者等于预设距离,和/或,第一测试图像和第二测试图像的图像像素或图像灰度不同,那么,中心点移动的距离,和/或,图像像素或图像灰度的变化与预期是不相符的,这种情况下,可以确定AR旋转功能处于异常状态。
可以看出,通过对第一测试图像和第二测试图像的图像一致性进行判定,本实施例能够非常便捷可靠地确定出AR旋转功能是否处于正常状态。
下面结合图8,以一个具体的例子对本实施例的具体实施过程进行说明。
如图8所示,AR功能测试系统中可以包括移动终端801、服务器802和测试机803;其中,服务器802中可以部署有第一图像检测模型和第二图像检测模型,利用第一图像检测模型和第二图像检测模型,服务器802能够提供在线预测服务。
具体实施时,移动终端801在AR拍摄场景下拍摄并显示测试图像之后,移动终端801可以将测试图像截图后发送至服务器802。这样,服务器802能够获得测试图像,测试图像可以被分别输入至第一图像检测模型和第二图像检测模型。之后,服务器802可以将第一图像检测模型输出的虚拟物体类型参数的预测值,以及第二图像检测模型输出的虚拟物体位置参数的预测值分别提供给测试机803。
对于测试机803而言,在接收到虚拟物体类型参数的预测值,以及虚拟物体位置参数的预测值之后,其可以基于虚拟物体类型参数的预测值,实现物体识别判断,即确定虚拟物体是否成功加载,另外,其还可以基于虚拟物体位置参数的预测值,实现虚拟物体的面积的判定,虚拟物体的运动方向的判定,以及图像一致性的判定,从而最终实现移动终端的AR功能的测试。
综上,基于图像检测模型,本实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
下面对本发明实施例提供的AR功能测试装置进行说明。
参见图9,图中示出了本发明实施例提供的AR功能测试装置900的结构框图。如图9所示,AR功能测试装置900包括:
获取模块901,用于获取移动终端在AR场景下显示的测试图像;
获得模块902,用于将所获取的测试图像输入图像检测模型,获得由图像检测模型输出的虚拟物体检测参数的预测值;
评估模块903,用于根据虚拟物体检测参数的预测值,评估移动终端的AR功能。
可选地,图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到。
可选地,图像检测模型包括第一图像检测模型和第二图像检测模型中的至少一者;
其中,第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数。
可选地,在图像检测模型中包括第一图像检测模型的情况下,虚拟物体类型参数的预测值的数量为至少两个,不同预测值与不同虚拟物体类型对应,任一预测值指示测试图像中存在具有相应虚拟物体类型的虚拟物体的概率;
评估模块,具体用于:
在至少两个预测值指示的各概率中,数值最大的概率大于相应的虚拟物体类型所对应的预设概率的情况下,确定移动终端的AR加载功能处于正常状态;否则,确定移动终端的AR加载功能处于异常状态。
可选地,在图像检测模型中包括第二图像检测模型的情况下,测试图像中包括第一测试图像和第二测试图像,第二测试图像是在移动终端得到第一测试图像后,调用移动终端的AR显示效果调整功能后得到的;
评估模块,具体用于:
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,评估AR显示效果调整功能是否处于正常状态;
其中,第一预测值是将第一测试图像输入第二图像检测模型后,第二图像检测模型输出的;第二预测值是将第二测试图像输入第二图像检测模型后,第二图像检测模型输出的。
可选地,AR显示效果调整功能包括AR缩放功能;
评估模块,包括:
第一确定单元,用于根据第一预测值,确定第一测试图像中的第一虚拟物体面积,以及根据第二预测值,确定第二测试图像中的第二虚拟物体面积;
第一评估单元,用于在目标变化趋势与AR缩放功能对应的预期缩放趋势相匹配的情况下,确定AR缩放功能处于正常状态;否则,确定AR缩放功能处于异常状态;
其中,目标变化趋势为第二虚拟物体面积相对于第一虚拟物体面积的面积大小变化趋势。
可选地,AR显示效果调整功能包括AR移动功能;
评估模块,包括:
第二确定单元,用于根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
第三确定单元,用于确定目标连线与移动终端的预设边的夹角;其中,目标连线为第一显示位置和第二显示位置的连线;
第二评估单元,用于在夹角处于AR移动功能对应的预期夹角范围内的情况下,确定AR移动功能处于正常状态;否则,确定AR移动功能处于异常状态。
可选地,AR显示效果调整功能包括AR旋转功能;
评估模块,包括:
第四确定单元,用于根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
第三评估单元,用于在目标距离小于预设距离,且第一测试图像的图像像素或图像灰度不同于第二测试图像的情况下,确定AR旋转功能处于正常状态;否则,确定AR旋转功能处于异常状态;
其中,目标距离为第一显示位置和第二显示位置之间的距离。
本发明实施例中,在获取移动终端在AR场景下显示的测试图像之后,通过将测试图像输入图像检测模型,可以获得由图像检测模型输出的虚拟物体检测参数的预测值。图像检测模型通过对包括大量样本数据的样本数据集合进行训练得到,这些样本数据是非常客观的数据,因此,图像检测模型输出的虚拟物检测参数的预测值也是非常客观的数据。那么,在后续根据虚拟物检测参数的预测值对移动终端的AR功能进行评估时,评估结果也是非常客观的,这样能够可靠地实现对移动终端的AR功能的测试,以便于后续进行缺陷召回。
可见,基于图像检测模型,本发明实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本发明实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
下面对本发明实施例提供的AR功能测试系统进行说明。
参见图10,图中示出了本发明实施例提供的AR功能测试系统1000的结构示意图。如图10所示,AR功能测试系统1000包括:处理器1001、收发机1002、存储器1003、用户接口1004和总线接口,其中:
处理器1001,用于读取存储器1003中的程序,执行下列过程:
获取移动终端在AR场景下显示的测试图像;
将所获取的测试图像输入图像检测模型,获得由图像检测模型输出的虚拟物体检测参数的预测值;
根据虚拟物体检测参数的预测值,评估移动终端的AR功能。
在图10中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器1001代表的一个或多个处理器和存储器1003代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机1002可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备,用户接口1004还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器1001负责管理总线架构和通常的处理,存储器1003可以存储处理器1001在执行操作时所使用的数据。
可选地,图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到。
可选地,图像检测模型包括第一图像检测模型和第二图像检测模型中的至少一者;
其中,第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数。
可选地,在图像检测模型中包括第一图像检测模型的情况下,虚拟物体类型参数的预测值的数量为至少两个,不同预测值与不同虚拟物体类型对应,任一预测值指示测试图像中存在具有相应虚拟物体类型的虚拟物体的概率;
处理器1001,具体用于:
在至少两个预测值指示的各概率中,数值最大的概率大于相应的虚拟物体类型所对应的预设概率的情况下,确定移动终端的AR加载功能处于正常状态;否则,确定移动终端的AR加载功能处于异常状态。
可选地,在图像检测模型中包括第二图像检测模型的情况下,测试图像中包括第一测试图像和第二测试图像,第二测试图像是在移动终端得到第一测试图像后,调用移动终端的AR显示效果调整功能后得到的;
处理器1001,具体用于:
根据第一预测值、第二预测值,以及AR显示效果调整功能对应的评估策略,评估AR显示效果调整功能是否处于正常状态;
其中,第一预测值是将第一测试图像输入第二图像检测模型后,第二图像检测模型输出的;第二预测值是将第二测试图像输入第二图像检测模型后,第二图像检测模型输出的。
可选地,AR显示效果调整功能包括AR缩放功能;
处理器1001,具体用于:
根据第一预测值,确定第一测试图像中的第一虚拟物体面积,以及根据第二预测值,确定第二测试图像中的第二虚拟物体面积;
在目标变化趋势与AR缩放功能对应的预期缩放趋势相匹配的情况下,确定AR缩放功能处于正常状态;否则,确定AR缩放功能处于异常状态;
其中,目标变化趋势为第二虚拟物体面积相对于第一虚拟物体面积的面积大小变化趋势。
可选地,AR显示效果调整功能包括AR移动功能;
处理器1001,具体用于:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
确定目标连线与移动终端的预设边的夹角;其中,目标连线为第一显示位置和第二显示位置的连线;
在夹角处于AR移动功能对应的预期夹角范围内的情况下,确定AR移动功能处于正常状态;否则,确定AR移动功能处于异常状态。
可选地,AR显示效果调整功能包括AR旋转功能;
处理器1001,具体用于:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,第一显示位置为第一测试图像中的虚拟物体中心点在移动终端上的显示位置,第二显示位置为第二测试图像中的虚拟物体中心点在移动终端上的显示位置;
在目标距离小于预设距离,且第一测试图像的图像像素或图像灰度不同于第二测试图像的情况下,确定AR旋转功能处于正常状态;否则,确定AR旋转功能处于异常状态;
其中,目标距离为第一显示位置和第二显示位置之间的距离。
本发明实施例中,在获取移动终端在AR场景下显示的测试图像之后,通过将测试图像输入图像检测模型,可以获得由图像检测模型输出的虚拟物体检测参数的预测值。图像检测模型通过对包括大量样本数据的样本数据集合进行训练得到,这些样本数据是非常客观的数据,因此,图像检测模型输出的虚拟物检测参数的预测值也是非常客观的数据。那么,在后续根据虚拟物检测参数的预测值对移动终端的AR功能进行评估时,评估结果也是非常客观的,这样能够可靠地实现对移动终端的AR功能的测试,以便于后续进行缺陷召回。
可见,基于图像检测模型,本发明实施例能够自动且可靠地实现对移动终端的AR功能的测试,与现有技术中通过人工方式进行测试的情况相比,本发明实施例不仅能够有效地避免人工的主观因素对测试结果的影响,以提高测试结果的准确度,提高测试效率,还能够有效地节约测试人力,以降低测试成本。
本发明实施例还提供一种AR功能测试系统,包括处理器1001,存储器1003,存储在存储器1003上并可在处理器1001上运行的计算机程序,该计算机程序被处理器1001执行时实现上述的AR功能测试方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的AR功能测试方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
本发明实施例还提供一种电子设备,包括至少一个处理器以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行时实现上述AR功能测试方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述AR功能测试方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,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、方法、物品或者装置不仅包括那些要素,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、方法、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
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设备(可以是手机,计算机等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (15)
1.一种增强现实技术AR功能测试方法,其特征在于,包括:
获取移动终端在AR场景下显示的测试图像;
将所获取的测试图像输入图像检测模型,获得由所述图像检测模型输出的虚拟物体检测参数的预测值;
根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能;
所述图像检测模型包括第一图像检测模型和第二图像检测模型中的至少一者;其中,所述第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,所述第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数;
在所述图像检测模型中包括所述第一图像检测模型的情况下,所述虚拟物体类型参数的预测值的数量为至少两个,不同预测值与不同虚拟物体类型对应,任一预测值指示所述测试图像中存在具有相应虚拟物体类型的虚拟物体的概率;
所述根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能,包括:
在至少两个预测值指示的各概率中,数值最大的概率大于相应的虚拟物体类型所对应的预设概率的情况下,确定所述移动终端的AR加载功能处于正常状态;否则,确定所述移动终端的AR加载功能处于异常状态。
2.根据权利要求1所述的方法,其特征在于,所述图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到。
3.根据权利要求1所述的方法,其特征在于,在所述图像检测模型中包括所述第二图像检测模型的情况下,所述测试图像中包括第一测试图像和第二测试图像,所述第二测试图像是在所述移动终端得到所述第一测试图像后,调用所述移动终端的AR显示效果调整功能后得到的;
所述根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能,包括:
根据第一预测值、第二预测值,以及所述AR显示效果调整功能对应的评估策略,评估所述AR显示效果调整功能是否处于正常状态;
其中,所述第一预测值是将所述第一测试图像输入所述第二图像检测模型后,所述第二图像检测模型输出的;所述第二预测值是将所述第二测试图像输入所述第二图像检测模型后,所述第二图像检测模型输出的。
4.根据权利要求3所述的方法,其特征在于,所述AR显示效果调整功能包括AR缩放功能;
所述根据第一预测值、第二预测值,以及所述AR显示效果调整功能对应的评估策略,评估所述AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定所述第一测试图像中的第一虚拟物体面积,以及根据第二预测值,确定所述第二测试图像中的第二虚拟物体面积;
在目标变化趋势与所述AR缩放功能对应的预期缩放趋势相匹配的情况下,确定所述AR缩放功能处于正常状态;否则,确定所述AR缩放功能处于异常状态;
其中,所述目标变化趋势为所述第二虚拟物体面积相对于所述第一虚拟物体面积的面积大小变化趋势。
5.根据权利要求3所述的方法,其特征在于,所述AR显示效果调整功能包括AR移动功能;
所述根据第一预测值、第二预测值,以及所述AR显示效果调整功能对应的评估策略,评估所述AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,所述第一显示位置为所述第一测试图像中的虚拟物体中心点在所述移动终端上的显示位置,所述第二显示位置为所述第二测试图像中的虚拟物体中心点在所述移动终端上的显示位置;
确定目标连线与所述移动终端的预设边的夹角;其中,所述目标连线为所述第一显示位置和所述第二显示位置的连线;
在所述夹角处于所述AR移动功能对应的预期夹角范围内的情况下,确定所述AR移动功能处于正常状态;否则,确定所述AR移动功能处于异常状态。
6.根据权利要求3所述的方法,其特征在于,所述AR显示效果调整功能包括AR旋转功能;
所述根据第一预测值、第二预测值,以及所述AR显示效果调整功能对应的评估策略,评估所述AR显示效果调整功能是否处于正常状态,包括:
根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,所述第一显示位置为所述第一测试图像中的虚拟物体中心点在所述移动终端上的显示位置,所述第二显示位置为所述第二测试图像中的虚拟物体中心点在所述移动终端上的显示位置;
在目标距离小于预设距离,且所述第一测试图像的图像像素或图像灰度不同于所述第二测试图像的情况下,确定所述AR旋转功能处于正常状态;否则,确定所述AR旋转功能处于异常状态;
其中,所述目标距离为所述第一显示位置和所述第二显示位置之间的距离。
7.一种增强现实技术AR功能测试装置,其特征在于,包括:
获取模块,用于获取移动终端在AR场景下显示的测试图像;
获得模块,用于将所获取的测试图像输入图像检测模型,获得由所述图像检测模型输出的虚拟物体检测参数的预测值;
评估模块,用于根据所述虚拟物体检测参数的预测值,评估所述移动终端的AR功能;
所述图像检测模型包括第一图像检测模型和第二图像检测模型中的至少一者;其中,所述第一图像检测模型的虚拟物体检测参数为虚拟物体类型参数,所述第二图像检测模型的虚拟物体检测参数为虚拟物体位置参数;
在所述图像检测模型中包括所述第一图像检测模型的情况下,所述虚拟物体类型参数的预测值的数量为至少两个,不同预测值与不同虚拟物体类型对应,任一预测值指示所述测试图像中存在具有相应虚拟物体类型的虚拟物体的概率;
所述评估模块,具体用于:
在至少两个预测值指示的各概率中,数值最大的概率大于相应的虚拟物体类型所对应的预设概率的情况下,确定所述移动终端的AR加载功能处于正常状态;否则,确定所述移动终端的AR加载功能处于异常状态。
8.根据权利要求7所述的装置,其特征在于,所述图像检测模型依据AR场景下的训练图像,以及训练图像的虚拟物体检测参数的实际值训练得到。
9.根据权利要求7所述的装置,其特征在于,在所述图像检测模型中包括所述第二图像检测模型的情况下,所述测试图像中包括第一测试图像和第二测试图像,所述第二测试图像是在所述移动终端得到所述第一测试图像后,调用所述移动终端的AR显示效果调整功能后得到的;
所述评估模块,具体用于:
根据第一预测值、第二预测值,以及所述AR显示效果调整功能对应的评估策略,评估所述AR显示效果调整功能是否处于正常状态;
其中,所述第一预测值是将所述第一测试图像输入所述第二图像检测模型后,所述第二图像检测模型输出的;所述第二预测值是将所述第二测试图像输入所述第二图像检测模型后,所述第二图像检测模型输出的。
10.根据权利要求9所述的装置,其特征在于,所述AR显示效果调整功能包括AR缩放功能;
所述评估模块,包括:
第一确定单元,用于根据第一预测值,确定所述第一测试图像中的第一虚拟物体面积,以及根据第二预测值,确定所述第二测试图像中的第二虚拟物体面积;
第一评估单元,用于在目标变化趋势与所述AR缩放功能对应的预期缩放趋势相匹配的情况下,确定所述AR缩放功能处于正常状态;否则,确定所述AR缩放功能处于异常状态;
其中,所述目标变化趋势为所述第二虚拟物体面积相对于所述第一虚拟物体面积的面积大小变化趋势。
11.根据权利要求9所述的装置,其特征在于,所述AR显示效果调整功能包括AR移动功能;
所述评估模块,包括:
第二确定单元,用于根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,所述第一显示位置为所述第一测试图像中的虚拟物体中心点在所述移动终端上的显示位置,所述第二显示位置为所述第二测试图像中的虚拟物体中心点在所述移动终端上的显示位置;
第三确定单元,用于确定目标连线与所述移动终端的预设边的夹角;其中,所述目标连线为所述第一显示位置和所述第二显示位置的连线;
第二评估单元,用于在所述夹角处于所述AR移动功能对应的预期夹角范围内的情况下,确定所述AR移动功能处于正常状态;否则,确定所述AR移动功能处于异常状态。
12.根据权利要求9所述的装置,其特征在于,所述AR显示效果调整功能包括AR旋转功能;
所述评估模块,包括:
第四确定单元,用于根据第一预测值,确定第一显示位置,以及根据第二预测值,确定第二显示位置;其中,所述第一显示位置为所述第一测试图像中的虚拟物体中心点在所述移动终端上的显示位置,所述第二显示位置为所述第二测试图像中的虚拟物体中心点在所述移动终端上的显示位置;
第三评估单元,用于在目标距离小于预设距离,且所述第一测试图像的图像像素或图像灰度不同于所述第二测试图像的情况下,确定所述AR旋转功能处于正常状态;否则,确定所述AR旋转功能处于异常状态;
其中,所述目标距离为所述第一显示位置和所述第二显示位置之间的距离。
13.一种增强现实技术AR功能测试系统,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的AR功能测试方法的步骤。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的AR功能测试方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的AR功能测试方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811286300.5A CN109446016B (zh) | 2018-10-31 | 2018-10-31 | 一种增强现实技术ar功能测试方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811286300.5A CN109446016B (zh) | 2018-10-31 | 2018-10-31 | 一种增强现实技术ar功能测试方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446016A CN109446016A (zh) | 2019-03-08 |
CN109446016B true CN109446016B (zh) | 2024-04-09 |
Family
ID=65550094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811286300.5A Active CN109446016B (zh) | 2018-10-31 | 2018-10-31 | 一种增强现实技术ar功能测试方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446016B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012240B (zh) * | 2021-04-25 | 2023-03-31 | 歌尔光学科技有限公司 | 测试方法、测试终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2977961A1 (de) * | 2014-07-24 | 2016-01-27 | Deutsche Telekom AG | Verfahren und Kommunikationseinrichtung zum Erstellen und/oder Ändern virtueller Objekte |
CN106774937A (zh) * | 2017-01-13 | 2017-05-31 | 宇龙计算机通信科技(深圳)有限公司 | 一种增强现实技术中的图像交互方法及其装置 |
-
2018
- 2018-10-31 CN CN201811286300.5A patent/CN109446016B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2977961A1 (de) * | 2014-07-24 | 2016-01-27 | Deutsche Telekom AG | Verfahren und Kommunikationseinrichtung zum Erstellen und/oder Ändern virtueller Objekte |
CN106774937A (zh) * | 2017-01-13 | 2017-05-31 | 宇龙计算机通信科技(深圳)有限公司 | 一种增强现实技术中的图像交互方法及其装置 |
Non-Patent Citations (2)
Title |
---|
Replacing a Human Hand by a Virtual Hand and Adjusting Its Posture to a Virtual Object for Its Manipulation in an AR Environment;Akihiro Ono;IEEE;20131212;全文 * |
一种基于SURF与地理格网模型的增强现实方法;毕金强;许家帅;辛全波;尚东方;;计算机与现代化;20180615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109446016A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670558B (zh) | 使用深度学习的数字图像完成 | |
CN111986178A (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN107885871A (zh) | 基于云计算的同步定位与地图构建方法、系统、交互系统 | |
CN111507958A (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
CN113537374B (zh) | 一种对抗样本生成方法 | |
US20210217197A1 (en) | Processing images to localize novel objects | |
US11170581B1 (en) | Supervised domain adaptation | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN113689578A (zh) | 一种人体数据集生成方法及装置 | |
CN112785557A (zh) | 皮带料流检测方法及装置、皮带料流检测系统 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN113688820A (zh) | 频闪条带信息识别方法、装置和电子设备 | |
CN116245193A (zh) | 目标检测模型的训练方法、装置、电子设备及介质 | |
CN109446016B (zh) | 一种增强现实技术ar功能测试方法、装置及系统 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN113507570B (zh) | 曝光补偿方法、装置和电子设备 | |
CN112233161B (zh) | 手部图像深度确定方法、装置、电子设备及存储介质 | |
CN111797993B (zh) | 深度学习模型的评价方法、装置、电子设备及存储介质 | |
US11551379B2 (en) | Learning template representation libraries | |
CN110427885A (zh) | 铭牌的检测方法、装置及计算机可读存储介质 | |
CN112862855B (zh) | 图像标注方法、装置、计算设备及存储介质 | |
CN113947771B (zh) | 图像识别方法、装置、设备、存储介质以及程序产品 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
WO2014028440A2 (en) | Fast image processing for recognition objectives system |
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 |