CN112370789B - 模型三角形网格合适度的检测方法及系统 - Google Patents

Abstract

本发明公开了一种模型三角形网格合适度的检测方法及系统，该方法包括以下步骤：S100，记录每帧图片中每个像素最终被绘制的物件模型，统计得出所述物件模型渲染使用的像素数量；S200，根据所述物件模型的三角形网格数及所述像素数量，得出模型三角形网格合适度；S300，根据所述模型三角形网格合适度，提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化。本发明至少具有以下有益效果：通过采集物体模型渲染中实际使用的像素数量，根据网格数得出合适度，对物件模型的三角形网格进行优化，可有效控制模型资源的规格，使之保持一定的精度的情况下避免造成运行瓶颈，从而减小游戏安装包的空间占用，并提升游戏的运行性能。

Description

模型三角形网格合适度的检测方法及系统

技术领域

本发明涉及游戏性能优化技术领域，特别涉及一种模型三角形网格合适度的检测方法及系统。

背景技术

目前手机游戏广受大众欢迎，游戏的重度倾向已经越来越明显，对手机硬件要求越来越高，玩家对游戏的画面效果要求也越来越高。游戏渲染中极其重要的一种资源是模型，模型资源的规格会影响游戏安装包的大小、游戏运行内存的大小及游戏运行计算量，因此，如何有效的控制模型资源的规格成为一个问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种模型三角形网格合适度的检测方法，能够有效控制模型资源的规格，并进行优化，从而提高游戏运行性能。

本发明还提出一种具有上述模型三角形网格合适度的检测方法的模型三角形网格合适度的检测系统。

本发明还提出一种具有上述模型三角形网格合适度的检测方法的计算机可读存储介质。

根据本发明的第一方面实施例的模型三角形网格合适度的检测方法，包括以下步骤：S100，记录每帧图片中每个像素最终被绘制的物件模型，统计得出所述物件模型渲染使用的像素数量；S200，根据所述物件模型的三角形网格数及所述像素数量，得出模型三角形网格合适度；S300，根据所述模型三角形网格合适度，提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化。

根据本发明实施例的模型三角形网格合适度的检测方法，至少具有如下有益效果：通过采集物体模型渲染中实际使用的像素数量，根据网格数得出合适度，对物件模型的三角形网格进行优化，可有效控制模型资源的规格，使之保持一定的精度的情况下避免造成运行瓶颈，从而减小游戏安装包的空间占用，并提升游戏的运行性能。

根据本发明的一些实施例，所述步骤S100包括：S110，通过着色器渲染所述物件模型，在可渲染纹理中记录每帧图片中每个像素最终被绘制的所述物件模型；S120，根据所述可渲染纹理中的数据，统计得出所述物件模型渲染使用的像素数量。

根据本发明的一些实施例，所述步骤S110包括：S111，根据模型颜色映射表，获取所述物件模型的渲染颜色，在所述模型颜色映射表中，所述物件模型与所述渲染颜色一一对应；S112，所述着色器根据所述渲染颜色对所述物件模型进行渲染，在所述可渲染纹理中记录每帧图片中每个像素的颜色。

根据本发明的一些实施例，所述步骤S200包括：S210，遍历所述可渲染纹理中的每个像素，根据像素颜色对像素数量进行分类统计；S220，根据所述像素颜色在所述模型颜色映射表中查找到相应的所述物件模型，得到所述物件模型渲染使用的像素数量。

根据本发明的一些实施例，所述步骤S300包括：若所述模型三角形网格合适度超过第一阈值，则提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化。

根据本发明的一些实施例，提取所述物件模型的三角形网格的密集特征的方法包括：根据所述物件模型的类型，将所述物件模型划分为若干分部区域，获取所述分部区域的渲染使用的像素数量，并根据所述分部区域的三角形网格信息提取所述密集特征。

根据本发明的第二方面实施例的模型三角形网格合适度的检测系统，包括：渲染数据采集模块，用于记录每帧图片中每个像素最终被绘制的物件模型，统计得出所述物件模型渲染使用的像素数量；网格合适度分析模块，用于根据所述物件模型的三角形网格数及所述像素数量，得出模型三角形网格合适度；网格优化模块，用于根据所述模型三角形网格合适度，提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化。

根据本发明实施例的模型三角形网格合适度的检测系统，至少具有如下有益效果：通过采集物体模型渲染中实际使用的像素数量，根据网格数得出合适度，对物件模型的三角形网格进行优化，可有效控制模型资源的规格，使之保持一定的精度的情况下避免造成运行瓶颈，从而减小游戏安装包的空间占用，并提升游戏的运行性能。

根据本发明的一些实施例，所述网格优化模块还包括：密集特征提取模块，用于根据所述物件模型的类型，将所述物件模型划分为若干分部区域，获取所述分部区域的渲染使用的像素数量，并根据所述分部区域的三角形网格信息提取所述密集特征。

根据本发明的第三方面实施例的计算机可读存储介质，其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本发明的第一方面实施例的方法。

根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：通过采集物体模型渲染中实际使用的像素数量，根据网格数得出合适度，对物件模型的三角形网格进行优化，可有效控制模型资源的规格，使之保持一定的精度的情况下避免造成运行瓶颈，从而减小游戏安装包的空间占用，并提升游戏的运行性能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的方法的流程示意图；

图2为本发明实施例的方法中的具体步骤处理示意图；

图3为本发明实施例的系统的模块示意框图。

附图标记：

渲染数据采集模块100、网格合适度分析模块200、网格优化模块300、密集特征提取模块310。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

参照图1，本发明的实施例的方法包括：S100，记录每帧图片中每个像素最终被绘制的物件模型，统计得出物件模型渲染使用的像素数量；S200，根据物件模型的三角形网格数及像素数量，得出模型三角形网格合适度；S300，根据模型三角形网格合适度，提取物件模型的三角形网格的密集特征，对物件模型进行优化。

本发明的实施例之一中，首先实现一个shader，可将当前绘制序号保存到RenderTexture中，RenderTexture为可渲染纹理，它可以被写入数据，为每个像素记录数据。然后，在用于游戏开发的unity引擎中，使用camera.RenderWithShader()，强制使用第一步的shader进行游戏渲染。对于游戏的每帧，RenderTexture记录了每个像素最终被绘制的物件。检测完成后，统计物件像素使用量，遍历RenderTexture的每个像素数据，维护Dictionary<string objPath, int count>数据结构，objPath为物件的唯一路径标识，count为物件的像素数量。最后计算物件的三角形面片数量与像素比例，物件在游戏中以三角形网格（也称面片）描述，面片数量越多，模型越精致，但内存耗费也会越多，计算量也会越大。若面片数量与像素比例越大，相当于一个像素表示了越多的面片，显然过多的面片是多余浪费的，因此，可以在保证游戏画面效果的前提下，适当地减少物件模型的三角形面片数。面片数量与像素的比例超过第一阈值，则认为此模型三角形网格是不合适的，过于密集。然后，可以通过人工智能，学习并提取该物件模型中的三角形网格的密集特征，根据密集特征对该物件模型进行优化。对于繁杂的物件模型，可根据物件模型的类型，将该物件模型划分为不同的分部区域，根据分部区域的三角形网格信息分别提取密集特征。

本发明实施例的之二的方法过程参照图2，具体过程如下。为待测试场景中的物件模型配置一个模型颜色映射表，在该模型颜色映射表中，物件模型与渲染颜色一一对应。启动待测试游戏，进入该测试场景，通过着色器将物件模型绘制成对应的渲染颜色。控制镜头以预设的轨迹及朝向运动，场景中的物件被渲染，并以帧为单位记录在可渲染纹理中，该可渲染纹理记录每个像素最后绘制的颜色。检测赛程完成后，遍历可渲染纹理中的像素，以像表颜色分类统计每种颜色的像素数量，从模型颜色映射表中查找该像素颜色对应的物件模型，即得到该物件模型渲染使用到的像素数量N。获取物件模型的三角形网格数量，根据三角形网格数量与像素数量N的比例得出模型三角形网格合适度。若该模型三角形网格合适度超过第一阈值，则认为此模型三角形网格是不合适的，过于密集，并通过人工智能，学习并提取该物件模型中的三角形网格的密集特征，根据密集特征对该物件模型进行优化。

本发明实施例的系统参照图3，包括：渲染数据采集模块100、网格合适度分析模块200及网格优化模块300。渲染数据采集模块100用于记录待测游戏场景中，每帧图片中每个像素最终被绘制的物件模型，并统计得出物件模型渲染使用的像素数量；通常在待游戏中记录像素最终被物件模型，采集到的数据后再统一计算出物件模型使用到的像素数量。网格合适度分析模块200，则用于获取物件模型的网格数量，根据网格数量与像素数量的比例，得出模型三角形网格合适度。网格优化模块300用于根据模型三角形网格合适度，提取物件模型的三角形网格的密集特征，对物件模型进行优化。在本发明的实施例中，网格优化模块300还包括密集特征提取模块310，用于根据物件模型的类型，对物件模型进行细分，得到若干分部区域，获取述分部区域的渲染使用的像素数量，并根据分部区域的三角形网格信息提取密集特征。密集特征提取模块310用于分析繁杂度或较多三角形网格的物件模型的密集特征，找出模型的优化瓶颈点。应理解的是，在本发明的另一些实施例中，网格优化模块300也可不包括密集特征提取模块310。

尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。

上文参考根据示例性实施方案所述的系统、方法、装置和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解，框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样，根据一些实施方案，框图和流程图中的一些块可能无需按示出的顺序执行，或者可以无需全部执行。另外，超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。

因此，框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解，框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。

本文所述的程序模块、应用程序等可包括一个或多个软件组件，包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令，所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分（例如，本文所述的例示性方法的一种或多种操作）被执行。

软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言，诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言，其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中，包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行，而无需首先转换成另一种形式。

软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的（例如，预设的或固定的）或动态的（例如，在执行时创建或修改的）。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种模型三角形网格合适度的检测方法，其特征在于，包括以下步骤：

S100，记录每帧图片中每个像素最终被绘制的物件模型，统计得出所述物件模型渲染使用的像素数量；所述步骤S100包括：S110，通过着色器渲染所述物件模型，在可渲染纹理中记录每帧图片中每个像素最终被绘制的所述物件模型；S120，根据所述可渲染纹理中的数据，统计得出所述物件模型渲染使用的像素数量；所述步骤S110包括：S111，根据模型颜色映射表，获取所述物件模型的渲染颜色，在所述模型颜色映射表中，所述物件模型与所述渲染颜色一一对应；S112，所述着色器根据所述渲染颜色对所述物件模型进行渲染，在所述可渲染纹理中记录每帧图片中每个像素的颜色；

S200，根据所述物件模型的三角形网格数及所述像素数量，得出模型三角形网格合适度；所述步骤S200包括：S210，遍历所述可渲染纹理中的每个像素，根据像素颜色对像素数量进行分类统计；S220，根据所述像素颜色在所述模型颜色映射表中查找到相应的所述物件模型，得到所述物件模型渲染使用的像素数量；

S300，根据所述模型三角形网格合适度，提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化；所述步骤S300包括：若所述模型三角形网格合适度超过第一阈值，则提取所述物件模型的三角形网格的密集特征，通过人工智能，学习并提取所述物件模型中的三角形网格的密集特征，对所述物件模型进行优化，其中，第一阈值用于判断所述三角形网格合适度，所述三角形网格合适度通过三角形网格数量与像素数量的比值得到；其中密集特征表示三角形网格的密集程度。

2.根据权利要求1所述的模型三角形网格合适度的检测方法，其特征在于，提取所述物件模型的三角形网格的密集特征的方法包括：

根据所述物件模型的类型，将所述物件模型划分为若干分部区域，获取所述分部区域的渲染使用的像素数量，并根据所述分部区域的三角形网格信息提取所述密集特征。

3.一种模型三角形网格合适度的检测系统，使用权利要求1或2中任一项的方法，其特征在于，包括：

渲染数据采集模块，用于记录每帧图片中每个像素最终被绘制的物件模型，统计得出所述物件模型渲染使用的像素数量；

网格合适度分析模块，用于根据所述物件模型的三角形网格数及所述像素数量，得出模型三角形网格合适度；

网格优化模块，用于根据所述模型三角形网格合适度，提取所述物件模型的三角形网格的密集特征，对所述物件模型进行优化。

4.根据权利要求3所述的模型三角形网格合适度的检测系统，其特征在于，所述网格优化模块还包括：

密集特征提取模块，用于根据所述物件模型的类型，将所述物件模型划分为若干分部区域，获取所述分部区域的渲染使用的像素数量，并根据所述分部区域的三角形网格信息提取所述密集特征。

5.一种计算机可读存储介质，其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权利要求1或2中任一项的方法。

Images