CN116740325B - 一种基于展馆场景三维效果设计的图像拼接方法及系统 - Google Patents

一种基于展馆场景三维效果设计的图像拼接方法及系统 Download PDF

Info

Publication number
CN116740325B
CN116740325B CN202311027555.0A CN202311027555A CN116740325B CN 116740325 B CN116740325 B CN 116740325B CN 202311027555 A CN202311027555 A CN 202311027555A CN 116740325 B CN116740325 B CN 116740325B
Authority
CN
China
Prior art keywords
exemplary
feature representation
representation
scene
feature
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
Application number
CN202311027555.0A
Other languages
English (en)
Other versions
CN116740325A (zh
Inventor
孙彪
周维
王婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Heyin Technology And Cultural Development Co ltd
Original Assignee
Guangzhou Heyin Technology And Cultural Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Heyin Technology And Cultural Development Co ltd filed Critical Guangzhou Heyin Technology And Cultural Development Co ltd
Priority to CN202311027555.0A priority Critical patent/CN116740325B/zh
Publication of CN116740325A publication Critical patent/CN116740325A/zh
Application granted granted Critical
Publication of CN116740325B publication Critical patent/CN116740325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2008—Assembling, disassembling
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种基于展馆场景三维效果设计的图像拼接方法及系统，涉及人工智能技术领域。在本发明中，提取到待分析场景对象对应的对象属性描述信息；形成待分析场景对象对应的对象投射特征表示；形成待分析场景对象对应的对象关键信息特征表示；基于对象投射特征表示和对象关键信息特征表示，分析出对象深度信息特征表示；挖掘出候选图像拼接方案对应的图像拼接方案特征表示，基于对象深度信息特征表示和图像拼接方案特征表示，分析出兴趣度评估参数；依据兴趣度评估参数，筛选出感兴趣图像拼接方案，基于感兴趣图像拼接方案，形成对应的三维展馆场景拼接图像。基于上述内容，可以提高图像拼接的可靠度。

Description

一种基于展馆场景三维效果设计的图像拼接方法及系统
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于展馆场景三维效果设计的图像拼接方法及系统。
背景技术
在展馆场景三维效果设计的过程中，基于一些需求，会对三维图像进行拼接，即将多个三维图像进行拼接，以形成一个尺寸更大的三维图像。但是，在现有技术中，一般是进行任意的拼接或按照固定的拼接模式进行拼接，使得与实际需求不适配，即存在可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于展馆场景三维效果设计的图像拼接方法及系统，以在一定程度上提高图像拼接的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于展馆场景三维效果设计的图像拼接方法，所述图像拼接方法包括：
提取到待分析场景对象对应的对象属性描述信息；
通过特征空间处理模型，将所述对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的对象投射特征表示，所述特征空间处理模型依据与示例性场景对象簇中的每一个示例性场景对象具有对应关系的示例性图像拼接方案簇、与每一个所述示例性场景对象对应的示例性对象属性描述信息进行网络优化操作以形成；
将所述对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的对象关键信息特征表示，所述对象投射特征表示用于反映所述待分析场景对象的图像拼接兴趣，所述对象关键信息特征表示用于反映所述待分析场景对象对应的对象属性；
基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示；
挖掘出预先配置的候选图像拼接方案簇中每一个候选图像拼接方案对应的图像拼接方案特征表示，以及，基于所述对象深度信息特征表示和每一个所述候选图像拼接方案对应的图像拼接方案特征表示，分析出每一个所述候选图像拼接方案的兴趣度评估参数；
依据每一个所述候选图像拼接方案的兴趣度评估参数，在所述候选图像拼接方案簇包括的各候选图像拼接方案中，筛选出感兴趣图像拼接方案，以及，基于所述感兴趣图像拼接方案，对所述待分析场景对象对应的展馆场景中的三维图像进行拼接操作，以形成对应的三维展馆场景拼接图像。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述对象投射特征表示和所述对象关键信息特征表示利用特征表示挖掘网络处理形成，所述基于展馆场景三维效果设计的图像拼接方法还包括：
基于历史上进行的展馆场景三维效果设计的图像拼接对应的历史场景对象，构建出对应的示例性场景对象簇，以及，确定出所述示例性场景对象簇对应的示例性信息簇，所述示例性信息簇包括第一示例性场景对象的示例性对象属性描述信息、所述第一示例性场景对象的示例性图像拼接方案簇，所述示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的示例性图像拼接方案；
基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络，所述特征表示挖掘网络包括所述特征空间处理模型和关键信息挖掘模型。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述候选特征表示挖掘网络包括候选特征空间处理模型和候选关键信息挖掘模型，所述候选特征空间处理模型和所述特征空间处理模型具有对应关系，所述候选关键信息挖掘模型和所述关键信息挖掘模型具有对应关系；
所述基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，包括：
基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示；
利用所述候选特征空间处理模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的示例性对象投射特征表示；
利用所述候选关键信息挖掘模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的示例性对象关键信息特征表示；
基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
将所述第一示例性场景对象对应的示例性图像拼接方案簇中的每一个示例性图像拼接方案进行关键信息挖掘操作，以形成每一个示例性图像拼接方案对应的示例性拼接方案特征表示；
利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示，所述特征表示分析模型用于将所述示例性拼接方案特征表示作为待处理特征表示，以基于该待处理特征表示和配置的初始对象兴趣特征表示，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
对所述示例性拼接方案特征表示进行标记，以标记为待处理特征表示；
基于所述待处理特征表示和配置的初始对象兴趣特征表示，按照所述特征表示分析模型的动态传播规则，分析出所述待处理特征表示与配置的初始对象兴趣特征表示之间的传播参数；
基于所述传播参数，确定出对应的匹配性表征参数；
对所述匹配性表征参数进行标记，以标记为所述待处理特征表示的重要性表征参数，以进行加权操作，形成对应的待定对象兴趣特征表示簇；
基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
基于配置的目标激励映射规则，将所述待定对象兴趣特征表示簇进行激励映射操作，以形成对应的激励对象兴趣特征表示簇，所述待定对象兴趣特征表示簇包括的待定对象兴趣特征表示和所述激励对象兴趣特征表示簇包括的激励对象兴趣特征表示之间具有一一对应的关系；
将所述激励对象兴趣特征表示簇中每一个激励对象兴趣特征表示分别进行聚焦特征分析操作，以形成对应的聚焦对象兴趣特征表示簇，所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示和所述激励对象兴趣特征表示簇中的所述激励对象兴趣特征表示之间具有一一对应的关系；
将所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示进行融合操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，包括：
基于预先配置的特征表示处理误差分析规则，将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行特征表示处理误差分析操作，以得到对应的第一误差结果；
对所述示例性对象关键信息特征表示和所述示例性对象兴趣特征表示进行聚合操作，以形成对应的示例性聚合特征表示；
基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果；
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，在所述基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果的步骤以前，所述基于展馆场景三维效果设计的图像拼接方法还包括：
构建出指定时间区间对应的所述第一示例性场景对象的第一示例性图像拼接方案簇，所述第一示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的至少一个示例性图像拼接方案；
在所述第一示例性图像拼接方案簇包括的至少一个第一示例性图像拼接方案中，选择出一个第一示例性图像拼接方案。
在一些优选的实施例中，在上述基于展馆场景三维效果设计的图像拼接方法中，所述候选特征表示挖掘网络包括特征表示聚合模型，所述示例性聚合特征表示利用所述特征表示聚合模型将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行聚合操作以形成，所述基于展馆场景三维效果设计的图像拼接方法还包括：
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的特征表示聚合模型进行网络优化操作，以形成优化后的特征表示聚合模型；
所述基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示的步骤，包括：
利用将所述特征表示聚合模型进行网络优化操作以形成的优化后的特征表示聚合模型，将所述对象投射特征表示和所述对象关键信息特征表示进行聚合操作，以形成所述待分析场景对象对应的对象深度信息特征表示；
其中，所述特征表示聚合模型包括目标加权参数和目标偏移参数，所述目标加权参数用于对所述对象投射特征表示和所述对象关键信息特征表示的级联组合特征表示进行加权操作，所述目标偏移参数用于对加权操作的结果进行相加运算，使得所述特征表示聚合模型对相加运算的结果进行全连接操作，以形成对应的对象深度信息特征表示。
本发明实施例还提供一种基于展馆场景三维效果设计的图像拼接系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于展馆场景三维效果设计的图像拼接方法。
本发明实施例提供的一种基于展馆场景三维效果设计的图像拼接方法及系统，可以先提取到待分析场景对象对应的对象属性描述信息；形成待分析场景对象对应的对象投射特征表示；形成待分析场景对象对应的对象关键信息特征表示；基于对象投射特征表示和对象关键信息特征表示，分析出对象深度信息特征表示；挖掘出候选图像拼接方案对应的图像拼接方案特征表示，基于对象深度信息特征表示和图像拼接方案特征表示，分析出兴趣度评估参数；依据兴趣度评估参数，筛选出感兴趣图像拼接方案，基于感兴趣图像拼接方案，形成对应的三维展馆场景拼接图像。基于前述的内容，由于在进行兴趣度评估参数的过程中，会结合对象投射特征表示和对象关键信息特征表示，即考虑兴趣和属性两个方面的信息，使得确定出的兴趣度评估参数的可靠度更高，因此，可以保障确定出的感兴趣图像拼接方案的可靠度（与实际对象需求更为适配），从而在一定程度上提高图像拼接的可靠度，进而改善现有技术中存在的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于展馆场景三维效果设计的图像拼接系统的结构框图。
图2为本发明实施例提供的基于展馆场景三维效果设计的图像拼接方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于展馆场景三维效果设计的图像拼接装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于展馆场景三维效果设计的图像拼接系统。其中，所述基于展馆场景三维效果设计的图像拼接系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于展馆场景三维效果设计的图像拼接方法。
可以选择的是，在一些具体的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
可以选择的是，在一些具体的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以选择的是，在一些具体的实施方式中，所述基于展馆场景三维效果设计的图像拼接系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于展馆场景三维效果设计的图像拼接方法，可应用于上述基于展馆场景三维效果设计的图像拼接系统。其中，所述基于展馆场景三维效果设计的图像拼接方法有关的流程所定义的方法步骤，可以由所述基于展馆场景三维效果设计的图像拼接系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取到待分析场景对象对应的对象属性描述信息。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以提取到待分析场景对象对应的对象属性描述信息，所述对象属性描述信息可以是指对象的基础信息，如身份、年龄、位置、学历、职业等。
步骤S120，通过特征空间处理模型，将所述对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的对象投射特征表示。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以通过特征空间处理模型，将所述对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的对象投射特征表示。所述特征空间处理模型依据与示例性场景对象簇中的每一个示例性场景对象具有对应关系的示例性图像拼接方案簇、与每一个所述示例性场景对象对应的示例性对象属性描述信息进行网络优化操作以形成。也就是说，所述特征空间处理模型可以学习到示例性对象属性描述信息和示例性图像拼接方案之间的对应关系，使得可以基于该对应关系，确定出所述对象属性描述信息对应的对象投射特征表示，所述对象投射特征表示用于反映所述待分析场景对象的图像拼接兴趣，即图像拼接方案的倾向性。
步骤S130，将所述对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的对象关键信息特征表示。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以将所述对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的对象关键信息特征表示。所述对象关键信息特征表示用于反映所述待分析场景对象对应的对象属性，即挖掘出所述对象属性描述信息中的关键信息，用向量的形式进行表示，可以得到对象关键信息特征表示，也就是说，所述对象关键信息特征表示反映的是对象属性描述信息自身具有的语义，所述对象投射特征表示反映的是历史上相同或相近类型的对象（如与所述对象属性描述信息相同）的兴趣或倾向，具有参考价值，可以应用。在本发明实施例中，特征表示的具体形式都可以为向量。
步骤S140，基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示。也就是说，所述对象深度信息特征表示可以具有所述对象投射特征表示和所述对象关键信息特征表示两个维度的信息，使得其表征能力更强。
步骤S150，挖掘出预先配置的候选图像拼接方案簇中每一个候选图像拼接方案对应的图像拼接方案特征表示，以及，基于所述对象深度信息特征表示和每一个所述候选图像拼接方案对应的图像拼接方案特征表示，分析出每一个所述候选图像拼接方案的兴趣度评估参数。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以挖掘出预先配置的候选图像拼接方案簇中每一个候选图像拼接方案对应的图像拼接方案特征表示，例如，可以对所述候选图像拼接方案进行关键信息挖掘操作等，以形成对应的图像拼接方案特征表示，以及，基于所述对象深度信息特征表示和每一个所述候选图像拼接方案对应的图像拼接方案特征表示，分析出每一个所述候选图像拼接方案的兴趣度评估参数，所述兴趣度评估参数可以是指预估出的所述待分析场景对象对所述候选图像拼接方案的感兴趣程度。示例性地，可以计算所述对象深度信息特征表示和所述图像拼接方案特征表示之间的相似度，以得到对应的感兴趣程度，特征表示之间的相似度的计算方式不受限制，如余弦相似度等。
步骤S160，依据每一个所述候选图像拼接方案的兴趣度评估参数，在所述候选图像拼接方案簇包括的各候选图像拼接方案中，筛选出感兴趣图像拼接方案，以及，基于所述感兴趣图像拼接方案，对所述待分析场景对象对应的展馆场景中的三维图像进行拼接操作，以形成对应的三维展馆场景拼接图像。
在本发明实施例中，所述基于展馆场景三维效果设计的图像拼接系统可以依据每一个所述候选图像拼接方案的兴趣度评估参数，在所述候选图像拼接方案簇包括的各候选图像拼接方案中，筛选出感兴趣图像拼接方案，例如，可以将对应的兴趣度评估参数最大的感兴趣图像拼接方案作为感兴趣图像拼接方案，以及，基于所述感兴趣图像拼接方案，对所述待分析场景对象对应的展馆场景中的三维图像进行拼接操作，以形成对应的三维展馆场景拼接图像。另外，图像拼接方案可以用图像、文本等形式描述。
基于前述的内容（即上述的步骤S110-步骤S160），由于在进行兴趣度评估参数的过程中，会结合对象投射特征表示和对象关键信息特征表示，即考虑兴趣和属性两个方面的信息，使得确定出的兴趣度评估参数的可靠度更高，因此，可以保障确定出的感兴趣图像拼接方案的可靠度（与实际对象需求更为适配），从而在一定程度上提高图像拼接的可靠度，进而改善现有技术中存在的可靠度不高的问题。
可以选择的是，在一些具体的实施方式中，所述对象投射特征表示和所述对象关键信息特征表示利用特征表示挖掘网络处理形成，基于此，所述基于展馆场景三维效果设计的图像拼接方法还可以进一步包括以下所述的具体实施内容：
基于历史上进行的展馆场景三维效果设计的图像拼接对应的历史场景对象，构建出对应的示例性场景对象簇，以及，确定出所述示例性场景对象簇对应的示例性信息簇，所述示例性信息簇包括第一示例性场景对象的示例性对象属性描述信息、所述第一示例性场景对象的示例性图像拼接方案簇，所述示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的示例性图像拼接方案，所述第一示例性场景对象可以是所述示例性场景对象簇中的任意一个示例性场景对象，该示例性场景对象即历史场景对象；
基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络，所述特征表示挖掘网络包括所述特征空间处理模型和关键信息挖掘模型，如此，可以利用所述特征空间处理模型和所述关键信息挖掘模型，执行上述的步骤S120和步骤S130。
可以选择的是，在一些具体的实施方式中，所述候选特征表示挖掘网络包括候选特征空间处理模型和候选关键信息挖掘模型，所述候选特征空间处理模型和所述特征空间处理模型具有对应关系，即网络优化操作后的候选特征空间处理模型可以作为所述特征空间处理模型，所述候选关键信息挖掘模型和所述关键信息挖掘模型具有对应关系，即网络优化操作后的候选关键信息挖掘模型可以作为所述关键信息挖掘模型，基于此，所述基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，可以进一步包括以下所述的具体实施内容：
基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示；
利用所述候选特征空间处理模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的示例性对象投射特征表示，也就是说，可以将所述示例性对象属性描述信息投射到特征空间中，以通过向量的形式表示，例如，所述候选特征空间处理模型可以是一种编码神经网络；
利用所述候选关键信息挖掘模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的示例性对象关键信息特征表示，也就是说，可以将所述示例性对象属性描述信息投射到特征空间中，以通过向量的形式表示，例如，所述候选关键信息挖掘模型可以是一种编码神经网络，与所述候选特征空间处理模型的模型参数可以不同，即分别投射到不同的特征空间；
基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络。
可以选择的是，在一些具体的实施方式中，所述基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，可以进一步包括以下所述的具体实施内容：
将所述第一示例性场景对象对应的示例性图像拼接方案簇中的每一个示例性图像拼接方案进行关键信息挖掘操作，如前所述，以形成每一个示例性图像拼接方案对应的示例性拼接方案特征表示，例如，将示例性图像拼接方案1进行关键信息挖掘操作，形成示例性图像拼接方案1对应的示例性拼接方案特征表示，将示例性图像拼接方案1进行关键信息挖掘操作，形成示例性图像拼接方案2对应的示例性拼接方案特征表示，将示例性图像拼接方案3进行关键信息挖掘操作，形成示例性图像拼接方案3对应的示例性拼接方案特征表示，将示例性图像拼接方案4进行关键信息挖掘操作，形成示例性图像拼接方案4对应的示例性拼接方案特征表示；
利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示，所述特征表示分析模型用于将所述示例性拼接方案特征表示作为待处理特征表示，以基于该待处理特征表示和配置的初始对象兴趣特征表示，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示，所述初始对象兴趣特征表示可以为多个，多个初始对象兴趣特征表示与多种兴趣倾向一一对应，即一个初始对象兴趣特征表示表征一个对象兴趣。
可以选择的是，在一些具体的实施方式中，所述利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，可以进一步包括以下所述的具体实施内容：
对所述示例性拼接方案特征表示进行标记，以标记为待处理特征表示；
基于所述待处理特征表示和配置的初始对象兴趣特征表示，按照所述特征表示分析模型的动态传播规则，分析出所述待处理特征表示与配置的初始对象兴趣特征表示之间的传播参数，也就是说，针对所述第一示例性场景对象，可以确定出对应的每一个示例性图像拼接方案对应的示例性拼接方案特征表示与每一种初始对象兴趣特征表示之间的传播参数；
基于所述传播参数，确定出对应的匹配性表征参数，例如，可以对所述传播参数进行归一化操作，以形成匹配性表征参数，示例性地，在其它实施方式中，还可以基于相应模型的配置参数，对归一化的结果进行加权，以得到对应的匹配性表征参数，所述配置参数可以在网络优化的过程中不断的进行优化调整；
对所述匹配性表征参数进行标记，以标记为所述待处理特征表示的重要性表征参数，以进行加权操作，形成对应的待定对象兴趣特征表示簇；
基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示。
其中，可以选择的是，在一些具体的实施方式中，所述基于所述待处理特征表示和配置的初始对象兴趣特征表示，按照所述特征表示分析模型的动态传播规则，分析出所述待处理特征表示与配置的初始对象兴趣特征表示之间的传播参数的步骤，可以进一步包括以下所述的具体实施内容：
对所述初始对象兴趣特征表示进行转置操作，以形成对应的转置对象兴趣特征表示，以及，对所述转置对象兴趣特征表示、预先配置的线性映射参数（如前述的相应模型的配置参数，可以在网络优化的过程中进行优化调整）和所述待处理特征表示进行相乘运算，以形成所述待处理特征表示与配置的初始对象兴趣特征表示之间的传播参数。
其中，可以选择的是，在一些具体的实施方式中，所述对所述匹配性表征参数进行标记，以标记为所述待处理特征表示的重要性表征参数，以进行加权操作，形成对应的待定对象兴趣特征表示簇的步骤，可以进一步包括以下所述的具体实施内容：
对所述匹配性表征参数进行标记，以标记为所述待处理特征表示的重要性表征参数，分别将每一个所述重要性表征参数和所述待处理特征表示进行相乘，以形成对应的重要性融合特征表示；
针对每一种初始对象兴趣特征表示，对应于该初始对象兴趣特征表示的各重要性融合特征表示（基于该初始对象兴趣特征表示与各示例性拼接方案特征表示进行上述的处理以形成）进行叠加运算操作，以形成该初始对象兴趣特征表示对应的待定对象兴趣特征表示；
将每一种初始对象兴趣特征表示对应的待定对象兴趣特征表示进行组合操作，以形成对应的待定对象兴趣特征表示簇。
可以选择的是，在一些具体的实施方式中，所述基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，可以进一步包括以下所述的具体实施内容：
基于配置的目标激励映射规则，将所述待定对象兴趣特征表示簇进行激励映射操作，以形成对应的激励对象兴趣特征表示簇，所述待定对象兴趣特征表示簇包括的待定对象兴趣特征表示和所述激励对象兴趣特征表示簇包括的激励对象兴趣特征表示之间具有一一对应的关系；
将所述激励对象兴趣特征表示簇中每一个激励对象兴趣特征表示分别进行聚焦特征分析操作，以形成对应的聚焦对象兴趣特征表示簇，所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示和所述激励对象兴趣特征表示簇中的所述激励对象兴趣特征表示之间具有一一对应的关系；
将所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示进行融合操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示，例如，可以将所述聚焦对象兴趣特征表示簇中的每一个聚焦对象兴趣特征表示进行叠加运算，以得到对应的示例性对象兴趣特征表示。
其中，可以选择的是，在一些具体的实施方式中，所述基于配置的目标激励映射规则，将所述待定对象兴趣特征表示簇进行激励映射操作，以形成对应的激励对象兴趣特征表示簇的步骤，可以进一步包括以下所述的具体实施内容：
对于所述待定对象兴趣特征表示簇中的任意一个所述待定对象兴趣特征表示，对该待定对象兴趣特征表示包括的各参数进行平方和的计算，以得到对应的第一计算值，然后，可以计算该第一计算值与该计算值的乘积，再计算该乘积和预先确定的第一参考参数之间的和值，以得到对应的第二计算值，进一步地，可以计算所述第一计算值和所述第二计算值之间的比值，以得到目标比值，最后，可以基于该目标比值，对该待定对象兴趣特征表示进行加权计算，以得到该待定对象兴趣特征表示对应的激励对象兴趣特征表示，如此，可以形成对应的激励对象兴趣特征表示簇，另外，所述第一参考参数的具体数值不受限制，如0.5、1、1.5等数值。
其中，可以选择的是，在一些具体的实施方式中，所述将所述激励对象兴趣特征表示簇中每一个激励对象兴趣特征表示分别进行聚焦特征分析操作，以形成对应的聚焦对象兴趣特征表示簇的步骤，可以进一步包括以下所述的具体实施内容：
对于所述激励对象兴趣特征表示簇中任意一个激励对象兴趣特征表示，基于第一加权参数对该激励对象兴趣特征表示进行加权计算，以及，基于第一偏移参数对加权计算的结果进行相加运算，以得到目标相加运算结果，以及，对所述目标相加运算结果进行全连接操作，以形成对应的全连接特征表示，最后，可以基于目标参数矩阵，对所述全连接特征表示进行数量积的计算，以输出对应的目标数量积，所述第一偏移参数、所述第一加权系数和所述目标参数矩阵都可以是相应神经网络的参数，以在神经网络的网络优化过程中不断优化调整；
基于每一个所述激励对象兴趣特征表示对应的目标数量积的和值，分别对每一个所述激励对象兴趣特征表示对应的目标数量积进行归一化操作，以形成对应的聚焦评估参数；
对于所述激励对象兴趣特征表示簇中任意一个激励对象兴趣特征表示，基于该激励对象兴趣特征表示对应的聚焦评估参数，对该激励对象兴趣特征表示进行加权，以输出该激励对象兴趣特征表示对应的聚焦对象兴趣特征表示，如此，可以形成对应的聚焦对象兴趣特征表示簇。
可以选择的是，在一些具体的实施方式中，所述基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，可以进一步包括以下所述的具体实施内容：
基于预先配置的特征表示处理误差分析规则，将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行特征表示处理误差分析操作，以得到对应的第一误差结果；
对所述示例性对象关键信息特征表示和所述示例性对象兴趣特征表示进行聚合操作，如后相关描述，以形成对应的示例性聚合特征表示；
基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果；
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络，例如，可以沿着降低所述第一误差结果和所述第二误差结果的方向，所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型的模型参数进行优化调整，以形成对应的特征表示挖掘网络。
其中，可以选择的是，在一些具体的实施方式中，所述基于预先配置的特征表示处理误差分析规则，将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行特征表示处理误差分析操作，以得到对应的第一误差结果的步骤，可以进一步包括以下所述的具体实施内容：
对所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行求差计算，以形成对应的求差特征表示，以及，对所述求差特征表示包括的各参数进行平方和的计算，以得到对应的第一误差结果。
其中，可以选择的是，在一些具体的实施方式中，所述基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果的步骤，可以进一步包括以下所述的具体实施内容：
对所述示例性聚合特征表示进行转置操作，以形成对应的转置聚合特征表示，以及，计算所述转置聚合特征表示和所述示例性拼接方案特征表示之间的数量积，以形成对应的待处理数量积，并对应该待处理数量积进行指数运算，以形成对应的待处理参数，以及，计算所述转置聚合特征表示和各所述示例性拼接方案特征表示（即各示例性图像拼接方案对应的示例性拼接方案特征表示，包括所述第一示例性图像拼接方案对应的示例性拼接方案特征表示和所述第一示例性图像拼接方案以外的各其它示例性图像拼接方案对应的示例性拼接方案特征表示）之间的待处理参数的和值，最后，计算待处理参数和该和值之间的比值，以得到对应的待处理比值，以及，对该待处理比值进行取对数操作，以得到对应的第二误差结果，其中，所述第二误差结果和取对数操作的结果之间具有负相关的对应关系。
可以选择的是，在一些具体的实施方式中，在所述基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果的步骤以前，所述基于展馆场景三维效果设计的图像拼接方法还可以进一步包括以下所述的具体实施内容：
构建出指定时间区间对应的所述第一示例性场景对象的第一示例性图像拼接方案簇，所述第一示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的至少一个示例性图像拼接方案，所述指定时间区间可以是最近的一个时间区间，具体的时间长度不受限制；
在所述第一示例性图像拼接方案簇包括的至少一个第一示例性图像拼接方案中，选择出一个第一示例性图像拼接方案，例如，可以是任意一个第一示例性图像拼接方案。
可以选择的是，在一些具体的实施方式中，所述候选特征表示挖掘网络包括特征表示聚合模型，所述示例性聚合特征表示利用所述特征表示聚合模型将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行聚合操作以形成，基于此，所述基于展馆场景三维效果设计的图像拼接方法还可以进一步包括以下所述的具体实施内容：
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的特征表示聚合模型进行网络优化操作，以形成优化后的特征表示聚合模型，也就是说，可以沿着降低所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果的方向，将所述特征表示聚合模型的模型参数进行优化调整，以形成优化后的特征表示聚合模型。示例性地，可以将所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果进行求和计算或加权求和计算，以得到目标误差结果，然后，可以沿着降低所述目标误差结果的方向，将所述特征表示聚合模型的模型参数进行优化调整；或者说，可以分别基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的特征表示聚合模型进行网络优化操作。
可以选择的是，在一些具体的实施方式中，所述基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示的步骤，即上述的步骤S140，可以进一步包括以下所述的具体实施内容：
利用将所述特征表示聚合模型进行网络优化操作以形成的优化后的特征表示聚合模型，将所述对象投射特征表示和所述对象关键信息特征表示进行聚合操作，以形成所述待分析场景对象对应的对象深度信息特征表示；
其中，所述特征表示聚合模型包括目标加权参数和目标偏移参数，所述目标加权参数用于对所述对象投射特征表示和所述对象关键信息特征表示的级联组合特征表示进行加权操作，所述目标偏移参数用于对加权操作的结果进行相加运算，使得所述特征表示聚合模型对相加运算的结果进行全连接操作，以形成对应的对象深度信息特征表示，所述目标加权参数和所述目标偏移参数属于所述特征表示聚合模型的模型参数，可以在所述特征表示聚合模型的网络优化过程中优化调整以形成。
结合图3，本发明实施例还提供一种基于展馆场景三维效果设计的图像拼接装置，可应用于上述基于展馆场景三维效果设计的图像拼接系统。其中，所述基于展馆场景三维效果设计的图像拼接装置可以包括：
对象属性信息提取模块，用于提取到待分析场景对象对应的对象属性描述信息；
特征空间投射模块，用于通过特征空间处理模型，将所述对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的对象投射特征表示，所述特征空间处理模型依据与示例性场景对象簇中的每一个示例性场景对象具有对应关系的示例性图像拼接方案簇、与每一个所述示例性场景对象对应的示例性对象属性描述信息进行网络优化操作以形成；
关键信息挖掘模块，用于将所述对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的对象关键信息特征表示，所述对象投射特征表示用于反映所述待分析场景对象的图像拼接兴趣，所述对象关键信息特征表示用于反映所述待分析场景对象对应的对象属性；
对象深度信息挖掘模块，用于基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示；
兴趣度评估模块，用于挖掘出预先配置的候选图像拼接方案簇中每一个候选图像拼接方案对应的图像拼接方案特征表示，以及，基于所述对象深度信息特征表示和每一个所述候选图像拼接方案对应的图像拼接方案特征表示，分析出每一个所述候选图像拼接方案的兴趣度评估参数；
三维图像拼接模块，用于依据每一个所述候选图像拼接方案的兴趣度评估参数，在所述候选图像拼接方案簇包括的各候选图像拼接方案中，筛选出感兴趣图像拼接方案，以及，基于所述感兴趣图像拼接方案，对所述待分析场景对象对应的展馆场景中的三维图像进行拼接操作，以形成对应的三维展馆场景拼接图像。
综上所述，本发明提供的一种基于展馆场景三维效果设计的图像拼接方法及系统，可以先提取到待分析场景对象对应的对象属性描述信息；形成待分析场景对象对应的对象投射特征表示；形成待分析场景对象对应的对象关键信息特征表示；基于对象投射特征表示和对象关键信息特征表示，分析出对象深度信息特征表示；挖掘出候选图像拼接方案对应的图像拼接方案特征表示，基于对象深度信息特征表示和图像拼接方案特征表示，分析出兴趣度评估参数；依据兴趣度评估参数，筛选出感兴趣图像拼接方案，基于感兴趣图像拼接方案，形成对应的三维展馆场景拼接图像。基于前述的内容，由于在进行兴趣度评估参数的过程中，会结合对象投射特征表示和对象关键信息特征表示，即考虑兴趣和属性两个方面的信息，使得确定出的兴趣度评估参数的可靠度更高，因此，可以保障确定出的感兴趣图像拼接方案的可靠度（与实际对象需求更为适配），从而在一定程度上提高图像拼接的可靠度，进而改善现有技术中存在的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述图像拼接方法包括：
提取到待分析场景对象对应的对象属性描述信息；
通过特征空间处理模型，将所述对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的对象投射特征表示，所述特征空间处理模型依据与示例性场景对象簇中的每一个示例性场景对象具有对应关系的示例性图像拼接方案簇、与每一个所述示例性场景对象对应的示例性对象属性描述信息进行网络优化操作以形成；
将所述对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的对象关键信息特征表示，所述对象投射特征表示用于反映所述待分析场景对象的图像拼接兴趣，所述对象关键信息特征表示用于反映所述待分析场景对象对应的对象属性；
基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示；
挖掘出预先配置的候选图像拼接方案簇中每一个候选图像拼接方案对应的图像拼接方案特征表示，以及，基于所述对象深度信息特征表示和每一个所述候选图像拼接方案对应的图像拼接方案特征表示，分析出每一个所述候选图像拼接方案的兴趣度评估参数；
依据每一个所述候选图像拼接方案的兴趣度评估参数，在所述候选图像拼接方案簇包括的各候选图像拼接方案中，筛选出感兴趣图像拼接方案，以及，基于所述感兴趣图像拼接方案，对所述待分析场景对象对应的展馆场景中的三维图像进行拼接操作，以形成对应的三维展馆场景拼接图像。
2.如权利要求1所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述对象投射特征表示和所述对象关键信息特征表示利用特征表示挖掘网络处理形成，所述基于展馆场景三维效果设计的图像拼接方法还包括：
基于历史上进行的展馆场景三维效果设计的图像拼接对应的历史场景对象，构建出对应的示例性场景对象簇，以及，确定出所述示例性场景对象簇对应的示例性信息簇，所述示例性信息簇包括第一示例性场景对象的示例性对象属性描述信息、所述第一示例性场景对象的示例性图像拼接方案簇，所述示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的示例性图像拼接方案；
基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络，所述特征表示挖掘网络包括所述特征空间处理模型和关键信息挖掘模型。
3.如权利要求2所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述候选特征表示挖掘网络包括候选特征空间处理模型和候选关键信息挖掘模型，所述候选特征空间处理模型和所述特征空间处理模型具有对应关系，所述候选关键信息挖掘模型和所述关键信息挖掘模型具有对应关系；
所述基于所述示例性信息簇，将候选特征表示挖掘网络进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，包括：
基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示；
利用所述候选特征空间处理模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行特征空间投射操作，以形成所述待分析场景对象对应的示例性对象投射特征表示；
利用所述候选关键信息挖掘模型，将所述第一示例性场景对象对应的示例性对象属性描述信息进行关键信息挖掘操作，以形成所述待分析场景对象对应的示例性对象关键信息特征表示；
基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络。
4.如权利要求3所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述基于所述第一示例性场景对象对应的示例性图像拼接方案簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
将所述第一示例性场景对象对应的示例性图像拼接方案簇中的每一个示例性图像拼接方案进行关键信息挖掘操作，以形成每一个示例性图像拼接方案对应的示例性拼接方案特征表示；
利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示，所述特征表示分析模型用于将所述示例性拼接方案特征表示作为待处理特征表示，以基于该待处理特征表示和配置的初始对象兴趣特征表示，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示。
5.如权利要求4所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述利用特征表示分析模型，将所述示例性拼接方案特征表示进行分析操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
对所述示例性拼接方案特征表示进行标记，以标记为待处理特征表示；
基于所述待处理特征表示和配置的初始对象兴趣特征表示，按照所述特征表示分析模型的动态传播规则，分析出所述待处理特征表示与配置的初始对象兴趣特征表示之间的传播参数；
基于所述传播参数，确定出对应的匹配性表征参数；
对所述匹配性表征参数进行标记，以标记为所述待处理特征表示的重要性表征参数，以进行加权操作，形成对应的待定对象兴趣特征表示簇；
基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示。
6.如权利要求5所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述基于所述待定对象兴趣特征表示簇，分析出所述第一示例性场景对象对应的示例性对象兴趣特征表示的步骤，包括：
基于配置的目标激励映射规则，将所述待定对象兴趣特征表示簇进行激励映射操作，以形成对应的激励对象兴趣特征表示簇，所述待定对象兴趣特征表示簇包括的待定对象兴趣特征表示和所述激励对象兴趣特征表示簇包括的激励对象兴趣特征表示之间具有一一对应的关系；
将所述激励对象兴趣特征表示簇中每一个激励对象兴趣特征表示分别进行聚焦特征分析操作，以形成对应的聚焦对象兴趣特征表示簇，所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示和所述激励对象兴趣特征表示簇中的所述激励对象兴趣特征表示之间具有一一对应的关系；
将所述聚焦对象兴趣特征表示簇中的聚焦对象兴趣特征表示进行融合操作，以形成所述第一示例性场景对象对应的示例性对象兴趣特征表示。
7.如权利要求3所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述基于所述示例性对象兴趣特征表示、所述示例性对象关键信息特征表示、所述示例性对象投射特征表示，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络的步骤，包括：
基于预先配置的特征表示处理误差分析规则，将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行特征表示处理误差分析操作，以得到对应的第一误差结果；
对所述示例性对象关键信息特征表示和所述示例性对象兴趣特征表示进行聚合操作，以形成对应的示例性聚合特征表示；
基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果；
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的候选特征空间处理模型和候选关键信息挖掘模型进行网络优化操作，以形成对应的特征表示挖掘网络。
8.如权利要求7所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，在所述基于预先配置的特征表示对比误差分析规则，将所述示例性聚合特征表示和第一示例性图像拼接方案对应的示例性拼接方案特征表示进行特征表示对比误差分析操作，以得到对应的第二误差结果的步骤以前，所述基于展馆场景三维效果设计的图像拼接方法还包括：
构建出指定时间区间对应的所述第一示例性场景对象的第一示例性图像拼接方案簇，所述第一示例性图像拼接方案簇中包括所述第一示例性场景对象感兴趣的至少一个示例性图像拼接方案；
在所述第一示例性图像拼接方案簇包括的至少一个第一示例性图像拼接方案中，选择出一个第一示例性图像拼接方案。
9.如权利要求7所述的基于展馆场景三维效果设计的图像拼接方法，其特征在于，所述候选特征表示挖掘网络包括特征表示聚合模型，所述示例性聚合特征表示利用所述特征表示聚合模型将所述示例性对象投射特征表示和所述示例性对象兴趣特征表示进行聚合操作以形成，所述基于展馆场景三维效果设计的图像拼接方法还包括：
基于所述特征表示处理误差分析操作对应的第一误差结果和所述特征表示对比误差分析操作对应的第二误差结果，将所述候选特征表示挖掘网络包括的特征表示聚合模型进行网络优化操作，以形成优化后的特征表示聚合模型；
所述基于所述对象投射特征表示和所述对象关键信息特征表示，分析出所述待分析场景对象对应的对象深度信息特征表示的步骤，包括：
利用将所述特征表示聚合模型进行网络优化操作以形成的优化后的特征表示聚合模型，将所述对象投射特征表示和所述对象关键信息特征表示进行聚合操作，以形成所述待分析场景对象对应的对象深度信息特征表示；
其中，所述特征表示聚合模型包括目标加权参数和目标偏移参数，所述目标加权参数用于对所述对象投射特征表示和所述对象关键信息特征表示的级联组合特征表示进行加权操作，所述目标偏移参数用于对加权操作的结果进行相加运算，使得所述特征表示聚合模型对相加运算的结果进行全连接操作，以形成对应的对象深度信息特征表示。
10.一种基于展馆场景三维效果设计的图像拼接系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的基于展馆场景三维效果设计的图像拼接方法。
CN202311027555.0A 2023-08-16 2023-08-16 一种基于展馆场景三维效果设计的图像拼接方法及系统 Active CN116740325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311027555.0A CN116740325B (zh) 2023-08-16 2023-08-16 一种基于展馆场景三维效果设计的图像拼接方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311027555.0A CN116740325B (zh) 2023-08-16 2023-08-16 一种基于展馆场景三维效果设计的图像拼接方法及系统

Publications (2)

Publication Number Publication Date
CN116740325A CN116740325A (zh) 2023-09-12
CN116740325B true CN116740325B (zh) 2023-11-28

Family

ID=87919073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311027555.0A Active CN116740325B (zh) 2023-08-16 2023-08-16 一种基于展馆场景三维效果设计的图像拼接方法及系统

Country Status (1)

Country Link
CN (1) CN116740325B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117369633B (zh) * 2023-10-07 2024-08-23 九转棱镜(北京)科技有限公司 一种基于ar的信息交互方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701767A (zh) * 2014-11-28 2016-06-22 富士通株式会社 全景图像构建装置和方法
WO2018171851A1 (en) * 2017-03-20 2018-09-27 3Dintegrated Aps A 3d reconstruction system
CN114004943A (zh) * 2021-09-27 2022-02-01 宁波物图科技有限公司 一种3d可视化场景构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600193B2 (en) * 2008-07-16 2013-12-03 Varian Medical Systems, Inc. Image stitching and related method therefor
CN112367514B (zh) * 2020-10-30 2022-12-09 京东方科技集团股份有限公司 三维场景构建方法、装置、系统和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701767A (zh) * 2014-11-28 2016-06-22 富士通株式会社 全景图像构建装置和方法
WO2018171851A1 (en) * 2017-03-20 2018-09-27 3Dintegrated Aps A 3d reconstruction system
CN114004943A (zh) * 2021-09-27 2022-02-01 宁波物图科技有限公司 一种3d可视化场景构建方法

Also Published As

Publication number Publication date
CN116740325A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN108229419B (zh) 用于聚类图像的方法和装置
CN110705718A (zh) 基于合作博弈的模型解释方法、装置、电子设备
US11714921B2 (en) Image processing method with ash code on local feature vectors, image processing device and storage medium
CN108564102A (zh) 图像聚类结果评价方法和装置
CN116740325B (zh) 一种基于展馆场景三维效果设计的图像拼接方法及系统
CN116109121B (zh) 基于大数据分析的用户需求挖掘方法及系统
CN116109630B (zh) 基于传感器采集和人工智能的图像分析方法及系统
WO2022134881A1 (en) Data processing method, data processing apparatus, computer device, and non-transitory storage medium
CN116126945A (zh) 基于数据分析的传感器运行状态分析方法和系统
CN115795000A (zh) 基于联合相似度算法对比的围标识别方法和装置
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN116304341A (zh) 基于用户网络大数据的欺诈判别方法及系统
CN115100541B (zh) 一种卫星遥感数据的处理方法、系统及云平台
CN113591969B (zh) 面部相似度评测方法、装置、设备以及存储介质
CN115630422A (zh) 一种bim模型展示方法及其系统
CN113360744B (zh) 媒体内容的推荐方法、装置、计算机设备和存储介质
CN117349531B (zh) 一种基于智慧家居的用户信息推荐方法及系统
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
CN115082709B (zh) 遥感大数据处理方法、系统及云平台
CN116955451A (zh) 智能测绘数据管理方法及系统
CN116630665A (zh) 应用于图像分析的测绘数据处理方法及系统
CN117221134A (zh) 一种基于互联网的状态分析方法及系统
CN115757553A (zh) 基于人工智能的企业画像分析方法及ai系统
CN117472266A (zh) 用于处理图像的方法、设备和计算机程序产品

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