·392 智能系统学报 第7卷 镜面反射模型和最优化采样相关系数，能够同时估 用于户外场合： 算出镜面反射参数和光源位置，但是由于缺少漫反 2.1.3人工智能法 射分量信息，因此鲁棒性较差.这2种方法都要求已 准确估计出场景中的光照方向，需要已知场景 知场景三维几何信息，并且场景中只存在单一的点 图像、场景深度信息和场景中物体的表面反射率.缺 光源.Xe等分2步来估计自然照明条件下单一点 少其中任意一个信息，光照方向恢复就会成为不适 光源的光照方向和光照强度，首先把采集到的场景 定问题.对于工作于户外环境的增强现实系统来说， 图像投影到一个基于球面谐波基函数的正交线性子 视，点会随着用户走动而发生改变，场景也会随之变 空间，然后在这个低维子空间中计算光照参数[32]. 化，因此场景是动态变化的.对于动态场景而言，场 但是，这种方法需要已知场景的三维几何信息，并且 景中物体的几何尺寸、表面反射率在绝大多数情况 只适用于光照方问与摄像机轴的夹角小于55°的情 下是未知的.在这种情况下，估算场景光照方向属于 况.M.Bingham等利用场景中阴影和特征点之间的 不适定问题.在没有先验知识作为约束条件使不适 对应关系来检测场景中的光照信息，进而确定光源 定问题适定化的情况下，神经网络和支持向量机等 的三维空间坐标3].但是该方法假设场景中只存在 人工智能方法是较好的解决工具 1个光源，并且要求物体的阴影投射到平坦表面上 田英利等提出了一种使用神经网络估计光照参 在实际应用中，户外可能存在多个不同类型的光源， 数的方法，该方法适用于场景中存在多个光源的情 并且物体阴影可能会投射在上下交叠的其他物体 况9].但是，该方法需要事先使用标定物图像对神 上，因此这种方法仅适用于实验室理论研究，不适用 经网络进行训练.当视点发生移动时，原先训练得到 于户外情况 的网络权值不再适用，需要重新采集标定物图像进 立体视觉法也可以用于场景中存在多个光源的 行训练，运算量较大，难以满足户外光照估计的实时 情况.I.Sato等利用入射光产生的阴影信息，能够估 性要求.S.Y.Cho等在研究从明暗恢复形状问题时， 算出复杂场景的光照分布34].但是，这种方法要求 提出了一种估计场景光照参数的混合反射模型，适 产生遮挡阴影的2个物体的形状已知，并且接受阴 用于场景中物体表面反射率未知、图像中含有较多 影投射的物体的表面反射率也是已知量.Wang等不 噪声并且存在较强镜面反射的情况[0.该模型使用 需要在场景中放置光测球，只需已知场景的局部几 前馈神经网络归一化漫反射项，使用径向基函数神 何信息，再结合场景中的明暗和阴影信息，就可以从 经网络归一化镜面反射项，但这2种神经网络在使 单一场景图像中估算出多个方向光源的光照方 用前都需要训练，难以满足户外动态场景光照参数 向3s1.之后，Wang等对算法进行了改进，将明暗和 估计的实时性要求.S.Karungaru等提出了一种遗传 阴影信息同时处理，减少了运算时间[].山等综合 算法和神经网络相结合的场景光照参数估计方 利用场景中的明暗、阴影和高光区域等信息，提出了 法12]，该方法使用遗传算法筛选神经网络的输入 一种新的方向光源参数估计算法37].与文献[35]的 数据，可以加速神经网络的训练和运行速度.但是该 方法相比，该方法不需要假设物体表面具有朗伯表 方法也仅适用于视点固定的情况，当视点变化时，需 面反射特性，因此可用于纹理场景的光照恢复.姚远 要重新训练神经网络，才能得到适用于新场景的网 等提出了一种使用普通定位标记的场景光源实时检 络权值.C.K.Chow等提出了一种表层输入实值输 测方法].该方法能够确定光源位置，估算光源的 出回归网络，结合场景深度信息，能够以较高精度估 光照强度和颜色，并且能够在运行过程中创建一个 计出场景中的光照方向3但是，该方法所用的场 或多个虚拟光源来模拟与真实场景一致的光照效 景深度信息是由三维扫描仪获得的，这增加了系统 果.但该方法依赖场景中的定位标记，因此只适合在 的成本和复杂度；并且这种表层输入实值输出回归 室内建模虚拟光源，不适用于户外场合 网络实质上是径向基函数神经网络，使用前需要进 对于户外增强现实系统来说，场景会随着用户 行训练.当视点变化时，场景也会发生变化，同样需 视点移动而发生变化，户外场景中的明暗、阴影或局 要重新训练神经网络，以得到适用于新场景的网络 部几何信息有时难以准确获取，因此这类方法较少 权值.因此，这种神经网络也不能满足户外动态场景