CN109033652B - 一种基于滑动窗特征与回归预测的室内自动布局方法 - Google Patents

Abstract

本发明提供一种基于滑动窗特征与回归预测的室内自动布局方法，包括户型数据特征化、模型选择与训练、户型布局与后处理三个部分。户型数据特征化首先利用滑动窗方式提取户型边界特征；其次利用滑动窗方式提取户型门窗特征；再其次利用滑动窗方式提取墙体特征；最后计算布局元素边长与户型边长的比例因子获取元素输入特征，元素的输出特征由相对户型的归一化左上角坐标及横竖方向类别构成。利用随机森林回归模型进行离线训练，从大量设计好的户型数据中自动提取布局元素之间复杂的关联规则及布局规则，获取布局模型，并对预测结果进行包括贴墙约束、重叠约束等规则微调处理，得到最终的布局结果。

Description

一种基于滑动窗特征与回归预测的室内自动布局方法

技术领域

本发明涉及机器学习与智能家装设计领域，特别涉及一种基于滑动窗特征与回归预测的室内自动布局方法。

背景技术

传统的室内家装设计需要设计师根据房型的特点、业主的需求等设计出不同的户型方案，这其中存在大量的重复工作。室内自动布局即根据给定的户型结构、待布局元素及其他个性化需求，利用布局算法给出元素的最优摆放位置，作为互联网家装领域核心功能模块，室内自动布局具有重要的现实意义，一方面，可以提高设计师的工作效率，缩短户型图设计时间，减少重复工作；另一方面，可以为业主提供在线个性化户型设计，增加用户体验感。

(1)专利CN107240151A《一种基于父子约束的场景布局保存与再现方法》，首先从设计好的案例库中提取各个元素对象之间的层次和空间关系，并保存场景布局；其次对新选定的待布局户型，利用模拟退火算法不断迭代优化直至满足要求，实现案例库在新户型中的再现。该方法本质上属于基于规则的目标优化算法，其缺点在于：①只考虑案例库中元素之间的关系，未考虑元素与户型的关系，实际情况中相同的案例库在不同的户型中可能表现出不同的关系，这将导致案例库的非最优布局；②在布局过程中需要不断的迭代寻优，比较耗时。

(2)专利CN107256434A《家居自动布局的方法》，首先将待布局的家具分别归类于坐卧家具、坐卧邻接家具、视觉中心家具、舒适性家具共四类家具中的一类；其次以视觉中心家具为核心对待布局的家具进行组合；最后采用禁忌搜索算法对组合后的家具进行布局。一方面，对待布局的家具进行规则组合归类将导致个性化的缺失；另一方面，禁忌搜索算法也是一类优化算法，需要设计基于规则的目标函数，在布局寻优过程中需要较大的计算量，比较耗时。

现有的布局方法以基于规则约束为主，这一类方法的缺点在于：①为了覆盖尽量多的布局元素，需要设计大量的规则约束；②对不同户型、不同风格的布局需求，利用人为定义的规则约束将导致个性化的缺失。

发明内容

为了解决现有技术存在的问题，本发明提供一种基于滑动窗特征与回归预测的室内自动布局方法，该方法利用机器学习算法，从大量设计好的户型数据中自动提取布局元素之间复杂的关联规则及布局规则，对待布局的新户型，利用该方法能够高效的给出待布局元素的理想位置点。

一种基于滑动窗特征与回归预测的室内自动布局方法，包括如下步骤：

S1，获得户型图训练样本；

S2，将训练样本进行户型数据特征化；

S3，模型训练；

S4，对需要设计的户型采用上述的模型进行户型布局设计；

其中，所述的户型数据特征化包括如下步骤：

S21，户型边界特征提取：

设户型边界周长为L，首先对户型边界进行N等划分；其次以窗口长度l＝L/N，采用滑动窗方式对户型边界按步长l/2进行滑动，记横向与竖向户型边界在滑动窗中的占比分别为h_i、v_i(i＝1,2,…,2N-1)，其中i是指滑动次数，2N-1为总的滑动次数，则横向、竖向户型边界特征向量分别表示为

最终将横向、竖向户型边界特征级联成总边界特征

S22，门窗特征提取：

对户型边界进行N等划分；其次以窗口长度l＝L/N，采用滑动窗方式对户型边界按步长l/2进行滑动，记门、窗在滑动窗中的占比分别为d_i、w_i(i＝1,2,…,2N-1)，其中2N-1为总的滑动次数，则门、窗特征向量分别表示为

最终将门、窗特征级联成总门窗特征

S23，墙体特征提取：

墙体特征包括横向边墙、竖向边墙、横向内墙及竖向内墙，记四类墙体在滑动窗中的占比分别为其中2N-1为总的滑动次数，则四类墙体的特征向量分别表示为

最终将四类墙体特征级联成总的墙体特征

S24，元素特征提取：

设户型支撑矩形区域为户型的最小外接矩形，设户型支撑矩形区域的较大边长为(长边)，较小边长为(短边)，同一类型户型元素的不同对象视为不同布局元素，将布局元素抽象化为矩形区域ω_i(i＝1,2,…,n)，n为总布局元素的个数，布局元素的长短边长分别表示为单个布局元素的输入特征可以描述为

总的布局元素输入特征即以户型支撑矩形区域的左上角为坐标原点，布局元素在户型中的相对左上角坐标表示为则单个布局元素的输出特征可以描述为

其中，I(x,y)为指示函数

总的布局元素输出即

所述的模型训练包括如下步骤：

S31：设计元素布局的数学模型为

F_out＝f(F_in)

S32：对模型进行回归训练；

其中，F_in＝[F_e；F_c；F_r；F_ω]为输入户型数据与元素数据的抽象描述，F_out＝F_ρ为布局元素的抽象输出描述，为布局函数。

在一个实施方式中，所述的S32中，选择随机森林回归模型进行离线模型训练。

在一个实施方式中，在S4步骤后，还包括布局后处理步骤。

在一个实施方式中，所述的后处理步骤包括以下步骤中的任意一种：

卧室后处理，卧室的后处理规则约束包括：①床、床头柜、衣柜的贴墙约束；②床头柜与床，妆台与妆镜的元素紧贴约束；

客厅后处理，客厅的后处理规则约束包括：①主沙发、电视柜、电视、空调的贴墙约束；②电视与电视柜的元素紧贴约束；

餐厅后处理，餐厅的后处理规则约束包括：①餐边柜的贴墙约束；②餐桌与餐椅的元素紧贴约束。

本发明还提供了一种计算机可存取介质，其上记载有计算机程序，所述的程序可以运行上述的布局方法。

有益效果

本发明提供的布局计算方法，具有以下的优点：①多目标输出回归，且不同目标之间存在一定的相关性；②输入数据与输出数据均是[0,1]区间之内，相当于归一化数据；③输入数据存在一定的稀疏性。

附图说明

图1是本发明所述一种基于滑动窗特征与回归预测的室内自动布局方法流程图；

图2是本发明所述户型数据特征化示意图；

图3是本发明所述滑动窗特征提取示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步的详细说明：

本发明提供一种基于滑动窗特征与回归预测的室内自动布局方法，包括户型数据特征化、模型选择与训练、户型布局与后处理三个部分。户型数据特征化首先利用滑动窗方式提取户型边界特征；其次利用滑动窗方式提取户型门窗特征；再其次利用滑动窗方式提取墙体特征；最后计算布局元素边长与户型边长的比例因子获取元素输入特征，元素的输出特征由相对户型的归一化左上角坐标及横竖方向类别构成。利用随机森林回归模型进行离线训练，从大量设计好的户型数据中自动提取布局元素之间复杂的关联规则及布局规则，获取布局模型；对待布局的新户型及户型元素，利用离线训练好的回归模型进行初步预测，并对预测结果进行包括贴墙约束、重叠约束等规则微调处理，得到最终的布局结果。本发明能够高效的给出待布局元素的理想位置点，可以大大提高设计师的工作效率，减少重复工作，还可以为业主提供在线个性化户型设计，增加用户体验感。

以实际中某卧室户型为例，如图1所示，一种基于滑动窗特征与回归预测的室内自动布局方法包括户型数据特征化、模型选择与训练、户型布局与后处理三个部分，具体地，

户型数据特征化：户型数据特征化过程包括户型边界特征提取、门窗特征提取、墙体特征提取及元素特征提取四个步骤，如图2所示，具体地，

步骤1：户型边界特征提取，假定户型边界周长为L，首先对户型边界进行N等划分，实施例中设置N＝10；然后以窗口长度l＝L/N，采用滑动窗方式对户型边界按步长l/2进行滑动，如图3所示，记载全部的i次滑动过程中横向与竖向户型边界在滑动窗中的占比分别为h_i、v_i(i＝1,2,…,2N-1)，其中2N-1为总的滑动次数，例如当滑动i＝5次时，h_i是指在5次滑动中所得到的横向户型边界在全部的滑动窗中的占比，实施例中总的滑动次数为19，则横向、竖向的户型边界特征向量分别表示为

最终将横向、竖向户型边界特征级联成总的户型边界特征实施例中总的户型边界特征的维度为19×2＝38。在设计该步骤中，主要是考虑特征与样本空间的可逆性，模型预测的可解释性等因素，这种特征提取方式主要是对不同户型通用性好，泛化力强，实际应用时容易编程，计算量可控，可以根据算力或期望的效果精度，调整N的值(N越大运算越大，效果，精度越高)。

步骤2：门窗特征提取，门窗特征提取与户型边界特征提取类似，记在全部的i次滑动过程中门与窗在滑动窗中的占比分别为d_i、w_i(i＝1,2,…,2N-1)，其中2N-1为总的滑动次数，例如：当滑动i＝5次时，di是指在5次滑动中所得到的门在全部的滑动窗中的占比，则门、窗特征向量分别表示为

该步骤中，是以户型边界上的滑动窗作为基准，然后分别计算门窗上基准上的占比，最终将门、窗特征级联成总门窗特征实施例中总门窗特征的维度为19×2＝38。

步骤3：墙体特征提取，墙体包括边墙与内墙两种类型，墙体方向又分横向与竖向，所以墙体特征包括横向边墙、竖向边墙、横向内墙及竖向内墙，记四类墙体在滑动窗中的占比分别为其中2N-1为总的滑动次数，则四类墙体的特征向量可以表示为

最终将四类墙体特征级联成总的墙体特征实施例中总的墙体特征的维度为19×4＝76。

步骤4：元素特征提取，定义户型支撑矩形区域为户型的最小外接矩形，假定户型支撑矩形区域的较大边长为较小边长为实施例中卧室样本元素总类别包括：2个床头柜、1个床、1个衣柜、1个电视柜、1台电视机、1个妆台镜与1个妆凳，同一类户型元素的不同对象视为不同布局元素，将不同布局元素均抽象化为矩形区域ω_i(i＝1,2,…,n)，n为总布局元素的个数，实施例中n＝8，布局元素的长短边长分别表示为单个布局元素的输入特征描述可以为

总的布局元素输入特征即以上模型中选取的特征，实际上是一种线性特征，可以理解为一种几乎无损(损失可控)的压缩编码，一来方便模型训练，二来方便表示(预测结果的还原输出)。本实施例中输入元素的特征维度为8×4＝32。以户型支撑矩形区域的左上角为坐标原点，布局元素在户型中的相对左上角坐标表示为则单个元素的输出特征可以描述为

其中，I(x,y)为指示函数

总的布局元素输出即实施例中布局元素的输出维度为8×3＝24。本步骤中，采用的指示函数为特征函数，实际起到了激活函数的作用。

模型选择与训练：根据数据抽象化过程，元素布局的数学模型可以表示为

F_out＝f(F_in)

其中，F_in＝[F_e；F_c；F_r；F_ω]为输入户型数据与元素数据的抽象描述，F_out＝F_ρ为布局元素的抽象输出描述，为布局函数，实施例中F_in的维度即38+38+76+32＝184，F_out的维度为24。布局模型训练即根据大量设计好的户型数据，利用机器学习算法自动提取布局元素之间复杂的关联规则及布局规则，得到布局函数将元素布局问题抽象为高度非线性的回归问题，其特点在于：①是多目标输出回归，且不同目标之间存在一定的相关性；②输入数据与输出数据均是[0,1]区间之内，相当于归一化数据；③输入数据存在一定的稀疏性。鉴于良好的泛化能力及可解释性，选择随机森林回归模型进行离线模型训练。

为了充分利用设计好的户型数据，实施例对其中的布局元素进行重组处理，形成多样本，假定当前户型样本中布局元素集合为Ω＝{ω₁,ω₂,…,ω_k}(k≤n)，选择有意义的、经常出现的元素组合进行样本重组，形成新的样本。

在本实施例中，经过重组后的卧室样本数据量为110000，随机森林回归模型中的决策树参数为50，决策树中叶子节点最小样本数为总样本的0.01％，每个节点划分的最小样本数为总样本的0.01％，以此进行离线回归模型训练。

户型布局与后处理：利用离线训练好的回归模型对待布局户型与元素进行位置预测，基于回归方法的元素布局整体上可以给出整体布局位置，由于缺乏规则约束，布局结果并不十分完美，为了尽可能实现最佳布局，还需要对回归预测的结果进行后处理，对其进行包括贴墙约束、重叠约束等规则微调处理，具体地，

1、卧室后处理，卧室的后处理规则约束包括：①床、床头柜、衣柜的贴墙约束；②床头柜与床，妆台与妆镜的元素紧贴约束；

2、客厅后处理，客厅的后处理规则约束包括：①主沙发、电视柜、电视、空调的贴墙约束；②电视与电视柜的元素紧贴约束；

3、餐厅后处理，餐厅的后处理规则约束包括：①餐边柜的贴墙约束；②餐桌与餐椅的元素紧贴约束。

Claims (5)

1.一种基于滑动窗特征与回归预测的室内自动布局方法，其特征在于，包括如下步骤：

S1，获得户型图训练样本；

S2，将训练样本进行户型数据特征化；

S3，模型训练；

S4，对需要设计的户型采用上述的模型进行户型布局设计；

其中，所述的户型数据特征化包括如下步骤：

S21，户型边界特征提取：

设户型边界周长为L，首先对户型边界进行N等划分；其次以窗口长度l＝L/N，采用滑动窗方式对户型边界按步长l/2进行滑动，记载全部的i次滑动过程中横向户型边界与竖向户型边界在滑动窗中的占比分别为h_i、v_i(i＝1，2，…，2N-1)，其中i是指滑动次数，2N-1为总的滑动次数，则横向、竖向户型边界特征向量分别表示为

最终将横向、竖向户型边界特征级联成总边界特征

S22，门窗特征提取：

对户型边界进行N等划分；其次以窗口长度l＝L/N，采用滑动窗方式对户型边界按步长l/2进行滑动，记在全部的i次滑动过程中门、窗在滑动窗中的占比分别为d_i、w_i(i＝1，2，…，2N-1)，其中i是指滑动次数，2N-1为总的滑动次数，则门、窗特征向量分别表示为

最终将门、窗特征级联成总门窗特征

S23，墙体特征提取：

墙体特征包括横向边墙、竖向边墙、横向内墙及竖向内墙，记四类墙体在滑动窗中的占比分别为其中i是指滑动次数，2N-1为总的滑动次数，则四类墙体的特征向量分别表示为

最终将四类墙体特征级联成总的墙体特征

S24，元素特征提取：

设户型支撑矩形区域为户型的最小外接矩形，设户型支撑矩形区域的较大边长为较小边长为同一类型户型元素的不同对象视为不同布局元素，将布局元素抽象化为矩形区域ω_i(i＝1，2，…，n)，n为总布局元素的个数，布局元素的长短边长分别表示为单个布局元素的输入特征可以描述为

总的布局元素输入特征即以户型支撑矩形区域的左上角为坐标原点，布局元素在户型中的相对左上角坐标表示为则单个布局元素的输出特征可以描述为

其中，I(x,y)为指示函数

总的布局元素输出即

所述的模型训练包括如下步骤：

S31：设计元素布局的数学模型为

F_out＝f(F_in)

S32：对模型进行回归训练；

其中，F_in＝[F_e；F_c；F_r；F_ω]为输入户型数据与元素数据的抽象描述，F_out＝F_ρ为布局元素的抽象输出描述，f为布局函数。

2.根据权利要求1所述的基于滑动窗特征与回归预测的室内自动布局方法，其特征在于，所述的S32中，选择随机森林回归模型进行离线模型训练。

3.根据权利要求1所述的基于滑动窗特征与回归预测的室内自动布局方法，其特征在于，在S4步骤后，还包括布局后处理步骤。

4.根据权利要求3所述的基于滑动窗特征与回归预测的室内自动布局方法，其特征在于，所述的后处理步骤包括以下步骤中的任意一种：

卧室后处理，卧室的后处理规则约束包括：①床、床头柜、衣柜的贴墙约束；②床头柜与床，妆台与妆镜的元素紧贴约束；

客厅后处理，客厅的后处理规则约束包括：①主沙发、电视柜、电视、空调的贴墙约束；②电视与电视柜的元素紧贴约束；

餐厅后处理，餐厅的后处理规则约束包括：①餐边柜的贴墙约束；②餐桌与餐椅的元素紧贴约束。

5.一种计算机可存取介质，其上记载有计算机程序，所述的程序可以运行权利要求1-4任意项所述的布局方法。