CN110598252A - 家具布局的方法、装置、电子设备及存储介质 - Google Patents
家具布局的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110598252A CN110598252A CN201910727013.1A CN201910727013A CN110598252A CN 110598252 A CN110598252 A CN 110598252A CN 201910727013 A CN201910727013 A CN 201910727013A CN 110598252 A CN110598252 A CN 110598252A
- Authority
- CN
- China
- Prior art keywords
- furniture
- layout
- user
- loss function
- furniture layout
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 61
- 238000005034 decoration Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种家具布局的方法、装置、电子设备及存储介质，其中，方法包括：提取目标房室的室内特征；根据室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少一个相似案例；根据用户需求结合至少一个相似案例呈现至少一个最优家具布局。由此，解决了基于模拟退火算法的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题。
Description
技术领域
本发明涉及家具布局技术领域，特别涉及一种家具布局的方法、装置、电子设备及存 储介质。
背景技术
传统家具布局设计基本由人工完成，如用户通过试错的方式实际挪动家具的位置，直 至满意为止，或由设计师绘制家具布局设计。但是，前者限制了用户对家具的自由选择及 随意组合，得到的家具布局往往无法满足工用和美学方面的要求，且后者对设计师来说工 作量大、耗时长，及对用户来说成本较高，不具普适性。
相关技术中，随着物联网、大数据、云计算等技术的进步，高度人工智能的家居布局 将是解决上述问题的有效方法之一，如基于模拟退火算法的家具自动摆放系统，其从生活 经验或室内设计学中提取功用或美学原则，将其转化为损失函数，并应用模拟退火算法优 化出损失函数最小值，即得到最优家具布局，但很容易导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低。
发明内容
本发明提供一种家具布局的方法、装置、电子设备及存储介质，以决基于模拟退火算 法的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题。
本发明第一方面实施例提供一种家具布局的方法，包括以下步骤：提取目标房室的室 内特征；根据所述室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少一个相 似案例；根据用户需求结合所述至少一个相似案例呈现至少一个最优家具布局。
本发明第二方面实施例提供一种家具布局的装置，包括：提取模块，用于提取目标房 室的室内特征；匹配模块，用于根据所述室内特征通过K最邻近分类算法匹配相似度大于 预设阈值的至少一个相似案例；呈现模块，用于根据用户需求结合所述至少一个相似案例 呈现至少一个最优家具布局。
本发明第三方面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，所述指令被设置为用于执行如上述实施例所述的家具布局的方法。
本发明第四方面实施例提供一种非临时性计算机可读存储介质，所述非临时性计算机 可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述 的家具布局的方法。
通过K最邻近分类算法匹配相似度大于一定值的相似案例，从而根据用户需求结合相 似案例得到最优家具布局，通过数据库中匹配相似案例，避免忽略家具摆放的功能和视觉 准则，对各种家具布局更加合理，提高用户选择家具的效率，有效提升用户使用体验，更 加可靠便捷。由此，解决了基于模拟退火算法的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题。
本发明附加的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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解，其中：
图1为根据本发明实施例的家具布局的方法的流程图；
图2为根据本发明一个实施例的最优家具布局的示意图；
图3为根据本发明一个实施例的家具布局的方法的流程图；
图4为根据本发明另一个实施例的家具布局的方法的流程图；
图5为根据本发明一个实施例的家具的可访问性及可见性的原理示意图；
图6为根据本发明一个实施例的损失函数的示意图；
图7为根据本发明实施例的家具布局的装置的方框示意图。
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，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的家具布局的方法、装置、电子设备及存储介质。针对上述背景技术中心提到的由于基于模拟退火算法的家具自动摆放系统，导致约束冲突， 并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题，本 发明提供了一种家具布局的方法，在该方法中，通过K最邻近分类算法匹配相似度大于一 定值的相似案例，从而根据用户需求结合相似案例得到最优家具布局，通过数据库中匹配 相似案例，避免忽略家具摆放的功能和视觉准则，对各种家具布局更加合理，提高用户选 择家具的效率，有效提升用户使用体验，更加可靠便捷。由此，解决了基于模拟退火算法的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用 户选择家具的效率较低等问题，实现家具布局的智能优化，对各种家具进行合理布局。
具体而言，图1为本发明实施例所提供的一种家具布局的方法的流程示意图。
如图1所示，该家具布局的方法包括以下步骤：
在步骤S101中，提取目标房室的室内特征。
可以理解的是，由于虚拟场景进行家具布局时，本发明实施例可以对特定家具布局方 案的毛坯房进行特征提取，如毛坯房的形状和大小、门的位置、窗子的大小及所在位置等。 需要说明的是，提取的方式可以有很多种，例如进入目标房室进行拍摄图像，以从拍摄图 像中提取室内特征，或者从网络爬取相关设计图纸，从设计图纸中提取室内特征，在此不 作具体限定。
在步骤S102中，根据室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少 一个相似案例。
具体而言，为避免忽略一些家具摆放的功能和视觉准则，本发明实施例可以应用KNN (k-NearestNeighbor，邻近算法)(K最邻近分类算法)算法进行家具布局，如根据用户毛 坯房的室内特征，应用KNN算法在特定家具布局案例库中选出与目标方式最相似的若干案 例。
需要说明的是，相似案例可以单个或多个，预设阈值可以有本领域技术人员根据实际 情况进行设置，在此不做具体限制。另外，数据库的建立会在下面进行详细赘述。
其中，在本发明的一个实施例中，在根据室内特征通过K最邻近分类算法匹配相似度 大于预设阈值的至少一个相似案例之前，还包括：接收用户选择的装修风格和/或装修成本； 根据装修风格和/或装修成本生成条件约束。
也就是说，用户还可以对装修风格、装修成本做预先的条件约束，有效提高用户选择 家具的效率。条件预设的生成方式可以有很多种，如采集当前用户的兴趣或者调研报告， 确定装修风格和装修成本，进而生成条件约束，但本领域技术人员应当理解的是，装修风 格、装修成本仅是示意性的，本发明并不见限于这两种，根据用户的选择可以生成更多的 条件约束，以更好地匹配用户需求。
在步骤S103中，根据用户需求结合至少一个相似案例呈现至少一个最优家具布局。
也就是说，用户房间家具种类可以根据上述步骤匹配的相似案例中的家具种类进行选 择，如图3所示，对主卧、次卧、厨房、客餐厅、书房、卫生间的房室进行了家具布局， 图中展示最初的毛坯房和最后家具布局。需要说明的是，最优家具布局可以一项或多项， 便于用户自主选择，更加多样性，提升用户使用体验。
进一步地，在本发明的一个实施例中，根据用户需求结合至少一个相似案例呈现至少 一个最优家具布局，包括：获取目标房室的当前环境信息；根据当前环境信息和/或用户需 求替换和/或缩放家具，以生成至少一个最优家具布局。
具体而言，在将室内特征作为输入，通过KNN算法匹配到数据库中最相似的若干案例 后，本发明实施例可以提取案例中的家具信息，并结合目标房室的当前环境(如面积)，对 家具进行缩放、替换，从而根据房室的具体情况进行针对性调整，提升布局的实用性和有 效性，提升使用体验。
另外，在本发明的一个实施例中，本发明实施例的方法还包括：根据每个物体的可访 问空间生成可访问性对应的损失函数；和/或，根据每个物体的可视范围生成可见性对应的 损失函数；和/或，根据两个物体之间的重叠面积和超出房间的面积生成重叠面积对应的损 失函数；和/或，根据家具与墙的先验距离生成靠墙距离对应的损失函数；和/或，根据家具 对间距生成家具对的相对位置对应的损失函数。
可以理解的是，本发明实施例在现有的损失函数基础上重新制定若干个损失函数，从 而提高最后优化结果的精度，且提升计算效率，使得通过KNN算法选择的家具布局结果已 经很接近最后的全局最优值的情况下，进一步优化时可以较快的达到全局最优值，算法收 敛较快，计算效率得到提高，而且KNN本身具有并行性，选择的每一个案例都可以并行计 算，同时损失函数的构建天然具有并行性，提高计算效率，加速计算，提高最后优化结果的精度。
可选地，在本发明的一个实施例中，本发明实施例的方法还包括：通过应用启发式算 法对损失函数进行组合优化，直至损失函数的值低于预设值，或者迭代步数达到预设迭代 步数。
也就是说，本发明实施例可以通过应用组合优化对家具进行排布，以优化并提高计算 效率，应用启发式算法对损失函数进行组合优化，其中，启发式算法包括但不限于贪心算 法、粒子群算法、遗传算法、模拟退火算法、蚁群算法、差分进化算法等，其中，优化过程中损失函数会不断下降，当损失函数的值低于预设值，或者迭代步数达到预设的迭代步数时，优化结束并得到最终的家具布局结果，预设值和预设迭代步数可以由本领域技术人员根据实际情况进行设置。
下面以一个具体实施例对本发明实施例的原理进行详细描述。
如图3所示，本发明实施例的方法包括以下步骤：
步骤S1：收集特定家具布局方案，提取房间特征及家具特征，分别创建房屋布局案例 数据库和家具数据库。
也就是说，数据库可以包括房屋布局案例数据库和家具数据库，以两者配合匹配至少 一个相似案例，因此，通过提取每个家具布局方案的房间特征和家具特征创建数据库，提 高匹配的准确性，而且数据库可以定时或定向更新，提高使用体验。
步骤S2：基于KNN算法找出数据库中与用户房间需求最相似的若干个布局案例；如图4所示，KNN算法的流程如下：
步骤S21：输入特征向量。
步骤S22：归一化特征向量。
步骤S23：计算待分类特征向量与样本向量距离。
步骤S24：统计与目标向量距离最近的若干个样本向量。
步骤S25：选择距离最近的若干向量做输出。
具体而言，KNN算法的原理是根据两个向量之间的距离衡量两个向量之间的相似度。 在本发明的实施例中，应用KNN算出数据库中与用户房间最相似的若干个样本案例。其中， 归一化可以提高KNN算法的精度，如果一个特征值域范围非常大，那么距离计算就主要取 决于特征，从而与实际情况相悖。
步骤S3：提取步骤S2中最相似案例的家具和布局信息，根据用户需求和房间的实际 情况对家具进行缩放、替换。
即言，提取案例中的家具信息，并结合目标房室的当前环境(如面积)，对家具进行缩 放、替换，从而根据房室的具体情况进行针对性调整，提升布局的实用性和有效性，提升使用体验。
步骤S4：制定损失函数，根据用户所选的家具信息计算相应的损失函数，房间中的每 件家具用它的最小六面体包围盒表示，oi为包围盒的中心点，di为oi到墙的最近距离，li为oi包围盒任意一个顶点的距离，下面给出定义损失函数的若干原则：
可访问性：如图5所示，为每个物体定义一个可访问的空间，允许人自由通过或者方 便使用.如图5(a)所示，灰色部分表示家具，白色部分表示可访问面积可访问面积的尺寸由先验的例子和人体尺度决定.定义每个家具i的第j个可访问面积为sij，则损失函数定义为：
可见性：如图5所示，某些物体(如电视)不能被其他物体遮挡，可为其定义一个梯形作为可视范围.如图5(b)中等腰梯形，灰色部分表示电视，白色表示可见面积sj。根 据先验例子和人体尺度定义先验面积则损失函数如下：
重叠面积：计算两个物体之间的重叠面积和超出房间的面积，重叠面积包括家具与房 门Mi、家具与家具之间的重叠面积Sij。超出房间面积即家具布局过程中家具超出房间的面 积Ti。则由面积定义的损失函数为：
Ls(Φ)＝Wm∑iMi+Ws∑j∑iSij+Wt∑iTi，
其中，Wm，Ws，Wt是对应项的权重，在优化时使损失函数Ls(Φ)逐渐减小以达到用户布局需求。
靠墙距离：家具与墙的先验距离可以由用户自定义或者从大量室内设计的例子中总 结得到。当给定一个房间布局时，由靠墙距离所定义房间中家具的损失函数为：
损失函数可视化后是一个类似V形的函数，本专利对做些适当的修改，得 到分段函数li，
当家具和墙之间的距离di<0时，li是一个指数函数，表示当家具位置超出墙时，损失 函数值急剧变大。如图6所示；当时，li是一次函数，图中X轴的红点为点当时，li是二次函数，与墙最近距离预期为越接近损失函数越小，远离则损 失函数缓慢增加。
家具对的相对位置：计算家具对间距，例如，茶几沙发之间存在合理的相对距离，它 们之间类似于物体与墙之间的损失函数除此之外，家具之间还存在相对角度，根据 相对角度定义家具对的损失函数假设桌子和椅子之间的相对距离是di，相对角度是 它们之间的先验距离是先验角度是则家具对之间的损失函数分别为：
同样的，和也是V型函数，本专利对和做了适当的调整，同 一样。整合两个损失函数，Wd和是对应项的权值，则家具对之间的损失函数为：
综上，总的损失函数被定义为上述各类损失函数的线性组合：
其中，W1，W2，W3，W4，W5表示对应项的权重。
在本发明的实施例中，本发明实施例在现有的损失函数基础上重新制定若干个损失函 数，从而提高最后优化结果的精度，且提升计算效率，使得通过KNN算法选择的家具布局 结果已经很接近最后的全局最优值的情况下，进一步优化时可以较快的达到全局最优值， 算法收敛较快，计算效率得到提高，而且KNN本身具有并行性，选择的每一个案例都可以 并行计算，同时损失函数的构建天然具有并行性，提高计算效率，加速计算，提高最后优化结果的精度。
步骤S5：应用启发式算法对损失函数进行组合优化，其中，启发式算法包括但不限于 贪心算法、粒子群算法、遗传算法、模拟退火算法、蚁群算法、差分进化算法等，其中， 优化过程中损失函数会不断下降，当损失函数的值低于预设值，或者迭代步数达到预设的 迭代步数时，优化结束并得到最终的家具布局结果，预设值和预设迭代步数可以由本领域 技术人员根据实际情况进行设置，不但可以用于毛坯房的家具布局，同理还可以用于广告 设计的平面布局，楼房之间的平面布局，将室内特征替换为平面布局特征即可，在此不做 详细描述。
根据本发明实施例提出的家具布局的方法，通过K最邻近分类算法匹配相似度大于一 定值的相似案例，从而根据用户需求结合相似案例得到最优家具布局，通过数据库中匹配 相似案例，避免忽略家具摆放的功能和视觉准则，对各种家具布局更加合理，提高用户选 择家具的效率，有效提升用户使用体验，更加可靠便捷。由此，解决了基于模拟退火算法 的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题。
其次参照附图描述根据本发明实施例提出的家具布局的装置。
图7是本发明实施例的家具布局的装置的方框示意图。
如图7所示，该家具布局的装置10包括：提取模块100、匹配模块200和呈现模块300。
其中，提取模块100，用于提取目标房室的室内特征。
匹配模块200，用于根据室内特征通过K最邻近分类算法匹配相似度大于预设阈值的 至少一个相似案例。
呈现模块300，用于根据用户需求结合至少一个相似案例呈现至少一个最优家具布局。
其中，在本发明的一个实施例中，本发明实施例的装置10还包括：接收模块和生成模 块。
其中，接收模块，用于接收用户选择的装修风格和/或装修成本。
生成模块，用于根据装修风格和/或装修成本生成条件约束。
进一步地，在本发明的一个实施例中，呈现模块包括：获取单元和生成单元。
其中，获取单元，用于获取目标房室的当前环境信息。
生成单元，用于根据当前环境信息和/或用户需求替换和/或缩放家具，以生成至少一个 最优家具布局。
需要说明的是，前述对家具布局的方法实施例的解释说明也适用于该实施例的家具布 局的装置，此处不再赘述。
根据本发明实施例提出的家具布局的装置，通过K最邻近分类算法匹配相似度大于一 定值的相似案例，从而根据用户需求结合相似案例得到最优家具布局，通过数据库中匹配 相似案例，避免忽略家具摆放的功能和视觉准则，对各种家具布局更加合理，提高用户选 择家具的效率，有效提升用户使用体验，更加可靠便捷。由此，解决了基于模拟退火算法 的家具自动摆放，导致约束冲突，并且迭代次数多，效率低，用户体验感不高的同时，用户选择家具的效率较低等问题。
为了实现上述实施例，本发明还提出了一种电子设备，包括：至少一个处理器和存储 器。其中，存储器与至少一个处理器通信连接，其中，存储器存储有可被至少一个处理器执行的指令，指令被设置为用于执行上述实施例的家具布局的方法，如以用于：
提取目标房室的室内特征。
根据室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少一个相似案例。
根据用户需求结合至少一个相似案例呈现至少一个最优家具布局。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其存储计 算机指令，计算机指令用于使计算机执行上述实施例的家具布局的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须 针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一 个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合 和组合。
此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐 含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三 个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个 或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分， 并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序， 包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的 实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实 现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令 执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行 系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布 线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只 读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及 便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述 程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行 编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储 在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实 施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或 固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技 术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离 散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可 编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可 以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中， 该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各 个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既 可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以 软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读 取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了 本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制， 本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种家具布局的方法，其特征在于，包括以下步骤：
提取目标房室的室内特征；
根据所述室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少一个相似案例；以及
根据用户需求结合所述至少一个相似案例呈现至少一个最优家具布局。
2.根据权利要求1所述的方法，其特征在于，在根据所述室内特征通过所述K最邻近分类算法匹配相似度大于预设阈值的至少一个相似案例之前，还包括：
接收用户选择的装修风格和/或装修成本；
根据所述装修风格和/或装修成本生成条件约束。
3.根据权利要求1所述的方法，其特征在于，所述根据用户需求结合所述至少一个相似案例呈现至少一个最优家具布局，包括：
获取所述目标房室的当前环境信息；
根据所述当前环境信息和/或所述用户需求替换和/或缩放家具，以生成所述至少一个最优家具布局。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据每个物体的可访问空间生成可访问性对应的损失函数；
和/或，根据所述每个物体的可视范围生成可见性对应的损失函数；
和/或，根据两个物体之间的重叠面积和超出房间的面积生成重叠面积对应的损失函数；
和/或，根据家具与墙的先验距离生成靠墙距离对应的损失函数；
和/或，根据家具对间距生成家具对的相对位置对应的损失函数。
5.根据权利要求4所述的方法，其特征在于，还包括：
通过应用启发式算法对所述损失函数进行组合优化，直至所述损失函数的值低于预设值，或者迭代步数达到预设迭代步数。
6.一种家具布局的装置，其特征在于，包括：
提取模块，用于提取目标房室的室内特征；
匹配模块，用于根据所述室内特征通过K最邻近分类算法匹配相似度大于预设阈值的至少一个相似案例；以及
呈现模块，用于根据用户需求结合所述至少一个相似案例呈现至少一个最优家具布局。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
接收模块，用于接收用户选择的装修风格和/或装修成本；
生成模块，用于根据所述装修风格和/或装修成本生成条件约束。
8.根据权利要求1所述的装置，其特征在于，所述呈现模块包括：
获取单元，用于获取所述目标房室的当前环境信息；
生成单元，用于根据所述当前环境信息和/或所述用户需求替换和/或缩放家具，以生成所述至少一个最优家具布局。
9.一种电子设备，其特征在于，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，所述指令被设置为用于执行上述权利要求1-5任一项所述的家具布局的方法。
10.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-5任一项所述的家具布局的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727013.1A CN110598252A (zh) | 2019-08-07 | 2019-08-07 | 家具布局的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727013.1A CN110598252A (zh) | 2019-08-07 | 2019-08-07 | 家具布局的方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598252A true CN110598252A (zh) | 2019-12-20 |
Family
ID=68853661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910727013.1A Pending CN110598252A (zh) | 2019-08-07 | 2019-08-07 | 家具布局的方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598252A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563291A (zh) * | 2020-05-19 | 2020-08-21 | 贝壳技术有限公司 | 家装方案确定方法、装置及计算机可读存储介质 |
| CN111651819A (zh) * | 2020-05-27 | 2020-09-11 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
| CN113360981A (zh) * | 2021-06-04 | 2021-09-07 | 深圳须弥云图空间科技有限公司 | 家具自动布局方法、装置、存储介质与电子设备 |
| CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
| CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
| CN116992168A (zh) * | 2023-09-28 | 2023-11-03 | 北京装库创意科技有限公司 | 一种家居布局推荐方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573106A (zh) * | 2015-01-30 | 2015-04-29 | 浙江大学城市学院 | 一种基于案例推理技术的城市建设智能审批方法 |
| CN107240151A (zh) * | 2017-07-05 | 2017-10-10 | 常州赞云软件科技有限公司 | 一种基于父子约束的场景布局保存与再现方法 |
| US20180096432A1 (en) * | 2010-11-04 | 2018-04-05 | Reconstructor Holdings Llc | Methods and systems for representing relational information in 3d space |
| CN109509252A (zh) * | 2018-11-12 | 2019-03-22 | 湖南城市学院 | 一种新型室内装修智能设计方法 |
-
2019
- 2019-08-07 CN CN201910727013.1A patent/CN110598252A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180096432A1 (en) * | 2010-11-04 | 2018-04-05 | Reconstructor Holdings Llc | Methods and systems for representing relational information in 3d space |
| CN104573106A (zh) * | 2015-01-30 | 2015-04-29 | 浙江大学城市学院 | 一种基于案例推理技术的城市建设智能审批方法 |
| CN107240151A (zh) * | 2017-07-05 | 2017-10-10 | 常州赞云软件科技有限公司 | 一种基于父子约束的场景布局保存与再现方法 |
| CN109509252A (zh) * | 2018-11-12 | 2019-03-22 | 湖南城市学院 | 一种新型室内装修智能设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋佩华等: "基于案例推理及距离场的家居在线布局方法", 《系统仿真学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563291A (zh) * | 2020-05-19 | 2020-08-21 | 贝壳技术有限公司 | 家装方案确定方法、装置及计算机可读存储介质 |
| CN111651819A (zh) * | 2020-05-27 | 2020-09-11 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
| CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
| CN113360981A (zh) * | 2021-06-04 | 2021-09-07 | 深圳须弥云图空间科技有限公司 | 家具自动布局方法、装置、存储介质与电子设备 |
| CN113360981B (zh) * | 2021-06-04 | 2024-04-16 | 深圳须弥云图空间科技有限公司 | 家具自动布局方法、装置、存储介质与电子设备 |
| CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
| CN116992168A (zh) * | 2023-09-28 | 2023-11-03 | 北京装库创意科技有限公司 | 一种家居布局推荐方法及系统 |
| CN116992168B (zh) * | 2023-09-28 | 2024-01-12 | 北京装库创意科技有限公司 | 一种家居布局推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598252A (zh) | 家具布局的方法、装置、电子设备及存储介质 | |
| CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
| CN112883476B (zh) | 建筑空间的布局方法、装置及电子设备 | |
| Mellado et al. | Digitisation of existing buildings to support building assessment schemes: Viability of automated sustainability-led design scan-to-BIM process | |
| RU2540829C2 (ru) | Интерактивный итеративный алгоритм ближайших точек для сегментации органов | |
| WO2023124160A1 (zh) | 一种自动生成三维房屋布局的方法、系统、装置及介质 | |
| CN111104704A (zh) | 柜体内部布局设计方法、装置、系统以及存储介质 | |
| CN116522463B (zh) | 室内设计方法、装置、设备及存储介质 | |
| CN104036259A (zh) | 人脸相似度识别方法和系统 | |
| Rodríguez-Déniz et al. | A frontier-based hierarchical clustering for airport efficiency benchmarking | |
| Zhang et al. | A new kmeans clustering algorithm for point cloud | |
| Shang et al. | Multidimensional scaling method for complex time series feature classification based on generalized complexity-invariant distance | |
| JP6549239B2 (ja) | 空間情報生成装置、空間情報生成方法、プログラム | |
| Asensio et al. | Self-adaptive grids for noise mapping refinement | |
| CN113220815B (zh) | 区域信息处理方法及装置 | |
| Zhan et al. | MBBOS-GCN: Minimum bounding box over-segmentation—Graph convolution 3D point cloud deep learning model | |
| EP4141726A1 (en) | Method for automatically furnishing a 3d room based on user preferences | |
| Köksalan et al. | Multiple criteria decision making: Foundations and some approaches | |
| Zhang et al. | Stereo Depth Estimation with Echoes | |
| CN109145035B (zh) | 一种基于数据挖掘的电网数据处理方法 | |
| JP2009116404A (ja) | 合金設計支援システム、合金設計支援用プログラム、および合金設計支援方法 | |
| Tauscher et al. | Area cartograms in building product model visualization | |
| KR101930161B1 (ko) | 3차원 공간 패턴 기반 건축 디자인 성능평가 시스템 | |
| CN111199100A (zh) | 一种硬装定制设计方法和设计装置 | |
| Renganayagalu et al. | Optimising Energy Performance of buildings through Digital Twins and Machine Learning: Lessons learnt and future directions |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191220 |