CN111091618B - 基于户型数据驱动的组合式室内布局方法和系统 - Google Patents
基于户型数据驱动的组合式室内布局方法和系统 Download PDFInfo
- Publication number
- CN111091618B CN111091618B CN201911305352.7A CN201911305352A CN111091618B CN 111091618 B CN111091618 B CN 111091618B CN 201911305352 A CN201911305352 A CN 201911305352A CN 111091618 B CN111091618 B CN 111091618B
- Authority
- CN
- China
- Prior art keywords
- room
- layout
- feature vector
- room area
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于户型数据驱动的组合式室内布局方法和系统,包括:获取目标房间区域的特征向量数据;目标房间区域为待布局房屋中的房间区域;特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积;将目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到目标房间区域的功能信息;基于特征向量数据和功能信息对目标房间区域进行布局操作,得到布局之后的房间区域。本发明缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种基于户型数据驱动的组合式室内布局方法和系统。
背景技术
在实际的室内设计中,用户许多时候需要对整个房屋进行布局,但是当前的大部分布局算法通常只关注单个房间的布局,缺乏从室内设计的整体结构进行考虑。如果用户需要对整个房屋进行自动布局,则需要先人工对各房间的区域和房间的功能进行标注,再利用自动布局方法对房间进行布局;对于复杂房屋户型图,这些标注工作既繁琐又增加用户的工作量。
发明内容
有鉴于此,本发明的目的在于提供一种基于户型数据驱动的组合式室内布局方法和系统,以缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
第一方面,本发明实施例提供了一种基于户型数据驱动的组合式室内布局方法,包括:获取目标房间区域的特征向量数据;所述目标房间区域为待布局房屋中的房间区域;所述特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积;将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息;基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域。
进一步地,在获取目标房间区域的特征向量数据之前,所述方法还包括:获取所述待布局房屋的户型图;确定所述户型图中的全部辅助点,其中,所述辅助点为所述户型图中各个房间区域的顶点;对所述全部辅助点进行聚类分析,得到所述户型图中的至少一个房间区域,并在所述至少一个房间区域中确定所述目标房间区域。
进一步地,对所述全部辅助点进行聚类分析,得到所述户型图中的至少一个房间区域包括:获取所述全部辅助点中任意两个辅助点之间的邻接关系;根据所述任意辅助点之间的邻接关系对所述辅助点进行聚类分析,得到至少一个辅助点簇;基于所述至少一个辅助点簇,形成至少一个辅助点闭环;将所述至少一个辅助点闭环中,除面积最大的辅助点闭环之外的辅助点闭环作为所述至少一个房间区域。
进一步地,所述方法还包括:获取训练数据集;所述训练数据集包括:多个房间区域的特征向量数据集合和每个房间区域的功能信息集合;利用所述训练数据集训练预设BP神经网络模型,得到所述训练之后的BP神经网络模型。
进一步地,在利用所述训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型之前,所述方法还包括:对所述训练数据集中的特征向量数据集合进行Min-Max标准化处理,得到归一化特征向量数据集合;利用所述训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型包括:将所述归一化特征向量数据集合作为输入,训练所述预设BP神经网络模型,得到训练之后的BP神经网络模型。
进一步地,在将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息之前,所述方法包括:对所述目标房间区域的特征向量数据进行Min-Max标准化处理,得到所述目标房间区域的归一化特征向量;将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息包括:将所述目标房间区域的归一化特征向量输入到所述训练之后的BP神经网络模型,得到所述目标房间区域的功能信息。
进一步地,基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域,包括:基于所述户型图,确定所述目标房间区域的结构特征数据;所述结构特征数据包括以下至少之一:房门相对位置数据,窗户相对位置数据;基于所述结构特征数据和所述目标房间区域的特征向量数据,确定所述目标房间区域的属性特征向量;所述属性特征向量包括:房间面积,功能信息,房门相对位置数据和窗户相对位置数据;在预设布局房间库中查找与所述目标房间区域的属性特征向量的相似度最大的房间,得到目标布局房间;所述预设布局房间库为多个布局之后的房间的集合;基于所述目标布局房间中的物品布局,对所述目标房间区域进行布局操作,得到布局之后的房间区域。
进一步地,通过以下方式确定任意两个辅助点之间是否存在邻接关系,具体包括:获取所述户型图中的所有墙角点的集合为第一集合,获取所述户型图中的所有墙边的集合为第二集合;在所述第一集合中确定所述任意两个辅助点所对应的墙角点分别为第一墙角点和第二墙角点;判断所述第一墙角点和所述第二墙角点所构成的边是否属于所述第二集合,且不与所述第二集合中的所有墙边相交,且与X轴或者Z轴平行;所述X轴和所述Z轴为所述户型图中相互垂直的两个坐标轴;若是,则确定所述任意两个辅助点之间存在邻接关系。
第二方面,本发明实施例还提供了一种基于户型数据驱动的组合式室内布局系统,包括:获取模块,识别模块和布局模块,其中,所述获取模块,用于获取目标房间区域的特征向量数据;所述目标房间区域为待布局房屋中的房间区域;所述特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积;所述识别模块,用于将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息;所述布局模块,用于基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
本发明实施例带来了以下有益效果:一种基于户型数据驱动的组合式室内布局方法和系统,包括:获取目标房间区域的特征向量数据;将目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到目标房间区域的功能信息;基于特征向量数据和功能信息对目标房间区域进行布局操作,得到布局之后的房间区域。本发明通过BP神经网络模型可以自动确定目标房间区域的功能信息,然后通过特征向量数据和功能信息自动对目标房间区域进行布局,而不需要用户对户型图中的功能信息进行标注,以及不需要用户输入室内物品,以缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于户型数据驱动的组合式室内布局方法的流程图;
图2为本发明实施例提供的一种环聚类算法的流程图;
图3为本发明实施例提供的一种待布局房屋的户型图的示意图;
图4为本发明实施例提供的一种户型图的辅助点的示意图;
图5为本发明实施例提供的四种辅助点生成方式的示意图;
图6为本发明实施例提供的一种房间区域机构的示意图;
图7为本发明实施例提供的另一种基于户型数据驱动的组合式室内布局方法的流程图;
图8为本发明实施例提供的一种基于户型数据驱动的组合式室内布局系统的示意图;
图9为本发明实施例提供的另一种基于户型数据驱动的组合式室内布局系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例一:
根据待布局物品是否已知,家居自动布局算法可以分为两类:室内物品自动布局方法和基于模型库的场景合成算法。本发明实施例提出了一种基于户型数据驱动的组合式室内布局方法,该方法只需要用户输入房屋(包含多个房间)的户型图即可自动完成房间布局操作,而并不需要用户输入布局物品,该方法是属于基于模型库的场景合成方法。
图1是根据本发明实施例提供的一种基于户型数据驱动的组合式室内布局方法的流程图,如图1所示,该方法具体包括如下步骤:
步骤S102,获取目标房间区域的特征向量数据;目标房间区域为待布局房屋中的房间区域;特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积。
步骤S104,将目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到目标房间区域的功能信息。
步骤S106,基于特征向量数据和功能信息对目标房间区域进行布局操作,得到布局之后的房间区域。
本发明实施例提供了一种基于户型数据驱动的组合式室内布局方法,通过BP神经网络模型可以自动确定目标房间区域的功能信息,然后通过特征向量数据和功能信息自动对目标房间区域进行布局,而不需要用户对户型图中的功能信息进行标注,以及不需要用户输入室内物品,以缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
可选地,在本发明实施例中,在获取目标房间区域的特征向量数据之前,还包括利用环聚类算法获取待布局房屋中的目标房间区域。其中,本发明实施例中的环聚类算法为一种改进的密度聚类算法。
具体地,如图2所示,本发明实施例提供的一种环聚类算法包括如下步骤:
步骤S201,获取待布局房屋的户型图;其中,户型图中包括待布局房屋的墙边、墙角信息,待布局房屋的窗户位置信息和房门位置信息;
步骤S202,确定户型图中的全部辅助点,其中,辅助点为户型图中各个房间区域的顶点;具体地,基于户型图中的墙角信息确定全部辅助点;
步骤S203,对全部辅助点进行聚类分析,得到户型图中的至少一个房间区域,并在至少一个房间区域中确定目标房间区域。
其中,步骤S203具体包括如下步骤:
步骤S2031,获取全部辅助点中任意两个辅助点之间的邻接关系;
步骤S2032,根据任意辅助点之间的邻接关系对辅助点进行聚类分析,得到至少一个辅助点簇;
步骤S2033,基于至少一个辅助点簇,形成至少一个辅助点闭环;
步骤S2034,将至少一个辅助点闭环中,除面积最大的辅助点闭环之外的辅助点闭环作为至少一个房间区域。
可选地,在本发明实施例中,待布局房屋的户型图可以用H=(G<V,E>,D,W,t)来表示,如图3所示。其中G<V,E>表示一个无向图;V表示该无向图的顶点集合,即户型图的墙角点集合,如图3中的v1,v2,...,v7均表示墙角点;E表示该无向图的边集合,即房间的墙边集合,如图3中的v1v2,v2v3等均表示墙边;D表示户型图中房门的位置集合;W表示户型图中的窗户位置集合;t表示墙的厚度。
可选地,图4是根据本发明实施例提供的一种户型图中所有辅助点的示意图,如图4所示,图中的u1,u2,...,u16都是辅助点。其中,辅助点可以根据V、E和t的简单几何关系计算得到,如图5所示,对于墙都是相互垂直或平行的房间,本发明实施例提供了4种生成辅助点的方式。
在本发明实施例中,每个辅助点都有对应的父节点,即每个辅助点对应的墙角点。其中,一个辅助点只有一个父节点,一个父节点可能存在至多4个辅助点。如图3和图4所示,点u1和u11的父节点为v1;点v6有三个辅助点:u6,u7和u17。
具体地,在本发明实施例中,可以通过以下方式确定任意两个辅助点之间是否存在邻接关系,具体包括:
获取户型图中的所有墙角点的集合为第一集合,获取户型图中的所有墙边的集合为第二集合;
在第一集合中确定任意两个辅助点所对应的墙角点分别为第一墙角点和第二墙角点;
判断第一墙角点和第二墙角点所构成的边是否属于第二集合,且不与第二集合中的所有墙边相交,且与X轴或者Z轴平行;X轴和Z轴为户型图中相互垂直的两个坐标轴;
若是,则确定该任意两个辅助点之间存在邻接关系;若否,则确定该任意两个辅助点之间不存在邻接关系。
例如,假设现有一个辅助点ui,如果存在点uj满足以下三个条件,则称ui和uj具有邻接关系,也称uj是ui的邻接点。
条件1:点ui的父节点va与uj的父节点vb所构成的边vavb属于边集合E中的一条边;
条件2:边uiuj不与E集合中的任何一条边相交;
条件3:边uiuj与X轴或Z轴平行。
如图4所示,点u6与u1具有邻接关系,点u2与u1也具有邻接关系,点u6和u2都为点u1的邻接点。
在本发明实施例中,一个房间区域中的辅助点只与该房间区域的其他辅助点具有邻接关系。根据这一特征,本发明实施例对DBSCAN算法进行了改进,提供了一种环聚类算法,该算法核心思想是将DBSCAN算法中聚类条件“密度可达”替换成本发明实施例中的“邻接关系可达”。
与DBSCAN算法类似,通过环聚类算法可以得到的一系列的簇,但其每个簇所包含的点属于同一个房间内的辅助点,通过该算法可以搜索到户型图中的每个房间区域,具体地,本发明实施例提供的一种环聚类算法的伪代码过程如表1所示。
表1
在上述算法中,每一个簇中的点集合就构成了一个环(即上述辅助点闭环),我们称面积最大的环为外环,称其他环为内环,在外环上的房门称为外环门。内环的数量等于户型图中房间区域的数量,每个内环所占区域即为一个房间区域。如图4所示,在该户型图中共搜索到了3个环,其中,环u1u2u3u4u5u6和u7u8u9u10属于该户型图的两个房间区域,环u11u12u13u14u15u16为外环,Door2为外环门。
由此可知,本发明实施例通过环聚类算法实现了待布局房屋的户型图中的房间区域的自动搜索,而不需要用户人工对房间进行标注,达到了节省用户工作量的技术效果。
可选地,本发明实施例提供的方法包括对BP神经网络模型进行训练的过程,具体包括如下步骤:
获取训练数据集;训练数据集包括:多个房间区域的特征向量数据集合和每个房间区域的功能信息集合;其中,功能信息包括:卧室、厨房、厕所、阳台、卧室的阳台、卧室的厕所和厨房的阳台灯;
利用训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型。
可选地,在本发明实施例中,为了消除收集到的房间原始数据之间的量纲影响,以解决数据指标之间的可比性,需要对原始数据进行预处理。
具体地,在本发明实施例中,在利用训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型之前,方法还包括:对训练数据集中的特征向量数据集合进行Min-Max标准化处理,得到归一化特征向量数据集合;然后将归一化特征向量数据集合作为输入,训练预设BP神经网络模型,得到训练之后的BP神经网络模型。
可选地,在将目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到目标房间区域的功能信息之前,方法还包括:对目标房间区域的特征向量数据进行Min-Max标准化处理,得到目标房间区域的归一化特征向量;将目标房间区域的归一化特征向量输入到训练之后的BP神经网络模型,得到目标房间区域的功能信息。
例如,对于序列x1,x2,…,xn的Min-Max标准化公式如下:
其中,xi和yi分别为原始数据和预处理后的归一化特征向量数据。
对功能信息分类的数据集进行预处理后,可以利用BP神经网络对该数据集进行训练,并保存训练好的网络模型。当有未知功能的房间需要进行分类时,只需将该房间的特征向量数据输入到网络模型中,就可以判断出该房间的类型。
可选地,本发明实施例提供的一种基于BP神经网络的房间区域的功能信息分类方法包括如下步骤:
步骤1:构建房间区域功能信息分类的数据集。
收集房屋户型图,并从这些户型图中提取每个房间的特征向量数据X=[l,w,d1,d2,a],和提取房间区域的功能信息。其中,l表示房间区域的长度,w表示房间区域的宽度,d1和d2分别表示房间区域在户型图中的位置信息,a表示与该房间区域相邻接房间区域的面积。可选地,d1和d2的计算方法如下:设房屋户型图外环门的坐标是(x0,y0),房门的位置是(x1,y1),则d1=min{|x0-x1|,|y0-y1|},d2=max{|x0-x1|,|y0-y1|}。
步骤2:对数据集进行Min-Max标准化预处理,得到预处理之后的数据集。
步骤3:设置BP神经网络模型的参数,用经过预处理之后的数据集训练BP神经网络模型,保存该BP神经网络模型。
步骤4:房屋户型图中房间区域的功能信息分类,可按以下流程进行分类:
(1)根据本发明实施例提供的环聚类算法找出户型图中的外环、内环和外环门等信息;
(2)将与外环相邻且也占用外环门的内环确定为客厅;
(3)其他未知功能的房间区域(除客厅之外的内环)需要进行功能信息分类,计算出该房间区域的特征向量数据并进行Min-Max标准化预处理,再将预处理之后的特征向量数据输入到BP神经网络模型,通过BP神经网络模型可判断出该房间区域的功能信息。
通过以上描述可知,本发明实施例通过BP神经网络对目标房间区域进行分类识别,得到目标房间区域的功能信息。该方法可以提高对功能信息识别的准确率,同时也不需要人工对户型图中的房间区域的功能信息进行人工标注,减少了用户的工作量。
可选地,步骤S106具体包括如下步骤:
步骤S1061,基于户型图,确定目标房间区域的结构特征数据;结构特征数据包括以下至少之一:房门相对位置数据,窗户相对位置数据。
步骤S1062,基于结构特征数据和目标房间区域的特征向量数据,确定目标房间区域的属性特征向量;属性特征向量包括:房间面积,功能信息,房门相对位置数据和窗户相对位置数据。
步骤S1063,在预设布局房间库中查找与目标房间区域的属性特征向量的相似度最大的房间,得到目标布局房间;预设布局房间库为多个布局之后的房间的集合。
步骤S1064,基于目标布局房间中的物品布局,对目标房间区域进行布局操作,得到布局之后的房间区域。
具体地,获取目标布局房间中的物品以及每个物品的布局位置,将这些物品通过案例重用摆放到目标房间中,得到布局之后的房间区域。
例如,本发明实施例可以用一个二元组队一个房间区域的场景案例Cscene进行描述:Cscene=<Fscene,Sscene>,其中,Fscene表示场景属性特征向量,即问题描述;Sscene表示场景组成,即解决方案描述,包含了以下信息:室内物品、室内物品的旋转角度、室内物品与房间区域的位置关系参数。
其中,场景属性特征向量Fscene包含了三项属性:房间面积,房间区域的功能信息、房间的结构特征数据。其中,房间的结构特征数据包括了房门相对位置数据和窗户相对位置数据。房门相对位置数据和窗户相对位置数据计算方法如下:如图6所示,我们先将矩形户型图的墙按相对位置划分为12条线段,再找出房门或窗户的位置点与这些线段中心点距离最近的线段,则该线段的序号即为该房门或窗户的相对位置数据。图6给出了一个房间区域及其房门、窗户所在位置,则该房间结构特征数据可以用“Door-7”、“Window-2”表示。
可选地,Sscene中描述室内物品与房间区域的位置关系参数可以通过以下方式得到。
例如,当前房间区域包含了r件室内物品(用k表示室内物品的编号,k=1,…,r,r为正整数),则室内物品k与该房间的位置关系可以用以下的公式表示:Qk=Q0+Hk+Dk,Hk=LkS。其中,Qk=[xk,yk,zk]T,(xk,yk,zk)表示室内物品k的位置,即该物品的三维AABB包围盒的底部中心点位置;Q0=[x0,y0,z0]T,(x0,y0,z0)表示房间的位置,即房间的矩形地面中心点所在位置;Hk=[hk,x,hk,y,hk,z]T,(hk,x,hk,y,hk,z)表示室内物品k在场景中的约束点位置;Dk=[dk,x,dk,y,dk,z]T,Dk表示室内物品k相对约束点的距离矩阵;L=(lij)3×3,L k为室内物品k约束点的变换矩阵;S=[sx,sy,sz]T,(sx,sy,sz)表示房间的长度、高度和宽度。
可选地,步骤S1063中,计算属性特征向量相似度返方法如下:
假设场景案例库(即上述预设布局房间库)中共有n个案例(即上述布局之后的房间),每个案例对应于m个属性的属性特征向量,则这些场景案例的属性特征向量可以用向量集合U=(uij)n×m表示,其中uij为第i个案例的第j个特征。在本发明实施例中,每个案例的属性特征向量Ui=[l,w,t1,t2,t3],其中,l、w和h表示房间区域的长度、宽度和高度,t1表示房间区域的功能信息,t2表示房门的相对位置数据或者表示客厅核心矩形区域的方向,t3表示窗户的相对位置数据。
假设待布局房间(即上述目标房间区域)的属性特征向量为U0,则U0与场景案例库中任意一个案例Ui的相似度用以下公式进行计算:
其中,ck为权值,函数Cname(Ui)=Concat(ui4,ui5,ui6),其功能是将属性特征向量Ui中的ui4,ui5和ui6拼接成字符串。
可选地,表2是本发明实施例提供的一种基于场景库的单个房间布局方法的伪代码表示,具体地,如表2所示:
表2
其中,表2中标号为3的步骤作用是:使检索出的场景案例的房间比待布局房间的空间更小,以避免将场景案例中的物品放置到待布局房间时发生物品碰撞的现象。
可选地,在步骤S106之后,本发明实施例提供的方法还包括:对待布局房屋中除目标房间区域之外的房间区域进行布局,得到多个布局之后的房间区域;将各个布局之后的房间区域的三维场景进行组合,得到待布局房屋的户型图的三维场景;输出该三维场景。
由以上描述可知,本发明实施例提供了一种基于户型数据驱动的组合式室内布局方法,用户只需要输入待布局房屋的户型图,通过该方法就可以将户型图转换成布局合理的三维室内场景。该方法不需要用户对户型图中的房间区域、房间功能信息进行标注,也不需要用户输入室内物品,以缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
本发明实施例提供的布局方法主要包含了房间区域查找、房间功能信息分类和单个房间布局这三个过程,分别利用了环聚类算法、BP神经网络和案例推理实现了这三个过程的求解。该布局方法是将户型图中的每个房间区域看成是一个基本布局单元,通过从场景库中查找与该房间区域结构类似的场景案例,再将该案例中的物品自动摆放到该房间中,最后将户型图中各房间的三维场景进行组合,则可以得到该户型图的三维场景。
可选地,本发明实施例提供的布局方法还可扩展应用于教室、会堂和会议室等场景中。
实施例二:
图7是根据本发明实施例提供的另一种基于户型数据驱动的组合式室内布局方法的流程图。如图7所示,该方法具体包括如下步骤:
步骤S701,用户输入整个房屋的户型图,户型图中包含了门、窗和墙的信息。
步骤S702,利用上述实施例一种的环聚类算法对户型图中的房间区域进行查找。其中,环聚类算法是一种改进的密度聚类算法。
步骤S703,利用BP神经网络对房间功能进行分类。通过收集房屋户型图,构建房间分类数据集,其中,房间分类数据集包括:房间大小,房间位置和相邻房间面积,用BP神经网络对数据集进行训练,得到一个分类模型,再利用该模型实现对功能信息的分类。
步骤S704,利用案例推理对房间进行布局。构建房间的场景库,用案例推理对每个房间生成布局合理的室内场景。并对布局之后的房间建立三维场景。
步骤S705,将各房间的三维场景结果进行组合,得到一个基于房屋户型图的三维场景并输出。
实施例三:
图8是根据本发明实施例提供的一种基于户型数据驱动的组合式室内布局系统的示意图,如图8所示,该系统包括:获取模块10,识别模块20和布局模块30。
具体地,获取模块10,用于获取目标房间区域的特征向量数据;目标房间区域为待布局房屋中的房间区域;特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积。
识别模块20,用于将目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到目标房间区域的功能信息。
布局模块30,用于基于特征向量数据和功能信息对目标房间区域进行布局操作,得到布局之后的房间区域。
本发明实施例提供的一种基于户型数据驱动的组合式室内布局系统,该系统通过BP神经网络模型可以自动确定目标房间区域的功能信息,然后通过特征向量数据和功能信息自动对目标房间区域进行布局,而不需要用户对户型图中的功能信息进行标注,以及不需要用户输入室内物品,以缓解了现有技术中对整个房屋进行布局时,人工对个房间的功能进行标注的工作较繁琐的技术问题。
可选地,图9是根据本发明实施例提供的另一种基于户型数据驱动的组合式室内布局系统的示意图,如图9所示,该系统还包括:聚类分析模块40,用于:
获取待布局房屋的户型图;
确定户型图中的全部辅助点,其中,辅助点为户型图中各个房间区域的顶点;
对全部辅助点进行聚类分析,得到户型图中的至少一个房间区域,并在至少一个房间区域中确定目标房间区域。
具体地,获取全部辅助点中任意两个辅助点之间的邻接关系;
根据任意辅助点之间的邻接关系对辅助点进行聚类分析,得到至少一个辅助点簇;
基于至少一个辅助点簇,形成至少一个辅助点闭环;
将至少一个辅助点闭环中,除面积最大的辅助点闭环之外的辅助点闭环作为至少一个房间区域。
可选地,在本发明实施例中,通过以下方式确定任意两个辅助点之间是否存在邻接关系,具体包括:
获取户型图中的所有墙角点的集合为第一集合,获取户型图中的所有墙边的集合为第二集合;
在第一集合中确定任意两个辅助点所对应的墙角点分别为第一墙角点和第二墙角点;
判断第一墙角点和第二墙角点所构成的边是否属于第二集合,且不与第二集合中的所有墙边相交,且与X轴或者Z轴平行;X轴和Z轴为户型图中相互垂直的两个坐标轴;
若是,则确定任意两个辅助点之间存在邻接关系。
可选地,如图9所示,布局模块30还包括:第一确定单元31,第二确定单元32,查找单元33和布局单元34。
具体地,第一确定单元31,用于基于户型图,确定目标房间区域的结构特征数据;结构特征数据包括以下至少之一:房门相对位置数据,窗户相对位置数据。
第二确定单元32,用于基于结构特征数据和目标房间区域的特征向量数据,确定目标房间区域的属性特征向量;属性特征向量包括:房间面积,功能信息,房门相对位置数据和窗户相对位置数据。
查找单元33,用于在预设布局房间库中查找与目标房间区域的属性特征向量的相似度最大的房间,得到目标布局房间;预设布局房间库为多个布局之后的房间的集合。
布局单元34,用于基于目标布局房间中的物品布局,对目标房间区域进行布局操作,得到布局之后的房间区域。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一或实施例二中的方法的步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于户型数据驱动的组合式室内布局方法,其特征在于,包括:
获取目标房间区域的特征向量数据;所述目标房间区域为待布局房屋中的房间区域;所述特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积;
将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息;
基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域;
在获取目标房间区域的特征向量数据之前,所述方法还包括:
获取所述待布局房屋的户型图;
确定所述户型图中的全部辅助点,其中,所述辅助点为所述户型图中各个房间区域的顶点;
对所述全部辅助点进行聚类分析,得到所述户型图中的至少一个房间区域,并在所述至少一个房间区域中确定所述目标房间区域;
基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域,包括:
基于所述户型图,确定所述目标房间区域的结构特征数据;所述结构特征数据包括以下至少之一:房门相对位置数据,窗户相对位置数据;
基于所述结构特征数据和所述目标房间区域的特征向量数据,确定所述目标房间区域的属性特征向量;所述属性特征向量包括:房间面积,功能信息,房门相对位置数据和窗户相对位置数据;
在预设布局房间库中查找与所述目标房间区域的属性特征向量的相似度最大的房间,得到目标布局房间;所述预设布局房间库为多个布局之后的房间的集合;
基于所述目标布局房间中的物品布局,对所述目标房间区域进行布局操作,得到布局之后的房间区域。
2.根据权利要求1所述的方法,其特征在于,对所述全部辅助点进行聚类分析,得到所述户型图中的至少一个房间区域包括:
获取所述全部辅助点中任意两个辅助点之间的邻接关系;
根据所述任意两个辅助点之间的邻接关系对所述辅助点进行聚类分析,得到至少一个辅助点簇;
基于所述至少一个辅助点簇,形成至少一个辅助点闭环;
将所述至少一个辅助点闭环中,除面积最大的辅助点闭环之外的辅助点闭环作为所述至少一个房间区域。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据集;所述训练数据集包括:多个房间区域的特征向量数据集合和每个房间区域的功能信息集合;
利用所述训练数据集训练预设BP神经网络模型,得到所述训练之后的BP神经网络模型。
4.根据权利要求3所述的方法,其特征在于,
在利用所述训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型之前,所述方法还包括:对所述训练数据集中的特征向量数据集合进行Min-Max标准化处理,得到归一化特征向量数据集合;
利用所述训练数据集训练预设BP神经网络模型,得到训练之后的BP神经网络模型包括:将所述归一化特征向量数据集合作为输入,训练所述预设BP神经网络模型,得到训练之后的BP神经网络模型。
5.根据权利要求1所述的方法,其特征在于,
在将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息之前,所述方法包括:对所述目标房间区域的特征向量数据进行Min-Max标准化处理,得到所述目标房间区域的归一化特征向量;
将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息包括:将所述目标房间区域的归一化特征向量输入到所述训练之后的BP神经网络模型,得到所述目标房间区域的功能信息。
6.根据权利要求2所述的方法,其特征在于,通过以下方式确定任意两个辅助点之间是否存在邻接关系,具体包括:
获取所述户型图中的所有墙角点的集合为第一集合,获取所述户型图中的所有墙边的集合为第二集合;
在所述第一集合中确定所述任意两个辅助点所对应的墙角点分别为第一墙角点和第二墙角点;
判断所述第一墙角点和所述第二墙角点所构成的边是否属于所述第二集合,且不与所述第二集合中的所有墙边相交,且与X轴或者Z轴平行;所述X轴和所述Z轴为所述户型图中相互垂直的两个坐标轴;
若是,则确定所述任意两个辅助点之间存在邻接关系。
7.一种基于户型数据驱动的组合式室内布局系统,其特征在于,包括:获取模块,识别模块和布局模块,其中,
所述获取模块,用于获取目标房间区域的特征向量数据;所述目标房间区域为待布局房屋中的房间区域;所述特征向量数据包括以下至少之一:房间区域的长度,房间区域的宽度,房间区域在房屋中的位置,相邻房间区域的面积;
所述识别模块,用于将所述目标房间区域的特征向量数据输入到训练之后的BP神经网络中,得到所述目标房间区域的功能信息;
所述布局模块,用于基于所述特征向量数据和所述功能信息对所述目标房间区域进行布局操作,得到布局之后的房间区域;
所述系统还包括聚类分析模块,用于:
获取待布局房屋的户型图;
确定户型图中的全部辅助点,其中,辅助点为户型图中各个房间区域的顶点;
对全部辅助点进行聚类分析,得到户型图中的至少一个房间区域,并在至少一个房间区域中确定目标房间区域;
所述布局模块还包括:第一确定单元,第二确定单元,查找单元和布局单元;
所述第一确定单元,用于基于户型图,确定目标房间区域的结构特征数据;结构特征数据包括以下至少之一:房门相对位置数据,窗户相对位置数据;
所述第二确定单元,用于基于结构特征数据和目标房间区域的特征向量数据,确定目标房间区域的属性特征向量;属性特征向量包括:房间面积,功能信息,房门相对位置数据和窗户相对位置数据;
所述查找单元,用于在预设布局房间库中查找与目标房间区域的属性特征向量的相似度最大的房间,得到目标布局房间;预设布局房间库为多个布局之后的房间的集合;
所述布局单元,用于基于目标布局房间中的物品布局,对目标房间区域进行布局操作,得到布局之后的房间区域。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305352.7A CN111091618B (zh) | 2019-12-17 | 2019-12-17 | 基于户型数据驱动的组合式室内布局方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911305352.7A CN111091618B (zh) | 2019-12-17 | 2019-12-17 | 基于户型数据驱动的组合式室内布局方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091618A CN111091618A (zh) | 2020-05-01 |
CN111091618B true CN111091618B (zh) | 2020-08-28 |
Family
ID=70395670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911305352.7A Active CN111091618B (zh) | 2019-12-17 | 2019-12-17 | 基于户型数据驱动的组合式室内布局方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091618B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111837122B (zh) * | 2020-06-17 | 2021-08-24 | 上海亦我信息技术有限公司 | 虚拟装修方法、装置、系统 |
CN112861692B (zh) * | 2021-02-01 | 2024-03-15 | 电子科技大学中山学院 | 一种房间分类模型构建方法及装置、房间分类方法及装置 |
CN113919043B (zh) * | 2021-12-14 | 2022-04-29 | 深圳小库科技有限公司 | 根据给定范围自动生成户型布局的方法 |
CN115221207B (zh) * | 2022-06-21 | 2023-04-11 | 广州极点三维信息科技有限公司 | 一种智能家居方案设计方法、系统、装置及存储介质 |
CN116243878B (zh) * | 2023-03-20 | 2023-12-19 | 南京艾小宝智能科技有限公司 | 一种显示室内布局系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650202A (zh) * | 2016-09-18 | 2017-05-10 | 中国科学院计算技术研究所 | 一种数据驱动的室内区域布局预测方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127721B2 (en) * | 2013-07-25 | 2018-11-13 | Hover Inc. | Method and system for displaying and navigating an optimal multi-dimensional building model |
US10698592B2 (en) * | 2017-01-19 | 2020-06-30 | Bath Authority Llc | System for designing and configuring a home improvement installation |
CN108648224B (zh) * | 2018-05-18 | 2021-07-13 | 杭州电子科技大学 | 一种基于人工神经网络的实时场景布局识别及重建的方法 |
CN110059690A (zh) * | 2019-03-28 | 2019-07-26 | 广州智方信息科技有限公司 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110348368B (zh) * | 2019-07-08 | 2021-06-01 | 创新奇智(北京)科技有限公司 | 一种户型图的人工智能解析方法、计算机可读介质及系统 |
-
2019
- 2019-12-17 CN CN201911305352.7A patent/CN111091618B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650202A (zh) * | 2016-09-18 | 2017-05-10 | 中国科学院计算技术研究所 | 一种数据驱动的室内区域布局预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111091618A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091618B (zh) | 基于户型数据驱动的组合式室内布局方法和系统 | |
Lu et al. | Image-driven fuzzy-based system to construct as-is IFC BIM objects | |
CN108984785B (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
US8429174B2 (en) | Methods, systems, and data structures for performing searches on three dimensional objects | |
Mozos et al. | Supervised semantic labeling of places using information extracted from sensor data | |
Li et al. | Consistent line clusters for building recognition in CBIR | |
Triebel et al. | Robust 3D scan point classification using associative Markov networks | |
CN113379898B (zh) | 一种基于语义分割的三维室内场景重建方法 | |
CN114926699B (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
WO2023124160A1 (zh) | 一种自动生成三维房屋布局的方法、系统、装置及介质 | |
Garro et al. | Scale space graph representation and kernel matching for non rigid and textured 3D shape retrieval | |
Oskouie et al. | Automated recognition of building façades for creation of As-Is Mock-Up 3D models | |
CN102930536A (zh) | 基于层次化结构的室内场景运动性分析与检测方法 | |
Thiemann et al. | 3D-symbolization using adaptive templates | |
CN113946900B (zh) | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 | |
Campagnolo et al. | Fully Automated Scan-to-BIM Via Point Cloud Instance Segmentation | |
Zeng et al. | Integrating as-built BIM model from point cloud data in construction projects | |
Greska et al. | Classification problems in manufacturing of sheet metal parts | |
Gurau et al. | Challenges in Using Semantic Knowledge for 3D Object Classification. | |
Dehbi et al. | Room shapes and functional uses predicted from sparse data | |
Akgul et al. | An automated system for electrical power symbol placement in electrical plan drawing | |
Fan et al. | Indoor scene classification algorithm based on an object vector for robot applications | |
Khan et al. | Homography based visual bag of word model for scene matching in indoor environments | |
Werby et al. | Hierarchical Open-Vocabulary 3D Scene Graphs for Language-Grounded Robot Navigation | |
Ebrahimi et al. | A hybrid approach for categorizing images based on complex networks and neural networks |
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 |