CN111598972A - 户型图生成方法、装置、计算机设备和存储介质 - Google Patents

户型图生成方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111598972A
CN111598972A CN202010257143.6A CN202010257143A CN111598972A CN 111598972 A CN111598972 A CN 111598972A CN 202010257143 A CN202010257143 A CN 202010257143A CN 111598972 A CN111598972 A CN 111598972A
Authority
CN
China
Prior art keywords
house type
target building
boundary
room
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.)
Granted
Application number
CN202010257143.6A
Other languages
English (en)
Other versions
CN111598972B (zh
Inventor
胡瑞珍
黄惠
张皓
黄泽宇
汤雨涵
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202010257143.6A priority Critical patent/CN111598972B/zh
Priority to PCT/CN2020/111335 priority patent/WO2021196515A1/zh
Publication of CN111598972A publication Critical patent/CN111598972A/zh
Application granted granted Critical
Publication of CN111598972B publication Critical patent/CN111598972B/zh
Priority to US17/885,317 priority patent/US20220383572A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • 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
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Architecture (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Structural Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Civil Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及一种户型图生成方法、装置、计算机设备和存储介质。所述方法包括：获取目标建筑物的边界和所述目标建筑物的布局约束；根据所述目标建筑物的布局约束输出多个第一户型图；从所述多个第一户型图中筛选出多个第二户型图；对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图；对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图。采用本方法能够提高生成户型图的质量。

Description

户型图生成方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种户型图生成方法、装置、计算机设备和存储介质。
背景技术
在日常生活中，经常需要对建筑物进行设计，例如，对建筑物进行户型设计或对建筑物进行布局设计。由于人为设计往往耗时较长，因此出现了自动生成户型图的方法。
相关的自动生成户型图的方法中，需要首先获取建筑物的边界形状，然后在预先存储的大量户型图数据中搜索与建筑物边界形状相吻合的户型图，然后输出搜索到的户型图。
然而，相关的自动生成户型图的方法，虽然可以快速生成户型图，但是因为其只是通过在数据集中进行简单的搜索匹配来生成户型图，因此生成的户型图质量不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高质量的户型图生成方法、装置、计算机设备和存储介质。
第一方面，提供一种户型图生成方法，该方法包括：
获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
根据该目标建筑物的布局约束给出多个第一户型图；
从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；
对于每个第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；
对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
在其中一个实施例中，根据该目标建筑物的布局约束给出多个第一户型图，包括：
在预先存储的户型图数据集中检索满足该目标建筑物的布局约束的多个第一户型图。
在其中一个实施例中，从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件，包括：
获取该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数；
计算该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数之间的累计差值；
将该累计差值小于预设差值阈值的该多个第一户型图作为该多个第二户型图。
在其中一个实施例中，对于每个第二户型图，将该多个第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图，包括：
对于每个该第二户型图进行调整，直至该第二户型图的前门方向与该目标建筑物的前门方向之间的夹角小于预设角度阈值，得到调整后的第二户型图；
对于每个调整后的第二户型图，将该调整后的第二户型图的房间类型、房间数量、房间位置和房间之间的邻接关系对应到该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图。
在其中一个实施例中，对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的目标建筑物的预测户型图，包括：
对于每个目标建筑物的布局图，将该目标建筑物的布局图输入图神经网络，得到该目标建筑物的布局图中每个房间对应的房间特征向量；
将该目标建筑物的边界输入第一卷积神经网络，得到该目标建筑物的边界特征向量；
将每个房间特征向量与该边界特征向量关联起来，得到多个关联特征向量；
将每个该关联特征向量输入第一多层感知器中，得到该目标建筑物的布局图中每个房间对应的初始边界框；
利用每个房间对应的初始边界框对每个房间对应的关联特征向量进行映射，得到多个第一特征图；
将该多个第一特征图组合为第二特征图，将该第二特征图输入第二卷积神经网络，得到该目标建筑物的栅格户型图；
将该多个关联特征向量、该初始边界框和该栅格户型图输入边界框优化网络中，得到该目标建筑物的预测户型图，该边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。
在其中一个实施例中，该方法还包括：
获取训练数据集，该训练数据集包括多个户型图数据；
利用该训练数据集对初始户型图生成网络进行训练，得到训练后户型图生成网络；
利用交叉熵损失函数、回归损失函数和几何损失函数计算该训练后户型图生成网络的损失值；
根据该损失值调整训练后户型图生成网络的参数，得到户型图生成网络。
在其中一个实施例中，得到该户型图生成网络输出的该目标建筑物的预测户型图之后，该方法还包括：
将目标建筑物的房间边框与目标建筑物的边界对齐；
将目标建筑物的房间边框之间对齐。
第二方面，提供一种户型图生成装置，该装置包括：
获取模块，用于获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
输出模块，用于根据该目标建筑物的布局约束输出多个第一户型图；
筛选模块，用于从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；
第一得到模块，用于对于每个第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；
第二得到模块，用于对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
第三方面，提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
根据该目标建筑物的布局约束给出多个第一户型图；
从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；
对于每个第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；
对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
根据该目标建筑物的布局约束给出多个第一户型图；
从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；
对于每个第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；
对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
上述户型图生成方法、装置、计算机设备和存储介质，通过获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；然后根据该目标建筑物的布局约束给出多个第一户型图；接着从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；对于每个该第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；最后对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。因为本申请提供的户型图生成方法在生成户型图的时候不仅考虑到了建筑物的边界，还充分考虑到了建筑物的布局约束，使得最终生成的预测户型图更加符合实际需求，提高了生成的户型图的质量。
附图说明
图1为一个实施例中户型图生成的流程示意图；
图2为一个实施例中户型图生成方法中从多个第一户型图中筛选出多个第二户型图的方法的流程示意图；
图3为一个实施例中户型图生成方法中对于每个第二户型图，将第二户型图的布局约束应用在目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图的方法的流程示意图；
图4为另一个实施例中户型图生成方法中对于每个目标建筑物的布局图，将目标建筑物的布局图和目标建筑物的边界输入户型图生成网络中，得到户型图生成网络输出的目标建筑物的预测户型图的方法的流程示意图；
图5为一个实施例中户型图生成网络的具体结构示意图；
图6为一个实施例中边界框优化网络的具体结构示意图；
图7为一个实施例中户型图生成方法中训练户型图生成网络的方法的流程示意图；
图8为一个实施例中户型图生成方法的整体流程示意图；
图9为一个实施例中目标建筑物的边界和转向函数的示意图；
图10为一个实施例中户型图生成方法中对预测户型图进行对齐调整的示意图；
图11为一个实施例中户型图生成方法中一组由不同的边界输入和不同用户约束条件生成的示例结果的示意图；
图12为一个实施例中户型图生成装置的结构框图；
图13为另一个实施例中户型图生成装置的结构框图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本申请实施例中，如图1所示，提供了一种户型图生成方法，以该方法应用于终端为例进行说明，该终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，该方法包括以下步骤：
步骤101，终端获取目标建筑物的边界和该目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系。
本步骤中提到的目标建筑物的边界指的是目标建筑物的户型轮廓形状，可选的，用户可以手动将目标建筑物的边界输入终端，测量设备也可以对目标建筑物进行测量之后将测量得到的户型轮廓数据发送给终端。或者终端自身具有测量功能，可以直接对目标建筑物进行测量，得到目标建筑物的边界。
目标建筑物的布局约束是用户按照自身的需求输入到终端的，可选的，终端上可以展示一个对话框，使用户可以在终端的对话框中输入自己需要的房间类型，房间数量、房间位置以及房间之间的邻接关系等信息。此外，终端可以将目标建筑物的边界展示给用户，用户可以通过鼠标等外接设备，在目标建筑物的边界中大略绘制出自己想要的房间类型、房间数量、房间位置和房间之间的邻接关系等。
步骤102，终端根据该目标建筑物的布局约束输出多个第一户型图。
本步骤中，终端在获取到目标建筑物的布局约束后，会给出满足用户要求的布局约束的第一户型图。其中，同样的布局约束可以存在多种布局形式。为了达到精确性的目的，这些第一户型图的房间数量、房间类型、房间位置和房间之间的邻接关系可以是完全满足用户要求的。但是，在一些可能的情况下，为了给出尽可能多样化的户型图，输出的第一户型图的布局约束也可以是部分满足用户要求的。例如，用户需要的房间数量是4个，输出的第一户型图的房间数量可以是3个，也可以是5个，第一户型图的布局约束与用户输入的布局约束之间的的匹配程度可以是预先设定的。
步骤103，终端从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件。
第一户型图的布局约束是满足用户需求的，但是第一户型图的边界不一定是符合目标建筑物的边界的。因此，需要对第一户型图进行再一次的筛选，目的是为了得到布局约束和边界都符合要求的户型图。
具体的，本步骤中判断第一户型图的边界与目标建筑物的边界的匹配度的方法可以是，将第一户型图的边界围起来的面积和目标建筑物的边界围起来的面积进行重叠对比，计算重叠部分的面积与目标建筑物的边界围起来的面积的比值，将比值超过预设面积阈值的第一户型图筛选出来，作为第二户型图。还可以是终端将每个第一户型图显示在用户输入的目标建筑物的边界内，以便用户能够直观地地分析第一户型图与边界的匹配性，从而选择出第二户型图。
此外，判断第一户型图的边界与目标建筑物的边界的匹配度的方法还可以是，计算第一户型图的边界周长和拐角数量，计算目标建筑物的边界的周长和拐角的数量，然后将周长与目标建筑物的边界周长之间的差值小于预设周长差值阈值，且拐角数量与目标建筑物的边界的拐角数量的差值小于预设数量差值阈值的第一户型图筛选出来，作为第二户型图。
又或者，还可以计算第一户型图的边界的转向函数和目标建筑物的边界的转向函数，然后比较两个转向函数，通过比较结果从第一户型图中筛选出第二户型图。
步骤104，对于每个第二户型图，终端将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图。
在筛选出布局约束和边界都符合用户要求的第二户型图之后，可以直接将第二户型图中的布局应用在目标建筑物的边界中。在同样的布局约束下，户型图仍然存在多种形式，因此，筛选出的第二户型图仍然存在多种表现形式。因为边界相同或相似的户型图之间，布局约束在被直接借鉴利用后的适用性就越强。因此，可以直接将第二户型图中的布局约束完整利用在目标建筑物的边界中，得到目标建筑物的多种布局图。
步骤105，对于每个目标建筑物的布局图，终端将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
上述步骤中得到的多个目标建筑物的布局图仅仅是适用于目标建筑物的边界的多种布局。并没有形成具体的确切的目标建筑物的户型图。因此，需要将每个目标建筑物的布局图输入到户型图生成网络中，得到更加准确的户型图。本步骤中得到的多个预测户型图可供用户选择，并指导用户对目标建筑物进行户型规划，本步骤中对于预测户型图的表现形式可以是终端以可视化的形式展示预测户型图，展示的内容包括展示目标建筑物的边界形状以及在该边界形状中的相应位置上展示各个房间的房间边框。
上述户型图生成方法中，通过获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；然后根据该目标建筑物的布局约束给出多个第一户型图；接着从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；对于每个该第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；最后对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。因为本申请提供的户型图生成方法在生成户型图的时候不仅考虑到了建筑物的边界，还充分考虑到了建筑物的布局约束，使得最终生成的预测户型图更加符合实际需求，提高了生成的户型图的质量。
在本申请实施例中，根据该目标建筑物的布局约束给出多个第一户型图，包括：
在预先存储的户型图数据集中检索满足该目标建筑物的布局约束的多个第一户型图。
可选的，终端中可以预先存储大量的户型图数据，然后对这些大量的户型图数据进行编码然后存储，进行编码的好处是，在后续步骤中针对用户输入的目标建筑物的布局约束可以快速的检索到对应的第一户型图。
具体的，对户型图进行编码的方式可以是，对户型图中的房间类型、房间数量、房间位置和房间之间的邻接关系进行编码。
现对上述编码做详细说明，首先可以将户型图中的每个房间表示为一个节点，如果某两个房间在户型图中具有邻接关系，则在该房间对应的节点之间添加一条边。我们将房间类型划分为13种，包括客厅、主卧、次卧、客房、儿童室、书房、餐厅、浴室、厨房、阳台、储物室、衣橱和前厅。可以按照上述列举顺序利用数字对每种房间类型编码为1、2、3、4、5、6、7、8、9、10、11、12和13。然后为了房间位置进行编码，可以将目标建筑物的边界补充为一个矩形框，得到目标建筑物的边界框，然后将该矩形框划分为K×K的网格，K为大于或等于1的正整数，将户型图中每个房间的中心所在的网格坐标作为房间的位置编码。对于房间之间的邻接关系，我们首先在户型图中找到所有的室内门，然后将门两侧的房间对视为相邻的房间对。接下来，可以检查任意两个房间之间的距离是否小于相对于房间边界框的给定阈值，相当于判断两个房间之间是否为共用一堵墙的隔壁邻接关系。对于每对相邻的房间，我们对连接两个房间的边进行编码，编码内容包括可以是左、右、上、下、左上、右上、左下和右下。表示两个房间之间的相对位置关系，由于房间之间的相对位置关系是相对的，例如，以B为基准，A在B的上方，我们可以将连接A和B的边编码为上；但如果以A为基准的话，B在A的下方，我们可以将连接A和B的边编码为下。虽然两种编码形式不同，但实质相同，因此，在实际编码时，对于一条边我们可以同时存储两种相对关系的编码，或者随机选择一种相对关系的编码进行存储。除此之外，还可以对房间的大小进行编码，将房间的面积与整个户型图的面积的比值作为房间大小的编码。
上述编码方法可以利用在用户输入的布局约束上，在对用户输入的布局约束使用同样的编码方式后，可以通过比较简单的编码就可以筛选出符合用户期望的第一户型图，大大提高了终端筛选第一布局图的效率。
在本申请实施例中，请参考图2，提供了一种户型图生成方法中从多个第一户型图中筛选出多个第二户型图的方法，该方法包括：
步骤201，终端获取该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数。
转向函数可以将边界的二维多边形形状转换成一维的转向函数，达到降维的目的，从而便于进行边界匹配程度的对比。转向函数可以记录边界的二维多边形中每个转折点(转角)的角度累计值。
具体的，可以从户型图的前门开始，沿顺时针方向记录边界的二维多边形中每个转折点(转角)的角度累计值。在一种可能的情况下，即使是两个有着完全相同边界的建筑物，不同的前门位置也会导致户型图的显著变化，这意味着我们在比较两个边界时需要考虑前门的位置，因此我们选择从前门的位置开始记录目标建筑物的转向函数和第一户型图的转向函数。
步骤202，终端计算该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数之间的累计差值。
在得到目标建筑物的边界的转向函数和第一户型图的转向函数之后，需要计算两个转向函数之间的累计差值。具体的，可以将两个转向函数的差值与坐标轴围成的面积大小作为累计差值。
步骤203，终端将该累计差值小于预设差值阈值的该多个第一户型图作为该多个第二户型图。
目标建筑物的边界的转向函数与第一户型图的边界的转向函数之间的累计差值越小，则说明目标建筑物的边界与第一户型图的边界之间的相似程度越高。本步骤中设置了预设的差值阈值，来筛选出第二户型图。这时筛选出的第二户型图的边界与目标建筑物的边界可能仍然会存在一些误差，但是是在可以接受的范围内。
此外，若想筛选出与目标建筑物的边界完全匹配的第二户型图，可以选择累计差值为零的第一户型图。
在本申请实施例中，通过利用转向函数，将二维的边界比较问题转换成了一维的数学计算问题，大大提高了筛选第二户型图的效率和准确度。
在本申请实施例中，请参考图3，提供了一种户型图生成方法中对于每个第二户型图，将第二户型图的布局约束应用在目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图的方法，该方法包括：
步骤301，终端对于每个该第二户型图进行调整，直至该第二户型图的前门方向与该目标建筑物的前门方向之间的夹角小于预设角度阈值，得到调整后的第二户型图。
本步骤中，在将第二户型图的布局约束应用在目标建筑物的边界中之前，需要对第二户型图进行调整，使得调整后的第二户型图的边界与目标建筑物的边界的吻合程度最大，由于边界吻合程度的计算是基于从前门出发的转向函数，因此前门作为对齐的参考点。我们首先对齐两个边界的前门，这也防止前门被任何房间阻挡，判断前门是否对齐的标准是，判断旋转后的第二户型图的前门方向与目标建筑物的前门方向之间的夹角是否小于45度，当然45度也可以是其他数值，本申请中提到的前门方向是将建筑物边界框的中心连接到门的中心的向量和将旋转后的第二户型图的边界框的中心连接到前门的向量。
需要注意的是，在旋转第二户型图时，旋转后的第二户型图的底边必须保持水平，而竖边尽可能大多数保持垂直，这样的户型图才是有效的户型图。
步骤302，对于每个调整后的第二户型图，终端将该调整后的第二户型图的房间类型、房间数量、房间位置和房间之间的邻接关系对应到该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图。
在将第二户型图调整完毕之后，就可以将调整后的第二布局图的布局约束转移到目标建筑物的边界内。转移的方式可以是完全复制利用，将目标建筑物的房间完全按照调整后的第二户型图中的房间类型、房间数量、房间位置和房间之间的邻接关系进行布局。
但是，由于调整后的第二布局图的边界与目标建筑物的边界仍然存在差异，因此，在将调整后的第二户型图的布局约束直接应用在目标建筑物的边界中之后，可能会有一些房间节点被布局在边界之外，这显然不符合实际需求。因此，可以对得到的每个目标建筑物的布局图再次进行调整，保证所有的房间节点都落在目标建筑物的边界内。具体的，对于在边界之外的节点的调整方式可以是，首先建立目标建筑物的边界框和边界框中的网格，然后查询边界外节点所在的网格，其次将边界外节点移动至最近的边界内的网格中。如果最近的边界内的网格中已经存在节点，那么将网格中已经存在的节点沿相同的方向移动至新的网格中。如果沿相同方向移动到边界中的最后一个网格，但网格中仍然已经存在节点，则在该网格中保留两个节点。上述沿相同方向指的是，与边界外的节点移动至最近的边界内的网格中所采取的方向相同。
上述对于边界外节点的调整方式可以是终端自动完成的，也可以是终端将多个目标建筑物的布局图展示给用户，用户自行编辑完成的。
本申请实施例中，通过对第二户型图进行调整，将调整后的第二户型图的布局约束应用在目标建筑物的边界内，并且对于处于边界外的节点进行了进一步的调整，使得最终得到的目标建筑物的布局图更加准确，更加符合实际需求。
在本申请实施例中，请参考图4，提供了一种户型图生成方法中对于每个目标建筑物的布局图，将目标建筑物的布局图和目标建筑物的边界输入户型图生成网络中，得到户型图生成网络输出的目标建筑物的预测户型图的方法，该方法包括：
步骤401，对于每个目标建筑物的布局图，终端将该目标建筑物的布局图输入图神经网络，得到该目标建筑物的布局图中每个房间对应的房间特征向量。
步骤402，终端将该目标建筑物的边界输入第一卷积神经网络，得到该目标建筑物的边界特征向量。
步骤403，终端将每个房间特征向量与该边界特征向量关联起来，得到多个关联特征向量。
步骤404，终端将每个该关联特征向量输入第一多层感知器中，得到该目标建筑物的布局图中每个房间对应的初始边界框。
步骤405，终端利用每个房间对应的初始边界框对每个房间对应的关联特征向量进行映射，得到多个第一特征图。
步骤406，终端将该多个第一特征图组合为第二特征图，然后终端将该第二特征图输入第二卷积神经网络，得到该目标建筑物的栅格户型图。
步骤407，终端将该多个关联特征向量、该初始边界框和该栅格户型图输入边界框优化网络中，得到该目标建筑物的预测户型图，该边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。
现结合图5的户型图生成网络的具体结构对上述步骤401到步骤407进行说明，图5中的目标建筑物的边界和布局约束分别被输入到不同的神经网络中，然后得到了每个房间对应的关联特征向量，接着接着利用多层感知器可以为每个房间预测出房间在边界中的初始边界框(图5中用
Figure BDA0002437795020000131
表示，其中i为0到n之间的任意正整数)，接着利用每个房间对应的初始边界框对每个房间对应的关联特征向量进行映射，得到多个第一特征图，然后将得到的多个第一特征图组合起来得到第二特征图，接着终端将该第二特征图输入到第二卷积神经网络，得到栅格户型图。在得到栅格户型图之后，还可以使用一个边界框优化网络对之前得到的初始边界框进行优化，得到更加准确的优化边界框(图5中用
Figure BDA0002437795020000132
表示，其中i为0到n之间的任意正整数)。整个过程中，可以得到户型图生成网络的输出包括各个房间对应的初始边界框、栅格户型图的图像和各个房间对应的优化边界框，该优化边界框可以被组合起来作为目标建筑物的预测户型图。
上述边界框优化网络的具体结构可参考图6，如图6所示，边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。首先栅格户型图经过第三卷积神经网络得到一个第三特征图，其次每个房间对应的初始边界框和该第三特征图一起被输入兴趣区域池化层得到一个定长特征向量，然后将该定长特征向量和每个房间对应的关联特征向量拼接起来，输入到第二多层感知器中得到每个房间对应的优化边界框。进一步的，我们可以根据各个房间的优化边界框推测出每个房间的房间边框在目标建筑物的边界中的可视化位置关系。
在本申请实施例中，通过利用多种网络组合的方式形成户型图生成网络，从而生成预测户型图，可以使最终得到的预测户型图更加准确，质量更高。
在本申请实施例中，请参考图7，提供了一种户型图生成方法中训练户型图生成网络的方法，该方法包括：
步骤701，终端获取训练数据集，该训练数据集包括多个户型图数据。
本步骤中，可以从网上的海量资源中获取大量的户型图，在获取到大量的户型图之后，可以对获取到的大量的户型图进行预处理，预处理可以包括将彩色的户型图统一转换为灰度图、将所有户型图的分辨率调整为相同的值、将所有户型图调整为相同大小或对所有的户型图采用上述内容中记载的编码方式进行编码等操作。在对采集到的户型图进行预处理之后，可以将与处理后的户型图进行存储。在对户型图生成网络进行训练的过程，实际上是针对图5中包含的所有网络进行了训练。
步骤702，终端利用该训练数据集对初始户型图生成网络进行训练，得到训练后户型图生成网络。
步骤703，终端利用交叉熵损失函数、回归损失函数和几何损失函数计算该训练后户型图生成网络的损失值。
步骤704，终端根据该损失值调整训练后户型图生成网络的参数，得到户型图生成网络。
为了保证训练后的户型图生成网络具有良好的性能，本步骤中设计了多个类型的损失函数来计算户型图生成网络的损失值。
损失值的计算方式如下面的公式所示：
Figure BDA0002437795020000151
其中，Lpix(I)是预测户型图和真实户型图的交叉熵的图像损失，
Figure BDA0002437795020000152
是回归损失，
Figure BDA0002437795020000153
是几何损失。几何损失只适用于初始边界框，初始边界框
Figure BDA0002437795020000154
的几何损失定义为：
Figure BDA0002437795020000155
Lcoverage和Linterior都约束边界和房间边框之间的空间一致性，Lmutex约束任意两个房间边框之间的空间一致性，
Figure BDA0002437795020000156
确保预测框与真实框匹配。前三个项确保房间边框对建筑物内部适当覆盖。最后一项，该项将预测框与真实框进行比较，从而确保在训练期间房间边框的位置和尺寸的预测也得到改进。
在给出有关几何损失项的更多详细信息之前，我们首先定义两个距离函数din(p,B)和dout(p,B)，din(p,B)来测量点p距离边界框B内部的距离，dout(p,B)来测量点p距离边界框B外部的距离，点p是任意点。din(p,B)和dout(p,B)如下所示：
Figure BDA0002437795020000157
Figure BDA0002437795020000158
其中，Ωin(B)集和Ωbd(B)集分别表示边界框B的内部像素点和外边界像素点。
覆盖损失，目标建筑物的边界应该被所有房间边框的组合完全覆盖。具体地说，任何点p∈Ωin(B)应该被至少一个房间边框覆盖。因此，覆盖率损失定义如下：
Figure BDA0002437795020000161
其中，|Ωin(B)|为在Ωin(B)中像素的数量。
内部损失。每个房间的边框应该坐落在目标建筑物边界框
Figure BDA0002437795020000162
内。因此，内部损失可以定义为：
Figure BDA0002437795020000163
互斥量损失，房间边框之间的重叠部分应该尽可能小，这样房间才能紧凑地分布在目标建筑物内部。因此，互斥量损耗可以定义为：
Figure BDA0002437795020000164
匹配损失，每个房间的边框Bi应该覆盖与对应的真实边界框
Figure BDA0002437795020000165
覆盖的相同的区域，也就是说，Bi应该被显示在
Figure BDA0002437795020000166
的内部。因此，可以将匹配损失定义为：
Figure BDA0002437795020000167
在本申请实施例中，通过设置多样化的损失函数，考虑到多种类型的损失。使得最终训练得到的户型图生成网络具有更好的预测性能。
在本申请实施例中，在得到户型图生成网络输出的该目标建筑物的预测户型图之后，该方法还包括：
将目标建筑物的房间边框与目标建筑物的边界对齐；和将目标建筑物的房间边框之间对齐。
户型图生成网络的最终输出是一个预测户型图的图像和每个房间的房间边框。房间边框可能出现的一个问题是它们可能没有很好地对齐，而且某些房间边框之间可能在某些区域重叠。因此，在最后的对齐调整步骤中，我们使用栅格户型图的图像来确定重叠区域的房间类型分配。
我们首先将房间边框与目标建筑物的边界对齐，然后将相邻的房间边框彼此对齐。更具体地说，对于一个房间边框的每条边，我们找到最近的具有相同方向的边界边，即水平或垂直，如果他们距离小于给定距离阈值，使房间边框的边与边界边对齐。此外，我们根据布局图中已编码的空间关系对相邻的房间对进行对齐。例如，如果房间边框A在房间边框B的左侧，我们将房间边框A的右边缘与房间边框B的左边缘对齐。此外，如果两个房间边框的相邻边的长度小于给定距离阈值，则将两个房间边框的相邻边进行对齐，因为在户型图中并排放置的房间边框最好具有对齐的墙以最大程度地减少转角的数量。一个房间边框可能与不同的房间边框相邻。因此，必须多次更新边。为了避免破坏之前的优化对齐，可以设置一个标志来指示框的边是否已经更新。如果任何一条边已经更新了，则它是固定的，我们将另一条边与固定边对齐。如果两条边都不固定，我们将它们更新到它们的平均位置。
此外，我们需要为房间边框之间的重叠区域确定所属的房间类型。为了实现这一点，对于每一对房间，我们检查它们是否重叠，并使用生成的栅格户型图的图像来确定它们的相对顺序。更详细地说，对于每个房间对，我们计算每个房间类型在重叠区域内的像素数量，并决定首先绘制像素数量较少的房间，这样，当两个房间边框之间存在重叠区域的时候，后绘制的房间边框会覆盖在先绘制的房间边框之上，使得重叠区域被归属在后绘制的房间边框内。按照此过程，如果房间1和房间2重叠并且应在房间2之前绘制房间1，则通过添加一个节点表示每个房间以及从房间1到房间2的一个有向边来构建图。然后，我们的目标是找到所有图节点满足有向边施加的排序约束的顺序。为了找到这样的一个排序，我们首先随机选择任意一个入度为0的节点，然后删除这个节点以及节点指向图其余部分的所有边。这里，入度是指向节点的有向边的数量。我们继续删除入度为0的节点，直到图变为空。注意，如果图中有一个循环，我们就无法找到循环中节点的线性顺序。因此，我们随机选择具有最小入度数的节点来删除和打破循环。
本申请实施例中，通过优化对齐和确定重叠部分的标签，使最终得到的户型图可以更加精确地展示目标建筑物的具体布局。
现针对上述各实施例提供一具体实施例，对本申请的户型图生成方法进行整体流程的说明。
首先，获取用户输入的目标建筑物的边界和目标建筑物的布局约束(可参考图8中a)，接着在预先存储的户型图数据集中检索，满足用户输入的布局约束的第一户型图并展示第一户型图(可参考图8中b)，然后对多个第一户型图进行筛选，包括边界的匹配程度的筛选和旋转调整使前门方向与输入便捷的前门方向一致等，得到第二户型图，接着可以直接将第二户型图的布局约束应用在目标建筑物的边界上并将节点调整到边界内，得到多个目标建筑物的布局图(可参考图8中c)，接着将多个目标建筑物的布局图输入户型图生成网络中，得到户型图生成网络输出的预测户型图和房间边框(可参考图8中d)，最后对预测户型图进行对齐调整，得到调整后的户型图(可参考图8中e)。
其中，对于上述边界的匹配程度的筛选过程利用了转向函数，转向函数的具体形式可参考图9。图9的左边是目标建筑物的边界形状，图9的右边是目标建筑物的边界的转向函数。
此外，对于上述步骤中的对预测户型图进行对齐调整，得到调整后的户型图的过程可参考图10，首先得到了预测户型图(可参考图10中的a)，接着将房间边框与目标建筑物的边界对齐(可参考图10中的b)，最后将相邻的房间边框之间对齐(可参考图10中的c)。
在本申请实施例中，本申请提供的户型图生成方法可以接受不同类型和数量的用户约束，并生成对应的预测户型图。图11显示了一组由不同的边界输入和不同用户约束条件生成的示例结果。每一行显示应用于同一边界的不同布局约束的结果，而每一列显示应用于不同边界的相同布局约束的结果。所选的约束是三种房间类型所需的数量:卧室、浴室和阳台。房间数量的相应约束显示在每一栏的底部。
通过检查图11中的每一行，我们可以看到生成的预测户型图如何满足给定的房间数量约束并适应边界。不同数量的卧室、浴室和阳台是根据布局约束条件生成的，这些房间的位置会发生变化，以使户型图最符合输入边界。阳台通常在目标建筑物边界上有两个或三个面，反映了公寓中典型的阳台设计。因此，它们的位置取决于输入边界。所有的户型图也都有一个客厅，因为它存在于像这样有复杂边界的建筑物中，并且可以有额外的房间。
从图11中的每一列的结果中，我们看到相同数量的相同类型房间如何在具有不同边界的建筑物内以不同的方式分布。例如，第三列中的两个浴室有时相邻，有时不相邻，但总是与卧室相邻。在第五列中，阳台从不相邻，通常出现在建筑物的不同位置，显示出不同的户型图。
由上述内容可知，本申请提供的户型图生成方法，可以根据用户输入的不同边界和不同布局约束生成多样化的户型图，相比于传统的简单搜索生成户型图的方法而言，生成的户型图质量更高。
应该理解的是，虽然图1至图11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至图11中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在本申请实施例中，如图12所示，提供了一种户型图生成装置1200，包括：获取模块1201、输出模块1202、筛选模块1203、第一得到模块1204和第二得到模块1205，其中：
获取模块1201，用于获取目标建筑物的边界和目标建筑物的布局约束，该布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
输出模块1202，用于根据该目标建筑物的布局约束给出多个第一户型图；
筛选模块1203，用于从该多个第一户型图中筛选出多个第二户型图，该多个第二户型图的边界与该目标建筑物的边界之间的匹配度满足预设条件；
第一得到模块1204，用于对于每个第二户型图，将该第二户型图的布局约束应用在该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图；
第二得到模块1205，用于对于每个目标建筑物的布局图，将该目标建筑物的布局图和该目标建筑物的边界输入户型图生成网络中，得到该户型图生成网络输出的该目标建筑物的预测户型图，该预测户型图包括该目标建筑物中每个房间的房间边框和每个房间边框在目标建筑物的边界中的位置关系。
在本申请实施例中，该输出模块1202具体用于，在预先存储的户型图数据集中检索满足该目标建筑物的布局约束的多个第一户型图。
在本申请实施例中，该筛选模块1203具体用于，获取该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数；计算该多个第一户型图的边界的转向函数和该目标建筑物的边界的转向函数之间的累计差值；将该累计差值小于预设差值阈值的该多个第一户型图作为该多个第二户型图。
在本申请实施例中，该第一得到模块具体1204用于，对于每个该第二户型图进行调整，直至该第二户型图的前门方向与该目标建筑物的前门方向之间的夹角小于预设角度阈值，得到调整后的第二户型图；对于每个调整后的第二户型图，将该调整后的第二户型图的房间类型、房间数量、房间位置和房间之间的邻接关系对应到该目标建筑物的边界中，得到每个第二户型图对应的目标建筑物的布局图。
在本申请实施例中，该第二得到模块1205具体用于，对于每个目标建筑物的布局图，将该目标建筑物的布局图输入图神经网络，得到该目标建筑物的布局图中每个房间对应的房间特征向量；将该目标建筑物的边界输入第一卷积神经网络，得到该目标建筑物的边界特征向量；将每个房间特征向量与该边界特征向量关联起来，得到多个关联特征向量；将每个该关联特征向量输入第一多层感知器中，得到该目标建筑物的布局图中每个房间对应的初始边界框；利用每个房间对应的初始边界框对每个房间对应的关联特征向量进行映射，得到多个第一特征图；将该多个第一特征图组合为第二特征图，将该第二特征图输入第二卷积神经网络，得到该目标建筑物的多个栅格户型图；将该多个关联特征向量、该初始边界框和该栅格户型图输入边界框优化网络中，得到该目标建筑物的预测户型图，该边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。
在本申请实施例中，请参考图13，提供了另一种户型图生成装置1300，该户型图生成装置1300除了包含该户型图生成装置1200包含的各模块外，可选的，该户型图生成装置1300还包括训练模块1206和对齐模块1207。
该训练模块1206用于，获取训练数据集，该训练数据集包括多个户型图数据；利用该训练数据集对初始户型图生成网络进行训练，得到训练后户型图生成网络；利用交叉熵损失函数、回归损失函数和几何损失函数计算该训练后户型图生成网络的损失值；根据该损失值调整训练后户型图生成网络的参数，得到户型图生成网络。
在本申请实施例中，该对齐模块1207用于，将目标建筑物的房间边框与目标建筑物的边界对齐；将目标建筑物的房间边框之间对齐。。
关于户型图生成装置的具体限定可以参见上文中对于户型图生成方法的限定，在此不再赘述。上述户型图生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本申请实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种户型图生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在本申请实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种户型图生成方法，其特征在于，所述方法包括：
获取目标建筑物的边界和所述目标建筑物的布局约束，所述布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
根据所述目标建筑物的布局约束输出多个第一户型图；
从所述多个第一户型图中筛选出多个第二户型图，所述多个第二户型图的边界与所述目标建筑物的边界之间的匹配度满足预设条件；
对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图；
对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图，所述预测户型图包括所述目标建筑物中每个房间的房间边框和每个所述房间边框在所述目标建筑物的边界中的位置关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标建筑物的布局约束输出多个第一户型图，包括：
在预先存储的户型图数据集中检索满足所述目标建筑物的布局约束的所述多个第一户型图。
3.根据权利要求1所述的方法，其特征在于，所述从所述多个第一户型图中筛选出多个第二户型图，所述多个第二户型图的边界与所述目标建筑物的边界之间的匹配度满足预设条件，包括：
获取所述多个第一户型图的边界的转向函数和所述目标建筑物的边界的转向函数；
计算所述多个第一户型图的边界的转向函数和所述目标建筑物的边界的转向函数之间的累计差值；
将所述累计差值小于预设差值阈值的所述多个第一户型图作为所述多个第二户型图。
4.根据权利要求1所述的方法，其特征在于，所述对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图，包括：
对于每个所述第二户型图进行调整，直至所述第二户型图的前门方向与所述目标建筑物的前门方向之间的夹角小于预设角度阈值，得到调整后的第二户型图；
对于每个所述调整后的第二户型图，将所述调整后的第二户型图的房间类型、房间数量、房间位置和房间之间的邻接关系对应到所述目标建筑物的边界中，得到每个所述第二户型图对应的目标建筑物的布局图。
5.根据权利要求1所述的方法，其特征在于，所述对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图，包括：
对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图输入图神经网络，得到所述目标建筑物的布局图中每个房间对应的房间特征向量；
将所述目标建筑物的边界输入第一卷积神经网络，得到所述目标建筑物的边界特征向量；
将每个所述房间特征向量与所述边界特征向量关联起来，得到多个关联特征向量；
将每个所述关联特征向量输入第一多层感知器中，得到所述目标建筑物的布局图中每个房间对应的初始边界框；
利用所述每个房间对应的初始边界框对所述每个房间对应的关联特征向量进行映射，得到多个第一特征图；
将所述多个第一特征图组合为第二特征图，将所述第二特征图输入第二卷积神经网络，得到所述目标建筑物的栅格户型图；
将所述多个关联特征向量、所述初始边界框和所述栅格户型图输入边界框优化网络中，得到所述目标建筑物的预测户型图，所述边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。
6.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户型图数据；
利用所述训练数据集对初始户型图生成网络进行训练，得到训练后户型图生成网络；
利用交叉熵损失函数、回归损失函数和几何损失函数计算所述训练后户型图生成网络的损失值；
根据所述损失值调整所述训练后户型图生成网络的参数，得到所述户型图生成网络。
7.根据权利要求1所述的方法，其特征在于，所述得到所述户型图生成网络输出的所述目标建筑物的预测户型图之后，所述方法还包括：
将所述目标建筑物的房间边框与所述目标建筑物的边界对齐；
将所述目标建筑物的房间边框之间对齐。
8.一种户型图生成装置，其特征在于，所述装置包括：
获取模块，用于获取目标建筑物的边界和所述目标建筑物的布局约束，所述布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；
输出模块，用于根据所述目标建筑物的布局约束输出多个第一户型图；
筛选模块，用于从所述多个第一户型图中筛选出多个第二户型图，所述多个第二户型图的边界与所述目标建筑物的边界之间的匹配度满足预设条件；
第一得到模块，用于对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图；
第二得到模块，用于对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图，所述预测户型图包括所述目标建筑物中每个房间的房间边框和每个所述房间边框在所述目标建筑物的边界中的位置关系。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010257143.6A 2020-04-03 2020-04-03 户型图生成方法、装置、计算机设备和存储介质 Active CN111598972B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010257143.6A CN111598972B (zh) 2020-04-03 2020-04-03 户型图生成方法、装置、计算机设备和存储介质
PCT/CN2020/111335 WO2021196515A1 (zh) 2020-04-03 2020-08-26 户型图生成方法、装置、计算机设备和存储介质
US17/885,317 US20220383572A1 (en) 2020-04-03 2022-08-10 Floor plan image generating method and device, computer device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010257143.6A CN111598972B (zh) 2020-04-03 2020-04-03 户型图生成方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111598972A true CN111598972A (zh) 2020-08-28
CN111598972B CN111598972B (zh) 2021-06-29

Family

ID=72187368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010257143.6A Active CN111598972B (zh) 2020-04-03 2020-04-03 户型图生成方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US20220383572A1 (zh)
CN (1) CN111598972B (zh)
WO (1) WO2021196515A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464311A (zh) * 2020-11-24 2021-03-09 中天众达智慧城市科技有限公司 一种智慧城市数据中心的设备布置方法
CN112732380A (zh) * 2020-12-31 2021-04-30 珠海格力电器股份有限公司 智能家居的可视化展示方法和装置、存储介质、电子装置
CN113345044A (zh) * 2021-04-22 2021-09-03 北京房江湖科技有限公司 户型图生成方法及装置
CN113434945A (zh) * 2021-06-30 2021-09-24 杭州群核信息技术有限公司 户型方案的生成方法及装置
CN113642090A (zh) * 2021-10-14 2021-11-12 深圳润世华软件和信息技术服务有限公司 建筑布局生成方法、装置、计算机设备和存储介质
CN113656877A (zh) * 2021-08-23 2021-11-16 深圳须弥云图空间科技有限公司 多层户型的模型生成方法、装置、介质及电子设备
CN113761615A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 房间布局确定方法和装置
CN113919043A (zh) * 2021-12-14 2022-01-11 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
CN113920250A (zh) * 2021-10-21 2022-01-11 广东三维家信息科技有限公司 一种户型编码匹配方法及装置
CN114282291A (zh) * 2021-12-13 2022-04-05 郑州智源堂房地产咨询有限公司 一种房屋功能结构布局设计方法
US20220327254A1 (en) * 2021-04-09 2022-10-13 Verizon Patent And Licensing Inc. Floor layout generation and unit location determination
WO2023103147A1 (zh) * 2021-12-10 2023-06-15 广东三维家信息科技有限公司 一种室内场景布局方法、装置、电子设备及存储介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764329A (zh) * 2021-01-14 2022-07-19 华为技术有限公司 一种ui界面自适应约束求解方法及相关装置
CN114065342B (zh) * 2021-11-08 2024-08-16 深圳须弥云图空间科技有限公司 户型轮廓的生成方法、装置、存储介质及电子设备
CN114219007B (zh) * 2021-11-23 2022-09-09 慧之安信息技术股份有限公司 基于图像匹配的户型合理度评判方法及装置
CN114187588B (zh) * 2021-12-08 2023-01-24 贝壳技术有限公司 数据处理的方法、装置和存储介质
CN114169063A (zh) * 2021-12-27 2022-03-11 北京奥科博思创新科技有限公司 一种建筑平面布局方法、装置及电子设备
US20230409766A1 (en) * 2022-06-16 2023-12-21 MFTB Holdco, Inc. Automated Tools For Assessing Building Mapping Information Generation
CN114972579B (zh) * 2022-06-22 2023-04-07 北京城市网邻信息技术有限公司 户型图构建方法、装置、设备及存储介质
CN115114713B (zh) * 2022-07-26 2022-11-15 江西少科智能建造科技有限公司 一种自动风盘布置方法、系统、存储介质及设备
CN115205418B (zh) * 2022-09-15 2022-12-13 武汉智筑完美家居科技有限公司 户型图重构方法、装置及电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295678A (zh) * 2016-07-27 2017-01-04 北京旷视科技有限公司 神经网络训练与构建方法和装置以及目标检测方法和装置
CN106484959A (zh) * 2016-09-19 2017-03-08 上海斐讯数据通信技术有限公司 一种户型图绘制方法及绘制设备
CN107506391A (zh) * 2017-07-28 2017-12-22 上海网罗电子科技有限公司 一种提取cad图纸信息至室内地图的方法
CN109992693A (zh) * 2019-04-17 2019-07-09 广东三维家信息科技有限公司 户型匹配方法及装置
US10460064B1 (en) * 2017-07-13 2019-10-29 Cadence Design Systems, Inc. Partition-aware grid graph based hierarchical global routing

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110213593A1 (en) * 2009-11-26 2011-09-01 Wilson Peter B Rules based design system
CN103268621B (zh) * 2013-05-16 2016-01-20 北京链家房地产经纪有限公司 一种房屋实景图生成方法与装置
JP2015195567A (ja) * 2014-03-27 2015-11-05 パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 表示制御方法、表示制御プログラム及び情報処理端末
US11093671B2 (en) * 2019-09-06 2021-08-17 Beamup Ltd. Structural design systems and methods to define areas of interest for modeling and simulation-based space planning
CN110633553B (zh) * 2019-10-09 2023-07-18 郑豪 一种住宅户型平面图自动生成方法和系统
WO2021167422A1 (ko) * 2020-02-20 2021-08-26 주식회사 에스360브이알 디지털 지도 기반의 온라인 플랫폼

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295678A (zh) * 2016-07-27 2017-01-04 北京旷视科技有限公司 神经网络训练与构建方法和装置以及目标检测方法和装置
CN106484959A (zh) * 2016-09-19 2017-03-08 上海斐讯数据通信技术有限公司 一种户型图绘制方法及绘制设备
US10460064B1 (en) * 2017-07-13 2019-10-29 Cadence Design Systems, Inc. Partition-aware grid graph based hierarchical global routing
CN107506391A (zh) * 2017-07-28 2017-12-22 上海网罗电子科技有限公司 一种提取cad图纸信息至室内地图的方法
CN109992693A (zh) * 2019-04-17 2019-07-09 广东三维家信息科技有限公司 户型匹配方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WENMING WU ET AL: "MIQP-based Layout Design for Building Interiors", 《COMPUTER GRAPHICS FORUM》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464311A (zh) * 2020-11-24 2021-03-09 中天众达智慧城市科技有限公司 一种智慧城市数据中心的设备布置方法
CN112732380A (zh) * 2020-12-31 2021-04-30 珠海格力电器股份有限公司 智能家居的可视化展示方法和装置、存储介质、电子装置
CN113761615A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 房间布局确定方法和装置
US20220327254A1 (en) * 2021-04-09 2022-10-13 Verizon Patent And Licensing Inc. Floor layout generation and unit location determination
CN113345044B (zh) * 2021-04-22 2022-06-10 贝壳找房(北京)科技有限公司 户型图生成方法及装置
CN113345044A (zh) * 2021-04-22 2021-09-03 北京房江湖科技有限公司 户型图生成方法及装置
CN113434945A (zh) * 2021-06-30 2021-09-24 杭州群核信息技术有限公司 户型方案的生成方法及装置
CN113656877A (zh) * 2021-08-23 2021-11-16 深圳须弥云图空间科技有限公司 多层户型的模型生成方法、装置、介质及电子设备
CN113656877B (zh) * 2021-08-23 2024-04-16 深圳须弥云图空间科技有限公司 多层户型的模型生成方法、装置、介质及电子设备
CN113642090A (zh) * 2021-10-14 2021-11-12 深圳润世华软件和信息技术服务有限公司 建筑布局生成方法、装置、计算机设备和存储介质
CN113642090B (zh) * 2021-10-14 2022-04-01 深圳润世华软件和信息技术服务有限公司 建筑布局生成方法、装置、计算机设备和存储介质
CN113920250A (zh) * 2021-10-21 2022-01-11 广东三维家信息科技有限公司 一种户型编码匹配方法及装置
WO2023065570A1 (zh) * 2021-10-21 2023-04-27 广东三维家信息科技有限公司 一种户型编码匹配方法及装置
WO2023103147A1 (zh) * 2021-12-10 2023-06-15 广东三维家信息科技有限公司 一种室内场景布局方法、装置、电子设备及存储介质
CN114282291A (zh) * 2021-12-13 2022-04-05 郑州智源堂房地产咨询有限公司 一种房屋功能结构布局设计方法
CN113919043A (zh) * 2021-12-14 2022-01-11 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

Also Published As

Publication number Publication date
CN111598972B (zh) 2021-06-29
WO2021196515A1 (zh) 2021-10-07
US20220383572A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
CN111598972B (zh) 户型图生成方法、装置、计算机设备和存储介质
CN107004297B (zh) 基于二维平面图的三维自动立体建模方法及程序
JP6765487B2 (ja) 人工知能を用いるコンピュータ実施方法、ａｉシステム、及びプログラム
KR102272650B1 (ko) 가상현실 기반 ３차원 공간 재구성을 이용한 인테리어 서비스 제공 시스템
US20230032888A1 (en) Automated Determination Of Acquisition Locations Of Acquired Building Images Based On Determined Surrounding Room Data
JP2021531592A (ja) 追跡ターゲットの位置決め方法、装置、機器及び記憶媒体
CN112712584B (zh) 空间建模方法、装置、设备
US11714940B2 (en) Artificial intelligence determination of building metrics for code compliance with user interaction
US12045951B2 (en) Automated building information determination using inter-image analysis of multiple building images
Qiu et al. Scan planning for existing buildings without BIM based on user-defined data quality requirements and genetic algorithm
US20160232420A1 (en) Method and apparatus for processing signal data
US20240161348A1 (en) Automated Inter-Image Analysis Of Multiple Building Images For Building Information Determination
CA3179102A1 (en) Automated analysis of visual data of images to determine the images' acquisition locations on building floor plans
KR102019299B1 (ko) 홈 스타일링 서버 및 이를 포함하는 시스템과, 홈 스타일링을 위한 영상 처리 방법
CN115330942B (zh) 多层空间三维建模方法、装置和计算机可读存储介质
JP4074791B2 (ja) 住宅間取り検索プログラム及び住宅外構検索プログラム
CN115730363A (zh) 基于神经网络的套内布局辅助设计方法、装置、设备
Vynikal et al. Floor plan creation using a low‐cost 360° camera
CN114073454A (zh) 房间划分方法、装置、设备及可读存储介质
CN113256808A (zh) 空间关系计算方法、设备及存储介质
KR102658273B1 (ko) 실내 디자인을 기반으로 인테리어를 생성하는 방법, 장치 및 시스템
KR102446739B1 (ko) 도면 정보에 기반하여 가상 현실 데이터를 자동적으로 생성하는 방법
CN115018795B (zh) 医学影像中的病灶的匹配方法、装置、设备及存储介质
KR20230055329A (ko) 이사비용 산출 방법 및 장치
EP4394701A1 (en) Automated inter-image analysis of multiple building images for building floor plan generation

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