CN112116622A - 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统 - Google Patents

轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统 Download PDF

Info

Publication number
CN112116622A
CN112116622A CN202011026406.9A CN202011026406A CN112116622A CN 112116622 A CN112116622 A CN 112116622A CN 202011026406 A CN202011026406 A CN 202011026406A CN 112116622 A CN112116622 A CN 112116622A
Authority
CN
China
Prior art keywords
contour
preset
feature
profile
matched
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
Application number
CN202011026406.9A
Other languages
English (en)
Inventor
李雨龙
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.)
Seashell Housing Beijing Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
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 Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN202011026406.9A priority Critical patent/CN112116622A/zh
Publication of CN112116622A publication Critical patent/CN112116622A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统。所述轮廓提取方法包括：针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系。本发明可通过高精度的户型轮廓匹配来实现相似轮廓的高召回。

Description

轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统
技术领域
本发明涉及图像处理技术领域，具体地涉及一种轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统。
背景技术
一个房屋/房间的轮廓是户型中非常关键的特征。对于一个房屋/房间来说，外围轮廓一般属于不可改动的属性。如果能将同一类相似轮廓的户型通过匹配聚合，那么这一类户型就可以共享包括装修方案与改造设计等非常多有价值的内容。而事实上，当前很多轮廓匹配技术都是无法实现高精度的匹配和推荐，这对于设计师和用户来说是一个非常痛苦的重复性劳动。
目前，通常是基于整体面积或轮廓缺角来判断轮廓的特征，然而这种方法很难精确地描述一个户型的轮廓,并且在对海量的户型轮廓进行匹配时，上述方法也捉襟见肘，其计算复杂度高达O(N2)。
发明内容
本发明的目的是提供一种轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统，其可通过高精度的户型轮廓匹配来实现相似轮廓的高召回，从而可有效地分享类似的装修方案等有价值的内容。
为了实现上述目的，本发明第一方面提供一种轮廓提取方法，所述轮廓提取方法包括：针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。
优选地，所述多个预设轮廓特征包括：轮廓面积特征、附件特征、轮廓线朝向特征以及墙体分间类型特征中的至少两者。
优选地，在所述预设轮廓特征为轮廓面积特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定与所述各个预设步长相对应的第一采集点与第二采集点及所述轮廓所包围的范围内的预设点所围成的采样面积，其中，所述第一采集点的采集时间早于所述第二采集点的采集时间；在所述预设轮廓特征为附件特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点是否落在任一附件所对应的部分轮廓内的结果；在所述预设轮廓特征为轮廓线朝向特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点相对于所述预设点的采样夹角；或在所述预设轮廓特征为墙体分间类型特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点所在的分间类型。
优选地，所述预设点为所述轮廓的重心点。
优选地，所述与所述各个预设步长中的第一个预设步长相对应的第一采集点为所述轮廓的入户门处。
优选地，所述记录所述预设步长与所述轮廓特征量的对应关系包括：针对所述多个预设轮廓特征中的每个预设轮廓特征，在多个相邻的预设步长内的轮廓特征量相同的情况下，记录所述多个相邻的预设步长所在的区间与所述特征轮廓量之间的对应关系。
通过上述技术方案，本发明创造性地确定轮廓上的各个预设步长内的多个预设轮廓特征中的每一者的轮廓特征量，然后针对每个预设轮廓特征，记录预设步长与轮廓特征量之间的对应关系。由此，本发明可对多维度的轮廓特征轮廓面积特征、附件特征、轮廓线朝向特征及墙体分间类型中的至少两者)进行建模(即建立预设步长与各个轮廓特征量之间的对应关系)，以此实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
本发明第二方面提供一种检索库建立方法，所述方法包括：针对多个预设轮廓特征中的每个预设轮廓特征，基于所述的轮廓提取方法，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；以及将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
通过上述技术方案，本发明创造性地确定属于不同的预设轮廓类型的多个预设轮廓中的每一者的预设步长与每个预设轮廓特征的预设轮廓特征量之间的对应关系，然后，将每个预设轮廓上的预设步长与每个预设轮廓特征的预设轮廓特征量之间的对应关系存储到检索库。由此，本发明可基于所建立的检索库来实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
本发明第三方面提供一种轮廓匹配方法，所述轮廓匹配方法包括：针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，基于所述的轮廓提取方法，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系；从根据所述的检索库建立方法所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征；以及基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓包括：基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及所述各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度；基于所确定的相似度，筛选针对所述每个待匹配轮廓特征的K个预设轮廓，其中所述K个预设轮廓的每个目标轮廓特征与相应待匹配轮廓特征的相似度的排序位于前K个名次；以及根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及所述K个预设轮廓的排序所占的权重，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度包括：针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，基于所述检索库中的预设步长与每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，计算所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值；针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，对所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值进行求和，以获取所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和；以及基于所述所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度。
优选地，所述重新确定与待匹配轮廓相匹配的排序前K个预设轮廓包括：根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及针对所述每个待匹配轮廓特征的排序所占的权重，计算每个预设轮廓在所述多个待匹配轮廓特征上的总权重，以获取每个预设轮廓与所述待匹配轮廓之间的相似度；以及基于所述每个预设轮廓与所述待匹配轮廓之间的相似度，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述针对所述每个待匹配轮廓特征的排序所占的权重根据预设需求被配置。
优选地，在执行所述采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓的步骤之前，所述轮廓匹配方法还包括：在所述对应关系存在区间与所述特征轮廓量之间的对应关系的情况下，将所述区间与所述特征轮廓量之间的对应关系解压为所述区间内的多个相邻的预设步长中的每一者与所述特征轮廓量之间的对应关系。
通过上述技术方案，本发明创造性地首先确定待匹配轮廓的预设步长与每个待匹配轮廓特征的轮廓特征量之间的对应关系；然后，从检索库中，筛选与多个待匹配轮廓特征相匹配的多个预设轮廓中的每一者的多个目标轮廓特征；最后，基于检索库中的预设步长与所述多个目标轮廓特征中的每一者的轮廓特征量之间的对应关系及各个预设步长内的每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与待匹配轮廓相匹配的排序前K个预设轮廓。由此，本发明可基于所建立的检索库来实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
本发明第四方面提供一种轮廓提取系统，所述轮廓提取系统包括：特征量确定装置，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及记录装置，用于针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。
有关本发明提供的轮廓提取系统的具体细节及益处可参阅上述针对轮廓提取方法的描述，于此不再赘述。
本发明第五方面提供一种检索库建立系统，所述系统包括：所述的轮廓提取系统，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；以及存储装置，用于将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
有关本发明提供的检索库建立系统的具体细节及益处可参阅上述针对检索库建立方法的描述，于此不再赘述。
本发明第六方面提供一种轮廓匹配系统，所述轮廓匹配系统包括：所述的轮廓提取系统，用于针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系；筛选装置，用于从由根据所述的检索库建立系统所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征；以及轮廓确定装置，用于基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述轮廓确定装置包括：相似度确定模块，用于基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及所述各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度；筛选模块，用于基于所确定的相似度，筛选针对所述每个待匹配轮廓特征的K个预设轮廓，其中所述K个预设轮廓的每个目标轮廓特征与相应待匹配轮廓特征的相似度的排序位于前K个名次；以及轮廓确定模块，用于根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及所述K个预设轮廓的排序所占的权重，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述相似度确定模块包括：第一计算单元，用于针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，基于所述检索库中的预设步长与每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，计算所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值；求和单元，用于针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，对所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值进行求和，以获取所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和；以及相似度确定单元，用于基于所述所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度。
优选地，所述轮廓确定模块包括：第二计算单元，用于根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及针对所述每个待匹配轮廓特征的排序所占的权重，计算每个预设轮廓在所述多个待匹配轮廓特征上的总权重，以获取每个预设轮廓与所述待匹配轮廓之间的相似度；以及轮廓确定单元，用于基于所述每个预设轮廓与所述待匹配轮廓之间的相似度，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
优选地，所述针对所述每个待匹配轮廓特征的排序所占的权重根据预设需求被配置。
有关本发明提供的轮廓匹配系统的具体细节及益处可参阅上述针对轮廓匹配方法的描述，于此不再赘述。
本发明第七方面提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器执行上述的轮廓提取方法、所述的检索库建立方法和/或所述的轮廓匹配方法。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一实施例提供的轮廓提取方法的流程图；
图2是本发明一实施例提供的确定各个预设步长内的多个预设轮廓特征的特征量的流程图；
图3是本发明一实施例提供的采用笛卡尔坐标系执行采样过程的示意图；
图4是本发明一实施例提供的户型轮廓区域的示意图；
图5是本发明一实施例提供的轮廓匹配方法的流程图；
图6是本发明一实施例提供的采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓的流程图；
图7是本发明一实施例提供的确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度的流程图；
图8是本发明一实施例提供的轮廓匹配系统的结构图；
图9是本发明一实施例提供的轮廓提取系统的结构图；以及
图10是本发明一实施例提供的轮廓匹配系统的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明一实施例提供的轮廓提取方法的流程图。所述轮廓提取方法可包括：步骤S101，针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及步骤S102，针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。其中，所述预设步长是指所述轮廓上的任两个相邻采集点之间的步长。
其中，所述多个预设轮廓特征可包括：轮廓面积特征、附件特征、轮廓线朝向特征以及墙体分间类型特征中的至少两者。
在所述预设轮廓特征为轮廓面积特征的情况下，对于步骤S101，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量可包括：确定与所述各个预设步长相对应的第一采集点与第二采集点及所述轮廓所包围的范围内的预设点所围成的采样面积。其中，所述第一采集点的采集时间早于所述第二采集点的采集时间。
在所述预设轮廓特征为附件特征的情况下，对于步骤S101，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量可包括：确定所述第一采集点或所述第二采集点是否落在任一附件所对应的部分轮廓内的结果。
在所述预设轮廓特征为轮廓线朝向特征的情况下，对于步骤S101，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量可包括：确定所述第一采集点或所述第二采集点相对于所述预设点的采样夹角。
在所述预设轮廓特征为墙体分间类型特征的情况下，对于步骤S101，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量可包括：确定所述第一采集点或所述第二采集点所在的分间类型。
为了保持轮廓的旋转不变性，在本发明的优选实施例中，可将预设点设置为能够体现轮廓特征的轮廓的重心点。具体地，所述预设点可为所述轮廓的重心点。
为了保持轮廓的平移与对称不变性，在本发明的优选实施例中，还可将采集点(例如第一采集点)设置在常见户型的入户门处。具体地，所述与所述各个预设步长中的第一个预设步长相对应的第一采集点可为所述轮廓的入户门处。
具体而言，上述确定各个预设步长内的多个预设轮廓特征的特征量过程可通过图10所示的轮廓提取系统10(还可简称为轮廓提取器)来执行。
如图2所示，所述轮廓提取系统10所执行的流程主要包括步骤S201-S206。
步骤S201，选择户型轮廓的重心点。
步骤S202，设置户型的采样步长。
例如，所述采样步长可包括：步长1、步长2、步长3……步长i……步长360。具体步长可以根据检索精度/速度动态调整，可默认采用360个步长；对于高响应的场景，默认采用180个步长。
步骤S203，设置轮廓的采样起始点为轮廓的入户门处。
以笛卡尔坐标系为例，将笛卡尔坐标系的原点设置在所述轮廓的重心点；采样方向选为逆时针的方向。设置轮廓的采样起始点为轮廓的入户门处相当于笛卡尔坐标系中的A点，如图3所示。
这种采样方式的优势是和户型的旋转与平移都没有任何关系，从本质上来讲，这是因为在常见户型中入户门区域是一定的。
步骤S204，计算在角度等分条件下的轮廓上的每个步长。
步骤S205，按照逆时针方向游走，并计算每个步长内的多个预设轮廓特征的特征量。
具体地，若所述多个轮廓特征包括：轮廓面积特征、附件特征、轮廓线朝向特征以及墙体分间类型特征，则计算每个步长内的各个预设轮廓特征的特征量的过程如下。
(1)轮廓面积特征：计算当前采集点、上一个采集点及坐标系的原点围成的三角形面积，该方式的计算效率较高。在高精度匹配情况下，还可计算当前采集点、上一个采集点及坐标系的原点围成的更加复杂的多边形面积和当前轮廓的实际相交的面积。
(2)附件特征：判断当前采集点是否落在有附件的轮廓区域，如果在就记录1(例如图4所示的采集点B落在有附件的轮廓区域)，否则记录0(例如图4所示的采集点C未落在有附件的轮廓区域)。图4下部示出了采集到各个附件(例如，门、窗)的先后顺序。
(3)轮廓线朝向特征：从坐标系的原点为起点向当前采集点发出一条射线，计算当前采集点所在墙体与该条射线的夹角。其中夹角算法采用abs(atan2)计算：
Figure BDA0002702237740000111
其中y,x分别为墙体朝向(以原点O为参照沿着逆时针的方向为正方向)与射线两个向量的合成向量的纵坐标与横坐标。最终取min(180-abs(atan2),abs(atan2))为轮廓线朝向特征所对应的夹角值。这种算法的优势是，在于获取射线和墙体夹角的同时，还能兼容90度的情况,可保证不管从顺时针还是逆时针计算最终都取到一致的夹角。因此，如果户型翻转对称，只要倒置整个向量还是能匹配上。
(4)墙体分间类型特征：采用分间类型编码对采集点进行编码,最终转成二进制进行保存。
具体地，不同墙体可能会连接两个不同分间，排序所有类型分间，采用独热(one-hot)编码并相加。例如，墙体所对应的分间类型为5和4，可将其编码为“11000”(二进制，这样由于不用保存一个11000字符串，故在存储上更加有效率)；最终将该二进制转换为24+23(十进制，这样的方式在直接读取成二进制进行(逐字节)bitwise的比较非常迅速，比较过程更有效率)。
步骤S206，统计各个步长内的多个预设轮廓特征的特征量。
在绕着户型轮廓游走360个步长之后，可将各个步长内对应的轮廓面积特征的特征量以切片面积直方图(area slice histogram)的方式进行存储；各个步长内对应的附件特征的特征量以独热附件直方图(one-hot item histogram)的方式进行存储；各个步长内对应的附件特征的特征量以朝向直方图(towards histogram)的方式进行存储；以及各个步长内对应的附件特征的特征量以分间类型直方图(area type histogram)的方式进行存储。即统计360维向量。由此，本实施例可基于边界游走思想，并采用等间隔采样，得到最终的各个特征的直方图向量；可将不同类型的轮廓所对应的多个特征的直方图向量存储到检索库中，后续可通过匹配该直方图的方式来实现户型轮廓的高效匹配过程。
由于户型存在很多重复的结构，因此为了存储最优化，会对采样的各维度的特征值进行合并压缩。压缩策略为：若连续相邻的步长所对应的特征量相同，则合并所述连续相邻的步长为一个区间表示,形如[(start_index,end_index)，value]。由此，可压缩的作用是压缩重复的面积值
对于步骤S102，所述记录所述预设步长与所述轮廓特征量的对应关系可包括：针对所述多个预设轮廓特征中的每个预设轮廓特征，在多个相邻的预设步长内的轮廓特征量相同的情况下，记录所述多个相邻的预设步长所在的区间与所述特征轮廓量之间的对应关系，以提取所述轮廓。
假设一个户型的步长1～200内所对应的轮廓面积均为同一个值(比如30)，此时没必要保存200个30，只需要保存相应的步长索引范围就可以了,也就是[(1,200)，30]。即，压缩360维向量。后续，真正在比较时会再解压出200个30(由此变成一个等长的数组)，再将其和待匹配户型轮廓的各个步长索引所对应的值进行比较。
综上所述，本发明创造性地确定轮廓上的各个预设步长内的多个预设轮廓特征中的每一者的轮廓特征量，然后针对每个预设轮廓特征，记录预设步长与轮廓特征量之间的对应关系。由此，本发明可对多维度的轮廓特征轮廓面积特征、附件特征、轮廓线朝向特征及墙体分间类型中的至少两者)进行建模(即建立预设步长与各个轮廓特征量之间的对应关系)，以此实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
本发明一实施例还提供一种检索库建立方法。所述方法可包括：针对多个预设轮廓特征中的每个预设轮廓特征，基于所述的轮廓提取方法，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
此过程用于保存向量并且建立户型向量的空间索引。具体步骤可包括：(1)将上述的压缩后的高维向量进行字符串化；(2)保存户型以及各个预设轮廓特征所对应的高维向量特征之间的对应关系；(3)全部保存完毕后,对各个预设轮廓特征所对应的高维向量进行空间聚类划分索引。例如，将户型f1的轮廓面积特征所对应的高维向量的索引设置为11；将户型f2的轮廓面积特征所对应的高维向量的索引设置为12；……将户型f360的轮廓面积特征所对应的高维向量的索引设置为1(360)。而将户型f1的附件特征所对应的高维向量的索引设置为21；将户型f2的附件特征所对应的高维向量的索引设置为22；……将户型f360的附件特征所对应的高维向量的索引设置为2(360)。其他特征，可按照类似的方式设置索引。(4)完成索引写库。该过程中建立的空间索引可便于后续高性能查询。
综上所述，本发明创造性地确定属于不同的预设轮廓类型的多个预设轮廓中的每一者的预设步长与每个预设轮廓特征的预设轮廓特征量之间的对应关系，然后，将每个预设轮廓上的预设步长与每个预设轮廓特征的预设轮廓特征量之间的对应关系存储到检索库。由此，本发明可基于所建立的检索库来实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
图5是本发明一实施例提供的轮廓匹配方法的流程图。如图5所示，所述轮廓匹配方法可包括步骤S501-S503。
步骤S501，针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，基于所述的轮廓提取方法，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系。
该步骤S501可由图10中的轮廓提取系统10来执行，其具体执行过程可参见上述轮廓提取方法的相关描述。需要注意的是，该步骤S501中的预设步长应该与上述轮廓提取方法中的预设步长保持一致，即待匹配(或待检索)特征向量的维度(可简称为检索维度)需要和检索库中的各个特征向量的维度(可简称为库中向量维度)保持一致。
如果不能保证一致，则可以通过插值方式解决，共有两种情况。
第一，库向量维度>检索维度：需要将待检索特征向量的维度进行间隔上采样到库中向量。
第二，库中向量维度<检索维度：需要将待检索特征向量的维度进行等间隔降采样。
步骤S502，从根据所述的检索库建立方法所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征。
该步骤S502可由图10中的筛选装置20来执行。具体地，在待匹配轮廓特征包括轮廓面积特征、附件特征、轮廓线朝向特征及墙体分间类型特征的情况下，通过筛选装置20从检索库中筛选到相应的四个特征。
在执行下述步骤S503之前，所述轮廓匹配方法还可包括：在所述对应关系存在区间与所述特征轮廓量之间的对应关系的情况下，将所述区间与所述特征轮廓量之间的对应关系解压为所述区间内的多个相邻的预设步长中的每一者与所述特征轮廓量之间的对应关系。
具体地，可对步骤S102的详细描述中所涉及的被压缩的对应关系[(1,200)，30]进行解压，以解压出200个30(即[1，30]、[2，30]……[1，30]、[200，30]，由此变成300维数组)，该300维数组与步长201-360所对应的数组一起组成360维数组。解压后的对应关系可用于与待匹配户型轮廓的各个步长索引所对应的值进行比较。
步骤S503，基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。
对于步骤S503，如图6所示，所述采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓可包括步骤S601-S603，其可由图10中的轮廓确定装置30(即轮廓特征匹配器)来执行。
步骤S601，基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及所述各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度。
对于步骤S601，如图7所示，所述确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度可包括步骤S701-S703。
步骤S701，针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，基于所述检索库中的预设步长与每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，计算所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值。
例如，对于检索库中的户型f1的轮廓面积特征，预设步长与轮廓面积特征的特征量之间的对应关系为[1，10]、[2，10]、[3，12]、……[360，13](该对应关系还可表示为(步长1，步长2，步长3……步长360)：(10，10，12……13))；而对于待检索的户型而言，所述各个预设步长内的轮廓面积特征的特征量为(10，10，11……13)。接着，可计算待检索户型的各个预设步长内的轮廓面积特征的特征量与相应检索库中的户型f1的轮廓面积特征的特征量的差值的绝对值为[1，0]、[2，0]、[3，1]、……[360，0](该对应关系还可表示为(步长1，步长2，步长3……步长360)：(0，0，1……0))。对于检索库中的其他户型f2、f3……等，相应的计算过程与上述内容类似，于此不再进行赘述。
步骤S702，针对所述每个预设轮廓的所述多个目标轮廓特征中的每个目标轮廓特征，对所述各个预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值进行求和，以获取所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和。
例如，对于检索库中的户型f1的轮廓面积特征，可对通过步骤S701计算得到的各个预设步长所对应差值的绝对值进行求和，得到1(即高维向量的距离)。
步骤S703，基于所述所有预设步长内的每个目标轮廓特征的轮廓特征量与相应待匹配轮廓特征的轮廓特征量的差值的绝对值之和，确定所述每个目标轮廓特征与相应待匹配轮廓特征的相似度。
所述相似度S与所述差值的绝对值之和Sum之间的关系式可表示以下：S＝f(Sum)，其中S与Sum具有反相关的函数关系，即，所述差值的绝对值之和Sum越大，所述每个目标轮廓特征与相应待匹配轮廓特征的相似度S越小。该关系式的具体形式可根据实际情况进行设置。
若通过步骤S701-S702得到户型f1、f2的轮廓面积特征所对应的差值的绝对值之和Sum1、Sum2分别为1、2，则可确定户型f1的轮廓面积特征与待匹配户型的轮廓面积特征的相似度S1大于户型f2的轮廓面积特征与待匹配户型的轮廓面积特征的相似度S2。
步骤S602，基于所确定的相似度，筛选针对所述每个待匹配轮廓特征的K个预设轮廓。
其中，所述K个预设轮廓的每个目标轮廓特征与相应待匹配轮廓特征的相似度的排序位于前K个名次。K通常根据业务查询范围设定，也可以通过指定最大容忍的距离差(即上述差值的绝对值)设定。
步骤S601-S602可由图8中的向量检索引擎组(其包括向量检索引擎2、3、4、5，该向量检索引擎组可具体包括相似度确定模块(未示出)与筛选模块(未示出))执行。具体地，针对轮廓面积特征，首先可对通过步骤S601所确定的每个户型与待检索户型之间的相似度进行降序排列，然后筛选排序前K个(即Top-K)户型。例如，针对轮廓面积特征，Top3的户型为f1、f2、f3。对于其他特征，类似地可筛选排序前K个(即Top-K)户型。具体为，针对附件特征，Top3的户型为f3、f4、f1；针对轮廓线朝向特征，Top3的户型为f2、f5、f1；以及针对墙体分间类型特征，Top3的户型为f1、f2、f6，如图8所示。
步骤S603，根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及所述K个预设轮廓的排序所占的权重，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
对于步骤S603，所述重新确定与待匹配轮廓相匹配的排序前K个预设轮廓可包括：根据所述针对所述每个待匹配轮廓特征的K个预设轮廓的排序及针对所述每个待匹配轮廓特征的排序所占的权重，计算每个预设轮廓在所述多个待匹配轮廓特征上的总权重，以获取每个预设轮廓与所述待匹配轮廓之间的相似度；以及基于所述每个预设轮廓与所述待匹配轮廓之间的相似度，重新确定与待匹配轮廓相匹配的排序前K个预设轮廓。
其中，所述K个预设轮廓的排序所占的权重根据预设需求被配置。具体地，根据不同的偏好，可将各个轮廓特征所对应的排序设置为不同的权重。例如，设计师对于户型的附件特征非常关注，则可按照以下方式设置相应的权重：对于轮廓面积特征，Top3的户型f1、f2、f3所占的权重分别为1、0.8、0.6；对于附件特征，Top3的户型f3、f4、f1所占的权重分别为10、8、6；对于轮廓线朝向特征，Top3的户型f2、f5、f1所占的权重分别为1、0.8、0.6；以及针对墙体分间类型特征，Top3的户型f1、f2、f6所占的权重分别为1、0.8、0.6。
首先计算户型f1、f2、f3、f4、f5、f6在4个待匹配轮廓特征上的总权重分别为8.6(1+6+0.6+1)、2.6(0.8+1+0.8)、10.6(0.6+10)、8、0.8、0.6，也就是说，户型f1、f2、f3、f4、f5、f6与待匹配轮廓之间的相似度(其与总权重之间的关系成正相关，例如，可直接将总权重作为相似度，也可将总权重的正整数倍作为相似度等)可分别为8.6、2.6、10.6、8、0.8、0.6；然后，按照降序排序后的相似度，重新确定与待匹配户型相匹配的Top-3的户型分别为f3、f1、f4(该Top-3的户型轮廓与待检索户型的轮廓最为相似)。
具体而言，如图8所示，首先，通过轮廓提取系统10提取实时检索的户型的轮廓特征；其次，从检索库中筛选到相应的轮廓特征(即向量特征)，并通过向量检索引擎组(向量检索引擎2-5)中的各个向量检索引擎从单一维度的向量特征中查询出最近邻的Top-K户型；最后，通过轮廓确定模块6(其具有加权计算功能)将各种不同维度的向量检索引擎返回的Top-K户型结果进行二次排序，以输出最终Top-K户型。由此，本发明实施例可解决轮廓特征两两比较低效率问题,从而可实现海量数据的高精度且低延迟的匹配过程。
综上所述，本发明创造性地首先确定待匹配轮廓的预设步长与每个待匹配轮廓特征的轮廓特征量之间的对应关系；然后，从检索库中，筛选与多个待匹配轮廓特征相匹配的多个预设轮廓中的每一者的多个目标轮廓特征；最后，基于检索库中的预设步长与所述多个目标轮廓特征中的每一者的轮廓特征量之间的对应关系及各个预设步长内的每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与待匹配轮廓相匹配的排序前K个预设轮廓。由此，本发明可基于所建立的检索库来实现高精度的户型轮廓匹配，从而实现相似轮廓的高召回，进而有效地分享类似的装修方案等有价值的内容。
图9是本发明一实施例提供的轮廓提取系统的结构图。如图9所示，所述轮廓提取系统10可包括：特征量确定装置100，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及记录装置200，用于针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。
优选地，所述多个预设轮廓特征包括：轮廓面积特征、附件特征、轮廓线朝向特征以及墙体分间类型特征中的至少两者。
优选地，在所述预设轮廓特征为轮廓面积特征的情况下，所述特征量确定装置包括：面积确定模块，用于确定与所述各个预设步长相对应的第一采集点与第二采集点及所述轮廓所包围的范围内的预设点所围成的采样面积，其中，所述第一采集点的采集时间早于所述第二采集点的采集时间；在所述预设轮廓特征为附件特征的情况下，所述特征量确定装置包括：附件确定模块，用于确定所述第一采集点或所述第二采集点是否落在任一附件所对应的部分轮廓内的结果；在所述预设轮廓特征为轮廓线朝向特征的情况下，所述特征量确定装置包括：夹角确定模块，用于确定所述第一采集点或所述第二采集点相对于所述预设点的采样夹角；或在所述预设轮廓特征为墙体分间类型特征的情况下，所述特征量确定装置包括：分间确定模块，用于确定所述第一采集点或所述第二采集点所在的分间类型。
优选地，所述预设点为所述轮廓的重心点。
优选地，所述与所述各个预设步长中的第一个预设步长相对应的第一采集点为所述轮廓的入户门处。
优选地，所述记录装置用于记录所述预设步长与所述轮廓特征量的对应关系包括：针对所述多个预设轮廓特征中的每个预设轮廓特征，在多个相邻的预设步长内的轮廓特征量相同的情况下，记录所述多个相邻的预设步长所在的区间与所述特征轮廓量之间的对应关系。
有关本发明提供的轮廓提取系统的具体细节及益处可参阅上述针对轮廓提取方法的描述，于此不再赘述。
本发明第五方面提供一种检索库建立系统，所述检索库建立系统包括：所述的轮廓提取系统，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；以及存储装置，用于将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
有关本发明提供的检索库建立系统的具体细节及益处可参阅上述针对检索库建立方法的描述，于此不再赘述。
图10是本发明一实施例提供的轮廓匹配系统的结构图。如图10所示，所述轮廓匹配系统可包括：所述的轮廓提取系统10，用于针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系；筛选装置20，用于从由所述的检索库建立系统所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征；以及轮廓确定装置30，用于基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。其中，所述轮廓确定装置30也可称为轮廓特征匹配器。
有关本发明提供的轮廓匹配系统的具体细节及益处可参阅上述针对轮廓匹配方法的描述，于此不再赘述。
本发明一实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器执行上述的轮廓提取方法、所述的检索库建立方法和/或所述的轮廓匹配方法。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种轮廓提取方法，其特征在于，所述轮廓提取方法包括：
针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及
针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。
2.根据权利要求1所述的轮廓提取方法，其特征在于，所述多个预设轮廓特征包括：轮廓面积特征、附件特征、轮廓线朝向特征以及墙体分间类型特征中的至少两者。
3.根据权利要求2所述的轮廓提取方法，其特征在于，
在所述预设轮廓特征为轮廓面积特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定与所述各个预设步长相对应的第一采集点与第二采集点及所述轮廓所包围的范围内的预设点所围成的采样面积，其中，所述第一采集点的采集时间早于所述第二采集点的采集时间；
在所述预设轮廓特征为附件特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点是否落在任一附件所对应的部分轮廓内的结果；
在所述预设轮廓特征为轮廓线朝向特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点相对于所述预设点的采样夹角；或
在所述预设轮廓特征为墙体分间类型特征的情况下，所述确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量包括：确定所述第一采集点或所述第二采集点所在的分间类型。
4.根据权利要求1所述的轮廓提取方法，其特征在于，所述记录所述预设步长与所述轮廓特征量的对应关系包括：
针对所述多个预设轮廓特征中的每个预设轮廓特征，在多个相邻的预设步长内的轮廓特征量相同的情况下，记录所述多个相邻的预设步长所在的区间与所述特征轮廓量之间的对应关系。
5.一种检索库建立方法，其特征在于，所述方法包括：
针对多个预设轮廓特征中的每个预设轮廓特征，基于根据权利要求1-4中的任一项权利要求所述的轮廓提取方法，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；以及
将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
6.一种轮廓匹配方法，其特征在于，所述轮廓匹配方法包括：
针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，基于根据权利要求1-4中的任一项权利要求所述的轮廓提取方法，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系；
从根据权利要求5所述的检索库建立方法所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征；以及
基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。
7.一种轮廓提取系统，其特征在于，所述轮廓提取系统包括：
特征量确定装置，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定所述轮廓上的各个预设步长内的所述每个预设轮廓特征的轮廓特征量；以及
记录装置，用于针对所述多个预设轮廓特征中的每个预设轮廓特征，记录所述预设步长与所述轮廓特征量的对应关系，以提取所述轮廓。
8.一种检索库建立系统，其特征在于，所述系统包括：
根据权利要求7所述的轮廓提取系统，用于针对多个预设轮廓特征中的每个预设轮廓特征，确定多个预设轮廓中的每个预设轮廓的预设步长与所述每个预设轮廓特征的预设轮廓特征量之间的对应关系，其中所述多个预设轮廓对应于多个不同的预设轮廓类型；以及
存储装置，用于将所述每个预设轮廓上的所述预设步长与所述每个预设轮廓特征的所述预设轮廓特征量之间的所述对应关系存储到所述检索库。
9.一种轮廓匹配系统，其特征在于，所述轮廓匹配系统包括：
根据权利要求7所述的轮廓提取系统，用于针对待匹配轮廓的多个待匹配轮廓特征中的每个待匹配轮廓特征，确定所述待匹配轮廓的预设步长与所述每个待匹配轮廓特征的轮廓特征量之间的对应关系；
筛选装置，用于从由根据权利要求8所述的检索库建立系统所存储的检索库中，筛选与所述多个待匹配轮廓特征相匹配的多个预设轮廓中的每个预设轮廓的多个目标轮廓特征；以及
轮廓确定装置，用于基于所述检索库中的预设步长与所述多个目标轮廓特征中的每个目标轮廓特征的轮廓特征量之间的所述对应关系及各个预设步长内的所述每个待匹配轮廓特征的轮廓特征量，采用加权算法确定与所述待匹配轮廓相匹配的排序前K个预设轮廓。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，该指令用于使得机器执行上述权利要求1-4中任一项权利要求所述的轮廓提取方法、权利要求5所述的检索库建立方法和/或权利要求6所述的轮廓匹配方法。
CN202011026406.9A 2020-09-25 2020-09-25 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统 Pending CN112116622A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011026406.9A CN112116622A (zh) 2020-09-25 2020-09-25 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011026406.9A CN112116622A (zh) 2020-09-25 2020-09-25 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统

Publications (1)

Publication Number Publication Date
CN112116622A true CN112116622A (zh) 2020-12-22

Family

ID=73796811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011026406.9A Pending CN112116622A (zh) 2020-09-25 2020-09-25 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统

Country Status (1)

Country Link
CN (1) CN112116622A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735182A (zh) * 2011-04-15 2012-10-17 顾建达 利用手持测距器扫描建筑物内轮廓的方法及其设备
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
CN104463866A (zh) * 2014-12-04 2015-03-25 无锡日联科技有限公司 一种基于轮廓随机采样的局部形状匹配方法
CN105303192A (zh) * 2015-09-08 2016-02-03 苏州大学张家港工业技术研究院 一种基于混合描述子的形状匹配方法及系统
CN105551012A (zh) * 2014-11-04 2016-05-04 阿里巴巴集团控股有限公司 计算机图像配准中降低错误匹配对的方法及其系统
US20180232599A1 (en) * 2014-11-18 2018-08-16 Harry Padubrin Learning Contour Identification System Using Portable Contour Metrics Derived From Contour Mappings

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735182A (zh) * 2011-04-15 2012-10-17 顾建达 利用手持测距器扫描建筑物内轮廓的方法及其设备
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
CN105551012A (zh) * 2014-11-04 2016-05-04 阿里巴巴集团控股有限公司 计算机图像配准中降低错误匹配对的方法及其系统
US20180232599A1 (en) * 2014-11-18 2018-08-16 Harry Padubrin Learning Contour Identification System Using Portable Contour Metrics Derived From Contour Mappings
CN104463866A (zh) * 2014-12-04 2015-03-25 无锡日联科技有限公司 一种基于轮廓随机采样的局部形状匹配方法
CN105303192A (zh) * 2015-09-08 2016-02-03 苏州大学张家港工业技术研究院 一种基于混合描述子的形状匹配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李昌华 等: "结合视觉显著模型与水平集算法的建筑物立面图像轮廓快速提取", 《计 算 机 应 用 研 究》 *

Similar Documents

Publication Publication Date Title
Chen et al. A region-based fuzzy feature matching approach to content-based image retrieval
US6163622A (en) Image retrieval system
KR100545477B1 (ko) 거리 측정기를 사용한 이미지 검색법
KR101015324B1 (ko) 데이터 맵핑 방법과 md 데이터 객체 검색을 위한 컴퓨터로 구현되는 방법, 컴퓨터로 구현되는 시스템 및 컴퓨터 판독가능 기록매체
US7895201B2 (en) Information processing apparatus, methods, and program for searching sets for an element
EP1066596A1 (en) Method of searching multimedia data
US20020136454A1 (en) Non-linear quantization and similarity matching methods for retrieving image data
JP2001202523A (ja) 画像処理方法及びその装置
CN103218427B (zh) 局部描述子的提取方法、图像检索方法及图像匹配方法
JP2000222581A (ja) 形状情報を用いるマルチメディアデ―タの検索方法及び装置
JP2006505075A (ja) 複数のイメージフレームを有するビデオシーケンス検索のための非線形量子化及び類似度マッチング方法
Vinayak et al. CBIR system using color moment and color auto-Correlogram with block truncation coding
Theoharatos et al. A generic scheme for color image retrieval based on the multivariate Wald-Wolfowitz test
CN101354728B (zh) 一种基于区间权值的相似性度量方法
KR100422697B1 (ko) 색공간 양자화 묘사자
KR100398142B1 (ko) 대용량 데이터베이스에서의 고속에 의한 다해상도의 최적탐색방법
CN110110120B (zh) 一种基于深度学习的图像检索方法和装置
JP2002288657A (ja) 空間密集成分を利用した代表カラー設定方法
CN110083732B (zh) 图片检索方法、装置及计算机存储介质
CN112116622A (zh) 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统
CN113255610B (zh) 特征底库构建、特征检索方法以及相关装置
Kavitha et al. Image Retrieval based on combined features of image sub-blocks
Low et al. Colour-based relevance feedback for image retrieval
Piamsa-nga et al. Multi-feature content based image retrieval
KR100324255B1 (ko) 내용 기반 동영상 검색 방법

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210324

Address after: 100085 Floor 101 102-1, No. 35 Building, No. 2 Hospital, Xierqi West Road, Haidian District, Beijing

Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd.

Address before: Unit 05, room 112, 1 / F, block C, comprehensive service area, Nangang Industrial Zone, Binhai New Area, Tianjin 300280

Applicant before: BEIKE TECHNOLOGY Co.,Ltd.