CN112199748A - 基于人类活动信息的平面图设计方法、装置及终端设备 - Google Patents
基于人类活动信息的平面图设计方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112199748A CN112199748A CN202011066302.0A CN202011066302A CN112199748A CN 112199748 A CN112199748 A CN 112199748A CN 202011066302 A CN202011066302 A CN 202011066302A CN 112199748 A CN112199748 A CN 112199748A
- Authority
- CN
- China
- Prior art keywords
- information
- human activity
- activity information
- design drawing
- sample
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 210
- 238000013461 design Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 230000003042 antagnostic effect Effects 0.000 claims description 18
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 17
- 230000003993 interaction Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010411 cooking Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于神经网络模型技术领域，提供了一种基于人类活动信息的平面图设计方法、装置及终端设备，方法包括：获取目标建筑的外边界信息和人类活动信息，人类活动信息为人类在目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；将外边界信息和人类活动信息，输入到预训练的平面设计图生成模型中处理，得到目标建筑的内部空间的平面设计图。通过预训练的平面设计图生成模型可以基于不同的人类活动信息生成不同的平面设计图，生成的平面设计图在几何和拓扑关系上均合理，提高了生成结果的合理性和多样性，满足用户的不同需求；预训练的平面设计图生成模型是一个端到端训练的模型，缩短了计算过程的消耗时长，提高了数据处理效率。
Description
技术领域
本申请属于神经网络模型技术领域，尤其涉及基于人类活动信息的平面图设计方法、装置、终端设备及可读存储介质。
背景技术
在设计工作中，通常会通过计算机图形学和计算机视觉学的交叉技术辅助用户进行建筑内部空间设计。首先设定建筑的外边界，然后通过计算机技术自动生成建筑内部空间设计图，这减轻了设计师的设计压力。目前，传统生成平面设计图的方法和基于用户交互的平面设计图生成方法是较为常用的两种方式。
其中，传统生成平面设计图的方法主要通过人工对建筑设定多个限定条件，以辅助计算机技术生成平面设计图；然而，这种方法过于依赖人工设定的限定条件，在实际应用过程中难以适应复杂多变的环境，并且该方法的计算过程耗时较长。
基于用户交互的平面设计图生成方法主要通过根据建筑外边界信息从数据集中筛选出相似度较高的建筑布局图，并基于用户交互信息生成对应的平面设计图；然而，这种方法过于依赖现有数据集，导致平面设计图生成结果的合理性较差。
发明内容
本申请实施例提供了一种基于人类活动信息的平面图设计方法、装置、终端设备及可读存储介质，可以解决相似技术计算过程耗时较长、无法适应复杂多变的环境、生成结果的合理性差的问题。
第一方面，本申请实施例提供了一种基于人类活动信息的平面图设计方法，包括：
获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；
将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
第二方面，本申请实施例提供了一种基于人类活动信息的平面图设计装置，包括：
第一获取模块，用于获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；
处理模块，用于将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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如上述第一方面所述的基于人类活动信息的平面图设计方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于人类活动信息的平面图设计方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的基于人类活动信息的平面图设计方法。
通过获取目标建筑的外边界信息和人类活动信息，并根据预训练的平面设计图生成模型对目标建筑的外边界信息和活动信息进行处理，获得目标建筑的内部空间的平面设计图。通过平面设计图生成模型可以基于不同的人类活动信息生成不同的平面设计图，生成的平面设计图在几何和拓扑关系上均合理，提高了生成结果的合理性和多样性，能够满足用户的不同需求，同时，平面设计图生成模型是一个端到端训练的模型，缩短了计算过程的消耗时长，提高了数据处理效率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的基于人类活动信息的平面图设计方法的流程示意图；
图2是本申请实施例提供的目标建筑的外边界信息的示意图；
图3是本申请实施例提供的目标建筑的人类活动信息的示意图；
图4是本申请实施例提供的目标建筑的内部空间的平面设计图的示意图；
图5是本申请实施例提供的基于平面设计图样本获取人类活动信息样本的应用场景示意图；
图6是本申请实施例提供的优化平面设计图的应用场景示意图；
图7是本申请实施例提供的基于人类活动信息的平面图设计方法的用户操作示意图；
图8是本申请实施例提供的基于人类活动信息的平面图设计装置的结构示意图；
图9是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的基于人类活动信息的平面图设计方法可以应用于手机、平板电脑、笔记本电脑等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
近年来，虽然平面图设计技术已经实现了一定的发展和推广，但是现有的平面图设计方法在一定程度上仍存在计算过程耗时较长、无法适应复杂多变的环境、生成结果的合理性差的问题，本申请提出了一种基于人类活动信息的平面图设计方法、基于人类活动信息的平面图设计装置、终端设备及计算机可读存储介质，可在获取到目标建筑的边界信息和人类活动信息时，将目标建筑的边界信息和人类活动信息输入至预训练的平面设计图生成模型中处理，得到目标建筑的内部空间的平面设计图。由于考虑了人类活动信息，可以获得更适用于人类需要的且在几何和拓扑关系上均合理的平面设计图；并可以根据不同的人类活动信息生成对应的多样化的结果，提高了平面图设计结果的合理性和多样性，减小计算所耗时长，提高了数据处理效率。
为了说明本申请所提出的技术方案，下面通过具体实施例来进行说明。
图1示出了本申请提供的基于人类活动信息的平面图设计方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。
S101、获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系。
在具体应用中，可获取用户输入的目标建筑的外边界信息，以及与目标建筑的外边界信息对应的人类活动信息。用户为对目标建筑进行平面设计的建筑师或设计师；目标建筑包括一个以上的房间，房间的类型包括但不限于主卧、次卧、书房、阳台、厨房、卫生间及客厅中的至少一种。目标建筑的外边界信息为携带目标建筑的外部边界的位置信息及目标建筑的主要出入口的位置信息的三通道图像，用于描述目标建筑的形状。例如，如图2所示为一种目标建筑的外边界信息的示意图。人类活动信息为人类在目标建筑内的活动概率图(具体为一个单通道的概率图)，用于描述居民和目标建筑之间的交互关系，使得基于人类活动信息生成的平面设计图在几何和拓扑关系上都是合理的。其中，居民是指目标建筑的使用者。人类活动信息的取值范围为0～1，人类在某处的活动概率越大，对应的人类活动信息值越大。例如，如图3所示为一种目标建筑的人类活动信息的示意图，基于图2中目标建筑的外边界信息可以获得如图3所示的人类活动信息。
在具体应用中，人类活动信息可通过全自动的人类活动信息生成方法和半自动的人类活动信息生成方法两种方法获得，保证了人类活动信息的多样性以满足用户需求。全自动的人类活动信息生成方法是输入目标建筑的外边界信息通过预训练的人类活动信息生成模型生成对应的人类活动信息；半自动的人类活动信息生成方法是通过输入目标建筑的外边界信息并基于用户输入的家具位置信息生成对应的人类活动信息。
S102、将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
在具体应用中，将目标建筑的外边界信息和与目标建筑的外边界信息对应的人类活动信息输入到预训练的平面设计图生成模型中处理，获得预训练的平面设计图生成模型输出的目标建筑的内部空间的平面设计图。例如，如图4所示，提供了一种目标建筑的内部空间的平面设计图的示意图。其中，图4为基于如图2中的目标建筑的外边界信息和如图3中目标建筑的人类活动信息进行处理，获得的目标建筑的内部空间的平面设计图。
其中，预训练的平面设计图生成模型可以为通过预训练的生成对抗网络模型，其生成器用于根据目标建筑的外边界信息和与目标建筑的外边界信息对应的人类活动信息生成目标建筑的内部空间的平面设计图，其判别器用于判定输入的平面设计图是来自于生成器生成的假样本，还是训练数据集中真实的平面设计图样本。
通过将目标建筑的人类活动信息和目标建筑的外边界信息一起输入至预训练的平面设计图生成模型中，可以基于人类活动信息指导预训练的平面设计图生成模型的生成过程，使得生成的平面设计图在几何和拓扑关系上都是合理的，进而提高了生成的平面设计图的合理性。
通过实验对基于人类活动信息的平面图设计方法和背景技术进行比较，获得如表1所示的的对比结果。
表1
在一个实施例中，获取所述人类活动信息的方法，包括：
获取用户输入的家具位置信息；
通过预设出入口设计规则确定出入口位置信息；
对所述家具位置信息和所述出入口位置信息进行计算，得到所述人类活动信息。
在具体应用中，在通过神经网络模型进行平面图设计的过程中，可通过用户交互方式提高平面图设计图生成结果的合理性，同时满足用户的需求。对应的，可获取用户输入的与目标建筑的外边界信息对应的家具位置信息，并通过预先设定的出入口设计规则，确定目标建筑中的出入口位置信息，并通过预设算法对目标建筑的家具位置信息和出入口位置信息进行计算，获得人类活动信息。其中，家具包括但不限于床、马桶、洗衣机、书桌及灶台中的至少一种。家具的位置信息为家具在目标建筑中的位置信息，可通过家具在目标建筑的外边界信息图像中的坐标表示，或者通过家具与目标建筑的外边界之间的相对位置关系表示。出入口包括主要出入口和一个以上的次要出入口。主要出入口表示从目标建筑通向内外部区域的进出口。次要出入口表示从目标建筑中的任一个房间通向另一个房间的进出口。其中，房间是指目标建筑内具有特定功能且具有一定面积的区域。在本实施例中，房间的类型包括但不限于主卧、次卧、书房、阳台、厨房、卫生间及客厅中的至少一种。例如，次要出入口为从阳台通往客厅的进出口，或者从主卧通向客厅的进出口，或者从次卧通向阳台的进出口。其中，预设算法包括但不限于双向快速扩展随机树算法(Bidirectional-RRT，Bi-RRT)。
可以理解的时，应对每个房间设定至少一个出入口。
在具体应用中，预设出入口设计规则是指预先设定的根据目标建筑的外边界信息和家具的位置信息，设计与家具对应的房间的出入口的规则。其可以根据实际需求进行具体的设定。
在本实施例中，预设出入口设计规则包括：对除客厅以外的每个房间设定一个对应的次要出入口，且以距离最近原则进行设计(例如，相邻两个次要出入口之间的距离最近原则，次要出入口与主要出入口之间的距离最近原则)。
在一个实施例中，对所述家具位置信息和所述出入口位置信息进行计算，得到所述人类活动信息，包括：
根据所述家具位置信息，确定每个家具的中心点的位置；
根据所述出入口位置信息，确定每个出入口的中心点的位置；其中，所述出入口包括主要出入口及一个以上的次要出入口；
以每个家具的中心点的位置为起始点，以与所述家具对应的次要出入口的中心点为终点，根据预设算法进行路径规划，获得第一区域人类活动信息；其中，所述预设算法包括双向快速扩展随机树算法；
以每个次要出入口的中心点的位置为起始点，以所述主要出入口或者其他次要出入口的中心点的位置为终点，根据所述预设算法进行路径规划，获得第二区域人类活动信息；其中，所述其他次要出入口为除与起始点对应的次要出入口以外的任一个次要出入口；
对所述第一区域人类活动信息和所述第二区域人类活动信息进行融合处理，获得所述人类活动信息。
在具体应用中，根据每个家具的形状和该家具的位置信息进行计算，确定该家具的中心点的位置，根据每个出入口的位置信息进行计算，确定该出入口的中心点的位置。将目标建筑划分为第一区域和第二区域，其中，第一区域包括目标建筑中的内部活动区域，如除客厅以外的主卧、次卧、书房、厨房、阳台及卫生间等房间所占的活动区域；第二区域包括目标建筑中的公共活动区域，如客厅所占的活动区域及过道所占的活动区域。
在具体应用中，以第一区域中的每个家具的中心点的位置为起始点，以与该家具对应的房间的次要出入口的中心点的位置为终点，通过预设算法进行路径规划，获得人类在目标建筑中的第一区域进行人类活动的概率图(即对应的第一区域人类活动信息)，并以每个次要出入口的中心点的位置为起始点，以主要出入口或者其他次要出入口的中心点的位置为终点(其他次要出入口为除与起始点对应的次要出入口以外的任一个次要出入口)，根据预设算法进行路径规划，获得人类在目标建筑中的第二区域进行人类活动的概率图(即获得第二区域人类活动信息)。
其中，双向快速扩展随机树算法(Bidirectional-RRT，bi-RRT)是通过分别以起始点和终点为一个端点，同时生长两棵快速扩展随机树来搜索状态空间，从而形成随机地图的算法。在本实施例中，通过双向快速扩展随机树算法(Bidirectional-RRT，bi-RRT)计算获得的随机地图即为用户在起始点和终点之间所占区域内进行人类活动的概率图，也即人类活动信息。
在实际应用中，人类通常在不同区域进行人类活动的比例不同，因此可通过预设比率将第一区域活动信息和第二活动信息进行融合处理，获得人类在目标建筑内进行人类活动的概率图，也即人类活动信息。其中，预设比例可以根据人类通常在不同区域进行人类活动的比例进行计算。
在本实施例中，预设比例包括第一区域活动信息：第二区域活动信息＝4：6。也即以第一区域人类活动信息*0.6，第二区域人类活动信息*0.4进行融合处理，获得人类活动信息。
在一个实施例中，获取所述人类活动信息的方法，还包括：
将所述目标建筑的外边界信息输入到预训练的人类活动信息生成模型中处理，得到所述人类活动信息。
在具体应用中，预训练的人类活动信息生成模型包括预训练的第一生成对抗网络模型；将目标建筑的外边界信息输入到预训练的人类活动信息生成模型中，预训练的人类活动信息生成模型中的生成器(Generator)根据目标建筑的外边界信息生成对应的人类活动信息，其判别器(Discriminator)判别输入的人类活动信息是来源于生成器生成的假样本，还是活动信息训练数据集中的真实的人类活动信息。
在一个实施例中，所述方法还包括：
获取第一平面设计图训练数据集，所述第一平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本；
根据所述第一平面设计图训练数据集中每个平面设计图样本，计算得到与所述每个边界信息样本对应的人类活动信息样本；
利用活动信息训练数据集对第一神经网络模型进行预训练，获得所述预训练的人类活动信息生成模型；其中，第一神经网络模型包括第一生成对抗神经网络模型，所述活动信息训练数据集包括所述多个边界信息样本，和基于与每个边界信息样本对应的平面设计图样本计算得到的人类活动信息样本。
在具体应用中，第一平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本。其中，边界信息样本为携带建筑的外边界信息和主要出入口位置信息的图像；与边界信息样本对应的平面设计图样本为根据该边界信息样本获得的平面设计图样本数据，平面设计图样本携带建筑的内边界信息、外边界信息、每个房间的类型、每个房间的位置信息和出入口的位置信息；建筑的内边界为建筑内用于划分房间区域的线段。其中，第一神经网络模型包括第一生成对抗神经网络模型(GAN)。第一平面设计图训练数据集包括但不限于RPLAN数据集。
在具体应用中，利用活动信息训练数据集对第一生成对抗神经网络模型进行预训练，获得预训练的人类活动信息生成模型，包括：
以活动信息训练数据集中的边界信息样本为输入数据，以活动信息训练数据集中基于与每个边界信息样本对应的平面设计图样本计算得到的人类活动信息样本为输出数据，对第一生成对抗神经网络模型进行预训练，第一生成对抗神经网络模型中的生成器根据边界信息样本生成对应的人类活动信息，第一生成对抗神经网络模型中的判别器判断生成器生成的人类活动信息是否为真实的，在第一生成对抗神经网络模型中的判别器判断生成器生成的活动信息是真实的(即判别器无法识别哪个是活动信息训练数据集中真实的人类活动信息样本，哪个是生成器生成的假的人类活动信息)时，判定第一生成对抗神经网络模型的预训练完成，获得预训练的人类活动信息生成模型。
在一个实施例中，根据所述第一平面设计图训练数据集中每个平面设计图样本，计算得到与所述每个边界信息样本对应的人类活动信息样本，包括：
根据预设家具设计规则，获得所述第一平面设计图训练数据集中每个平面设计图样本的家具位置信息；其中，所述平面设计图样本携带出入口位置信息；
对所述平面设计图样本的家具位置信息和出入口位置信息进行计算，获得与所述每个边界信息样本对应的人类活动信息样本。
在具体应用中，预先设定家具设计规则，并根据预设家具设计规则对第一平面设计图训练数据集中每个平面设计图样本进行分析，确定每个平面设计图样本中建筑的家具位置信息。其中，平面设计图样本携带出入口位置信息。出入口位置信息包括主要出入口的位置信息和每个次要出入口的位置信息。
在具体应用中，对每个平面设计图样本的家具位置信息和出入口位置信息进行计算，获得与每个边界信息样本对应的人类活动信息样本，包括：
根据第一平面设计图训练数据集中的每个平面设计图样本中每个家具位置信息和形状进行计算，确定每个平面设计图样本中每个家具的中心点的位置(也即每个家具在该家具所在的平面设计图样本中的坐标)，根据每个平面设计图样本中每个出入口的位置信息进行计算，确定每个出入口的中心点的位置，将每个平面设计图样本中的建筑划分为第一区域和第二区域，然后以每个平面设计图样本中第一区域的每个家具的中心点的位置为起始点，以与每个平面设计图样本中该家具对应的房间的次要出入口的中心点的位置为终点，通过预设算法(预设算法包括但不限于双向快速扩展随机树算法)进行路径规划，获得每个平面设计图样本的第一区域人类活动信息，并以每个平面设计图样本中每个次要出入口的中心点的位置为起始点，以主要出入口或者其他次要出入口的中心点的位置为终点(其他次要出入口为除与起始点对应的次要出入口以外的任一个次要出入口)，根据上述预设算法进行路径规划，获得每个平面设计图样本的第二区域人类活动信息。通过预设比率将第一区域人类活动信息和第二区域人类活动信息进行融合处理，获得基于与每个边界信息样本对应的平面设计图样本计算得到的人类活动信息样本(也即与每个边界信息样本对应的人类活动信息样本)。
在本实施例中，预设家具设计规则包括根据房间的类型设定对应的家具类型；家具的大小根据该家具的类型和所在房间的面积大小进行设定；家具的位置由所在房间的次要出入口的位置决定。
其中，根据房间的类型设定对应的家具类型，包括：
房间的类型为主卧或次卧时，对应的家具类型包括床；房间的类型为卫生间时，对应的家具类型包括马桶；房间的类型为阳台时，对应的家具类型包括洗衣机；房间的类型为厨房时，对应的家具类型为灶台；房间的类型为书房时，对应的家具类型包括书桌。
其中，家具的大小根据该家具的类型和所在房间的面积大小进行设定，包括：
一般情况下，床的长度是固定的，通常设置为2M；因此，床的宽度可根据其所在房间的宽度设定；洗衣机，书桌和马桶的大小是固定的，灶台的长度应与厨房的任一条边长相等，书桌的长度应小于或等于书房的宽。
例如，设定床的宽度应小于等于其所在房间的宽度的70％；对应的，若主卧的宽度为3M，则主卧的床的宽度应小于或等于2.1M。
例如，若厨房的长为2.5M，宽为2M，则灶台的长度可设定位2M，也可设定为2.5M。
其中，家具的位置根据所在房间的次要出入口的位置决定，一般家具需正对或者斜对着次要出入口且与房间内墙对齐。
如图5所示，提供了一种基于平面设计图样本获取人类活动信息样本的应用场景示意图。
图5(a)为一个平面设计图样本的示例图，其包括目标建筑的外边界信息、内边界信息、每个房间的类型信息、每个房间的位置信息和出入口的位置信息；基于图5(a)所示的平面设计图样本，根据预设家具生成规则进行设计，获得包括每个家具的位置信息和与其对应的次要出入口的位置信息的图5(b)；基于图5b中包括的每个家具的位置信息和其对应的次要出入口的位置信息，确定第一区域中的每个起始点和终点，获得图5(c1)；根据预设算法对图5(c1)中的各个起始点和终点进行计算，获得如图5(d1)所示的第一区域人类活动信息；基于图5b中包括的每个次要出入口的位置信息和主要出入口的位置信息，确定第二区域中的每个起始点和终点，获得图5(c2)；根据预设算法对图5(c2)中的各个起始点和终点进行计算，获得如图5(d2)所示的第二区域人类活动信息，通过预设比率将第一区域人类活动信息和第二区域人类活动信息进行融合处理，获得如图5(e)所示的人类活动信息样本。
在一个实施例中，所述方法还包括：
获取第二平面设计图训练数据集，所述第二平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本和人类活动信息样本；
根据所述第二平面设计图训练数据集对第二神经网络模型进行预训练，获得所述预训练的平面设计图生成模型；其中，第二神经网络模型包括第二生成对抗神经网络模型。
在具体应用中，第二平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本和人类活动信息样本。其中，人类活动信息样本是指根据与每个边界信息样本对应的平面设计图样本计算获得的，与边界信息样本对应的人类活动概率图。
在具体应用中，根据所述第二平面设计图训练数据集对第二神经网络模型进行预训练，获得所述预训练的平面设计图生成模型，包括：
将边界信息样本和与该边界信息样本对应的人类活动信息样本作为输入数据，以与该边界信息样本对应的平面设计图样本为输出数据，对第二神经网络模型进行预训练，获得预训练的平面设计图生成模型。其中，第二神经网络模型包括第二生成对抗神经网络模型。
在具体应用中，第二神经网络模型为第二生成对抗神经网络模型时，将边界信息样本和与该边界信息样本对应的人类活动信息样本作为输入数据，以与该边界信息样本对应的平面设计图样本为输出数据，输入第二生成对抗神经网络模型，以对第二生成对抗神经网络模型进行预训练，第二生成对抗神经网络模型的生成器根据边界信息样本和与该边界信息样本对应的人类活动信息样本生成平面设计图，判别器判断生成器生成的平面设计图是否为真实的，同时，添加设计了另外一个生成器，该生成器负责根据第二生成对抗神经网络模型生成的平面设计图生成一个新的外边界信息，然后计算生成的新的外边界信息与真实的外边界信息之间的距离，来提高判别器的判别效率，防止判别器被生成器欺骗，最终获得预训练的平面设计图生成模型。
通过以边界信息样本和与该边界信息样本对应的人类活动信息样本作为输入数据，以与该边界信息样本对应的平面设计图样本为输出数据，对第二生成对抗神经网络模型进行预训练，可以使得第二生成对抗神经网络模型中的生成器生成的平面设计图无限接近于与该边界信息样本对应的平面设计图样本，提高生成结果的合理性，同时实现根据不同人类活动信息样本生成不同的平面设计图结果，可以适应用户的不同需求。
在一个实施例中，所述方法还包括：
对所述平面设计图进行向量化处理，得到目标矢量平面设计图。
在实际生活中，平面设计图一般是矢量图，以供建筑师更好的使用。但是预训练的平面设计图生成模型获得的平面设计图通常为栅格平面设计图，因此需要对获得的栅格平面设计图进行向量化处理。向量化处理包括但不限于二值化处理和图像去噪处理等处理方法。
在一个实施例中，对所述平面设计图进行向量化处理，得到目标矢量平面设计图，包括：
对所述平面设计图进行二值化处理，获得二值化的栅格平面设计图；其中，所述平面设计图携带每个房间的类型信息；
获取所述二值化的栅格平面设计图的噪声内边界信息；
对所述噪声内边界信息进行图像优化处理，获得优化后的内边界信息；
基于所述每个房间的类型、所述优化后的内边界信息和所述外边界信息，并根据所述预设出入口设计规则确定出入口位置信息，获得所述目标矢量平面设计图。
在具体应用中，通过预训练的平面设计图生成模型获得的栅格平面设计图携带目标建筑的噪声的内边界信息、目标建筑中每个房间的位置信息和每个房间的类型信息。对通过预训练的平面设计图生成模型获得的栅格平面设计图进行二值化处理，获得二值化的栅格平面设计图，获取二值化的栅格平面设计图所携带的噪声内边界信息，对噪声内边界信息进行图像优化处理，获得优化后的内边界信息，并根据每个房间的类型信息、已获得的优化后的内边界信息和目标建筑的外边界信息，再根据预设出入口设计规则进行出入口的设计，以确定目标建筑中所有的出入口位置信息，获得目标矢量平面设计图。其中，图像优化处理包括但不限于去噪处理。
如图6所示，提供了一种优化平面设计图的应用场景示意图。
其中，图6(a)表示通过预训练的平面设计图生成模型获得的栅格平面设计图，通过对图6(a)进行二值化处理，获得如图6(b)所示的二值化处理后的得到的噪声内外边界信息，并对边界信息进行图像优化处理，获得如图6(c)所示的优化后的内外边界信息，并根据每个房间的类型信息，根据预设出入口设计规则确定与每个房间对应的出入口的位置信息，获得如图6(d)所示的目标矢量平面设计图，图6(d)中目标建筑内的白色显示线条均表示次要出入口。
图7示例性的示出了一种基于人类活动信息的平面图设计方法的用户操作示意图。
如图7所示，用户在需要获取目标建筑的内部空间的平面设计图时，需打开终端设备上的应用程序，并基于应用程序输入目标建筑的外边界信息，并选择人类活动信息生成模块(包括通过活动信息生成模块生成活动信息的全自动人类活动信息生成方法，和通过用户交互模块基于用户交互信息生成活动信息的半自动人类活动信息生成方法)，终端设备在获取到上述外边界信息和生成的人类活动信息后，将目标建筑的外边界信息和人类活动信息发送到平面设计图生成模块，平面设计图生成模块中的预训练的平面设计图生成模型对上述目标建筑的外边界信息和人类活动信息进行处理，生成目标建筑的内部空间的平面设计图并返回至终端设备，终端设备通过显示界面向用户展示获得的目标建筑的内部空间的平面设计图。其中，应用程序为平面设计图设计程序，用于获取用户输入信息并对用户输入信息进行处理，获得平面设计图。
通过获取目标建筑的外边界信息和人类活动信息，并根据预训练的平面设计图生成模型对目标建筑的外边界信息和活动信息进行处理，获得目标建筑的内部空间的平面设计图。通过平面设计图生成模型可以基于不同的人类活动信息生成不同的平面设计图，生成的平面设计图在几何和拓扑关系上均合理，提高了生成结果的合理性和多样性，能够满足用户的不同需求，同时，平面设计图生成模型是一个端到端训练的模型，缩短了计算过程的消耗时长，提高了数据处理效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于人类活动信息的平面图设计方法，图8示出了本申请实施例提供的基于人类活动信息的平面图设计装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图8，该基于人类活动信息的平面图设计装置100包括：
第一获取模块101，用于获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；
处理模块102，用于将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
在一个实施例中，第一获取模块101，包括：
第一获取子模块，用于获取用户输入的家具位置信息；
第一确定子模块，用于通过预设出入口设计规则确定出入口位置信息；
第一计算子模块，用于对所述家具位置信息和所述出入口位置信息进行计算，得到所述人类活动信息。
在一个实施例中，所述第一计算子模块，包括：
第一确定单元，用于根据所述家具位置信息，确定每个家具的中心点的位置；
第二确定单元，用于根据所述出入口位置信息，确定每个出入口的中心点的位置；其中，所述出入口包括主要出入口及一个以上的次要出入口；
第一路径规划单元，用于以每个家具的中心点的位置为起始点，以与所述家具对应的次要出入口的中心点为终点，根据预设算法进行路径规划，获得第一区域人类活动信息；其中，所述预设算法包括双向快速扩展随机树算法；
第二路径规划单元，用于以每个次要出入口的中心点的位置为起始点，以所述主要出入口或者其他次要出入口的中心点的位置为终点，根据所述预设算法进行路径规划，获得第二区域人类活动信息；其中，所述其他次要出入口为除与起始点对应的次要出入口以外的任一个次要出入口；
融合处理单元，用于对所述第一区域人类活动信息和所述第二区域人类活动信息进行融合处理，获得所述人类活动信息。
在一个实施例中，第一获取模块101，还包括：
处理子模块，用于将所述目标建筑的外边界信息输入到预训练的人类活动信息生成模型中处理，得到所述人类活动信息。
在一个实施例中，所述装置100还包括：
第二获取模块，用于获取第一平面设计图训练数据集，所述第一平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本；
计算模块，用于根据所述第一平面设计图训练数据集中每个平面设计图样本，计算得到与所述每个边界信息样本对应的人类活动信息样本；
第一预训练模块，用于利用活动信息训练数据集对第一神经网络模型进行预训练，获得所述预训练的人类活动信息生成模型；其中，第一神经网络模型包括第一生成对抗神经网络模型，所述活动信息训练数据集包括所述多个边界信息样本，和基于与每个边界信息样本对应的平面设计图样本计算得到的人类活动信息样本。
在一个实施例中，所述计算模块，包括：
第二获取子模块，用于根据预设家具设计规则，获得所述第一平面设计图训练数据集中每个平面设计图样本的家具位置信息；其中，所述平面设计图样本携带出入口位置信息；
第二计算子模块，用于对所述平面设计图样本的家具位置信息和出入口位置信息进行计算，获得与所述每个边界信息样本对应的人类活动信息样本。
在一个实施例中，所述装置100，还包括：
第三获取模块，用于获取第二平面设计图训练数据集，所述第二平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本和人类活动信息样本；
第二预训练模块，用于根据所述第二平面设计图训练数据集对第二神经网络模型进行预训练，获得所述预训练的平面设计图生成模型；其中，第二神经网络模型包括第二生成对抗神经网络模型。
在一个实施例中，所述装置100，还包括：
向量化处理模块，用于对所述平面设计图进行矢量化处理，得到目标矢量平面设计图。
在一个实施例中，向量化处理模块，包括：
二值化处理子模块，用于对所述平面设计图进行二值化处理，获得二值化的栅格平面设计图；其中，所述平面设计图携带每个房间的类型信息；
第三获取子模块，用于获取所述二值化的栅格平面设计图的噪声内边界信息；
优化处理子模块，用于对所述噪声内边界信息进行图像优化处理，获得优化后的内边界信息；
第四获取子模块，用于基于所述每个房间的类型、所述优化后的内边界信息和所述外边界信息，并根据所述预设出入口设计规则确定出入口位置信息，获得所述目标矢量平面设计图。
通过获取目标建筑的外边界信息和人类活动信息，并根据预训练的平面设计图生成模型对目标建筑的外边界信息和活动信息进行处理，获得目标建筑的内部空间的平面设计图。通过平面设计图生成模型可以基于不同的人类活动信息生成不同的平面设计图，生成的平面设计图在几何和拓扑关系上均合理，提高了生成结果的合理性和多样性，能够满足用户的不同需求，同时，平面设计图生成模型是一个端到端训练的模型，缩短了计算过程的消耗时长，提高了数据处理效率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图9为本申请实施例提供的终端设备的结构示意图。如图9所示，该实施例的终端设备9包括：至少一个处理器90(图9中仅示出一个)处理器、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现上述任意各个基于人类活动信息的平面图设计方法实施例中的步骤。
所述终端设备9可以是笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的举例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，该处理器90还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (11)
1.一种基于人类活动信息的平面图设计方法，其特征在于，包括：
获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；
将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
2.如权利要求1所述的基于人类活动信息的平面图设计方法，其特征在于，获取所述人类活动信息的方法，包括：
获取用户输入的家具位置信息；
通过预设出入口设计规则确定出入口位置信息；
对所述家具位置信息和所述出入口位置信息进行计算，得到所述人类活动信息。
3.如权利要求2所述的基于人类活动信息的平面图设计方法，其特征在于，对所述家具位置信息和所述出入口位置信息进行计算，得到所述人类活动信息，包括：
根据所述家具位置信息，确定每个家具的中心点的位置；
根据所述出入口位置信息，确定每个出入口的中心点的位置；其中，所述出入口包括主要出入口及一个以上的次要出入口；
以每个家具的中心点的位置为起始点，以与所述家具对应的次要出入口的中心点为终点，根据预设算法进行路径规划，获得第一区域人类活动信息；其中，所述预设算法包括双向快速扩展随机树算法；
以每个次要出入口的中心点的位置为起始点，以所述主要出入口或者其他次要出入口的中心点的位置为终点，根据所述预设算法进行路径规划，获得第二区域人类活动信息；其中，所述其他次要出入口为除与起始点对应的次要出入口以外的任一个次要出入口；
对所述第一区域人类活动信息和所述第二区域人类活动信息进行融合处理，获得所述人类活动信息。
4.如权利要求1所述的基于人类活动信息的平面图设计方法，其特征在于，获取所述人类活动信息的方法，还包括：
将所述目标建筑的外边界信息输入到预训练的人类活动信息生成模型中处理，得到所述人类活动信息。
5.如权利要求4所述的基于人类活动信息的平面图设计方法，其特征在于，所述方法还包括：
获取第一平面设计图训练数据集，所述第一平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本；
根据所述第一平面设计图训练数据集中每个平面设计图样本，计算得到与所述每个边界信息样本对应的人类活动信息样本；
利用活动信息训练数据集对第一神经网络模型进行预训练，获得所述预训练的人类活动信息生成模型；其中，第一神经网络模型包括第一生成对抗神经网络模型，所述活动信息训练数据集包括所述多个边界信息样本，和基于与每个边界信息样本对应的平面设计图样本计算得到的人类活动信息样本。
6.如权利要求5所述的基于人类活动信息的平面图设计方法，其特征在于，根据所述第一平面设计图训练数据集中每个平面设计图样本，计算得到与所述每个边界信息样本对应的人类活动信息样本，包括：
根据预设家具设计规则，获得所述第一平面设计图训练数据集中每个平面设计图样本的家具位置信息；其中，所述平面设计图样本携带出入口位置信息；
对所述平面设计图样本的家具位置信息和出入口位置信息进行计算，获得与所述每个边界信息样本对应的人类活动信息样本。
7.如权利要求1至6任一项所述的基于人类活动信息的平面图设计方法，其特征在于，所述方法还包括：
获取第二平面设计图训练数据集，所述第二平面设计图训练数据集包括多个边界信息样本，和与每个边界信息样本对应的平面设计图样本和人类活动信息样本；
根据所述第二平面设计图训练数据集对第二神经网络模型进行预训练，获得所述预训练的平面设计图生成模型；其中，第二神经网络模型包括第二生成对抗神经网络模型。
8.如权利要求1所述的基于人类活动信息的平面图设计方法，其特征在于，所述方法还包括：
对所述平面设计图进行矢量化处理，得到目标矢量平面设计图。
9.如权利要求8所述的基于人类活动信息的平面图设计方法，其特征在于，对所述平面设计图进行矢量化处理，得到目标矢量平面设计图，包括：
对所述平面设计图进行二值化处理，获得二值化的栅格平面设计图；其中，所述平面设计图携带每个房间的类型信息；
获取所述二值化的栅格平面设计图的噪声内边界信息；
对所述噪声内边界信息进行图像优化处理，获得优化后的内边界信息；
基于所述每个房间的类型、所述优化后的内边界信息和所述外边界信息，并根据预设出入口设计规则确定出入口位置信息，获得所述目标矢量平面设计图。
10.一种基于人类活动信息的平面图设计装置，其特征在于，包括：
第一获取模块，用于获取目标建筑的外边界信息和人类活动信息，所述人类活动信息为人类在所述目标建筑内的活动概率图，用于描述居民和目标建筑之间的交互关系；
处理模块，用于将所述外边界信息和所述人类活动信息，输入到预训练的平面设计图生成模型中处理，得到所述目标建筑的内部空间的平面设计图。
11.一种终端设备，包括存储器、处理器以及存储在所述存储器中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如权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066302.0A CN112199748B (zh) | 2020-09-30 | 2020-09-30 | 基于人类活动信息的平面图设计方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066302.0A CN112199748B (zh) | 2020-09-30 | 2020-09-30 | 基于人类活动信息的平面图设计方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112199748A true CN112199748A (zh) | 2021-01-08 |
| CN112199748B CN112199748B (zh) | 2023-11-24 |
Family
ID=74012956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011066302.0A Active CN112199748B (zh) | 2020-09-30 | 2020-09-30 | 基于人类活动信息的平面图设计方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112199748B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052270A (zh) * | 2024-04-11 | 2024-05-17 | 中建五局第三建设(深圳)有限公司 | 模型训练方法、建筑设计图生成方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| CN108416700A (zh) * | 2018-02-05 | 2018-08-17 | 湖南城市学院 | 一种基于ar虚拟现实技术的室内装修设计系统 |
| CN109614670A (zh) * | 2018-11-24 | 2019-04-12 | 西北工业大学 | 一种严寒地区庭院布局优化设计方法 |
| CN110555258A (zh) * | 2019-08-29 | 2019-12-10 | 江苏艾佳家居用品有限公司 | 基于概率及规则库的自动布局方法 |
| CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
| CN111597616A (zh) * | 2020-05-18 | 2020-08-28 | 程若尘 | 一种数字化室内设计方法、装置、设备及可读存储介质 |
-
2020
- 2020-09-30 CN CN202011066302.0A patent/CN112199748B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
| CN108416700A (zh) * | 2018-02-05 | 2018-08-17 | 湖南城市学院 | 一种基于ar虚拟现实技术的室内装修设计系统 |
| CN109614670A (zh) * | 2018-11-24 | 2019-04-12 | 西北工业大学 | 一种严寒地区庭院布局优化设计方法 |
| CN110555258A (zh) * | 2019-08-29 | 2019-12-10 | 江苏艾佳家居用品有限公司 | 基于概率及规则库的自动布局方法 |
| CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
| CN111597616A (zh) * | 2020-05-18 | 2020-08-28 | 程若尘 | 一种数字化室内设计方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王坤峰;苟超;段艳杰;林懿伦;郑心湖;王飞跃;: "生成式对抗网络GAN的研究进展与展望", 自动化学报, no. 03, pages 321 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052270A (zh) * | 2024-04-11 | 2024-05-17 | 中建五局第三建设(深圳)有限公司 | 模型训练方法、建筑设计图生成方法、装置、设备及介质 |
| CN118052270B (zh) * | 2024-04-11 | 2024-06-25 | 中建五局第三建设(深圳)有限公司 | 模型训练方法、建筑设计图生成方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112199748B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110307838B (zh) | 机器人重定位方法、装置、计算机可读存储介质及机器人 | |
| CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
| CN113486436B (zh) | 基于树形结构的软装设计方法、装置、设备及存储介质 | |
| CN113705111B (zh) | 一种基于深度学习的装修家具自动布局方法及系统 | |
| CN111709062B (zh) | 用于获取物品摆放方案评分方法、装置以及设备、介质 | |
| US20210150084A1 (en) | Generating designs for multi-family housing projects using historical design trends | |
| WO2021175020A1 (zh) | 一种人脸图像关键点方法、装置、计算机设备及存储介质 | |
| CN111859503A (zh) | 图纸审查方法、电子设备与图形服务器 | |
| CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
| CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
| CN114092642B (zh) | 一种三维户型模型生成方法、装置及设备 | |
| CN113971307B (zh) | 一种关联关系生成方法、装置、存储介质及电子设备 | |
| CN112199748B (zh) | 基于人类活动信息的平面图设计方法、装置及终端设备 | |
| CN111783561A (zh) | 审图结果修正方法、电子设备及相关产品 | |
| CN113658195B (zh) | 图像分割方法、装置及电子设备 | |
| CN116798592B (zh) | 设施布设位置的确定方法、装置、设备及存储介质 | |
| CN113538452A (zh) | 家具布局及三维可视化方法、装置和设备 | |
| CN113343401A (zh) | 无线网络覆盖方法及装置、存储介质、电子设备 | |
| CN113808192B (zh) | 一种户型图生成方法、装置、设备及存储介质 | |
| CN113742804B (zh) | 家具布局图生成方法、装置、设备及存储介质 | |
| CN115481268A (zh) | 一种平行线墙体数据识别方法、装置、设备及存储介质 | |
| Collins et al. | Towards applicable Scan-to-BIM and Scan-to-Floorplan: an end-to-end experiment | |
| CN113313809A (zh) | 一种渲染方法和装置 | |
| US20220405340A1 (en) | Interactive Representation of Real-Estate Search Results | |
| CN115017571A (zh) | 针对空间结构的信息提供方法及电子设备 |
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 |