CN112991542A - 房屋三维重建方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了房屋三维重建方法、装置和电子设备。该方法的一具体实施方式包括：获取房屋的全景图像；利用全景图像，生成房屋的仰视图和俯视图；基于全景图像、仰视图和俯视图，利用霍夫变换确定房屋的房屋数据；利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。该实施方式可以得到更加准确的三维房间布局图。

Description

房屋三维重建方法、装置和电子设备

技术领域

本公开实施例涉及计算机技术领域，具体涉及房屋三维重建方法、装置和电子设备。

背景技术

目前，VR(Virtual Reality，虚拟现实)技术应用在越来越多的找房应用中。VR看房是通过VR虚拟现实技术与3D全景展示技术让用户在线全方位了解房屋的户型和细节。VR看房在房地产行业的普遍应用，使得客户可以足不出户看遍想看的房源，节省了客户的时间成本，让整个购房流程变得方便、快捷。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种房屋三维重建方法、装置和电子设备，从而得到更加准确的三维房间布局图。

第一方面，本公开实施例提供了一种房屋三维重建方法，该方法包括：获取房屋的全景图像，其中，全景图像的成像平面与房屋的地面垂直，全景图像的成像平面与房屋的至少一面墙壁平行；利用全景图像，生成房屋的仰视图和俯视图；基于全景图像、仰视图和俯视图，利用霍夫变换确定所述房屋的房屋数据；利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

第二方面，本公开实施例提供了一种房屋三维重建装置，包括：第一获取单元，用于获取房屋的全景图像，其中，全景图像的成像平面与房屋的地面垂直，全景图像的成像平面与房屋的至少一面墙壁平行；生成单元，用于利用全景图像，生成房屋的仰视图和俯视图；确定单元，用于基于全景图像、仰视图和俯视图，利用霍夫变换确定所述房屋的房屋数据；三维重建单元，用于利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的房屋三维重建方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的房屋三维重建方法的步骤。

本公开实施例提供的房屋三维重建方法、装置和电子设备，通过首先获取房屋的全景图像；之后，利用上述全景图像，生成上述房屋的仰视图和俯视图；而后，基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据；最后，利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图。通过这种方式可以利用霍夫变换更好地捕捉墙壁的线段信息在全局中的位置，从而得到更加准确的三维房间布局图。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的房屋三维重建方法的一个实施例的流程图；

图3是根据本公开的房屋三维重建方法的又一个实施例的流程图；

图4是根据本公开的房屋三维重建方法的一个应用场景的示意图；

图5是根据本公开的房屋三维重建方法中确定房屋的房屋数据的一个实施例的流程图；

图6是根据本公开的房屋三维重建方法中确定房屋的房屋数据的一个应用场景的示意图；

图7是根据本公开的房屋三维重建方法的再一个实施例的流程图；

图8是根据本公开的房屋三维重建装置的一个实施例的结构示意图；

图9是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1示出了可以应用本公开的房屋三维重建方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括摄像头101，网络1021、1022、1023，终端设备103和服务器104。网络1021用以在摄像头101和终端设备103之间提供通信链路的介质。网络1022用以在摄像头101和服务器104之间提供通信链路的介质。网络1023用以在终端设备103和服务器104之间提供通信链路的介质。网络1021、1022、1023可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

摄像头101又称为电脑相机、电脑眼、电子眼等，是一种视频输入设备，被广泛地应用于视频会议、实时监控等各个方面。在这里，摄像头101也可以为无人机的摄像头。

终端设备103可以通过网络1021与摄像头101交互，以发送或接收消息等，例如，终端设备103可以从摄像头101中获取房屋的全景图像。终端设备103可以通过网络1023与服务器104交互，以发送或接收消息等，例如，服务器104可以从终端设备103中获取房屋的全景图像，终端设备103可以从服务器104中获取预先训练的房屋数据预测模型。终端设备103上可以安装有各种通讯客户端应用，例如找房类应用、制图类应用、即时通讯软件等。

终端设备103可以从摄像头101中获取房屋的全景图像；之后，可以利用上述全景图像，生成上述房屋的仰视图和俯视图；而后，可以基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据；最后，可以利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图。

终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是具有摄像头并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器104可以是提供各种服务的服务器。例如，可以是对房屋的全景图像进行处理，生成三维房屋布局图的服务器。服务器104可以首先从摄像头101获取房屋的全景图像，或者从终端设备103获取房屋的全景图像；之后，可以利用上述全景图像，生成上述房屋的仰视图和俯视图；而后，可以基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据；最后，可以利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图。

需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的房屋三维重建方法可以由服务器104执行，则房屋三维重建装置可以设置于服务器104中。本公开实施例所提供的房屋三维重建方法也可以由终端设备103执行，则房屋三维重建装置可以设置于终端设备103中。

还需要说明的是，在本公开实施例所提供的房屋三维重建方法由服务器104执行的情况下，若服务器104可以从摄像头101中获取房屋的全景图像，此时示例性系统架构100可以不存在网络1021、1023和终端设备103。若服务器104可以从终端设备103中获取房屋的全景图像，此时示例性系统架构100可以不存在网络1021、1022和摄像头101。若服务器104的本地可以存储有房屋的全景图像，此时示例性系统架构100可以不存在网络1021、1022、1023，摄像头101和终端设备103。

还需要说明的是，在本公开实施例所提供的房屋三维重建方法由终端设备103执行的情况下，若终端设备103可以从摄像头101中获取房屋的全景图像，此时示例性系统架构100可以不存在网络1022、1023和服务器104。若终端设备103可以从服务器104中获取房屋的全景图像，此时示例性系统架构100可以不存在网络1021、1022和摄像头101。若终端设备103的本地可以存储有房屋的全景图像，此时示例性系统架构100可以不存在网络1021、1022、1023，摄像头101和服务器104。

应该理解，图1中的摄像头、网络、终端设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像头、网络、终端设备和服务器。

继续参考图2，示出了根据本公开的房屋三维重建方法的一个实施例的流程200。该房屋三维重建方法，包括以下步骤：

步骤201，获取房屋的全景图像。

在本实施例中，房屋三维重建方法的执行主体(例如图1所示的服务器或终端设备)可以获取房屋的全景图像。全景图像通过广角的表现手段以及绘画、相片、视频、三维模型等形式，尽可能多表现出周围的环境。可以通过专业相机捕捉整个场景的图像信息从而得到全景图像。

在这里，上述全景图像的成像平面通常与上述房屋的地面垂直，上述全景图像的成像平面通常与上述房屋的至少一面墙壁平行。

需要说明的是，通常对上述房屋空间做曼哈顿假设，即假设相邻墙壁之间是相互垂直的。房屋中墙壁的相关线段通常包括三种，分别与相机坐标系的X轴、Y轴和Z轴平行。

步骤202，利用全景图像，生成房屋的仰视图和俯视图。

在本实施例中，上述执行主体可以利用上述全景图像，生成上述房屋的仰视图和俯视图。仰视图可以是根据人在仰视状态下看到的图景绘制而成的图，或由下向上投射所得的视图。这里的仰视图通常指的是向天花板方向投影得到的视图。俯视图也可以称为顶视图，通常是由物体上方向下做正投影得到的视图。这里的俯视图通常指的是向地面方向投影得到的视图。

在这里，上述执行主体可以使用E2P(Equirectangular to Perspective，从全景图到透视图)这种投影方式将全景图像变换到天花板视角的图像(即仰视图)和地面视角的图像(即俯视图)。

步骤203，基于全景图像、仰视图和俯视图，利用霍夫变换确定房屋的房屋数据。

在本实施例中，上述执行主体可以基于在步骤201中获取的全景图像、在步骤202中生成的仰视图和俯视图，利用霍夫变换确定上述房屋的房屋数据。霍夫变换是一种特征检测，被广泛应用在图像分析、计算机视觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征，例如：线条。算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间中执行投票来决定物体的形状，而这是由累加空间里的局部最大值来决定。

在这里，上述房屋数据可以包括：房屋高度、相邻墙壁之间的交线所在位置和墙壁所在位置。

步骤204，利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

在本实施例中，上述执行主体可以利用上述房屋数据，对上述房屋进行三维重建(3D Reconstruction)，得到三维房屋布局图。三维重建通常指的是对三维物体建立适合计算机表示和处理的数学模型，是在计算机环境下对其进行处理、操作和分析其性质的基础，也是在计算机中建立表达客观世界的虚拟现实的关键技术。三维重建技术的重点在于如何获取目标场景或物体的深度信息。在景物深度信息已知的条件下，只需要经过点云数据的配准及融合，即可实现景物的三维重建。

本公开的上述实施例提供的方法通过利用霍夫变换更好地捕捉墙壁的线段信息在全局中的位置，从而得到更加准确的三维房间布局图。

在一些可选的实现方式中，上述执行主体可以获取上述房屋的初始全景图像。之后，可以确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及可以确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行。若上述初始全景图像的成像平面与上述房屋的地面不垂直或者上述初始全景图像的成像平面与上述房屋的至少一面墙壁不平行，则上述执行主体可以对上述初始全景图像进行调整，以使上述初始全景图像的成像平面与上述房屋的地面垂直且与上述房屋的至少一面墙壁平行。具体地，上述执行主体可以在上述全景图像中检测上述房屋的空间中的直线，通过投票的方式找到空间中的三个主方向即地面以及相互垂直的两个墙面，可以将上述全景图像的球面坐标进行弯曲，将成像平面调整到与地面垂直且将成像平面调整到与某墙面平行。最后，上述执行主体可以将调整后的初始全景图像确定为上述房屋的全景图像。

在一些可选的实现方式中，上述执行主体可以获取上述房屋的初始全景图像。之后，可以确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及可以确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行。若上述初始全景图像的成像平面与上述房屋的地面垂直且上述初始全景图像的成像平面与上述房屋的至少一面墙壁平行，则上述执行主体可以将上述初始全景图像确定为上述房屋的全景图像。

继续参考图3，示出了根据本公开的房屋三维重建方法的又一个实施例的流程300。该房屋三维重建方法，包括以下步骤：

步骤301，获取房屋的全景图像。

步骤302，利用全景图像，生成房屋的仰视图和俯视图。

在本实施例中，步骤301-302可以按照与步骤201-202类似的方式执行，在此不再赘述。

步骤303，将全景图像、仰视图和俯视图输入预先训练的房屋数据预测模型中，得到房屋的房屋数据。

在本实施例中，房屋三维重建方法的执行主体(例如图1所示的服务器或终端设备)可以将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据。上述房屋数据可以包括：房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。上述房屋数据预测模型可以为深度神经网络(DeepNeural Network，DNN)，上述房屋数据预测模型可以用于表征房屋的全景图像、仰视图和俯视图这三者与房屋的房屋数据之间的对应关系。

在这里，上述房屋数据预测模型可以是基于霍夫变换建立的且限制在曼哈顿假设下。霍夫变换是一种特征检测，被广泛应用在图像分析、计算机视觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征，例如：线条。算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间中执行投票来决定物体的形状，而这是由累加空间里的局部最大值来决定。在这里，上述房屋数据预测模型可以利用霍夫变换将输入的仰视图(或俯视图)中各条线对应到霍夫参数空间中的一点，这里的霍夫参数空间以极坐标系表示。极坐标系的Y轴表征仰视图(或俯视图)中某一条线与坐标原点的最小距离，可以以ρ表征。极坐标系的X轴表征仰视图(或俯视图)中某一条线与坐标原点的最短连线与Y轴正方向之间的夹角，可以表示为θ。将上述房屋数据预测模型限制在曼哈顿假设下，通常指的是仅对图像中的水平线段和竖直线段进行处理。

需要说明的是，原始的表征霍夫参数空间的极坐标系的坐标原点通常设置在图像的左上角。在这里，将表征霍夫参数空间的极坐标系的坐标原点设置在图像中心点。

在本实施例中，上述房屋数据预测模型可以是通过如下方式训练得到的：训练房屋数据预测模型的电子设备可以获取训练样本集合。上述训练样本集合中的训练样本可以包括样本全景图像和样本远景图像所指示的房屋的样本房屋数据。之后，可以将上述训练样本集合中的训练样本中的样本全景图像输入初始模型，得到该样本全景图像所指示的房屋的房屋数据，以该训练样本中的样本房屋数据作为初始模型的期望输出，利用机器学习方法训练上述初始模型。具体地，可以首先利用预设的损失函数计算所得到的房屋数据与该训练样本中的样本房屋数据之间的差异，例如，可以采用L2范数作为损失函数计算所得到的房屋信息与该训练样本中的样本房屋数据之间的差异。然后，可以基于计算所得的差异，调整初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于所生成的房屋信息与该训练样本中的样本房屋数据之间的差异调整初始模型的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始模型的网络参数。

最后，可以将训练得到的初始模型确定为上述房屋数据预测模型。

步骤304，利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

在本实施例中，步骤304可以按照与步骤204类似的方式执行，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的房屋三维重建方法的流程300体现了利用房屋数据预测模型确定房屋的房屋数据的步骤。由此，本实施例描述的方案可以将霍夫变换引入神经网络，更好地捕捉墙壁的线段信息在全局中的位置，可以有效对抗房间物体遮挡带来的不确定性，从而得到更加准确的三维房间布局图。

在一些可选的实现方式中，上述房屋数据预测模型可以是通过如下方式训练得到的：训练房屋数据预测模型的电子设备可以获取训练样本集合。上述训练样本集合中的训练样本可以包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息。房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线。例如，可以由人工标定样本全景图像中房屋的边界线。这里，用于表征样本全景图像中房屋的边界线的标注信息可以是各种形式的。

作为示例，标注信息可以是样本全景图像中每条线对应的灰度值，例如，用灰度值255表示是该条线是房屋的边界线所在的位置，用灰度值0表示该条线不是房屋的边界线所在的位置，即灰度值越大，该条线是房屋的边界线所在的位置的概率越大。

需要说明的是，训练房屋数据预测模型的电子设备可以是上述房屋三维重建方法的执行主体，也可以是除上述房屋三维重建方法的执行主体之外的其他电子设备。若训练房屋数据预测模型的电子设备不是上述房屋三维重建方法的执行主体，则上述执行主体可以从上述训练房屋数据预测模型的电子设备中获取训练完成的房屋数据预测模型。

之后，上述训练房屋数据预测模型的电子设备可以将上述训练样本集合中的训练样本中的样本全景图像输入初始模型，得到用于表征该样本全景图像中房屋的边界线的边界线信息，以该训练样本中的标注信息作为初始模型的期望输出，利用机器学习方法训练上述初始模型。具体地，可以首先利用预设的损失函数计算所得到的边界线信息与该训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的边界线信息与该训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于所生成的边界线信息与该训练样本中的标注信息之间的差异调整初始模型的网络参数。例如，可以采用BP算法或者SGD算法来调整初始模型的网络参数。

最后，可以将训练得到的初始模型确定为上述房屋数据预测模型。

通过在模型训练的过程中，利用全景图像中的边界线信息对模型的网络参数进行调整，从而可以提高训练得到的房屋数据预测模型预测出的房屋数据的准确性。

继续参见图4，图4是根据本实施例的房屋三维重建方法的应用场景的一个示意图。在图4的应用场景中，终端设备可以首先获取房屋的全景图像，如图标4011和4012所示。图标4011和4012所示的全景图像的成像平面通常与房屋的地面垂直且与房屋的至少一面墙壁平行。之后，终端设备可以利用全景图像4011，生成房屋的仰视图和俯视图，如图标4021所示。以及可以利用全景图像4012，生成房屋的仰视图和俯视图，如图标4022所示。而后，终端设备可以将全景图像4011、仰视图和俯视图4021输入预先训练的房屋数据预测模型403中，得到房屋的房屋数据，在这里，房屋数据可以表征成图标4041所示的霍夫参数空间。终端设备可以将全景图像4012、仰视图和俯视图4022输入预先训练的房屋数据预测模型403中，得到房屋的房屋数据，在这里，房屋数据可以表征成图标4042所示的霍夫参数空间。房屋数据预测模型403是基于霍夫变换建立的且限制在曼哈顿假设下。最后，终端设备可以利用房屋数据4041，对房屋进行三维重建，得到三维房屋布局图4051，以及可以利用房屋数据4042，对房屋进行三维重建，得到三维房屋布局图4052。在这里，霍夫参数空间4041中的一点可以表征成三维房屋布局图4051中的一条线段，霍夫参数空间4042中的一点可以表征成三维房屋布局图4052中的一条线段，如图4中的虚线所示。

进一步参考图5，其示出了房屋三维重建方法中确定房屋的房屋数据的一个实施例的流程500。该确定房屋数据的流程500，包括以下步骤：

步骤501，将全景图像、仰视图和俯视图输入特征提取层，得到全景图像的图像特征、仰视图的图像特征和俯视图的图像特征。

在本实施例中，房屋数据预测模型可以包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层。其中，上述墙壁位置预测层可以是基于霍夫变换建立的且限制在曼哈顿假设下。上述墙壁位置预测层可以利用霍夫变换将输入的仰视图(或俯视图)中各条线对应到霍夫参数空间中的一点。将上述墙壁位置预测层限制在曼哈顿假设下，通常指的是仅对图像中的水平线段和竖直线段进行处理。

在本实施例中，房屋三维重建方法的执行主体(例如图1所示的服务器或终端设备)可以将房屋的全景图像、房屋的仰视图和房屋的俯视图输入特征提取层，得到上述全景图像的图像特征、上述仰视图的图像特征和上述俯视图的图像特征。这里的图像特征可以是多维图像特征。上述特征提取层可以用于表征图像与图像特征之间的对应关系。

步骤502，将全景图像的图像特征输入墙壁交线预测层，得到全景图像中各条线为相邻墙壁之间的交线所在位置的概率。

在本实施例中，上述执行主体可以将上述特征提取层输出的全景图像的图像特征输入墙壁交线预测层，得到上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率。上述墙壁交线预测层可以用于表征图像的图像特征与图像中各条线为相邻墙壁之间的交线所在位置的概率之间的对应关系。

在这里，上述墙壁交线预测层的输出结果可以表征为长为上述全景图像的长度、宽为1的图像，图像的灰度值可以表征图像中各条线为相邻墙壁之间的交线所在位置的概率。作为示例，若一条线对应的灰度值越大，则可以表征该条线为相邻墙壁之间的交线所在位置的概率越大；若一条线对应的灰度值越小，则可以表征该条线为相邻墙壁之间的交线所在位置的概率越小。

步骤503，将全景图像的图像特征输入房屋高度预测层，得到房屋的房屋高度。

在本实施例中，上述执行主体可以将上述全景图像的图像特征输入房屋高度预测层，得到上述房屋的房屋高度。上述房屋高度预测层可以用于表征图像与图像所指示的房屋的房屋高度之间的对应关系。

步骤504，将仰视图的图像特征和俯视图的图像特征输入墙壁位置预测层，得到仰视图中各条线为墙壁所在位置的概率和俯视图中各条线为墙壁所在位置的概率。

在本实施例中，上述执行主体可以将上述仰视图的图像特征和上述俯视图的图像特征输入墙壁位置预测层，得到上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。上述墙壁位置预测层可以用于表征图像的图像特征与图像中各条线为墙壁所在位置的概率之间的对应关系。

在这里，上述墙壁位置预测层的输出结果可以表征为长为仰视图(或俯视图)的长度的一半、宽为仰视图(或俯视图)的宽度的霍夫参数空间。这里的霍夫参数空间以极坐标系表示。极坐标系的Y轴表征仰视图(或俯视图)中某一条线与坐标原点的最小距离，可以以ρ表征。极坐标系的X轴表征仰视图(或俯视图)中某一条线与坐标原点的最短连线与Y轴正方向之间的夹角，可以表示为θ。霍夫参数空间中的某一点的灰度值可以表征该点所指示的线段为墙壁所在位置的概率。作为示例，若一点对应的灰度值越大，则可以表征该点所指示的线段为墙壁所在位置的概率越大；若一点对应的灰度值越小，则可以表征该点所指示的线段为墙壁所在位置的概率越小。

本公开的上述实施例提供的方法提供了一种包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层的房屋数据预测模型，从而提供了一种房屋数据的确定方式。

继续参见图6，图6是根据本实施例的房屋三维重建方法中确定房屋的房屋数据的一个应用场景的示意图。在图6的应用场景中，终端设备可以将房屋的全景图像601、房屋的仰视图602和房屋的俯视图603输入特征提取层604中，得到全景图像601的图像特征、仰视图602的图像特征和俯视图603的图像特征。在这里，特征提取层604包括多个卷积层，每个卷积层输出的图像特征的维度不相同。之后，终端设备可以将全景图像601的图像特征输入墙壁交线预测层605中，得到全景图像601中各条线为相邻墙壁之间的交线所在位置的概率。如图标606所示，图标606示出的图像的长为上述全景图像的长度、宽为1，图像的灰度值可以表征图像中各条线为相邻墙壁之间的交线所在位置的概率。而后，终端设备可以将全景图像601的图像特征输入房屋高度预测层607中，得到房屋的房屋高度608。最后，终端设备可以将仰视图602的图像特征和俯视图603的图像特征输入墙壁位置预测层609中，得到仰视图602中各条线为墙壁所在位置的概率和俯视图603中各条线为墙壁所在位置的概率。如图标610所示，图标610示出的霍夫参数空间的长为仰视图602(或俯视图603)的长度的一半、宽为仰视图602(或俯视图603)的宽度。霍夫参数空间610中的某一点的灰度值可以表征该点所指示的线段为墙壁所在位置的概率。

进一步参考图7，其示出了房屋三维重建方法的再一个实施例的流程700。该房屋三维重建方法的流程700，包括以下步骤：

步骤701，获取房屋的全景图像。

步骤702，利用全景图像，生成房屋的仰视图和俯视图。

步骤703，基于全景图像、仰视图和俯视图，利用霍夫变换确定房屋的房屋数据。

在本实施例中，步骤701-703可以按照与步骤201-203类似的方式执行，在此不再赘述。

步骤704，利用房屋高度、全景图像中各条线为相邻墙壁之间的交线所在位置的概率、仰视图中各条线为墙壁所在位置的概率和俯视图中各条线为墙壁所在位置的概率，确定在全景图像、仰视图和俯视图中墙角的初始估计位置。

在本实施例中，房屋三维重建方法的执行主体(例如图1所示的服务器或终端设备)可以利用上述房屋的房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率，确定在上述全景图像、上述仰视图和上述俯视图中墙角的初始估计位置。上述墙角可以为相邻墙壁之间的交线与天花板之间的交点，或者为相邻墙壁之间的交线与地面之间的交点。

具体地，上述执行主体可以将上述全景图像中表征相邻墙壁之间的交线所在位置的概率最大的点确定为上述全景图像中墙角的初始估计位置。上述执行主体可以在上述仰视图对应的霍夫参数空间中确定表征墙壁所在位置的概率最大的点，之后可以在上述仰视图中确定概率最大的点对应的线段作为房屋的墙壁位置，而后可以将相邻墙壁之间的交点确定为上述仰视图中墙角的初始估计位置。上述执行主体可以在上述俯视图对应的霍夫参数空间中确定表征墙壁所在位置的概率最大的点，之后可以在上述俯视图中确定概率最大的点对应的线段作为房屋的墙壁位置，而后可以将相邻墙壁之间的交点确定为上述俯视图中墙角的初始估计位置。

步骤705，利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大。

在本实施例中，上述执行主体可以利用最优化算法，对上述墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大。具体地，上述执行主体可以通过对上述墙角的初始估计位置进行调整，使得在上述全景图像中表征调整后的墙角所在位置的概率、在述仰视图中表征调整后的墙角所在位置的概率和在述俯视图中表征调整后的墙角所在位置的概率这三者之和(总概率)达到最大。

作为示例，上述执行主体可以利用梯度下降算法，对上述墙角的初始估计位置进行调整，使得上述墙角所在位置的总概率最大。上述执行主体也可以利用L-BFGS拟牛顿法算法，对上述墙角的初始估计位置进行调整，使得上述墙角所在位置的总概率最大。

需要说明的是，使用梯度下降算法或者使用L-BFGS拟牛顿法算法求取最优解是本领域常用的技术手段，在此不再赘述。

步骤706，利用调整后的墙角所在位置，对房屋进行三维重建，得到三维房屋布局图。

在本实施例中，上述执行主体可以利用调整后的墙角所在位置，对上述房屋进行三维重建，得到三维房屋布局图。在景物深度信息已知的条件下，只需要经过点云数据的配准及融合，即可实现景物的三维重建。

从图7中可以看出，与图2对应的实施例相比，本实施例中的房屋三维重建方法的流程700体现了利用最优化算法确定房屋的墙角所在位置的步骤。由此，本实施例描述的方案可以更加准确地确定出房屋的墙角所在位置，从而进一步提高了确定出的三维房间布局图的准确性。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种房屋三维重建装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例的房屋三维重建装置800包括：第一获取单元801、生成单元802、确定单元803和三维重建单元804。其中，第一获取单元801用于获取房屋的全景图像，其中，全景图像的成像平面与房屋的地面垂直，全景图像的成像平面与房屋的至少一面墙壁平行；生成单元802用于利用全景图像，生成房屋的仰视图和俯视图；确定单元803用于基于全景图像、仰视图和俯视图，利用霍夫变换确定房屋的房屋数据；三维重建单元804用于利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

在本实施例中，房屋三维重建装置800的第一获取单元801、生成单元802、确定单元803和三维重建单元804的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在一些可选的实现方式中，上述确定单元803可以进一步用于通过如下方式基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据：上述确定单元803可以将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据，其中，上述房屋数据预测模型是基于霍夫变换建立的且限制在曼哈顿假设下，上述房屋数据包括：房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

在一些可选的实现方式中，上述房屋数据预测模型可以包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层，其中，上述墙壁位置预测层可以是基于霍夫变换建立的且限制在曼哈顿假设下；以及上述确定单元803可以进一步用于通过如下方式将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据：上述确定单元803可以将上述全景图像、上述仰视图和上述俯视图输入上述特征提取层，得到上述全景图像的图像特征、上述仰视图的图像特征和上述俯视图的图像特征；之后，可以将上述全景图像的图像特征输入上述墙壁交线预测层，得到上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率；而后，可以将上述全景图像的图像特征输入上述房屋高度预测层，得到上述房屋的房屋高度；最后，可以将上述仰视图的图像特征和上述俯视图的图像特征输入上述墙壁位置预测层，得到上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

在一些可选的实现方式中，上述三维重建单元804可以进一步用于通过如下方式利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图：上述三维重建单元804可以利用上述房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率，确定在上述全景图像、上述仰视图和上述俯视图中墙角的初始估计位置，其中，上述墙角为相邻墙壁之间的交线与天花板或地面之间的交点；之后，利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大；最后，可以利用调整后的墙角所在位置，对上述房屋进行三维重建，得到三维房屋布局图。

在一些可选的实现方式中，上述房屋三维重建装置800可以包括：第二获取单元(图中未示出)、第一确定单元(图中未示出)、调整单元(图中未示出)和第二确定单元(图中未示出)。上述第二获取单元可以用于获取房屋的初始全景图像；上述第一确定单元可以用于确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；上述调整单元可以用于若上述初始全景图像的成像平面与上述房屋的地面不垂直或者上述初始全景图像的成像平面与上述房屋的至少一面墙壁不平行，则对上述初始全景图像进行调整，以使上述初始全景图像的成像平面与上述房屋的地面垂直且与上述房屋的至少一面墙壁平行；上述第二确定单元可以用于将调整后的初始全景图像确定为上述房屋的全景图像。

在一些可选的实现方式中，上述房屋三维重建装置800可以包括：第二获取单元(图中未示出)、第一确定单元(图中未示出)和第三确定单元(图中未示出)。上述第二获取单元可以用于获取房屋的初始全景图像；上述第一确定单元可以用于确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；上述第三确定单元可以用于若上述初始全景图像的成像平面与上述房屋的地面垂直且上述初始全景图像的成像平面与上述房屋的至少一面墙壁平行，则将上述初始全景图像确定为上述房屋的全景图像。

在一些可选的实现方式中，上述房屋数据预测模型可以是通过如下方式训练得到的：首先，可以获取训练样本集合，其中，训练样本包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息，房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线；之后，可以将上述训练样本集合中的训练样本中的样本全景图像和标注信息分别作为初始模型的输入和期望输出，利用机器学习方法训练上述初始模型；最后，可以将训练得到的初始模型确定为上述房屋数据预测模型。

下面参考图9，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)900的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取房屋的全景图像，其中，全景图像的成像平面与房屋的地面垂直，全景图像的成像平面与房屋的至少一面墙壁平行；利用全景图像，生成房屋的仰视图和俯视图；基于全景图像、仰视图和俯视图，利用霍夫变换确定房屋的房屋数据；利用房屋数据，对房屋进行三维重建，得到三维房屋布局图。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，提供了一种房屋三维重建方法，该方法包括：获取房屋的全景图像，其中，上述全景图像的成像平面与上述房屋的地面垂直，上述全景图像的成像平面与上述房屋的至少一面墙壁平行；利用上述全景图像，生成上述房屋的仰视图和俯视图；基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据；利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图。

根据本公开的一个或多个实施例，上述基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据，包括：将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据，其中，上述房屋数据预测模型是基于霍夫变换建立的且限制在曼哈顿假设下，上述房屋数据包括：房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

根据本公开的一个或多个实施例，上述房屋数据预测模型包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层，其中，上述墙壁位置预测层是基于霍夫变换建立的且限制在曼哈顿假设下；以及将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据，包括：将上述全景图像、上述仰视图和上述俯视图输入上述特征提取层，得到上述全景图像的图像特征、上述仰视图的图像特征和上述俯视图的图像特征；将上述全景图像的图像特征输入上述墙壁交线预测层，得到上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率；将上述全景图像的图像特征输入上述房屋高度预测层，得到上述房屋的房屋高度；将上述仰视图的图像特征和上述俯视图的图像特征输入上述墙壁位置预测层，得到上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

根据本公开的一个或多个实施例，利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图，包括：利用上述房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率，确定在上述全景图、上述仰视图和上述俯视图中墙角的初始估计位置，其中，上述墙角为相邻墙壁之间的交线与天花板或地面之间的交点；利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大；利用调整后的墙角所在位置，对上述房屋进行三维重建，得到三维房屋布局图。

根据本公开的一个或多个实施例，该方法包括：获取房屋的初始全景图像；确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；若上述初始全景图像的成像平面与上述房屋的地面不垂直或者上述初始全景图像的成像平面与上述房屋的至少一面墙壁不平行，则对上述初始全景图像进行调整，以使上述初始全景图像的成像平面与上述房屋的地面垂直且与上述房屋的至少一面墙壁平行；将调整后的初始全景图像确定为上述房屋的全景图像。

根据本公开的一个或多个实施例，该方法包括：获取房屋的初始全景图像；确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；若上述初始全景图像的成像平面与上述房屋的地面垂直且上述初始全景图像的成像平面与上述房屋的至少一面墙壁平行，则将上述初始全景图像确定为上述房屋的全景图像。

根据本公开的一个或多个实施例，上述房屋数据预测模型是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息，房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线；将上述训练样本集合中的训练样本中的样本全景图像和标注信息分别作为初始模型的输入和期望输出，利用机器学习方法训练上述初始模型；将训练得到的初始模型确定为上述房屋数据预测模型。

根据本公开的一个或多个实施例，提供了一种房屋三维重建装置，该装置包括：第一获取单元，用于获取房屋的全景图像，其中，上述全景图像的成像平面与上述房屋的地面垂直，上述全景图像的成像平面与上述房屋的至少一面墙壁平行；生成单元，用于利用上述全景图像，生成上述房屋的仰视图和俯视图；确定单元，用于基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据；三维重建单元，用于利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图。

根据本公开的一个或多个实施例，上述确定单元进一步用于通过如下方式基于上述全景图像、上述仰视图和上述俯视图，利用霍夫变换确定上述房屋的房屋数据：将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据，其中，上述房屋数据预测模型是基于霍夫变换建立的且限制在曼哈顿假设下，上述房屋数据包括：房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

根据本公开的一个或多个实施例，上述房屋数据预测模型包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层，其中，上述墙壁位置预测层是基于霍夫变换建立的且限制在曼哈顿假设下；以及上述输出单元进一步用于通过如下方式将上述全景图像、上述仰视图和上述俯视图输入预先训练的房屋数据预测模型中，得到上述房屋的房屋数据：将上述全景图像、上述仰视图和上述俯视图输入上述特征提取层，得到上述全景图像的图像特征、上述仰视图的图像特征和上述俯视图的图像特征；将上述全景图像的图像特征输入上述墙壁交线预测层，得到上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率；将上述全景图像的图像特征输入上述房屋高度预测层，得到上述房屋的房屋高度；将上述仰视图的图像特征和上述俯视图的图像特征输入上述墙壁位置预测层，得到上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率。

根据本公开的一个或多个实施例，上述三维重建单元进一步用于通过如下方式利用上述房屋数据，对上述房屋进行三维重建，得到三维房屋布局图：利用上述房屋高度、上述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、上述仰视图中各条线为墙壁所在位置的概率和上述俯视图中各条线为墙壁所在位置的概率，确定在上述全景图像、上述仰视图和上述俯视图中墙角的初始估计位置，其中，上述墙角为相邻墙壁之间的交线与天花板或地面之间的交点；利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大；利用调整后的墙角所在位置，对上述房屋进行三维重建，得到三维房屋布局图。

根据本公开的一个或多个实施例，上述装置包括：第二获取单元，用于获取房屋的初始全景图像；第一确定单元，用于确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；调整单元，用于若上述初始全景图像的成像平面与上述房屋的地面不垂直或者上述初始全景图像的成像平面与上述房屋的至少一面墙壁不平行，则对上述初始全景图像进行调整，以使上述初始全景图像的成像平面与上述房屋的地面垂直且与上述房屋的至少一面墙壁平行；第二确定单元，用于将调整后的初始全景图像确定为上述房屋的全景图像。

根据本公开的一个或多个实施例，上述装置包括：第二获取单元，用于获取房屋的初始全景图像；第一确定单元，用于确定上述初始全景图像的成像平面与上述房屋的地面是否垂直，以及确定上述初始全景图像的成像平面与上述房屋的至少一面墙壁是否平行；第三确定单元，用于若上述初始全景图像的成像平面与上述房屋的地面垂直且上述初始全景图像的成像平面与上述房屋的至少一面墙壁平行，则将上述初始全景图像确定为上述房屋的全景图像。

根据本公开的一个或多个实施例，上述房屋数据预测模型是通过如下方式训练得到的：获取训练样本集合，其中，训练样本包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息，房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线；将上述训练样本集合中的训练样本中的样本全景图像和标注信息分别作为初始模型的输入和期望输出，利用机器学习方法训练上述初始模型；将训练得到的初始模型确定为上述房屋数据预测模型。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如上述房屋三维重建方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述房屋三维重建方法的步骤。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、生成单元、确定单元和三维重建单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“利用全景图像，生成房屋的仰视图和俯视图的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种房屋三维重建方法，其特征在于，包括：

获取房屋的全景图像，其中，所述全景图像的成像平面与所述房屋的地面垂直，所述全景图像的成像平面与所述房屋的至少一面墙壁平行；

利用所述全景图像，生成所述房屋的仰视图和俯视图；

基于所述全景图像、所述仰视图和所述俯视图，利用霍夫变换确定所述房屋的房屋数据；

利用所述房屋数据，对所述房屋进行三维重建，得到三维房屋布局图。

2.根据权利要求1所述的方法，其特征在于，所述基于所述全景图像、所述仰视图和所述俯视图，利用霍夫变换确定所述房屋的房屋数据，包括：

将所述全景图像、所述仰视图和所述俯视图输入预先训练的房屋数据预测模型中，得到所述房屋的房屋数据，其中，所述房屋数据预测模型是基于霍夫变换建立的且限制在曼哈顿假设下，所述房屋数据包括：房屋高度、所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率。

3.根据权利要求2所述的方法，其特征在于，所述房屋数据预测模型包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层，其中，所述墙壁位置预测层是基于霍夫变换建立的且限制在曼哈顿假设下；以及

所述将所述全景图像、所述仰视图和所述俯视图输入预先训练的房屋数据预测模型中，得到所述房屋的房屋数据，包括：

将所述全景图像、所述仰视图和所述俯视图输入所述特征提取层，得到所述全景图像的图像特征、所述仰视图的图像特征和所述俯视图的图像特征；

将所述全景图像的图像特征输入所述墙壁交线预测层，得到所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率；

将所述全景图像的图像特征输入所述房屋高度预测层，得到所述房屋的房屋高度；

将所述仰视图的图像特征和所述俯视图的图像特征输入所述墙壁位置预测层，得到所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率。

4.根据权利要求1所述的方法，其特征在于，所述利用所述房屋数据，对所述房屋进行三维重建，得到三维房屋布局图，包括：

利用所述房屋高度、所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率，确定在所述全景图像、所述仰视图和所述俯视图中墙角的初始估计位置，其中，所述墙角为相邻墙壁之间的交线与天花板或地面之间的交点；

利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大；

利用调整后的墙角所在位置，对所述房屋进行三维重建，得到三维房屋布局图。

5.根据权利要求1-4之一所述的方法，其特征在于，在所述获取房屋的全景图像之前，所述方法包括：

获取房屋的初始全景图像；

确定所述初始全景图像的成像平面与所述房屋的地面是否垂直，以及确定所述初始全景图像的成像平面与所述房屋的至少一面墙壁是否平行；

若所述初始全景图像的成像平面与所述房屋的地面不垂直或者所述初始全景图像的成像平面与所述房屋的至少一面墙壁不平行，则对所述初始全景图像进行调整，以使所述初始全景图像的成像平面与所述房屋的地面垂直且与所述房屋的至少一面墙壁平行；

将调整后的初始全景图像确定为所述房屋的全景图像。

6.根据权利要求1-4之一所述的方法，其特征在于，在所述获取房屋的全景图像之前，所述方法包括：

获取房屋的初始全景图像；

确定所述初始全景图像的成像平面与所述房屋的地面是否垂直，以及确定所述初始全景图像的成像平面与所述房屋的至少一面墙壁是否平行；

若所述初始全景图像的成像平面与所述房屋的地面垂直且所述初始全景图像的成像平面与所述房屋的至少一面墙壁平行，则将所述初始全景图像确定为所述房屋的全景图像。

7.根据权利要求2或3所述的方法，其特征在于，所述房屋数据预测模型是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息，房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线；

将所述训练样本集合中的训练样本中的样本全景图像和标注信息分别作为初始模型的输入和期望输出，利用机器学习方法训练所述初始模型；

将训练得到的初始模型确定为所述房屋数据预测模型。

8.一种房屋三维重建装置，其特征在于，包括：

第一获取单元，用于获取房屋的全景图像，其中，所述全景图像的成像平面与所述房屋的地面垂直，所述全景图像的成像平面与所述房屋的至少一面墙壁平行；

生成单元，用于利用所述全景图像，生成所述房屋的仰视图和俯视图；

确定单元，用于基于所述全景图像、所述仰视图和所述俯视图，利用霍夫变换确定所述房屋的房屋数据；

三维重建单元，用于利用所述房屋数据，对所述房屋进行三维重建，得到三维房屋布局图。

9.根据权利要求8所述的装置，其特征在于，所述确定单元进一步用于通过如下方式基于所述全景图像、所述仰视图和所述俯视图，利用霍夫变换确定所述房屋的房屋数据：

将所述全景图像、所述仰视图和所述俯视图输入预先训练的房屋数据预测模型中，得到所述房屋的房屋数据，其中，所述房屋数据预测模型是基于霍夫变换建立的且限制在曼哈顿假设下，所述房屋数据包括：房屋高度、所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率。

10.根据权利要求8所述的装置，其特征在于，所述房屋数据预测模型包括特征提取层、墙壁交线预测层、房屋高度预测层和墙壁位置预测层，其中，所述墙壁位置预测层是基于霍夫变换建立的且限制在曼哈顿假设下；以及

所述确定单元进一步用于通过如下方式将所述全景图像、所述仰视图和所述俯视图输入预先训练的房屋数据预测模型中，得到所述房屋的房屋数据：

将所述全景图像、所述仰视图和所述俯视图输入所述特征提取层，得到所述全景图像的图像特征、所述仰视图的图像特征和所述俯视图的图像特征；

将所述全景图像的图像特征输入所述墙壁交线预测层，得到所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率；

将所述全景图像的图像特征输入所述房屋高度预测层，得到所述房屋的房屋高度；

将所述仰视图的图像特征和所述俯视图的图像特征输入所述墙壁位置预测层，得到所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率。

11.根据权利要求8所述的装置，其特征在于，所述三维重建单元进一步用于通过如下方式利用所述房屋数据，对所述房屋进行三维重建，得到三维房屋布局图：

利用所述房屋高度、所述全景图像中各条线为相邻墙壁之间的交线所在位置的概率、所述仰视图中各条线为墙壁所在位置的概率和所述俯视图中各条线为墙壁所在位置的概率，确定在所述全景图像、所述仰视图和所述俯视图中墙角的初始估计位置，其中，所述墙角为相邻墙壁之间的交线与天花板或地面之间的交点；

利用最优化算法，对墙角的初始估计位置进行调整，使得墙角所在位置的总概率最大；

利用调整后的墙角所在位置，对所述房屋进行三维重建，得到三维房屋布局图。

12.根据权利要求8-11之一所述的装置，其特征在于，所述装置包括：

第二获取单元，用于获取房屋的初始全景图像；

第一确定单元，用于确定所述初始全景图像的成像平面与所述房屋的地面是否垂直，以及确定所述初始全景图像的成像平面与所述房屋的至少一面墙壁是否平行；

调整单元，用于若所述初始全景图像的成像平面与所述房屋的地面不垂直或者所述初始全景图像的成像平面与所述房屋的至少一面墙壁不平行，则对所述初始全景图像进行调整，以使所述初始全景图像的成像平面与所述房屋的地面垂直且与所述房屋的至少一面墙壁平行；

第二确定单元，用于将调整后的初始全景图像确定为所述房屋的全景图像。

13.根据权利要求8-11之一所述的装置，其特征在于，所述装置包括：

第二获取单元，用于获取房屋的初始全景图像；

第一确定单元，用于确定所述初始全景图像的成像平面与所述房屋的地面是否垂直，以及确定所述初始全景图像的成像平面与所述房屋的至少一面墙壁是否平行；

第三确定单元，用于若所述初始全景图像的成像平面与所述房屋的地面垂直且所述初始全景图像的成像平面与所述房屋的至少一面墙壁平行，则将所述初始全景图像确定为所述房屋的全景图像。

14.根据权利要求9或10所述的装置，其特征在于，所述房屋数据预测模型是通过如下方式训练得到的：

获取训练样本集合，其中，训练样本包括样本全景图像和用于表征样本全景图像中房屋的边界线的标注信息，房屋的边界线包括墙壁与天花板的交线、墙壁与地面的交线和相邻墙壁之间的交线；

将所述训练样本集合中的训练样本中的样本全景图像和标注信息分别作为初始模型的输入和期望输出，利用机器学习方法训练所述初始模型；

将训练得到的初始模型确定为所述房屋数据预测模型。

15.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images