CN115620201B - 房屋模型构建方法、装置、设备及存储介质 - Google Patents

房屋模型构建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115620201B
CN115620201B CN202211313774.0A CN202211313774A CN115620201B CN 115620201 B CN115620201 B CN 115620201B CN 202211313774 A CN202211313774 A CN 202211313774A CN 115620201 B CN115620201 B CN 115620201B
Authority
CN
China
Prior art keywords
image
space
panoramic
panoramic video
entity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211313774.0A
Other languages
English (en)
Other versions
CN115620201A (zh
Inventor
请求不公布姓名
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.)
Beijing Chengshi Wanglin Information Technology Co Ltd
Original Assignee
Beijing Chengshi Wanglin Information 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 Beijing Chengshi Wanglin Information Technology Co Ltd filed Critical Beijing Chengshi Wanglin Information Technology Co Ltd
Priority to CN202211313774.0A priority Critical patent/CN115620201B/zh
Publication of CN115620201A publication Critical patent/CN115620201A/zh
Application granted granted Critical
Publication of CN115620201B publication Critical patent/CN115620201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本申请提供一种房屋模型构建方法、装置、设备及存储介质。在本申请中，可根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；根据全景视频帧集合的语义特征和静态全景图的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；并根据第一图像集、第二图像集及每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。由于全景视频存在空间连接介质连接的两个实体空间的全景视频帧集合，全景视频帧集合可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高构建的房屋模型的准确度。

Description

房屋模型构建方法、装置、设备及存储介质
技术领域
本申请涉及互联网技术领域，尤其涉及一种房屋模型构建方法、装置、设备及存储介质。
背景技术
VR(Virtual Reality，虚拟现实)技术给用户带来了良好的视觉体验。现如今，VR技术在房产领域中应用广泛，在租房或者买房的场景中，用户可以通过VR技术浏览目标空间。例如，对于目标房屋而言，摄影师会先用全景相机，对目标房屋进行拍摄，得到完整的目标房屋的全景数据。后期通过自动建模等三维重建技术获取目标房屋的三维模型，将全景数据映射到目标空间的三维模型上可以获得目标房屋的实景空间。因此，准确确定目标房屋中实体空间与实体空间之间的连接关系，是重建目标房屋的三维模型的关键一环。
在一些现有技术中，经常采用静态图对目标房屋的实体空间进行连接关系的判断，但是受静态图的相机采集点位视角影响，无法采集到另一空间的图像，导致无法直观获取到不同实体空间之间的位置连接信息，影响后续构建目标房屋的房屋模型的准确度。
发明内容
本申请的多个方面提供一种房屋模型构建方法、装置、设备及存储介质，用以提高构建出的房屋模型的准确度。
本申请实施例提供一种房屋模型构建方法，包括：
获取目标房源的全景视频和所述目标房源的静态全景图组；所述静态全景图组中每帧静态全景图标注有实体空间功能标签；
对所述全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定所述全景视频和所述静态全景图组分别包含的空间连接介质和空间边界的图像空间信息；
根据所述全景视频包含的空间连接介质的图像空间信息，从所述全景视频中，获取全景视频帧集合；所述全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间；
针对所述全景视频帧集合和所述静态全景图组中的每帧图像，根据所述每帧图像中空间连接介质的图像空间信息和所述每帧图像中空间边界的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到所述全景视频帧集合对应的第一局部图和第二局部图以及所述静态全景图组分别对应的第一局部图和第二局部图；所述每帧图像对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间；
根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图组对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；
根据所述全景视频帧集合对应的第一局部图的语义特征、所述全景视频帧集合对应的第二局部图的语义特征、所述静态全景图组对应的第一局部图的语义特征以及所述静态全景图组对应的第二局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集；每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且所述至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，所述至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间；
根据所述多个第一图像集、所述第二图像集、所述多个第一图像集中空间连接介质的图像空间信息、所述多个第一图像集中空间边界的图像空间信息、所述第二图像集中空间连接介质的图像空间信息、所述第二图像集中空间边界的图像空间信息，及，所述静态全景图组中每帧静态全景图的实体空间功能标签，构建所述目标房源的房屋模型。
本申请实施例还提供一种房屋模型构建装置，包括：
获取模块，用于获取目标房源的全景视频和所述目标房源的静态全景图组；所述静态全景图组中每帧静态全景图标注有实体空间功能标签；
检测模块，用于对所述全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定所述全景视频和所述静态全景图组分别包含的空间连接介质和空间边界的图像空间信息；
所述获取模块，还用于根据所述全景视频包含的空间连接介质的图像空间信息，从所述全景视频中，获取全景视频帧集合；所述全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间；
提取模块，用于针对所述全景视频帧集合和所述静态全景图组中的每帧图像，根据所述每帧图像中空间连接介质的图像空间信息和所述每帧图像中空间边界的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到所述全景视频帧集合对应的第一局部图和第二局部图以及所述静态全景图组分别对应的第一局部图和第二局部图；所述每帧图像对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间；
确定模块，用于根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图组对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；以及，根据所述全景视频帧集合对应的第一局部图的语义特征、所述全景视频帧集合对应的第二局部图的语义特征、所述静态全景图组对应的第一局部图的语义特征以及所述静态全景图组对应的第二局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集；每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且所述至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，所述至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间；
构建模块，用于根据所述多个第一图像集、所述第二图像集、所述多个第一图像集中空间连接介质的图像空间信息、所述多个第一图像集中空间边界的图像空间信息、所述第二图像集中空间连接介质的图像空间信息、所述第二图像集中空间边界的图像空间信息，及，所述静态全景图组中每帧静态全景图的实体空间功能标签，构建所述目标房源的房屋模型。
本申请实施例还提供一种电子设备，包括：存储器和处理器；其中，所述存储器，用于存储计算机程序；
所述处理器耦合至所述存储器，用于执行所述计算机程序以用于执行上述房屋模型构建方法中的步骤。
本申请实施例还提供一种存储有计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行上述房屋模型构建方法中的步骤。
在本申请实施例中，可根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；之后，根据全景视频帧集合的语义特征和静态全景图组的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；之后，根据第一图像集、第二图像集及静态全景图组中每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。由于全景视频存在空间连接介质连接的两个实体空间的全景视频帧集合，全景视频帧集合中的每帧全景视频帧可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高构建的房屋模型的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1和图2为本申请实施例提供的房屋模型构建方法的流程示意图；
图3为本申请实施例提供的目标房源的全景视频帧示意图；
图4为本申请实施例提供的房屋模型构建装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
针对现有房屋模型构建准确度较低的技术问题，本申请实施例提供一种解决方案，基本思路是：根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；之后，根据全景视频帧集合的语义特征和静态全景图的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；之后，根据第一图像集、第二图像集及每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。由于全景视频存在空间连接介质连接的两个实体空间的全景视频帧集合，全景视频帧集合中的每帧全景视频帧可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高构建的房屋模型的准确度。
以下结合附图，详细说明本申请各实施例提供的技术方案。
应注意到：相同的标号在下面的附图以及实施例中表示同一物体，因此，一旦某一物体在一个附图或实施例中被定义，则在随后的附图和实施例中不需要对其进行进一步讨论。
图1和图2为本申请实施例提供的房屋模型构建方法的流程示意图。如图1和图2所示，该房屋模型构建方法包括：
101、获取目标房源的全景视频和目标房源的静态全景图组。静态全景图组中每帧静态全景图标注有具有实体空间功能标签。
102、对全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定全景视频中每帧全景视频帧和静态全景图组分别包含的空间连接介质和空间边界的图像空间信息。
103、根据全景视频帧包含的空间连接介质的图像空间信息，从全景视频中，获取全景视频帧集合；全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间。
104、针对全景视频帧集合和静态全景图组中的每帧图像M，根据每帧图像M中空间连接介质的图像空间信息和每帧图像M中空间边界的图像空间信息，从每帧图像M中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到全景视频帧集合对应的第一局部图和第二局部图以及静态全景图组分别对应的第一局部图和第二局部图；每帧图像M对应的目标实体空间与该帧图像M的第一局部图采集的实体空间为不同实体空间。
105、根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图组中确定多个第一图像集。
其中，每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间。
106、根据全景视频帧集合对应的第一局部图的语义特征、全景视频帧集合对应的第二局部图的语义特征、静态全景图组对应的第一局部图的语义特征及静态全景图组对应的第二局部图的语义特征，从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集。
其中，每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且上述至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，上述至少两帧静态全景图对应的实体空间为相邻的第一实体空间和第二实体空间。
107、根据多个第一图像集、第二图像集、多个第一图像集中空间连接介质的图像空间信息、多个第一图像中空间边界的图像空间信息、第二图像集中空间连接介质的图像空间信息及、第二图像集中空间连接介质和空间边界的图像空间信息，及，静态全景图组中每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。
在本实施例中，目标房源可以为住宅、场馆、工厂车间等实体房屋。目标房源的全景视频和静态全景图是对目标房源内的实体空间拍摄得到的。
其中，静态全景图是指摄影师采用全景相机，在某个或某些固定的拍摄点位对目标房源进行拍摄，得到每个拍摄点位的静态全景图，为在固定的拍摄点位定点拍摄的全景图。拍摄点位所在的实体空间即为静态全景图采集的实体空间。不同点位拍摄的静态全景图组成静态全景图组。
全景视频是指摄影师在目标房源内移动，并在移动过程中采用全景相机对目标房源进行连续视频录制，得到目标房源的全景视频。全景视频对应的拍摄点位是连续不间断的。全景视频是由多帧全景视频帧组成的。
在本实施例中，对于静态全景图，可预先标注静态全景图采集的实体空间的功能。实体空间的功能用于指示该实体空间的用途。例如，对于住宅，实体空间的功能可为厨房、客厅、卫生间、阳台、卧室或者储物室等。又例如，对于办公楼，实体空间的功能可为办公室、会议室、资料室或者茶水间等。
为了构建房屋模型，需要先确定出目标房源包含的实体空间之间的连接关系，在本实施例中，可利用目标房源的全景视频和静态全景图，确定目标房源包含的实体空间之间的连接关系。基于此，在步骤101中，可获取目标房源的全景视频和目标房源的静态全景图组。静态全景图组中每帧静态全景图标注有实体空间功能标签。静态全景图标注的实体空间功能标签，为该静态全景图采集的实体空间的功能。
在自然世界中，一般通过空间连接介质将目标房源的不同实体空间相连接。其中，空间连接介质是指连接两个不同的实体空间的介质，为物理实体连接介质。如目标房源的门或门洞可连接目标房源的两个不同的实体空间。相应地，空间连接介质可实现为门框或门洞等。例如，主卧的门对应的门框可连接主卧和客厅等。在本申请实施例中，对于门来说，在拍摄目标房源的全景视频时，门处于开启状态。
一个实体空间的区间大小往往是通过空间边界限定的。空间边界是指用于限定实体空间的边界，如实体空间的墙、墙线或墙角等。例如，卧室的墙为卧室的空间边界，该空间边界限定了卧室的区域大小。
因此，为确定实体空间的连接关系，需要先对实体空间进行识别和划分。基于此，在步骤102中，对全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定全景视频和静态全景图组分别包含的空间连接介质和空间边界的图像空间信息。每帧图像是指全景视频中的每帧全景视频帧以及静态全景图组中的每帧静态全景图。步骤102中确定出的是每帧图像包含的空间连接介质的图像空间信息，及每帧图像包含的空间边界的图像空间信息。
其中，空间连接介质的图像空间信息指空间连接介质在全景视频或静态全景图中的空间信息，可反映空间连接介质分别在全景视频和静态全景图中的位置。
空间边界的图像空间信息，是指空间边界在全景视频或静态全景图中的空间信息，可反映空间边界在全景视频和静态全景图中的位置。
在实际应用中，在对全景视频和静态全景图组中每帧图像M进行空间连接介质和空间边界检测时，通常采用矩形检测框标注图像M中包含的空间连接介质和空间边界的图像。在本实施例中，图像为全景视频中的每帧全景视频帧及每帧静态全景图。对空间连接介质进行标注的矩形检测框在图像中的空间信息，即为空间连接介质的图像空间信息。相应地，对空间边界进行标注的矩形检测框在图像中的空间信息，即为空间边界的图像空间信息。
其中，空间连接介质的图像空间信息和空间边界的图像空间信息，可以对空间连接介质和空间边界分别进行标注的矩形检测框的中心位置和尺寸进行表示。可选地，检测框的中心位置可采用矩形检测框的中心图像坐标表示，检测框的尺寸可采用矩形检测框的宽高表示。相应地，检测框的图像空间信息可表示为(x，y，w，h)。其中，(x，y)表示矩形检测框的图像中心坐标，即矩形检测框的中心在全景视频帧或静态视频图中的坐标，w和h分别表示矩形检测框的宽和高。或者，空间连接介质和空间边界的图像空间信息，可以为分别对空间连接介质和空间边界进行标注的矩形检测框的顶点坐标等。矩形检测框的顶点坐标均为在全景视频帧或静态视频图中的坐标。
在本申请实施例中，不限定对全景视频和静态全景图组中每帧图像进行空间连接介质和空间边界检测的具体实施方式。在一些实施例中，可将全景视频和静态全景图组中各帧图像分别输入空间连接介质检测模型，并利用空间连接介质检测模型对全景视频和静态全景图中的每帧图像进行空间连接介质检测，以确定全景视频中每帧全景视频帧包含的空间连接介质的图像空间信息及静态全景图组中每帧静态全景图包含的空间边界的图像空间信息。同理，也可利用空间边界检测模型，对全景视频和静态全景图中每帧图像分别进行空间边界检测，以确定全景视频中每帧全景视频帧包含的空间边界的图像空间信息及静态全景图组中每帧静态全景图包含空间边界的图像空间信息。
其中，空间连接介质检测模型和空间边界检测模型可为深度学习模型。在本实施例中，不限定空间连接介质检测模型和空间边界检测模型的具体实现形式。可选地，空间连接介质检测模型和空间边界检测模型可为CNN、DNN或RNN等，但不限于此。
在一些实施例中，如图2所示，在步骤102之前，还可对全景视频进行全景视频分帧处理，得到全景视频帧。相应地，在步骤102中，对每帧全景视频帧进行空间连接介质和空间边界检测，以确定每帧全景视频帧包含的空间连接介质的图像空间信息和空间边界的图像空间信息。
全景视频是在目标房源内连续录制的视频，并非每帧全景视频帧都包含不同实体空间的图像，而只有包含由空间连接介质连接的两个实体空间的全景视频帧，对确定不同实体空间之间的连接关系具有参考意义。例如，全景视频帧为移动至卧室与客厅连接的门处录制的全景视频帧，该全景视频帧包含由门连接的卧室和客厅的图像，根据该全景视频帧可确定卧室和客厅是连接的。基于此，在步骤103中，可根据全景视频包含的空间连接介质的图像空间信息，从目标房源的全景视频帧中，获取包含由空间连接介质连接的两个实体空间的全景视频帧集合。其中，全景视频帧集合中的每帧全景视频帧包含由空间连接介质连接的两个实体空间的图像。
在一些实施例中，可根据上述步骤102中确定出的全景视频中每帧全景视频帧包含的空间连接介质的图像空间信息，确定包含空间连接介质的图像的全景视频帧，作为包含由空间连接介质连接的两个实体空间的图像的全景视频帧集合。
在另一些实施例中，考虑到全景视频帧的采集点位影响后续确定实体空间连接关系的准确度，因此，选择出的全景视频帧应尽可能多的包含两个实体空间的图像。而在空间连接介质附近，且尽可能正对空间连接介质的采集点位，采集的全景视频帧可尽可能多的包含两个实体空间的图像。
基于上述分析，上述步骤103可实现为：针对全景视频中包含空间连接介质的每帧全景视频帧A，可根据该全景视频帧A中空间连接介质的图像空间信息，确定全景视频帧A中空间连接介质的图像与该全景视频帧A之间的尺寸比例。其中，空间连接介质的图像占全景视频帧A的尺寸比例，在一定程度上可反映采集点位与空间连接介质的距离。其中，空间连接介质的图像占全景视频帧A的尺寸比例越大，采集点位距离空间连接介质越近。
进一步，还可获取采集全景视频帧A的全景相机的真实采集点位与全景视频帧A中空间连接介质的真实位置之间的三角关系。其中，全景视频帧A的全景相机的真实采集点位与全景视频帧A中空间连接介质的真实位置之间的三角关系，可反映采集点位与空间连接介质之间的相对位置关系。
因此，可根据包含空间连接介质的图像的每帧全景视频帧A对应的尺寸比例和全景视频帧A对应的三角关系，从全景视频中包含空间连接介质的全景视频帧中，选择全景视频帧集合。全景视频帧集合中每帧全景视频帧均包含由空间连接介质连接的两个实体空间的图像。
具体地，可从全景视频中包含空间连接介质的全景视频帧中，获取尺寸比例属于设定尺寸比例范围的候选全景视频帧。在本申请实施例中，不限定尺寸比例范围的具体取值。例如，可选择全景视频帧中空间连接介质的图像与该全景视频帧的尺寸比例大于1/5，且小于1/3的全景视频帧，作为候选全景视频帧。可选地，尺寸比例范围可以空间连接介质的矩形检测框的宽和高，分别与全景视频帧的宽和高的比值进行表示。
进一步，根据候选全景视频帧对应的三角关系，从候选全景视频帧中选择空间连接介质的真实位置对应的内角角度小于90°的全景视频帧，作为步骤103中选择包含由空间连接介质连接的两个实体空间的图像的全景视频帧集合。
在确定出包含由空间连接介质连接的两个实体空间的图像的全景视频帧集合之后，在步骤104中，可针对全景视频帧集合和静态全景图中的每帧图像M，根据每帧图像M中空间连接介质的图像空间信息和该图像M中空间边界的图像空间信息，从图像M中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图。在本申请实施例中，全景视频帧集合中的一帧全景视频帧为一帧图像；每帧静态全景图也为一帧图像。相应地，图像M可为全景视频帧，也可为静态全景图。其中，每帧图像对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间。
例如，如图3所示，空间连接介质连接有2个实体空间X1和X2，该图像中包含空间连接介质的第一局部图为透过空间连接介质的实体空间X1的图像；而空间连接介质连接的另一实体空间的第二局部图为实体空间X2的图像。
采用上述步骤104的实施方式，可得到全景视频帧集合对应的第一局部图和第二局部图，以及静态全景图组对应的第一局部图和第二局部图。
具体地，针对全景视频帧集合和静态全景图中的每帧图像M，可根据图像M中空间连接介质的图像空间信息，从图像M中提取空间连接介质的第一局部图。其中，图像M可为全景视频帧集合中的每帧全景视频帧或静态全景图组中的每帧静态全景图。进一步，可根据图像M中空间边界的图像空间信息，从图像M除第一局部图之外的其它区域中，提取其它区域对应的实体空间的局部图，作为第二局部图。
例如，对于图3所示的图像，可根据图3所示图像中的空间连接介质的图像空间信息，从图3所示图像提取空间连接介质的第一局部图；并根据图3所示图像中空间边界的图像空间信息，从图像B中除第一局部图之外的其它区域，提取实体空间X2的局部图，作为第二局部图。
进一步，在步骤105中，可根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图组中确定多个图像集。全景视频帧集合为步骤103得到的全景视频帧集合。步骤105得到的多个图像集中每个图像集包括：至少一帧全景视频帧和至少一帧静态全景图。每个图像集中包含的全景视频帧和静态全景图属于同一实体空间。
其中，每个图像集中的图像属于同一实体空间；不同图像集中的图像属于不同的实体空间。每个图像集中的图像可包括：属于同一实体空间的全景视频帧和静态全景图。例如，客厅的图像集可包括：在客厅采集的全景视频帧和在该客厅采集的静态全景图。在本申请实施例中，每帧全景视频帧可视为一帧全景图像。
全景视频帧采集的实体空间主要是指采集全景视频帧的采集点位所在的实体空间，采集点位在哪个实体空间，即采集哪个实体空间的全景视频帧。相应地，静态全景图采集的实体空间，主要是指采集静态全景图的采集点位所在的实体空间，采集点位在哪个实体空间，即采集哪个实体空间的静态全景图。例如，采集点位在客厅，采集的为客厅的全景图像(全景视频帧或静态全景图)，即该全景图像对应的实体空间为客厅等。
在本申请实施例中，在步骤105之前，还可对全景视频帧集合对应的第一局部图和静态全景图组的第一局部图分别进行语义特征提取，以得到全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征。在本申请实施例中，对各第一局部图进行语义特征提取，是指对第一局部图包含的空间连接介质的图像及透过空间连接介质采集到的目标房源的环境图像进行语义特征提取，以得到该第一局部图包含的空间连接介质的语义特征及透过空间连接介质采集到的目标房源的环境图像的语义特征。
进一步，在步骤105中，可根据上述步骤103得到的全景视频帧集合对应的第一局部图的语义特征，和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图组中确定多个图像集。
可选地，针对全景视频帧集合和静态全景图中每两帧图像P和Q，可计算图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的相似度。在本申请实施例中，图像P和Q可以为两帧不同的全景视频帧，也可为两帧不同的静态全景图，或者为一帧全景视频帧和一帧静态全景图。
在一些实施例中，可计算图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的特征距离，以表征图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的相似度。其中，特征距离越小，图像P和Q分别对应的第一局部图的语义特征之间的相似度越高。图像P和Q对应的第一局部图的语义特征之间的相似度的相似度越高，其对应的实体空间为同一实体空间的概率越大。
因此，可根据图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的相似度，判断图像P包含的空间连接介质与图像Q包含的空间连接介质是否为同一空间连接介质。可选地，若图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的相似度，大于或等于设定的相似度阈值，则确定图像P包含的空间连接介质与图像Q包含的空间连接介质为同一空间连接介质。
对于以不同图像对应的第一局部图的语义特征之间的特征距离，表征不同的图像包含的空间连接介质的语义特征之间的相似度的实施例，若图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的特征距离，小于或等于设定的特征距离阈值，则确定图像P对应的第一局部图的语义特征与图像Q对应的第一局部图的语义特征之间的相似度大于或等于设定的相似度阈值，即确定图像P包含的空间连接介质与图像Q包含的空间连接介质为同一空间连接介质。
进一步，可确定包含的空间连接介质为同一空间连接介质的图像P和Q属于同一图像集。采用相同的方法，可确定出属于每个实体空间的图像集，进而得到多个图像集。每个图像集中的图像属于同一实体空间。在确定出哪些图像属于同一实体空间之后，还需要确定哪些实体空间为相邻的实体空间，才能构建相应的房屋模型。
对于包含空间连接介质的全景视频帧或静态全景图，除了可拍摄到采集点位所在的实体空间的图像，还可透过空间连接介质采集到另一实体空间的图像。若采集点位位于空间连接介质附近，采集到的全景图像(全景视频帧或静态全景图)均包含2个实体空间的部分或全部图像。例如，如图3所示，采集点位在实体空间X2，采集到的全景图像包含实体空间X2和X1的部分图像。当然，采集点位在实体空间X1时，也可采集到实体空间X1和X2的图像。基于此，对于两帧全景图像B1和B2(全景视频帧或静态全景图)来说，若全景图像B1对应的第一局部图和全景图像B2包含的第二局部图的相似度较高，则可确定全景图像B1对应的实体空间和全景图像B2对应的实体空间是相邻的实体空间。
基于上述分析，在步骤106中，可根据全景视频帧集合对应的第一局部图的语义特征、全景视频帧集合对应的第二局部图的语义特征、静态全景图组对应的第一局部图的语义特征及静态全景图组对应的第二局部图的语义特征，从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的图像集。
在本申请实施例中，为了便于描述和区分，将上述步骤105确定出的图像集，定义为第一图像集；并将步骤106确定的图像集定义为第二图像集。第二图像集的数量可为1个或多个。多个是指2个或2个以上。第二图像集的数量具体由目标房源包含的实体空间的数量决定。每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图。这至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，且这至少两帧静态全景图对应的实体空间也为相邻的第一实体空间和第二实体空间。
在步骤106之前，还可对全景视频帧集合对应的第二局部图和静态全景图组对应的第二局部图分别进行语义特征提取，以得到全景视频帧集合对应的第二局部图的语义特征，以及静态全景图组对应的第二局部图的语义特征。
进一步，可根据全景视频帧集合对应的第一局部图的语义特征、全景视频帧集合对应的第二局部图的语义特征、静态全景图组对应的第一局部图的语义特征及静态全景图对组应的第二局部图的语义特征，从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集。
具体地，在一些实施例中，针对任一第一局部图C1，可根据该第一局部图C1和所有第二局部图的语义特征，计算任一第一局部图C1的语义特征和所有第二局部图的语义特征之间的相似度；并根据任一第一局部图C1的语义特征和任一第二局部图C2的语义特征之间的相似度，判断任一第一局部图C1对应的实体空间和第二局部图C2对应的实体空间是否为相邻实体空间。其中，第一局部图对应的实体空间是指第一局部图采集的实体空间；第二局部图对应的实体空间为第二局部图采集的实体空间。
可选地，可判断任一第一局部图C1的语义特征和任一第二局部图C2的语义特征之间的相似度，是否大于或等于设定的相似度阈值；若判断结果为是，则确定任一第一局部图C1对应的实体空间和第二局部图C2对应的实体空间是相邻实体空间。因此，可确定任一第一局部图C1对应的全景视频帧或静态全景图，与第二局部图C2对应的全景视频帧或静态全景图，属于同一个第二图像集。
在一些实施例中，可根据该第一局部图C1的语义特征和所有第二局部图的语义特征，计算任一第一局部图C1的语义特征和所有第二局部图的语义特征之间的特征距离，以表征计算任一第一局部图C1和所有第二局部图之间的相似度。其中，计算任一第一局部图C1的语义特征和第二局部图的语义特征之间的特征距离越小，二者之间的相似度越大。相应地，若任一第一局部图C1的语义特征和任一第二局部图C2的语义特征之间的特征距离，小于或等于设定的相似度阈值，则确定任一第一局部图C1对应的实体空间和任一第二局部图C2对应的实体空间为相邻实体空间。
在另一些实施中，由于同一第一图像集中的图像是属于同一实体空间的，因此，同一第一图像集中的任一图像Y对应的第一局部图采集的实体空间，和该图像M对应的第二局部图采集的实体空间为不同的实体空间。因此，在计算第一局部图和第二局部图的相似度时，为了降低计算量，可计算属于不同第一图像集的第一局部图和第二局部图之间的相似度。基于此，步骤106的一种实施方式为：针对任一第一图像集Q1对应的第一局部图，可计算任一第一图像集Q1对应的第一局部图的语义特征和其它第一图像集Q2对应的第二局部图的语义特征之间的相似度；并根据第一图像集Q1对应的第一局部图的语义特征和其它第一图像集Q2对应的第二局部图的语义特征之间的相似度，判断任一第一图像集Q1中的第一局部图对应的实体空间与其它第一图像集Q2对应的第二局部图对应的实体空间，是否为相邻实体空间；若判断结果为是，确定任一第一图像集Q1，与其它第一图像集Q2属于同一第二图像集。其中其它第一图像集Q2是指步骤105确定出的多个第一图像集中除上述第一图像集Q1之外的其它第一图像集。
可选地，可计算任一第一图像集Q1中的第一局部图与其它第一图像集Q2对应的第二局部图的语义特征之间的特征距离，以表征二者之间的相似度；其中，特征距离越小，相似度越高。进一步，若特征距离小于或等于设定的特征距离阈值，确定任一第一图像集Q1对应的第一局部图对应的实体空间，与，其它第一图像集Q2对应的第二局部图对应的实体空间为相邻实体空间。
在确定出哪些图像的实体空间属于同一实体空间，哪些图像的实体空间为相邻的实体空间之后，即确定出第一图像集和第二图像集之后，在步骤107中，可根据多个第一图像集、第二图像集、多个第一图像集中空间连接介质的图像空间信息、多个第一图像集中空间边界的图像空间信息、第二图像集中空间连接介质的图像空间信息、第二图像集中空间边界的图像空间信息，及，静态全景图组中每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。
具体地，可根据第一图像集、第一图像集中空间连接介质的图像空间信息和第一图像集中空间边界的图像空间信息，构建第一图像集对应的实体空间的三维空间模型；之后，可根据第二图像集、第二图像集中空间连接介质的图像空间信息和第二图像集中空间边界的图像空间信息，对不同实体空间的三维空间模型进行拼接，以得到目标房源的三维空间模型。
进一步，可根据静态全景图组中每帧静态全景图的实体空间功能标签，在目标房源的三维空间模型中各实体空间的三维空间模型中，标注各实体空间的三维空间模型的实体空间功能；并基于标注有实体空间功能的目标房源的三维空间模型，确定目标房源的房屋模型。
在一些实施例中，目标房源的房屋模型为三维空间模型，则可确定标注有实体空间功能的目标房源的三维空间模型，为目标房源的房屋模型。
在一些实施例中，目标房源的房屋模型可为目标房源的二维户型图，则可对标注有实体空间功能的目标房源的三维空间模型进行水平面投影，以得到目标房源的二维户型图，作为目标房源的房屋模型。
在本申请实施例中，可根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；之后，根据全景视频帧集合的语义特征和静态全景图的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；之后，根据第一图像集和第二图像集，构建目标房源的房屋模型。由于目标房源的全景视频为动态连续录制的全景视频，因此，全景视频存在空间连接介质连接的两个实体空间的图像的全景视频帧集合，该全景视频帧集合中的每帧全景视频帧均可提供相邻的两个实体空间的图像信息，可弥补静态全景图由于拍摄点位不佳导致无法导致采集的图像数据不足而无法确定空间连接关系的不足，全景视频帧集合中的每帧全景视频帧可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高后续构建的房屋模型的准确度。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101和102的执行主体可以为设备A；又比如，步骤101的执行主体可以为设备A，步骤102的执行主体可以为设备B；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如105、106等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
相应地，本申请实施例还提供一种存储有计算机指令的计算机可读存储介质，当计算机指令被一个或多个处理器执行时，致使一个或多个处理器执行上述各房屋模型构建方法中的步骤。
图4为本申请实施例提供的房屋模型构建装置的结构示意图。如图4所示，该房屋模型构建装置包括：获取模块40a、检测模块40b、提取模块40c、确定模块40d及构建模块40e。
其中，获取模块40a，用于获取目标房源的全景视频和目标房源的静态全景图组。静态全景图组中每帧静态全景图标注有实体空间功能标签。检测模块40b，用于对全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定全景视频和静态全景图组分别包含的空间连接介质和空间边界的图像空间信息。
获取模块40a，还用于根据全景视频包含的空间连接介质的图像空间信息，从全景视频中，获取全景视频帧集合；其中，全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间的图像。
提取模块40c，用于针对全景视频帧集合和静态全景图组中的每帧图像M，根据每帧图像M中空间连接介质的图像空间信息和该帧图像M中空间边界的图像空间信息，从每帧图像M中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到全景视频帧集合对应的第一局部图和第二局部图以及静态全景图组对应的第一局部图和第二局部图；每帧图像M对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间。
确定模块40d，用于根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图组中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；以及，根据全景视频帧集合对应的第一局部图的语义特征、全景视频帧集合对应的第二局部图的语义特征、静态全景图组对应的第一局部图的语义特征以及静态全景图组对应的第二局部图的语义特征，从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集。每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间。
构建模块40e，用于根据多个第一图像集、第二图像集、多个第一图像集中空间连接介质的图像空间信息、多个第一图像集中空间边界的图像空间信息、第二图像集中空间连接介质的图像空间信息、第二图像集中空间边界的图像空间信息，及，静态全景图组中每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。
在一些实施例中，获取模块40a在从全景视频中，获取全景视频帧集合时，具体用于：针对全景视频中包含空间连接介质的每帧全景视频帧A，根据每帧全景视频帧A中空间连接介质的图像空间信息，确定每帧全景视频帧A中空间连接介质的图像与全景视频帧A之间的尺寸比例；获取采集全景视频帧A的全景相机的真实采集点位与全景视频帧A中空间连接介质的真实位置之间的三角关系；根据包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和该帧全景视频帧对应的三角关系，从包含空间连接介质的图像的全景视频中，选择全景视频帧集合。
可选地，获取模块40a在根据包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和该帧全景视频帧对应的三角关系，从包含空间连接介质的图像的全景视频帧中选择全景视频帧集合时，具体用于：从包含空间连接介质的图像的全景视频帧中，获取尺寸比例属于设定尺寸比例范围的候选全景视频帧；根据候选全景视频帧对应的三角关系，从候选全景视频帧中选择空间连接介质的真实位置对应的内角角度小于90°的全景视频帧集合。
在一些实施例中，提取模块40c还用于：在根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图中确定多个第一图像集之前，对全景视频帧集合对应的第一局部图和第二局部图分别进行语义特征提取，以得到全景视频帧集合对应的第一局部图的语义特征及全景视频帧集合对应的第二局部图的语义特征；以及，对静态全景图组对应的第一局部图和第二局部图分别进行语义特征提取，以得到静态全景图组对应的第一局部图的语义特征及全景视频帧集合对应的第二局部图的语义特征。
在一些实施例中，确定模块40d在根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图中确定多个第一图像集时，具体用于：针对全景视频帧集合和静态全景图组中每两帧图像，计算这两帧图像分别对应的第一局部图的语义特征之间的第一相似度；根据第一相似度，判断这两帧图像的空间连接介质是否为同一空间连接介质；若判断结果为是，确定包含的空间连接介质为同一空间连接介质的每两帧图像属于同一第一图像集。
在另一些实施例中，提取模块40c在从每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图时，具体用于：根据每帧图像中空间连接介质的图像空间信息，从每帧图像中提取空间连接介质的第一局部图；根据每帧图像中空间边界的图像空间信息，从该帧图像中除该图像的第一局部图之外的其它区域，提取其它区域对应的实体空间的局部图，作为该帧图像的第二局部图。
可选地，确定模块40d在从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集时，具体用于：针对任一第一图像集对应的第一局部图，计算任一第一图像集对应的第一局部图的语义特征和其它第一图像集对应的第二局部图的语义特征之间的第二相似度；根据第二相似度，判断任一第一图像集对应的第一局部图对应的实体空间与其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间；若判断结果为是，确定任一第一图像集与其它第一图像集属于同一第二图像集。
进一步，确定模块40d在计算任一第一图像集中的第一局部图的语义特征和其它第一图像集对应的第二局部图的语义特征之间的第二相似度时，具体用于：计算任一第一图像集对应的第一局部图的语义特征与其它第一图像集对应的第二局部图的语义特征之间的特征距离，以表征第二相似度；其中，特征距离越小，第二相似度越高。
相应地，确定模块40d在根据第二相似度，判断任一第一图像集中的第一局部图对应的实体空间与其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间时，具体用于：若特征距离小于或等于设定的特征距离阈值，确定第一图像集中的第一局部图对应的实体空间，与，其它第一图像集对应的第二局部图对应的实体空间为相邻实体空间。
在一些实施例中，构建模块40e在构建目标房源的房屋模型时，具体用于：根据第一图像集、第一图像集中空间连接介质的图像空间信息及第一图像集中空间边界的图像空间信息，构建第一图像集对应的同一实体空间的三维空间模型；根据第二图像集、第二图像集中空间连接介质的图像空间信息及第二图像集中空间边界的图像空间信息，对不同实体空间的三维空间模型进行拼接，以得到目标房源的三维空间模型；根据静态全景图组中每帧静态全景图的实体空间功能标签，在目标房源的三维空间模型中各实体空间的三维空间模型中，标注各实体空间的三维空间模型的实体空间功能；以及基于标注有实体空间功能的目标房源的三维空间模型，确定目标房源的房屋模型。
可选地，构建模块40e在基于标注有实体空间功能的目标房源的三维空间模型，确定目标房源的房屋模型时，具体用于：确定标注有实体空间功能的目标房源的三维空间模型，为目标房源的房屋模型；和/或，对标注有实体空间功能的目标房源的三维空间模型进行水平面投影，以得到目标房源的二维户型图，作为目标房源的房屋模型。
本实施例提供的房屋模型构建装置，可根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；之后，根据全景视频帧集合的语义特征和静态全景图的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；之后，根据第一图像集、第二图像集及每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。由于全景视频存在空间连接介质连接的两个实体空间的全景视频帧集合，全景视频帧集合中的每帧全景视频帧可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高构建的房屋模型的准确度。
图5为本申请实施例提供的电子设备的结构示意图。如图5所示，该电子设备包括：存储器50a和处理器50b。其中，存储器50a，用于存储计算机程序。
处理器50b耦合至存储器50a，用于执行计算机程序以用于：获取目标房源的全景视频和目标房源的静态全景图组；静态全景图组中每帧静态全景图标注有实体空间功能标签；对全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定全景视频和静态全景图组分别包含的空间连接介质和空间边界的图像空间信息；根据全景视频包含的空间连接介质的图像空间信息，从全景视频中，获取全景视频帧集合；全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间的图像；针对全景视频帧集合和静态全景图组中的每帧图像M，根据每帧图像M中空间连接介质的图像空间信息和图像M中空间边界的图像空间信息，从每帧图像M中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到全景视频帧集合对应的第一局部图和第二局部图以及静态全景图对应的第一局部图和第二局部图；每帧图像M对应的目标实体空间与该帧图像的第一局部图对应的实体空间为不同实体空间；根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图组中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；并根据全景视频帧集合对应的第一局部图的语义特征、全景视频帧集合对应的第二局部图的语义特征、静态全景图对应的第一局部图的语义特征以及静态全景图组对应的第二局部图的语义特征，从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集；每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间；
之后，处理器50b还用于：根据多个第一图像集、第二图像集、多个第一图像集中空间连接介质的图像空间信息、多个第一图像集中空间边界的图像空间信息、第二图像集中空间连接介质的图像空间信息、第二图像集中空间边界的图像空间信息，及，静态全景图组中每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。
在一些实施例中，处理器50b在从全景视频中，获取全景视频帧集合时，具体用于：针对全景视频中包含空间连接介质的每帧全景视频帧A，根据每帧全景视频帧A中空间连接介质的图像空间信息，确定每帧全景视频帧A中空间连接介质与全景视频帧A之间的尺寸比例；获取采集全景视频帧A的全景相机的真实采集点位与全景视频帧A中空间连接介质的真实位置之间的三角关系；根据全景视频中包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和该帧全景视频帧对应的三角关系，从包含空间连接介质的图像的全景视频中选择全景视频帧集合。
可选地，处理器50b在根据包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和该帧全景视频帧对应的三角关系，从包含空间连接介质的图像的全景视频帧中选择全景视频帧集合时，具体用于：从包含空间连接介质的图像的全景视频帧中，获取尺寸比例属于设定尺寸比例范围的候选全景视频帧；根据候选全景视频帧对应的三角关系，从候选全景视频帧中选择空间连接介质的真实位置对应的内角角度小于90°的全景视频帧集合。
在一些实施例中，处理器50b还用于：在根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图中确定多个第一图像集之前，
对全景视频帧集合对应的第一局部图和第二局部图分别进行语义特征提取，以得到全景视频帧集合对应的第一局部图的语义特征及全景视频帧集合对应的第二局部图的语义特征；以及，对静态全景图组对应的第一局部图和第二局部图分别进行语义特征提取，以得到静态全景图组对应的第一局部图的语义特征及全景视频帧集合对应的第二局部图的语义特征。
在一些实施例中，处理器50b在根据全景视频帧集合对应的第一局部图的语义特征和静态全景图组对应的第一局部图的语义特征，从全景视频帧集合和静态全景图中确定多个第一图像集时，具体用于：针对全景视频帧集合和静态全景图组中每两帧图像，计算这两帧图像对应的第一局部图的语义特征之间的第一相似度；根据第一相似度，判断这两帧图像包含的空间连接介质是否为同一空间连接介质；若判断结果为是，确定包含的空间连接介质为同一空间连接介质的每两帧图像属于同一第一图像集。
在另一些实施例中，处理器50b在从每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图时，具体用于：根据每帧图像中空间连接介质的图像空间信息，从每帧图像中提取空间连接介质的第一局部图；根据每帧图像中空间边界的图像空间信息，从该帧图像中除该图像的第一局部图之外的其它区域，提取其它区域对应的实体空间的局部图，作为该帧图像的第二局部图。
可选地，处理器50b在从全景视频帧集合和静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集时，具体用于：针对任一第一图像集对应的第一局部图，计算任一第一图像集对应的第一局部图的语义特征和其它第一图像集对应的第二局部图的语义特征之间的第二相似度；根据第二相似度，判断任一第一图像集对应的第一局部图对应的实体空间与其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间；若判断结果为是，确定任一第一图像集与其它第一图像集属于同一第二图像集。
进一步，处理器50b在计算任一第一图像集中的第一局部图对应的语义特征与其它第一图像集对应的第二局部图的语义特征之间的第二相似度时，具体用于：计算任一第一图像集对应的第一局部图语义特征与其它第一图像集对应的第二局部图的语义特征之间的特征距离，以表征第二相似度；其中，特征距离越小，第二相似度越高。
相应地，处理器50b在根据第二相似度，判断任一第一图像集对应的第一局部图对应的实体空间与其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间时，具体用于：若特征距离小于或等于设定的特征距离阈值，确定第一图像集中的第一局部图对应的实体空间，与，其它第一图像集对应的第二局部图对应的实体空间为相邻实体空间。
在一些实施例中，处理器50b在构建目标房源的房屋模型时，具体用于：根据第一图像集、第一图像集中空间连接介质的图像空间信息及第一图像集中空间边界的图像空间信息，构建第一图像集对应的同一实体空间的三维空间模型；根据第二图像集、第二图像集中空间连接介质的图像空间信息及第二图像集中空间边界的图像空间信息，对不同实体空间的三维空间模型进行拼接，以得到目标房源的三维空间模型；根据静态全景图组中每帧静态全景图的实体空间功能标签，在目标房源的三维空间模型中各实体空间的三维空间模型中，标注各实体空间的三维空间模型的实体空间功能；以及基于标注有实体空间功能的目标房源的三维空间模型，确定目标房源的房屋模型。
可选地，处理器50b在基于标注有实体空间功能的目标房源的三维空间模型，确定目标房源的房屋模型时，具体用于：确定标注有实体空间功能的目标房源的三维空间模型，为目标房源的房屋模型；和/或，对标注有实体空间功能的目标房源的三维空间模型进行水平面投影，以得到目标房源的二维户型图，作为目标房源的房屋模型。
在一些可选实施方式中，如图5所示，该电子设备还可以包括：通信组件50c、电源组件50d、显示组件50e及音频组件50f等可选组件。图5中仅示意性给出部分组件，并不意味着电子设备必须包含图5所示全部组件，也不意味着电子设备只能包括图5所示组件。
本实施例提供的电子设备，可根据目标房源的全景视频包含的空间连接介质的图像空间信息，从全景视频中获取包含空间连接介质连接的两个实体空间的全景视频帧集合；之后，根据全景视频帧集合的语义特征和静态全景图的语义特征，确定属于同一实体空间的第一图像集和属于相邻实体空间的第二图像集；之后，根据第一图像集、第二图像集及每帧静态全景图的实体空间功能标签，构建目标房源的房屋模型。由于全景视频存在空间连接介质连接的两个实体空间的全景视频帧集合，全景视频帧集合中的每帧全景视频帧可提供相邻实体空间更多的语义特征，有助于提高确定出的实体空间之间的连接关系的准确度，进而有助于提高构建的房屋模型的准确度。
在本申请实施例中，存储器用于存储计算机程序，并可被配置为存储其它各种数据以支持在其所在设备上的操作。其中，处理器可执行存储器中存储的计算机程序，以实现相应控制逻辑。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本申请实施例中，处理器可以为任意可执行上述方法逻辑的硬件处理设备。可选地，处理器可以为中央处理器(Central Processing Unit，CPU)、图形处理器(GraphicsProcessing Unit，GPU)或微控制单元(Microcontroller Unit，MCU)；也可以为现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程阵列逻辑器件(ProgrammableArray Logic，PAL)、通用阵列逻辑器件(General Array Logic，GAL)、复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)等可编程器件；或者为先进精简指令集(RISC)处理器(Advanced RISC Machines，ARM)或系统芯片(System on Chip，SOC)等等，但不限于此。
在本申请实施例中，通信组件被配置为便于其所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，4G，5G或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术或其他技术来实现。
在本申请实施例中，显示组件可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示组件包括触摸面板，显示组件可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
在本申请实施例中，电源组件被配置为其所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
在本申请实施例中，音频组件可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。例如，对于具有语言交互功能的设备，可通过音频组件实现与用户的语音交互等。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机的存储介质为可读存储介质，也可称为可读介质。可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种房屋模型构建方法，其特征在于，包括：
获取目标房源的全景视频和所述目标房源的静态全景图组；所述静态全景图组中每帧静态全景图标注有实体空间功能标签；
对所述全景视频和静态全景图组中每帧图像分别进行空间连接介质和空间边界检测，以确定所述全景视频和所述静态全景图组分别包含的空间连接介质和空间边界的图像空间信息；
根据所述全景视频包含的空间连接介质的图像空间信息，从所述全景视频中，获取全景视频帧集合；所述全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间的图像；
针对所述全景视频帧集合和所述静态全景图组中的每帧图像，根据所述每帧图像中空间连接介质的图像空间信息和所述每帧图像中空间边界的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到所述全景视频帧集合对应的第一局部图和第二局部图以及所述静态全景图组对应的第一局部图和第二局部图；所述每帧图像对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间；
根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图组对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；
根据所述全景视频帧集合对应的第一局部图的语义特征、所述全景视频帧集合对应的第二局部图的语义特征、所述静态全景图组对应的第一局部图的语义特征以及所述静态全景图组对应的第二局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集；每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图，且所述至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，所述至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间；
根据所述第一图像集、所述第一图像集中空间连接介质的图像空间信息及所述第一图像集中空间边界的图像空间信息，构建所述第一图像集对应的同一实体空间的三维空间模型；
根据所述第二图像集、所述第二图像集中空间连接介质的图像空间信息及所述第二图像集中空间边界的图像空间信息，对不同实体空间的三维空间模型进行拼接，以得到所述目标房源的三维空间模型；
根据所述每帧静态全景图的实体空间功能标签，在所述目标房源的三维空间模型中各实体空间的三维空间模型中，标注所述各实体空间的三维空间模型的实体空间功能；
基于标注有实体空间功能的目标房源的三维空间模型，确定所述目标房源的房屋模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述全景视频包含的空间连接介质的图像空间信息，从所述全景视频中，获取全景视频帧集合，包括：
针对所述全景视频中包含空间连接介质的每帧全景视频帧，根据所述每帧全景视频帧中空间连接介质的图像空间信息，确定所述每帧全景视频帧中空间连接介质的图像与所述每帧全景视频帧之间的尺寸比例；
获取采集所述每帧全景视频帧的全景相机的真实采集点位和所述每帧全景视频帧中空间连接介质的真实位置之间的三角关系；
根据包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和所述每帧全景视频帧对应的三角关系，从包含空间连接介质的全景视频帧中选择所述全景视频帧集合。
3.根据权利要求2所述的方法，其特征在于，所述根据包含空间连接介质的图像的每帧全景视频帧对应的尺寸比例和所述包含空间连接介质的图像的每帧全景视频帧对应的三角关系，从所述全景视频帧中选择所述全景视频帧集合，包括：
从所述全景视频中包含空间介质的图像的全景视频帧中，获取尺寸比例属于设定尺寸比例范围的候选全景视频帧；
根据所述候选全景视频帧对应的三角关系，从所述候选全景视频帧中选择空间连接介质的真实位置对应的内角角度小于90°的全景视频帧集合。
4.根据权利要求1所述的方法，其特征在于，在根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图组对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中确定多个第一图像集之前，还包括：
对所述全景视频帧集合对应的第一局部图和第二局部图分别进行语义特征提取，以得到所述全景视频帧集合对应的第一局部图的语义特征及所述全景视频帧集合对应的第二局部图的语义特征；
对所述静态全景图组对应的第一局部图和第二局部图分别进行语义特征提取，以得到所述静态全景图组对应的第一局部图的语义特征及所述全景视频帧集合对应的第二局部图的语义特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图组对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图中确定多个第一图像集，包括：
针对所述全景视频帧集合和所述静态全景图组中每两帧图像，计算所述每两帧图像分别对应的第一局部图的语义特征之间的第一相似度；
根据所述第一相似度，判断所述每两帧图像包含的空间连接介质是否为同一空间连接介质；
若判断结果为是，确定包含的空间连接介质为同一空间连接介质的每两帧图像属于同一第一图像集。
6.根据权利要求1所述的方法，其特征在于，所述根据所述每帧图像中空间连接介质的图像空间信息和所述每帧图像中空间边界的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图、及空间连接介质所连接的目标实体空间的第二局部图，包括：
根据所述每帧图像中空间连接介质的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图；
根据所述每帧图像中空间边界的图像空间信息，从所述每帧图像中除该图像的第一局部图之外的其它区域，提取所述其它区域对应的实体空间的局部图，作为所述每帧图像的第二局部图。
7.根据权利要求1所述的方法，其特征在于，所述根据所述全景视频帧集合对应的第一局部图的语义特征、所述全景视频帧集合对应的第二局部图的语义特征、所述静态全景图对应的第一局部图的语义特征以及所述静态全景图组对应的第二局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集，包括：
针对任一第一图像集对应的第一局部图，计算所述任一第一图像集对应的第一局部图的语义特征和其它第一图像集对应的第二局部图的语义特征之间的第二相似度；
根据所述第二相似度，判断所述任一第一图像集对应的第一局部图对应的实体空间与所述其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间；
若判断结果为是，确定所述任一第一图像集，与所述其它第一图像集，属于同一第二图像集。
8.根据权利要求7所述的方法，其特征在于，所述计算所述任一第一图像集中的第一局部图的语义特征和所述其它第一图像集对应的第二局部图的语义特征之间的第二相似度，包括：
计算所述任一第一图像集对应的第一局部图的语义特征与所述其它第一图像集对应的第二局部图的语义特征之间的特征距离，以表征所述第二相似度；其中，所述特征距离越小，所述第二相似度越高；
所述根据所述第二相似度，判断所述任一第一图像集对应的第一局部图对应的实体空间与所述其它第一图像集对应的第二局部图对应的实体空间是否为相邻实体空间，包括：
若所述特征距离小于或等于设定的特征距离阈值，确定所述第一图像集中的第一局部图对应的实体空间，与，所述其它第一图像集对应的第二局部图对应的实体空间为相邻实体空间。
9.根据权利要求1所述的方法，其特征在于，所述基于标注有实体空间功能的目标房源的三维空间模型，确定所述目标房源的房屋模型，包括：
确定标注有实体空间功能的目标房源的三维空间模型，为所述目标房源的房屋模型；
和/或，
对所述标注有实体空间功能的目标房源的三维空间模型进行水平面投影，以得到所述目标房源的二维户型图，作为所述目标房源的房屋模型。
10.一种房屋模型构建装置，其特征在于，包括：
获取模块，用于获取目标房源的全景视频和静态全景图组；所述静态全景图组中每帧静态全景图标注有实体空间功能标签；
检测模块，用于对所述全景视频和静态全景图组中每帧图像进行空间连接介质和空间边界检测，以确定所述全景视频和所述静态全景图分别包含的空间连接介质和空间边界的图像空间信息；
所述获取模块，还用于根据所述全景视频包含的空间连接介质的图像空间信息，从所述全景视频中，获取全景视频帧集合；所述全景视频帧集合中每帧全景视频帧包含由空间连接介质连接的两个实体空间的图像；
提取模块，用于针对所述全景视频帧集合和所述静态全景图组中的每帧图像，根据所述每帧图像中空间连接介质的图像空间信息和所述每帧图像中空间边界的图像空间信息，从所述每帧图像中提取空间连接介质的第一局部图及空间连接介质所连接的目标实体空间的第二局部图，以得到所述全景视频帧集合对应的第一局部图和第二局部图以及所述静态全景图分别对应的第一局部图和第二局部图；所述每帧图像对应的目标实体空间与该帧图像的第一局部图采集的实体空间为不同实体空间；
确定模块，用于根据所述全景视频帧集合对应的第一局部图的语义特征和所述静态全景图对应的第一局部图的语义特征，从所述全景视频帧集合和所述静态全景图中确定多个第一图像集；每个第一图像集包括：至少一帧全景视频帧和至少一帧静态全景图；每个第一图像集中的图像属于同一实体空间；以及，根据所述全景视频帧集合对应的第一局部图的语义特征、所述全景视频帧集合对应的第二局部图的语义特征、所述静态全景图组对应的第一局部图的语义特征以及所述静态全景图组对应的第二局部图的语义特征，从所述全景视频帧集合和所述静态全景图组中，确定对应的实体空间为相邻实体空间的第二图像集；每个第二图像集包括：至少两帧全景视频帧和至少两帧静态全景图；且所述至少两帧全景视频帧对应的实体空间为相邻的第一实体空间和第二实体空间，所述至少两帧静态全景图对应的实体空间为所述相邻的第一实体空间和第二实体空间；
构建模块，用于根据所述第一图像集、所述第一图像集中空间连接介质的图像空间信息及所述第一图像集中空间边界的图像空间信息，构建所述第一图像集对应的同一实体空间的三维空间模型；根据所述第二图像集、所述第二图像集中空间连接介质的图像空间信息及所述第二图像集中空间边界的图像空间信息，对不同实体空间的三维空间模型进行拼接，以得到所述目标房源的三维空间模型；根据所述每帧静态全景图的实体空间功能标签，在所述目标房源的三维空间模型中各实体空间的三维空间模型中，标注所述各实体空间的三维空间模型的实体空间功能；以及基于标注有实体空间功能的目标房源的三维空间模型，确定所述目标房源的房屋模型。
11.一种电子设备，其特征在于，包括：存储器和处理器；其中，所述存储器，用于存储计算机程序；
所述处理器耦合至所述存储器，用于执行所述计算机程序以用于执行权利要求1-9任一项所述方法中的步骤。
12.一种存储有计算机指令的计算机可读存储介质，其特征在于，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1-9任一项所述方法中的步骤。
CN202211313774.0A 2022-10-25 2022-10-25 房屋模型构建方法、装置、设备及存储介质 Active CN115620201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211313774.0A CN115620201B (zh) 2022-10-25 2022-10-25 房屋模型构建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211313774.0A CN115620201B (zh) 2022-10-25 2022-10-25 房屋模型构建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115620201A CN115620201A (zh) 2023-01-17
CN115620201B true CN115620201B (zh) 2023-06-16

Family

ID=84865485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211313774.0A Active CN115620201B (zh) 2022-10-25 2022-10-25 房屋模型构建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115620201B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657379B2 (en) * 2018-06-19 2020-05-19 Vimeo, Inc. Method and system for using semantic-segmentation for automatically generating effects and transitions in video productions
CN110232733B (zh) * 2019-05-29 2024-03-15 武汉华正空间软件技术有限公司 三维模型建模方法与系统、存储介质和计算机
CN112598780B (zh) * 2020-12-04 2024-04-05 Oppo广东移动通信有限公司 实例对象模型构建方法及装置、可读介质和电子设备
CN112446905B (zh) * 2021-01-29 2021-05-11 中国科学院自动化研究所 基于多自由度传感关联的三维实时全景监控方法
CN114003322A (zh) * 2021-09-16 2022-02-01 北京城市网邻信息技术有限公司 房屋实景空间的显示方法、设备、装置及存储介质
CN114494487B (zh) * 2021-12-30 2022-11-22 北京城市网邻信息技术有限公司 基于全景图语义拼接的户型图生成方法、设备及存储介质
CN114782646A (zh) * 2022-04-21 2022-07-22 北京有竹居网络技术有限公司 房屋模型的建模方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
CN115620201A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN111983635B (zh) 位姿确定方法及装置、电子设备和存储介质
US20230245391A1 (en) 3d model reconstruction and scale estimation
JP5766795B2 (ja) 拡張現実環境のためのモバイルデバイスベースのコンテンツマッピング
WO2018214706A1 (zh) 运动控制方法、存储介质、计算机设备和服务机器人
KR101623041B1 (ko) 혼합 공간에 공존하는 마커들을 관리하는 마커 관리 시스템과 그 방법, 및 상기 방법을 구현하는 프로그램이 기록된 기록매체
CN102231820B (zh) 一种监控图像处理的方法、装置和系统
CN114494487B (zh) 基于全景图语义拼接的户型图生成方法、设备及存储介质
CN114663618A (zh) 三维重建及校正方法、装置、设备及存储介质
WO2019062631A1 (zh) 一种局部动态影像生成方法及装置
WO2019062694A1 (zh) 可视化对象的生成方法、装置和设备
CN107229887A (zh) 多码扫描设备及多码扫描方法
CN114529566B (zh) 图像处理方法、装置、设备及存储介质
CN114529621B (zh) 户型图生成方法、装置、电子设备及介质
TW202244680A (zh) 位置姿勢獲取方法、電子設備及電腦可讀儲存媒體
CN115620201B (zh) 房屋模型构建方法、装置、设备及存储介质
CN114494486B (zh) 户型图生成方法、设备及存储介质
CN112580584A (zh) 起立行为检测方法、装置、系统及存储介质
WO2023103883A1 (zh) 对象自动标注方法、装置、电子设备及存储介质
WO2023155350A1 (zh) 一种人群定位方法及装置、电子设备和存储介质
CN111310595A (zh) 用于生成信息的方法和装置
CN114494824B (zh) 用于全景图像的目标检测方法、装置、设备及存储介质
CN107993247A (zh) 追踪定位方法、系统、介质和计算设备
KR20180069312A (ko) 라이트 필드 동영상을 이용한 물체 추적 방법 및 장치
Dong et al. Cost efficient virtual environment generation framework using annotated panoramic videos
WO2023103884A1 (zh) 对象模型建立方法、装置、电子设备及存储介质

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