一种基于户型图拼接的自动布局方法及系统技术方案

本发明专利技术公开了一种利用深度学习算法抽取户型图和家具图特征时将户型图特征与家具特征拼接在一起的创新方式。本方法综合考虑了自动布局业务的逻辑，将房间户型与家具的空间关系反映在了独有的神经网络结构，在提高自动布局模型准确率的同时，降低了模型计算量。

An automatic layout method and system based on the combination of house type drawings

【技术实现步骤摘要】
一种基于户型图拼接的自动布局方法及系统
本专利技术涉及家居自动布局深度学习模型中，一种户型基图特征与家具图特征的拼接方法，属于计算机辅助设计

技术介绍
在利用深度学习开发房屋自动布局模型的过程中，一般会将房屋信息和待布局的家具信息同时输入到模型中，并设计一种模型结构，将两种信息融合在一起，然后再经过深度学习特有的数据加工机制，最后输出对应家具应布局在房屋的什么位置以及方向。具体的做法是将房屋信息和待布局的家具信息分别用一张图片表示。代表房屋信息的图片，即是将门窗墙投影到二维平面图中，用不同的颜色表示门窗墙。代表家具信息的图片，即是将家具轮廓投影到二维平面图中，并且用该类型家具特有的颜色进行标识。一般房屋信息的图片和家具信息的图片尺寸相同。用相同结构的CNN图形特征提取器分别对这两个图片进行特征提取。提取后的特征尺寸也是相同的，因此就简单地将两种特征按图片通道拼接在一起，然会输送到后续步骤继续处理。现有技术存在的缺点：简单的张量拼接不能反映室内布局领域的业务逻辑，最终影响算法效果。因为房屋和家具在空间上意义是不一样的，家具最终是部署在房屋中，在空间是家具属于房屋。上述简单拼接，在数学上是非常顺理的，但是并没有将这种从属关系反映在模型结构中。
技术实现思路
本专利技术的目的是：将家局布局的业务逻辑反映在深度学习模型结构上，通过将家具特征先整合成束再复制扩展的方式与房屋特征拼接在一起，提高模型准确率，降低模型计算量。一种基于户型图拼接的自动布局方法，包括如下步骤：第1步，输入表征房屋信息的二维平面户型图，用张量Proom表示，维度大小为(b,h,w,c)，其中b为户型图个数，h为户型图高，w为户型图宽，c为户型图通道；第2步，构建户型图特征提取器CNN_room(·)；第3步，计算户型图特征张量Eroom，维度大小为(b,h,w,d)，其中b,h,w和户型图的定义一样，d为户型图特征通道数；Eroom＝CNN_room(Proom)第4步，输入表征家具信息的二维平面图，用张量Pfurniture表示，维度大小为(b,h,w,c)；第5步，构建家具图特征提取器(CNN_furniture(·)；第6步，计算家具特征向量efurniture，维度大小为(b,s)，由于b是户型图个数(案例个数)，因此这里是b个家具特征向量，s是定义的家具特征通道数，所以维度大小是(b,s)；efurniture＝CNN_furniture(Pfurniture)第7步，构建家具特征张量Efurniture。方法是：将家具特征向量复制h×w份，然后按序排列成(h,w,s)的张量，因为b个案例同时处理，因此，家具特征张量最后的维度大小是(b,h,w,s)；Efurniture＝Transform(efurniture×W)第8步，形成融合户型和家具联合张量Ecom：将户型图特征张量(b,h,w,d)和家具图特征张量(b,h,w,s)按通道进行拼接，形成联合张量，维度大小为(b,h,w,d+s)；第9步，拼接后的联合张量作为后续的家具布局模型CNN_com(·)的输入，最终输出家具位置(x,y)和方向信息o；(x，y，o)＝CNN_com(Ecom)。在一个实施方式中，还包括以下步骤：将待处理样本输入至已经训练好的家具布局模型中，生成自动布局的结果。在一个实施方式中，第2步和第5步的CNN图形特征提取器，可以是例如VGG、Inception、ResNet等。一种基于户型图拼接的自动布局系统，包括：输入模块，用于输入表征房屋信息的二维平面户型图，用张量Proom表示，维度大小为(b,h,w,c)，其中b为户型图个数，h为户型图高，w为户型图宽，c为户型图通道；也用于输入表征家具信息的二维平面图，用张量Pfurniture表示，维度大小为(b,h,w,c)；构建户型图特征提取器模块，用于对二维平面户型图进行特征提取，得到户型图特征张量Eroom，维度大小为(b,h,w,d)，其中b,h,w和户型图的定义一样，d为户型图特征通道数；构建家具图特征提取器模块，用于计算家具特征向量efurniture，维度大小为(b,s)，b是户型图个数，s是家具特征通道数，维度大小是(b,s)；张量拼接模块，用于将家具特征向量复制h×w份，然后按序排列成(h,w,s)的张量，得到的维度大小是(b,h,w,s)，并且将户型图特征张量(b,h,w,d)和家具图特征张量(b,h,w,s)按通道进行拼接，形成联合张量，维度大小为(b,h,w,d+s)；布局模型模块，用于根据张量拼接模块得到的联合张量生成输出家具位置(x,y)和方向信息o。一种计算机可读介质，其记载有可以运行上述基于户型图拼接的自动布局方法的计算机程序。有益效果通过将家具特征整合成单束向量，然后，再将该向量在长度宽度方向上进行复制扩展，重新扩展成与房屋特征长宽尺寸相同的张量，最后拼接在一起。相当于把家具特征与每一个空间点上的房屋特征进行融合。让模型检测，该家具特征与每一个空间点上的房屋特征是否相容。从而将家具布局的业务知识反映在了深度学习模型结构上。本专利技术通过将家具特征整合成单束向量，该向量在长宽上尺寸都为1，只在通道维度上尺寸大于1。然后，再将该向量在长度宽度方向上进行复制扩展，重新扩展成与房屋特征长宽尺寸相同的张量，最后才拼接在一起。这样操作相当于把家具特征与每一个空间点上的房屋特征进行融合。让模型自动检测，该家具特征与每一个空间点上的房屋特征是否相容。从而将家具布局的业务知识反映在了深度学习模型结构上。实验表明，该方法既提高了准确率，又降低了计算量。对比实验中，在数据、其他模型结构、训练策略、训练机子等相关条件相同的情况下，使用本专利技术模型结构的比未使用本专利技术模型结构的准确率平均提升3.8％，收敛速度平均快23％，生成的最终效果如图4，收敛曲线如图5。附图说明图1是本专利技术的流程图。图2是本专利技术所述户型图。图3是本专利技术所述家具图。图4是采用本专利技术生成的最终家具布局效果图。图5是收敛趋势对比曲线图。具体实施方式通过以下步骤来对本专利技术的实施过程和效果进行详细地说明：本专利技术中所使用的户型图数据，可以如图2所示的这样，户型图中主要表现出了其实的各个房间的区域轮廓，以及各个区域之间的相对位置坐标，其他的家具图可以如图3所示的这样，主要在图中表现出了家具的平面形状和大小。第1步，输入表征房屋信息的二维平面户型图，用张量Proom表示，维度大小为(b,h,w,c)，其中b为户型图个数，h为户型图高，w为户型图宽，c为户型图通道。第2步，构建户型图特征提取器(在本实施例中，图形特征提取器是以ResNet为例)，其采用的卷积和图像的一些基本参数是：训练参数：batch_size＝128,learning_rate本文档来自技高网...

【技术保护点】
1.一种基于户型图拼接的自动布局方法，其特征在于，包括如下步骤：/n第1步，输入表征房屋信息的二维平面户型图，用张量P

【技术特征摘要】
1.一种基于户型图拼接的自动布局方法，其特征在于，包括如下步骤：
第1步，输入表征房屋信息的二维平面户型图，用张量Proom表示，维度大小为(b，h，w，c)，其中b为户型图个数，h为户型图高，w为户型图宽，c为户型图通道；
第2步，构建户型图特征提取器CNN_room(·)；
第3步，计算户型图特征张量Eroom，维度大小为(b，h，w，d)，其中b，h，w和户型图的定义一样，d为户型图特征通道数；
Eroom＝CNN_room(Proom)
第4步，输入表征家具信息的二维平面图，用张量Pfurniture表示，维度大小为(b，h，w，c)；
第5步，构建家具图特征提取器(CNN_furniture(·)；
第6步，计算家具特征向量efurniture，维度大小为(b，s)，b是户型图个数，s是家具特征通道数，维度大小是(b，s)；
efurniture＝CNN_furniture(Pfurniture)
第7步，构建家具特征张量Efurniture，方法是：将家具特征向量复制h×w份，然后按序排列成(h，w，s)的张量，得到的维度大小是(b，h，w，s)；
Efurniture＝Transform(efurniture×W)
第8步，形成融合户型和家具联合张量Ecom：将户型图特征张量(b，h，w，d)和家具图特征张量(b，h，w，s)按通道进行拼接，形成联合张量，维度大小为(b，h，w，d+s)；
第9步，拼接后的联合张量作为后续的家具布局模型CNN_com(·)的输入，最终输出家具位置(x，y)和方向信息o；
(x，y，o)＝CNN_com(Ecom)。


2.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：陈旋，吕成云，林善冬，
申请(专利权)人：江苏艾佳家居用品有限公司，
类型：发明
国别省市：江苏;32