基于预测网络的村落房屋布局方法、存储介质及终端设备技术

本发明专利技术提供一种基于预测网络的村落布局方法、存储介质及终端设备，其中，方法步骤包括：对传统村落建筑地形进行图像采集，得到原始数据源；根据村落中的道路走向将村落划分为区块，得到地形图表格数据；对地形图表格数据进行扩展、转换处理，得到模型输入数据；根据模型输入数据构建村落布局决策网络，村落布局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块；将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。本发明专利技术根据模型输入数据构建村落布局决策网络预测房屋的类别、位置和朝向，使得村落布局生成速度和质量均得到提高。使得村落布局生成速度和质量均得到提高。使得村落布局生成速度和质量均得到提高。

【技术实现步骤摘要】
基于预测网络的村落房屋布局方法、存储介质及终端设备


[0001]本专利技术涉及室外场景布局领域，特别涉及基于预测网络的村落房屋布局方法、存储介质及终端设备。

技术介绍

[0002]布局主要的研究对象是空间位置关系，大方向上具体可分为：室内及室外场景布局。其中，室外场景布局包括村落布局，室内场景布局包括两种类型的布局设计：一种是空间划分，如户型图，每个房间有特定功能，并且房间之间可能有关联；另一种是家具布局，按照一定规则安排房间中家具的摆放。
[0003]目前，对村落布局的研究为数不多，且大多基于传统方法，主要是按照特定的布局规则和功能性要求等自定义输入约束来生成对象空间位置。在构建较大场景的民居群时，随着需要布局的房屋个数的增多，布局优化算法时间复杂度会上升，生成速度和质量会显著下降，难以满足实时性要求。就布局领域来说，有学者将深度学习应用在家居布局上，提出了一种基于卷积神经网络的室内场景综合方法，能够加快布局生成速度。但由于领域特点存在较大差异，如村落面积较大、房屋形状不规则、村落内道路复杂等，无法将深度学习应用在家居布局的流程迁移到村落布局上，进而无法实现村落的快速布局。
[0004]因此，现有技术还有待于改进。

技术实现思路

[0005]鉴于上述现有技术的不足，本专利技术的目的在于提供一种基于预测网络的村落布局方法，旨在解决现有村落布局生成速度慢、质量低的问题。
[0006]本专利技术的技术方案如下：
[0007]一种基于预测网络的村落布局方法，其中，包括步骤：<br/>[0008]对传统村落建筑地形进行图像采集，根据采集的图像绘制传统村落地形图并在所述地形图上标注房屋信息，得到原始数据源；
[0009]根据村落中的道路走向将所述原始数据源中的村落划分为区块，将每个区块的轮廓点坐标，每个区块包括的房屋信息以及房屋轮廓点坐标存入表格中，得到地形图表格数据；
[0010]对所述地形图表格数据进行扩展、转换处理，得到模型输入数据；
[0011]根据所述模型输入数据构建村落布局决策网络，所述村落布局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块；
[0012]将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。
[0013]所述基于预测网络的村落布局方法，其中，对所述地形图表格数据进行扩展、转换处理的步骤包括：
[0014]从所述地形图表格数据中依次提取每张表格中的房屋信息、房屋轮廓点坐标及区
块轮廓点坐标，用纯文本形式存储表数据，得到一个CSV文件，以_block_cnts.csv为后缀；
[0015]计算每个区块包含的所有房屋的扩展信息，并以block_info.csv为后缀。
[0016]所述基于预测网络的村落布局方法，其中，所述房屋的扩展信息包括房屋面积、门的朝向角度、房屋最小矩形包围盒的旋转基准点坐标、房屋轮廓点坐标、房屋是否为凸多边形、房屋是否分割、房屋最小矩形包围盒的中心点坐标、房屋材质标签、楼层标签、房屋形状标签、区块面积分类标签、经比例换算后的房屋的最小矩形包围盒中心到区块最近的距离值、经比例换算后的房子的最小矩形包围盒中心到区块中心的距离值和房屋评分中的一种或多种。
[0017]所述基于预测网络的村落布局方法，其中，对所述地形图表格数据进行扩展、转换处理的步骤包括：
[0018]对所述地形图表格数据中的每个区块进行正交自顶向下渲染，将每个区块区域映射到256*256图像上；
[0019]将语义特征编码到通道上，所述通道的第一层是区块通道，在区块内取1；所述通道的第二层是所有房屋的通道，有房屋处像素值为1；所述通道的第三、四层是房屋朝向通道，两个通道分别编码sinθ和cosθ；所述通道的第五层是5层的材质类别通道、5层的楼层类别通道、6层的形状类别通道以及5层的房屋面积类别通道。
[0020]所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
[0021]预先在所述村落布局决策网络中添加房屋继续放置判断模块；
[0022]将当前区块场景映射到256*256的区块多通道视图上，作为房屋继续放置判断模块的输入数据；
[0023]用两组特征来封装当前区块场景的状态，existingcountsS表示当前block场景中已经存在的每个房屋类别的计数向量，ResnetVS是用ResNet18来提取VS的高级特征，输出当前区块场景中是否能够继续放置房屋的概率：Pcontinue(T|S)＝(MLPexistingcountsS，ResnetVS)，其中，MLP表示若干个线性层。
[0024]所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
[0025]预先在所述村落布局决策网络中添加房屋类别模块；
[0026]将经过房屋继续放置判断模块确认需要继续放置房屋的区块场景映射到256*256的区块多通道视图上，作为房屋类别模块的输入数据；
[0027]通过公式Pcat(Pi|Cati,S)＝(LinearMLPCati，ResnetVS)获取添加进区块场景的房屋的四个类别概率分布，其中i∈1,2,3,4，所述四个类别分别为材质标签，楼层标签，形状标签，面积标签。
[0028]所述的基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
[0029]预先在所述村落布局决策网络中添加房屋位置模块；
[0030]将经过房屋类别模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋位置模块的输入数据；
[0031]通过公式Ploc(Pl|S)＝MLPUpConvResnetVS，获取房屋在可能位置出现的每个像
素的概率。
[0032]所述基于预测网络的村落布局方法，其中，根据所述模型输入数据构建村落布局决策网络的步骤包括：
[0033]预先在所述村落布局决策网络中添加房屋朝向模块；
[0034]将经过房屋位置模块确认的区块场景映射到256*256的区块多通道视图上，作为房屋朝向模块的输入数据；
[0035]通过公式μ,σ2＝split(MLPVS)、Sdown＝linear(DownConvVS)、cosθ＝MLP([z,Sdown])获取房屋的旋转角度，其中，使用MLP多个线性层对输入场景编码，将其分割成两个维度相同的特征均值μ和方差σ2，根据前述的均值和方差构建一个正态分布，从该正态分布P～N(0,1)中采样一个随机向量z。
[0036]本专利技术还提供了一种存储介质，其中，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如本专利技术提供的基于预测网络的村落布局方法的步骤。
[0037]本专利技术还提供了一种终端设备，其中，包括处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测网络的村落布局方法，其特征在于，包括步骤：对传统村落建筑地形进行图像采集，根据采集的图像绘制传统村落地形图并在所述地形图上标注房屋信息，得到原始数据源；根据村落中的道路走向将所述原始数据源中的村落划分为区块，将每个区块的轮廓点坐标，每个区块包括的房屋信息以及房屋轮廓点坐标存入表格中，得到地形图表格数据；对所述地形图表格数据进行扩展、转换处理，得到模型输入数据；根据所述模型输入数据构建村落布局决策网络，所述村落布局决策网络包括房屋继续放置判断模块、房屋类别模块、房屋位置模块、房屋朝向模块；将当前一个空的或者已有部分房屋存在的区块场景处理成多通道特征图并输入到所述村落布局决策网络中，输出村落布局结果。2.根据权利要求1所述基于预测网络的村落布局方法，其特征在于，对所述地形图表格数据进行扩展、转换处理的步骤包括：从所述地形图表格数据中依次提取每张表格中的房屋信息、房屋轮廓点坐标及区块轮廓点坐标，用纯文本形式存储表数据，得到一个CSV文件，以_block_cnts.csv为后缀；计算每个区块包含的所有房屋的扩展信息，并以block_info.csv为后缀。3.根据权利要求2所述基于预测网络的村落布局方法，其特征在于，所述房屋的扩展信息包括房屋面积、门的朝向角度、房屋最小矩形包围盒的旋转基准点坐标、房屋轮廓点坐标、房屋是否为凸多边形、房屋是否分割、房屋最小矩形包围盒的中心点坐标、房屋材质标签、楼层标签、房屋形状标签、区块面积分类标签、经比例换算后的房屋的最小矩形包围盒中心到区块最近的距离值、经比例换算后的房子的最小矩形包围盒中心到区块中心的距离值和房屋评分中的一种或多种。4.根据权利要求1所述基于预测网络的村落布局方法，其特征在于，对所述地形图表格数据进行扩展、转换处理的步骤包括：对所述地形图表格数据中的每个区块进行正交自顶向下渲染，将每个区块区域映射到256*256图像上；将语义特征编码到通道上，所述通道的第一层是区块通道，在区块内取1；所述通道的第二层是所有房屋的通道，有房屋处像素值为1；所述通道的第三、四层是房屋朝向通道，两个通道分别编码sinθ和cosθ；所述通道的第五层是5层的材质类别通道、5层的楼层类别通道、6层的形状类别通道以及5层的房屋面积类别通道。5.根据权利要求4所述的基于预测网络的村落布局方法，其特征在于，根据所述模型输入数据构建村落布局决策网络的步骤包括：预先在所述村落布局决策网络中添加房屋继续放置判断模块；将当前区块场景映射到256*256的区块多通道视图上，作为房屋继续放置判断模块的输入数据；用两组特征来封装当前区块场景的状态，ex...

【专利技术属性】
技术研发人员：李琳，朱蕾，程堂明，郑祖德，陈伟煊，
申请(专利权)人：安徽省城建设计研究总院股份有限公司，
类型：发明
国别省市：