【技术实现步骤摘要】
本专利技术涉及户型图智能识别方法领域，具体是一种自动识别光栅化户型平面图的方法。
技术介绍
1、户型平面图通常被光栅化为图像表示，但在此过程中会丢弃几何结构和语义信息，这限制了对户型平面数据的进一步分析和修改。户型平面图识别的目标是从光栅化的户型平面图中识别语义并重构结构。识别光栅化的户型平面图为矢量形式，这在建筑设计、场景建模、虚拟现实和机器人导航等领域具有重要意义。
2、深度学习是让计算机实现自我学习和改善的能力。深度神经网络是深度学习的基础，深层神经使得网络具有更强的表征能力，更强的学习能力。现实世界积累了大量高质量的光栅化户型平面图，一种直接的想法是从现有的光栅化户型平面图及其矢量格式的标注信息中学习户型平面图的自动识别，基于深度神经网络的方法可以学习并进行户型平面图的自动识别。
3、户型平面图可以用图的结构进行表示，其中图的顶点表示户型平面图中的角点，图的墙表示户型平面图中的墙段。与顶点相关的房间的语义信息作为相应顶点的属性。户型平面图可以表示成连通的图结构。这样光栅化户型平面图的识别问题可以转化为图结构的生成问题。图的遍历可以用于图的生成，以连通图的遍历为例，从图中某一顶点v出发，依次访问v的未被访问的邻接点，然后分别从这些邻接点出发依次访问这些点的邻接点，重复这个过程直到图中所有顶点都被访问到为止。在更一般的图的遍历中，不要求访问v的未被访问的全部邻接点，未被访问的邻接点将在后续过程中被遍历。
4、给定光栅化的户型平面图，按照更一般的图的遍历顺序，通过深度神经网络，以迭代的方式依
技术实现思路
1、本专利技术提供了一种自动识别光栅化户型平面图的方法，以解决现有技术户型平面图采用人工标注识别存在的过程繁琐冗长、自动化和智能化程度低的问题。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、一种自动识别光栅化户型平面图的方法，包括以下步骤：
4、步骤1、采用基于深度神经网络的角点预测模型，以光栅化户型平面图作为所述角点预测模型的输入，由所述角点预测模型预测得到光栅化户型平面图的一个角点，以及该角点关联的墙的信息和四周的房间的语义信息，以当前预测得到的角点作为起始角点，所述起始角点即为起始时的当前识别图，其中识别图指的是由角点集合和连接角点之间的墙集合组成的结构；
5、步骤2、以所述光栅化户型平面图以及步骤1得到的当前识别图作为所述角点预测模型的输入，由所述角点预测模型预测得到多个新角点，以及每个新角点关联的墙的信息和四周的房间的语义信息，以及每个新角点与当前识别图之间的墙的类型、新角点之间的墙的类型；将所有新角点添加至当前识别图的旧角点集合中，以对所述当前识别图进行更新；
6、步骤3、基于所述旧角点、各个新角点，以及每个新角点与旧角点之间、新角点之间的墙的类型，采用线搜索方法从所述光栅化户型平面图中搜索判断旧角点和每个新角点之间、新角点之间是否真实存在墙，若存在墙则将墙添加至所述当前识别图的墙集合中，以对所述当前识别图进行更新；
7、步骤4、重复步骤2、3，通过角点预测模型和线搜索的耦合以不断迭代更新当前识别图，直至步骤2中不再预测出现新的角点，由此得到户型平面图的最终识别图，以及最终识别图中各个角点关联的四周房间的语义信息；
8、步骤5、基于步骤4得到的最终识别图和角点关联的房间的语义信息，通过遍历图的最小环操作对所述最终识别图进行遍历，得到所有的最小环即为所有的房间，由此从光栅化户型平面图中识别得到房间。
9、进一步的，深度神经网络的角点预测模型为训练好的deformable detr模型。
10、进一步的步骤3中，线搜索过程为对于每个新角点，基于角点预测模型给出的其与当前识别图角点之间以及其他新角点之间的墙的类型，分别在上、下、左、右方向中存在墙的方向上，寻找距离新角点最近的角点，并将此角点作为墙的另一个端点。
11、进一步的步骤5中，遍历图的最小环操作过程为将图的每一条墙作为起始墙，规定某个端点到另一个端点为起始方向，迭代地寻找下一步的所有墙中，位于当前墙左侧并与当前墙夹角最小的墙，直至下一步寻找到的是起始墙，形成一个环，若为不重复的最小环则记录；遍历图的每一条墙得到所有最小环。
12、进一步的步骤5还包括：对于每个房间，选择构成该房间的所有角点关联的房间语义信息中出现频率最高的房间语义信息作为最终的房间类别，将所有带有类别的房间组建起来，得到矢量化的户型平面图。
13、与现有技术相比，本专利技术优点为：
14、本专利技术根据给定光栅化户型平面图，可以自动识别光栅化户型平面图，帮助设计师进一步分析或修改。本专利技术方法简单、易于部署于计算机，自动化程度高，减少繁琐的人工设计，基于深度神经网络的模型有充分可靠理论支撑。
本文档来自技高网...【技术保护点】
1.一种自动识别光栅化户型平面图的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，深度神经网络的角点预测模型为训练好的Deformable DETR模型。
3.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，步骤3中，线搜索过程为对于每个新角点，基于角点预测模型给出的其与当前识别图角点之间以及其他新角点之间的墙的类型，分别在上、下、左、右方向中存在墙的方向上，寻找距离新角点最近的角点，并将此角点作为墙的另一个端点。
4.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，步骤5中，遍历图的最小环操作过程为将图的每一条墙作为起始墙，规定某个端点到另一个端点为起始方向，迭代地寻找下一步的所有墙中，位于当前墙左侧并与当前墙夹角最小的墙，直至下一步寻找到的是起始墙，形成一个环，若为不重复的最小环则记录；遍历图的每一条墙得到所有最小环。
5.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，步骤5还包括：对于每个房间，选择构成该房间
...【技术特征摘要】
1.一种自动识别光栅化户型平面图的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，深度神经网络的角点预测模型为训练好的deformable detr模型。
3.根据权利要求1所述的一种自动识别光栅化户型平面图的方法，其特征在于，步骤3中，线搜索过程为对于每个新角点，基于角点预测模型给出的其与当前识别图角点之间以及其他新角点之间的墙的类型，分别在上、下、左、右方向中存在墙的方向上，寻找距离新角点最近的角点，并将此角点作为墙的另一个端点。
4.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：吴文明，郑利平，徐本柱，胡斯哲，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。