System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,尤其是一种相机智能布局方法、装置、电子设备和存储介质。
技术介绍
1、在当今的科技时代,ai和计算机视觉技术已经在各种应用中发挥了关键作用,例如自动驾驶、物联网设备、智能家居系统等。其中,空间类型ai推理技术用于识别和理解环境中的物体、场景和情境,为决策制定提供了重要信息。而相机智能布局技术则涉及相机和传感器的使用,用于获取环境数据,通常用于监控、安全、导航和虚拟现实等领域。尽管这两种技术各自具有显著的潜力,但它们通常在应用中独立运作,缺乏有效的融合方法。目前的方法存在一些局限性,如无法将ai推理与相机智能布局有效地结合,以实现更强大的环境感知和决策支持。
技术实现思路
1、有鉴于此,本专利技术实施例提供一种相机智能布局方法、装置、电子设备和存储介质,以利用ai推理知识与强化学习来完成相机智能布局,提高环境感知效率和智能性。
2、本专利技术实施例的一方面提供了一种相机智能布局方法,包括:
3、根据户型结构对空间信息进行结构化处理,得到结构化的户型数据,进而基于所述户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合;
4、根据所述户型特征集合,利用神经网络的节点分类算法进行空间类型推理,获取户型结构中各个空间的控件类型先验信息;
5、汇总历史数据,根据神经网络的网络结构进行状态表示设计和奖励函数定义,采用强化学习算法训练得到初始网络模型;
6、根据所述初始网络模型对测试数据进行智能布局,进行
7、将所述目标网络模型部署到实际相机系统中进行智能布局处理,得到的渲染图结果,并将所述渲染图结果与默认渲染效果图进行可视化感官对比,完成相机智能布局。
8、可选地,所述根据户型结构对空间信息进行结构化处理,得到结构化的户型数据,进而基于所述户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合,包括:
9、根据历史数据,将待分析的房间类型归纳为10类,包括客厅、辅助房、阳台、卧室、厨房、浴室、走廊、多功能房、入户花园和自定义房间;
10、筛选得到具有房间类型标注的户型图数据,以一个户型为单位,将户型图数据以文本的形式整合到一起,保存为结构化户型数据集合;
11、遍历结构化户型数据集合,对于结构化户型数据集合中的每一个户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合。
12、可选地,所述对于结构化户型数据集合中的每一个户型数据构建户型连通气泡图后进行户型特征提取,包括:
13、以每个房间作为节点,节点标注为对应的房间类型;
14、以房间之间的连通关系作为边,边类型确定为连通关系;
15、构建出一个户型连通气泡图;
16、依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为辅助特征;
17、根据户型连通气泡图内得连通关系构建出一个关系列表,将所述关系列表和节点特征一起保存为一份训练样本;
18、将遍历结束后得到户型特征集合划分为训练数据和验证数据。
19、可选地,所述根据所述户型特征集合,利用神经网络的节点分类算法进行空间类型推理,获取户型结构中各个空间的控件类型先验信息,包括:
20、构建图神经网络节点分类模型,读取所述户型特征集合划分得到的训练数据并批次载入所述图神经网络节点分类模型进行训练;
21、对模型预测的分类结果做交叉熵损失计算,并用验证集进行分类精度验证,训练得到目标模型;
22、向所述目标模型输入目标场景的户型结构信息进行推理,得到目标场景的各个空间的类型信息,作为智能布局任务的先验信息。
23、可选地,所述汇总历史数据,根据神经网络的网络结构进行状态表示设计和奖励函数定义,采用强化学习算法训练得到初始网络模型,包括:
24、获取和收集历史渲染数据,所述历史渲染数据包括相机布局的各种场景和环境信息,所述场景和环境信息包含渲染图、空间类型、相机位置、相机参数以及相机角度;
25、将每个场景的状态表示为神经网络的输入;
26、设计用于学习相机布局的网络结构,使用卷积神经网络来处理图像信息,并与全连接层结合以处理其他环境信息;将图像数据输入神经网络,以使神经网络学习从图像中提取特征;
27、定义奖励函数,以评估每个相机布局的性能;其中,所述奖励函数包括图像质量指标、信息捕捉效率指标和场景特定的需求指标;
28、根据所述历史渲染数据,采用目标强化学习算法进行神经网络的训练,在训练过程中,通过所述目标强化学习算法来调整相机的位置和角度,以最大化累积奖励,并通过最小化损失函数来优化网络参数;其中,所述目标强化学习算法包括深度确定性策略梯度算法或者深度q网络算法。
29、可选地,所述根据所述初始网络模型对测试数据进行智能布局,进行模型评估和调整,得到目标网络模型,包括:
30、加载所述初始网络模型,使用验证集进行模型评估,以使得所述目标网络模型在新的场景中泛化;
31、根据所述验证集的评估结果进行模型超参数的调整、优化目前强化学习算法或修改奖励函数,得到优化后的目标网络模型。
32、本专利技术实施例的另一方面还提供了一种相机智能布局装置,包括:
33、第一模块,用于根据户型结构对空间信息进行结构化处理,得到结构化的户型数据,进而基于所述户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合;
34、第二模块,用于根据所述户型特征集合,利用神经网络的节点分类算法进行空间类型推理,获取户型结构中各个空间的控件类型先验信息;
35、第三模块,用于汇总历史数据,根据神经网络的网络结构进行状态表示设计和奖励函数定义,采用强化学习算法训练得到初始网络模型;
36、第四模块,用于根据所述初始网络模型对测试数据进行智能布局,进行模型评估和调整,得到目标网络模型;
37、第五模块,用于将所述目标网络模型部署到实际相机系统中进行智能布局处理,得到的渲染图结果,并将所述渲染图结果与默认渲染效果图进行可视化感官对比,完成相机智能布局。
38、本专利技术实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
39、所述存储器用于存储程序;
40、所述处理器执行所述程序实现如前面所述的方法。
41、本专利技术实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
42、本专利技术实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计本文档来自技高网...
【技术保护点】
1.一种相机智能布局方法,其特征在于,包括:
2.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述根据户型结构对空间信息进行结构化处理,得到结构化的户型数据,进而基于所述户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合,包括:
3.根据权利要求2所述的一种相机智能布局方法,其特征在于,所述对于结构化户型数据集合中的每一个户型数据构建户型连通气泡图后进行户型特征提取,包括:
4.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述根据所述户型特征集合,利用神经网络的节点分类算法进行空间类型推理,获取户型结构中各个空间的控件类型先验信息,包括:
5.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述汇总历史数据,根据神经网络的网络结构进行状态表示设计和奖励函数定义,采用强化学习算法训练得到初始网络模型,包括:
6.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述根据所述初始网络模型对测试数据进行智能布局,进行模型评估和调整,得到目标网络模型,包括:
7.一种相机智能
8.一种电子设备,其特征在于,包括处理器以及存储器;
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种相机智能布局方法,其特征在于,包括:
2.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述根据户型结构对空间信息进行结构化处理,得到结构化的户型数据,进而基于所述户型数据构建户型连通气泡图后进行户型特征提取,得到户型特征集合,包括:
3.根据权利要求2所述的一种相机智能布局方法,其特征在于,所述对于结构化户型数据集合中的每一个户型数据构建户型连通气泡图后进行户型特征提取,包括:
4.根据权利要求1所述的一种相机智能布局方法,其特征在于,所述根据所述户型特征集合,利用神经网络的节点分类算法进行空间类型推理,获取户型结构中各个空间的控件类型先验信息,包括:
5.根据权利要求1所述的一种相机智能布局方法,其特征在于...
【专利技术属性】
技术研发人员:柯建生,戴振军,
申请(专利权)人:广州极点三维信息科技有限公司,
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。