本發(fā)明涉及室內(nèi)區(qū)域布局預測，特別涉及一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法及系統(tǒng)。

背景技術(shù)：

室內(nèi)場景一般由建筑主體結(jié)構(gòu)和室內(nèi)物體構(gòu)成，室內(nèi)物體的布局是體現(xiàn)室內(nèi)場景的重要細節(jié)，作為室內(nèi)場景的一部分，家居場景近些年受到虛擬現(xiàn)實相關(guān)應(yīng)用領(lǐng)域的關(guān)注，針對家居場景自動布局問題，現(xiàn)有方法多以預定義規(guī)則為基礎(chǔ)，通過人為定義場景內(nèi)物體應(yīng)滿足的規(guī)則或約束并用數(shù)學表達式描述，這類方法主要考慮室內(nèi)物體之間的關(guān)系，對現(xiàn)實生活中常出現(xiàn)的復雜的房間結(jié)構(gòu)缺乏考慮，并且，當規(guī)則定義不完善時，難以產(chǎn)生合理的布局結(jié)果。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種房間形狀幾何特征描述方法及系統(tǒng)。

本發(fā)明提出一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法，包括：

步驟1，提取家居場景案例庫中所有房間的形狀特征與室內(nèi)區(qū)域的布局屬性，構(gòu)造布局預測模型訓練集，其中所述布局預測模型訓練集為<布局屬性的類別標簽，形狀特征>二元組集合；

步驟2，根據(jù)所述布局預測模型訓練集，訓練布局預測模型，根據(jù)待布局房間的形狀特征，通過所述布局預測模型預測待布局房間的室內(nèi)區(qū)域的位置分布，以完成預測室內(nèi)區(qū)域布局。

所述步驟1包括歸一化的入口位置、面積、長寬比、形狀伸展度。

所述布局屬性包括位置坐標屬性、尺寸屬性、朝向?qū)傩浴?/p>

所述步驟2包括構(gòu)造布局得分函數(shù)：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示當房間的形狀特征為F時,室內(nèi)區(qū)域G的一個布局屬性π(G)的取值得分,即用一個分布p描述布局屬性取值的概率分布。

所述步驟2還包括使用多項邏輯回歸訓練分類器。

本發(fā)明還提出一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測系統(tǒng)，包括：

構(gòu)造布局預測模型訓練集模塊，用于提取家居場景案例庫中所有房間的形狀特征與室內(nèi)區(qū)域的布局屬性，構(gòu)造布局預測模型訓練集，其中所述布局預測模型訓練集為<布局屬性的類別標簽，形狀特征>二元組集合；

預測模塊，用于根據(jù)所述布局預測模型訓練集，訓練布局預測模型，根據(jù)待布局房間的形狀特征，通過所述布局預測模型預測待布局房間的室內(nèi)區(qū)域的位置分布，以完成預測室內(nèi)區(qū)域布局。

所述構(gòu)造布局預測模型訓練集模塊包括歸一化的入口位置、面積、長寬比、形狀伸展度。

所述布局屬性包括位置坐標屬性、尺寸屬性、朝向?qū)傩浴?/p>

所述預測模塊包括構(gòu)造布局得分函數(shù)：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示當房間的形狀特征為F時,室內(nèi)區(qū)域G的一個布局屬性π(G)的取值得分,即用一個分布p描述布局屬性取值的概率分布。

所述預測模塊還包括使用多項邏輯回歸訓練分類器。

由以上方案可知，本發(fā)明的優(yōu)點在于：

本發(fā)明無需人為預先定義待布局對象布局應(yīng)滿足的約束，可以從布局案例中學習布局空間幾何特征與布局對象位置分布的關(guān)系，并對新的布局空間預測其布局對象的位置分布。

附圖說明

圖1為數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法流程圖。

圖2為房間形狀幾何特征示意圖。

具體實施方式

本發(fā)明的目的是提供一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法，從已布局的家居場景案例庫(案例庫一般包含房間的形狀特征以及房間中所有室內(nèi)區(qū)域的功能類型、尺寸、位置、朝向信息)中提取相關(guān)信息，訓練布局預測模型，根據(jù)待布局房間的形狀特征預測室內(nèi)區(qū)域的位置分布，以自動獲得家居場景的室內(nèi)區(qū)域布局。

為了實現(xiàn)上述目的，本發(fā)明提供的室內(nèi)區(qū)域布局預測方法包括如下步驟：

步驟1，構(gòu)造布局預測模型訓練集；

步驟2，訓練布局預測模型；

步驟3，根據(jù)待布局房間的形狀特征，用布局預測模型預測待布局房間的室內(nèi)區(qū)域的位置分布。

所述步驟1包括以下子步驟：

步驟11，提取案例庫中所有房間的形狀特征；

步驟12，提取案例庫中所有房間各類室內(nèi)區(qū)域的布局屬性；

步驟13，構(gòu)造<布局屬性的類別標簽，形狀特征>二元組集合。

所述步驟2,包括以下子步驟：

步驟21，構(gòu)造布局得分函數(shù)；

步驟22，按室內(nèi)區(qū)域布局屬性的類別訓練布局預測模型。

本發(fā)明還提出一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測系統(tǒng)，包括：

構(gòu)造布局預測模型訓練集模塊，用于提取家居場景案例庫中所有房間的形狀特征與室內(nèi)區(qū)域的布局屬性，構(gòu)造布局預測模型訓練集，其中所述布局預測模型訓練集為<布局屬性的類別標簽，形狀特征>二元組集合；

預測模塊，用于根據(jù)所述布局預測模型訓練集，訓練布局預測模型，根據(jù)待布局房間的形狀特征，通過所述布局預測模型預測待布局房間的室內(nèi)區(qū)域的位置分布，以完成預測室內(nèi)區(qū)域布局。

所述構(gòu)造布局預測模型訓練集模塊包括歸一化的入口位置、面積、長寬比、形狀伸展度。

所述布局屬性包括位置坐標屬性、尺寸屬性、朝向?qū)傩浴?/p>

所述預測模塊包括構(gòu)造布局得分函數(shù)：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示當房間的形狀特征為F時,室內(nèi)區(qū)域G的一個布局屬性π(G)的取值得分,即用一個分布p描述布局屬性取值的概率分布。

所述預測模塊還包括使用多項邏輯回歸訓練分類器。

下面參照附圖介紹本發(fā)明的方法的具體實施過程，圖1為數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法流程圖。

本發(fā)明公開的是一種數(shù)據(jù)驅(qū)動的室內(nèi)區(qū)域布局預測方法，室內(nèi)區(qū)域是指共同完成某種功能的一組家具集合所構(gòu)成的區(qū)域，例如客廳中的一組沙發(fā)和茶幾共同完成座談功能，這組沙發(fā)和茶幾構(gòu)成的矩形區(qū)域為“座談區(qū)域”，為了根據(jù)房間形狀預測室內(nèi)區(qū)域的位置分布，首先，從案例庫中抽取先驗知識，訓練布局預測模型，然后，將待布局的房間幾何特征輸入布局約束模型，輸出室內(nèi)區(qū)域的位置分布。具體來講：

步驟S1，構(gòu)造布局預測模型訓練集。

步驟S11，提取案例庫中所有房間的形狀特征和。房間的形狀特征由以下幾項構(gòu)成：

步驟S111，歸一化的入口位置(E_x,E_y)，即入戶門在房間局部坐標系下歸一化的坐標。入戶門位置在房間局部坐標系下的額坐標為(E_x0,E_y0),則歸一化的坐標(E_x,E_y)＝(E_x0/W,E_y0/L)。

步驟S112，面積(S),即房間輪廓圍成的封閉多邊形的面積。

步驟S113，長寬比(R)，即房間的長與寬的比值，R＝L/W。

步驟S114，形狀伸展度(C)，即房間輪廓形成的封閉多邊形接近矩形的程度，用該多邊形分別按x軸方向和y軸方向分解的矩形中心點的協(xié)方差矩陣C1和C2描述。按x軸方向分解簡稱縱切，按y軸方向分解簡稱橫切，如圖2所示，該房間輪廓多邊形可由虛線橫切劃分為三個矩形，中心點坐標向量為x_h＝(x₁,x₂,x₃)^T,y_h＝(y₁,y₂,y₃)^T h表示橫切后獲得的矩形中心點坐標向量,T表示向量的轉(zhuǎn)置運算，其中心點坐標的協(xié)方差矩陣同時，該房間輪廓多邊形可由虛線縱切劃分為三個矩形，中心點坐標向量為x_v＝(x₄,x₅,x₆)^T,y_v＝(y₄,y₅,y₆)^T，其中心點坐標的協(xié)方差矩陣v表示縱切后獲得的矩形中心點坐標向量。由于cov(x_h,y_h)＝cov(y_h,x_h)且cov(x_v,y_v)＝cov(y_v,x_v)，因此C＝(cov(x_h,y_h),cov(x_h,x_h),cov(y_h,y_h),cov(x_v,y_v),cov(x_v,x_v),cov(y_v,y_v))。

綜上所述，一個布局空間的幾何特征F＝(Ex,Ey,S,R,C)是一組10維的特征向量。

步驟S12，提取案例庫中所有房間各類室內(nèi)區(qū)域的布局屬性，室內(nèi)區(qū)域的布局屬性包括如下幾項：

室內(nèi)區(qū)域G的一元布局屬性π(G)＝(x_p,y_p,θ_p,l_p,w_p)，包括該室內(nèi)區(qū)域在房間中歸一化的位置坐標、朝向和尺寸。

步驟S121，位置坐標屬性：x_p＝x/W，y_p＝y(tǒng)/L，其中x和y分別為該室內(nèi)區(qū)域位置點在x軸和y軸方向的坐標值，W和L分別為房間的寬和長，位置坐標屬性x_p和y_p的取值均為[0,1]范圍內(nèi)的連續(xù)值，記π₁(G)＝x_p,π₂(G)＝y(tǒng)_p。

步驟S122，尺寸屬性：l_p＝l_y/L，w_p＝l_x/W,其中l(wèi)_y和l_x分別為該室內(nèi)區(qū)域的長和寬，L和W分別為房間的長和寬，尺寸屬性l_p和w_p的取值均為[0,1]范圍內(nèi)的連續(xù)值，記π₃(G)＝l_p,π₄(G)＝w_p。

步驟S123，朝向?qū)傩裕害?sub>p＝θ，其中θ是該室內(nèi)區(qū)域的朝向角度，本發(fā)明涉及的室內(nèi)區(qū)域角度均為90°的整數(shù)倍，因此朝向?qū)傩缘娜≈凳莧0,90,180,270}中的離散值，記π₅(G)＝θ_p。

步驟S13，構(gòu)造<屬性類別標簽，形狀特征>二元組。房間的形狀特征和同類室內(nèi)區(qū)域(如座談區(qū)域)的同類布局屬性值(如X值)組成<屬性值，形狀特征>二元組，將案例庫中同類房間(如客廳)的<屬性值，形狀特征>二元組構(gòu)成集合。連續(xù)的屬性值離散化后，得到屬性類別標簽。具體來說，布局屬性類別標簽C_t(G),t＝1,...,4，由連續(xù)的布局屬性值π_t(G),t＝1,...,4分別離散化得到。本方法采用k均值聚類將每一類布局屬性出現(xiàn)過的屬性值劃分為k類，記錄每一類的聚類中心μ_t＝(μ_t1,...,μ_tk),μ_t1<...<μ_tk。對于位置坐標屬性，我們分別將所有出現(xiàn)過的xp值和yp值分為k類，相當于在坐標系上縱橫各分了k格，每一格看作一類，坐標值落在哪一格則對應(yīng)那一類，得到x坐標屬性類別標簽C₁(G)＝cx,cx∈{1,...,k}，y坐標屬性類別標簽C₂(G)＝cy,cy∈{1,...,k}，同理可得到尺寸的屬性類別標簽C₃(G)和C₄(G)。由于朝向?qū)傩允羌蟵0,90,180,270}中的離散值，因此定義朝向?qū)傩灶悇e標簽C₅(G)＝θ_p/(π/2)+1，C₅(G)∈{1,2,3,4}。

對于所有的家居場景案例，相同類型的二元組構(gòu)成的集合稱為一個訓練集N表示布局屬性的類型即二元組的類型，M表示室內(nèi)區(qū)域的類型，num為該訓練集的大小。訓練集中的組成元素稱為訓練樣本。設(shè)室內(nèi)區(qū)域的類型有m種，每種室內(nèi)區(qū)域?qū)?yīng)n個布局屬性，則有m*n個訓練集。

步驟S2，訓練布局預測模型；

步驟S21，構(gòu)造布局得分函數(shù)：

布局得分函數(shù)

φ(G)＝lnp(π(G)|F) 公式1

其中φ(G)表示當房間的形狀特征為F時,室內(nèi)區(qū)域G的一個布局屬性π(G)的取值得分,即用一個分布p描述布局屬性取值的概率分布。

步驟S22，按室內(nèi)區(qū)域布局屬性的類別訓練布局預測模型。

在步驟S21小節(jié)所述的m*n個訓練集上分別訓練分類器得到表示每種功能區(qū)域的每種屬性類別標簽和房間幾何特征內(nèi)在聯(lián)系的參數(shù)。在分類器的選擇上，由于邏輯回歸可以自然地處理多類別的問題，本方法使用多項邏輯回歸(Multinomial Logistic Regression)訓練分類器。

步驟S3，根據(jù)待布局房間的形狀特征，用布局預測模型預測待布局區(qū)域的位置分布。

給定一個待布局的目標空間，設(shè)其房間形狀幾何特征為F，要求的布局屬性為π_t(G_j),t∈{1,...,n},j∈{1,...,m}，布局預測模型將預測該布局屬性取值的概率分布p(π_t(G_j)|F)，代入公式1，得到該布局屬性的得分。

首先，將F輸入對應(yīng)的分類器該分類器將輸出概率向量其中k為類別標簽的類別個數(shù)。該概率向量描述所求布局屬性屬于每個類別標簽的概率，進而得到一個概率分布直方圖。接著，用核密度估計的方法將該直方圖平滑化，將直方圖轉(zhuǎn)化為連續(xù)的概率密度函數(shù)，得到概率分布曲線。

設(shè)布局屬性為π_t，其屬性類別標簽集合為C_t，對應(yīng)的聚類中心集合M＝{μ_i|i＝1,...,k}，類別數(shù)目|C_t|＝k,直方圖bin的集合為U，|U|＝k，直方圖第i個bin對應(yīng)的頻率為P_i'。對布局屬性取值范圍內(nèi)的任意值s，它的概率密度計算公式如下：

其中，σ_i由μ_i三個最近鄰的平均距離求得。