一种数据驱动的室内区域布局预测方法及系统与流程

本发明涉及室内区域布局预测，特别涉及一种数据驱动的室内区域布局预测方法及系统。

背景技术：

室内场景一般由建筑主体结构和室内物体构成，室内物体的布局是体现室内场景的重要细节，作为室内场景的一部分，家居场景近些年受到虚拟现实相关应用领域的关注，针对家居场景自动布局问题，现有方法多以预定义规则为基础，通过人为定义场景内物体应满足的规则或约束并用数学表达式描述，这类方法主要考虑室内物体之间的关系，对现实生活中常出现的复杂的房间结构缺乏考虑，并且，当规则定义不完善时，难以产生合理的布局结果。

技术实现要素：

针对现有技术的不足，本发明提出一种房间形状几何特征描述方法及系统。

本发明提出一种数据驱动的室内区域布局预测方法，包括：

步骤1，提取家居场景案例库中所有房间的形状特征与室内区域的布局属性，构造布局预测模型训练集，其中所述布局预测模型训练集为<布局属性的类别标签，形状特征>二元组集合；

步骤2，根据所述布局预测模型训练集，训练布局预测模型，根据待布局房间的形状特征，通过所述布局预测模型预测待布局房间的室内区域的位置分布，以完成预测室内区域布局。

所述步骤1包括归一化的入口位置、面积、长宽比、形状伸展度。

所述布局属性包括位置坐标属性、尺寸属性、朝向属性。

所述步骤2包括构造布局得分函数：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。

所述步骤2还包括使用多项逻辑回归训练分类器。

本发明还提出一种数据驱动的室内区域布局预测系统，包括：

构造布局预测模型训练集模块，用于提取家居场景案例库中所有房间的形状特征与室内区域的布局属性，构造布局预测模型训练集，其中所述布局预测模型训练集为<布局属性的类别标签，形状特征>二元组集合；

预测模块，用于根据所述布局预测模型训练集，训练布局预测模型，根据待布局房间的形状特征，通过所述布局预测模型预测待布局房间的室内区域的位置分布，以完成预测室内区域布局。

所述构造布局预测模型训练集模块包括归一化的入口位置、面积、长宽比、形状伸展度。

所述布局属性包括位置坐标属性、尺寸属性、朝向属性。

所述预测模块包括构造布局得分函数：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。

所述预测模块还包括使用多项逻辑回归训练分类器。

由以上方案可知，本发明的优点在于：

本发明无需人为预先定义待布局对象布局应满足的约束，可以从布局案例中学习布局空间几何特征与布局对象位置分布的关系，并对新的布局空间预测其布局对象的位置分布。

附图说明

图1为数据驱动的室内区域布局预测方法流程图。

图2为房间形状几何特征示意图。

具体实施方式

本发明的目的是提供一种数据驱动的室内区域布局预测方法，从已布局的家居场景案例库(案例库一般包含房间的形状特征以及房间中所有室内区域的功能类型、尺寸、位置、朝向信息)中提取相关信息，训练布局预测模型，根据待布局房间的形状特征预测室内区域的位置分布，以自动获得家居场景的室内区域布局。

为了实现上述目的，本发明提供的室内区域布局预测方法包括如下步骤：

步骤1，构造布局预测模型训练集；

步骤2，训练布局预测模型；

步骤3，根据待布局房间的形状特征，用布局预测模型预测待布局房间的室内区域的位置分布。

所述步骤1包括以下子步骤：

步骤11，提取案例库中所有房间的形状特征；

步骤12，提取案例库中所有房间各类室内区域的布局属性；

步骤13，构造<布局属性的类别标签，形状特征>二元组集合。

所述步骤2,包括以下子步骤：

步骤21，构造布局得分函数；

步骤22，按室内区域布局属性的类别训练布局预测模型。

本发明还提出一种数据驱动的室内区域布局预测系统，包括：

构造布局预测模型训练集模块，用于提取家居场景案例库中所有房间的形状特征与室内区域的布局属性，构造布局预测模型训练集，其中所述布局预测模型训练集为<布局属性的类别标签，形状特征>二元组集合；

预测模块，用于根据所述布局预测模型训练集，训练布局预测模型，根据待布局房间的形状特征，通过所述布局预测模型预测待布局房间的室内区域的位置分布，以完成预测室内区域布局。

所述构造布局预测模型训练集模块包括归一化的入口位置、面积、长宽比、形状伸展度。

所述布局属性包括位置坐标属性、尺寸属性、朝向属性。

所述预测模块包括构造布局得分函数：

φ(G)＝lnp(π(G)|F)

其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。

所述预测模块还包括使用多项逻辑回归训练分类器。

下面参照附图介绍本发明的方法的具体实施过程，图1为数据驱动的室内区域布局预测方法流程图。

本发明公开的是一种数据驱动的室内区域布局预测方法，室内区域是指共同完成某种功能的一组家具集合所构成的区域，例如客厅中的一组沙发和茶几共同完成座谈功能，这组沙发和茶几构成的矩形区域为“座谈区域”，为了根据房间形状预测室内区域的位置分布，首先，从案例库中抽取先验知识，训练布局预测模型，然后，将待布局的房间几何特征输入布局约束模型，输出室内区域的位置分布。具体来讲：

步骤S1，构造布局预测模型训练集。

步骤S11，提取案例库中所有房间的形状特征和。房间的形状特征由以下几项构成：

步骤S111，归一化的入口位置(E_x,E_y)，即入户门在房间局部坐标系下归一化的坐标。入户门位置在房间局部坐标系下的额坐标为(E_x0,E_y0),则归一化的坐标(E_x,E_y)＝(E_x0/W,E_y0/L)。

步骤S112，面积(S),即房间轮廓围成的封闭多边形的面积。

步骤S113，长宽比(R)，即房间的长与宽的比值，R＝L/W。

步骤S114，形状伸展度(C)，即房间轮廓形成的封闭多边形接近矩形的程度，用该多边形分别按x轴方向和y轴方向分解的矩形中心点的协方差矩阵C1和C2描述。按x轴方向分解简称纵切，按y轴方向分解简称横切，如图2所示，该房间轮廓多边形可由虚线横切划分为三个矩形，中心点坐标向量为x_h＝(x₁,x₂,x₃)^T,y_h＝(y₁,y₂,y₃)^T h表示横切后获得的矩形中心点坐标向量,T表示向量的转置运算，其中心点坐标的协方差矩阵同时，该房间轮廓多边形可由虚线纵切划分为三个矩形，中心点坐标向量为x_v＝(x₄,x₅,x₆)^T,y_v＝(y₄,y₅,y₆)^T，其中心点坐标的协方差矩阵v表示纵切后获得的矩形中心点坐标向量。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))。

综上所述，一个布局空间的几何特征F＝(Ex,Ey,S,R,C)是一组10维的特征向量。

步骤S12，提取案例库中所有房间各类室内区域的布局属性，室内区域的布局属性包括如下几项：

室内区域G的一元布局属性π(G)＝(x_p,y_p,θ_p,l_p,w_p)，包括该室内区域在房间中归一化的位置坐标、朝向和尺寸。

步骤S121，位置坐标属性：x_p＝x/W，y_p＝y/L，其中x和y分别为该室内区域位置点在x轴和y轴方向的坐标值，W和L分别为房间的宽和长，位置坐标属性x_p和y_p的取值均为[0,1]范围内的连续值，记π₁(G)＝x_p,π₂(G)＝y_p。

步骤S122，尺寸属性：l_p＝l_y/L，w_p＝l_x/W,其中l_y和l_x分别为该室内区域的长和宽，L和W分别为房间的长和宽，尺寸属性l_p和w_p的取值均为[0,1]范围内的连续值，记π₃(G)＝l_p,π₄(G)＝w_p。

步骤S123，朝向属性：θ_p＝θ，其中θ是该室内区域的朝向角度，本发明涉及的室内区域角度均为90°的整数倍，因此朝向属性的取值是{0,90,180,270}中的离散值，记π₅(G)＝θ_p。

步骤S13，构造<属性类别标签，形状特征>二元组。房间的形状特征和同类室内区域(如座谈区域)的同类布局属性值(如X值)组成<属性值，形状特征>二元组，将案例库中同类房间(如客厅)的<属性值，形状特征>二元组构成集合。连续的属性值离散化后，得到属性类别标签。具体来说，布局属性类别标签C_t(G),t＝1,...,4，由连续的布局属性值π_t(G),t＝1,...,4分别离散化得到。本方法采用k均值聚类将每一类布局属性出现过的属性值划分为k类，记录每一类的聚类中心μ_t＝(μ_t1,...,μ_tk),μ_t1<...<μ_tk。对于位置坐标属性，我们分别将所有出现过的xp值和yp值分为k类，相当于在坐标系上纵横各分了k格，每一格看作一类，坐标值落在哪一格则对应那一类，得到x坐标属性类别标签C₁(G)＝cx,cx∈{1,...,k}，y坐标属性类别标签C₂(G)＝cy,cy∈{1,...,k}，同理可得到尺寸的属性类别标签C₃(G)和C₄(G)。由于朝向属性是集合{0,90,180,270}中的离散值，因此定义朝向属性类别标签C₅(G)＝θ_p/(π/2)+1，C₅(G)∈{1,2,3,4}。

对于所有的家居场景案例，相同类型的二元组构成的集合称为一个训练集N表示布局属性的类型即二元组的类型，M表示室内区域的类型，num为该训练集的大小。训练集中的组成元素称为训练样本。设室内区域的类型有m种，每种室内区域对应n个布局属性，则有m*n个训练集。

步骤S2，训练布局预测模型；

步骤S21，构造布局得分函数：

布局得分函数

φ(G)＝lnp(π(G)|F) 公式1

其中φ(G)表示当房间的形状特征为F时,室内区域G的一个布局属性π(G)的取值得分,即用一个分布p描述布局属性取值的概率分布。

步骤S22，按室内区域布局属性的类别训练布局预测模型。

在步骤S21小节所述的m*n个训练集上分别训练分类器得到表示每种功能区域的每种属性类别标签和房间几何特征内在联系的参数。在分类器的选择上，由于逻辑回归可以自然地处理多类别的问题，本方法使用多项逻辑回归(Multinomial Logistic Regression)训练分类器。

步骤S3，根据待布局房间的形状特征，用布局预测模型预测待布局区域的位置分布。

给定一个待布局的目标空间，设其房间形状几何特征为F，要求的布局属性为π_t(G_j),t∈{1,...,n},j∈{1,...,m}，布局预测模型将预测该布局属性取值的概率分布p(π_t(G_j)|F)，代入公式1，得到该布局属性的得分。

首先，将F输入对应的分类器该分类器将输出概率向量其中k为类别标签的类别个数。该概率向量描述所求布局属性属于每个类别标签的概率，进而得到一个概率分布直方图。接着，用核密度估计的方法将该直方图平滑化，将直方图转化为连续的概率密度函数，得到概率分布曲线。

设布局属性为π_t，其属性类别标签集合为C_t，对应的聚类中心集合M＝{μ_i|i＝1,...,k}，类别数目|C_t|＝k,直方图bin的集合为U，|U|＝k，直方图第i个bin对应的频率为P_i'。对布局属性取值范围内的任意值s，它的概率密度计算公式如下：

其中，σ_i由μ_i三个最近邻的平均距离求得。