房屋模型的区域分割方法和装置、存储介质、电子设备与流程

本公开涉及深度学习技术领域，尤其是一种房屋模型的区域分割方法和装置、存储介质、电子设备。

背景技术：

在空间中不同功能属性的区域需要可能需要摆放不同的物品，而现有技术中对于没有墙等间隔的空间无法进行空间分割，或者通过人为进行分割，例如，房屋房屋模型中的客厅区域和餐厅区域之间没有明显的分割，现有技术中只能通过人为标注的方式进行区分，但是，通过人为标注空间的功能属性存在效率低、耗时长的缺点。

技术实现要素：

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种房屋模型的区域分割方法和装置、存储介质、电子设备。

根据本公开实施例的一个方面，提供了一种房屋模型的区域分割方法，包括：

对接收的房屋模型数据进行解析，得到待分割房屋模型；

基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线；其中，所述预设神经网络经过训练数据集的训练；

基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域。

可选地，所述对接收的房屋模型数据进行解析，得到待分割房屋模型，包括：

对所述房屋模型数据进行解析，得到原始房屋模型；

根据设定大小的图片画布的尺寸对所述原始房屋模型进行缩放处理；

将所述缩放处理后的原始房屋模型对齐到所述图片画布上，得到以所述图片画布的左下角为原点的模型坐标系下的所述待分割房屋模型。

可选地，所述预设神经网络包括共享分支网络，以及分别与所述共享分支网络连接的第一分支网络、第二分支网络和第三分支网络；

所述基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线，包括：

基于所述预设神经网络中的共享分支网络对所述待分割房屋模型进行特征提取，得到房屋模型特征；

基于所述预设神经网络中的第一分支网络对所述房屋模型特征进行分类处理，得到所述至少一条分割线中每条分割线的方向信息；

基于所述预设神经网络中的第二分支网络对所述房屋模型特征进行归一化处理，得到所述至少一条分割线中每条分割线的角度信息；

基于所述预设神经网络中的第三分支网络对所述房屋模型特征进行归一化处理，得到所述至少一条分割线中每条分割线的距离信息。

可选地，所述基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域，包括：

基于所述至少一条分割线中每条分割线的角度信息和距离信息确定所述至少一条分割线在所述待分割房屋模型中的位置；

基于所述至少一条分割线中每条分割线的方向信息，确定每条所述分割线两侧的空间的功能属性；

基于所述至少一条分割线的位置和所述功能属性，将所述待分割房屋模型分割为多个具有所述功能属性的属性区域。

可选地，在所述基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线之前，还包括：

基于训练数据集对所述预设神经网络进行训练；其中，所述训练数据集包括至少一组训练数据，所述至少一组训练数据中的每组训练数据对应一个已知物品信息的训练房屋模型。

可选地，在所述基于所述训练数据集对所述预设神经网络进行训练之前，还包括：

对所述训练数据集中的至少一组训练数据进行预处理；

基于预处理的结果确定所述至少一组训练数据中每组训练数据对应的训练房屋模型中的至少一个监督分割线。

可选地，所述对所述训练数据集中的至少一组训练数据进行预处理，包括：

针对所述至少一组训练数据中的每组训练数据，解析所述训练数据，得到初始训练房屋模型；

根据设定大小的图片画布的尺寸对所述初始训练房屋模型进行缩放处理；

将所述缩放处理后的初始训练房屋模型对齐到所述图片画布上，得到以所述图片画布的左下角为原点的模型坐标系下的所述训练房屋模型。

可选地，所述训练数据中包括固定物品的位置信息、活动物品的标识以及所述活动物品的位置信息；

所述解析所述训练数据，得到初始训练房屋模型，包括：

基于所述固定物品的位置确定所述初始训练房屋模型的框架；

基于所述活动物品的标识获得所述活动物品的物品模型和物品属性；

将得到的所述物品模型按照所述活动物品的位置信息放置到所述初始训练房屋模型的框架内，得到所述初始训练房屋模型。

可选地，所述对所述训练数据集中的至少一组训练数据进行预处理，还包括：

基于所述物品属性对所述训练房屋模型中的多个物品模型进行聚类，得到多个物品集合；其中，每个所述物品集合中包括物品属性相同的至少一个物品模型；

对所述多个物品集合中的每个物品集合确定一个外接框，得到n个所述外接框；所述n为大于1的整数；

基于n个所述外接框确定n-1个所述监督分割线。

可选地，所述基于n个所述外接框确定n-1个所述监督分割线，包括：

基于n个所述外接框中每两个相邻的外接框确定一组外接组，得到n-1个外接组；

响应于所述n-1个外接组中每个外接组中两个外接框之间的交集小于设定比例值，基于每个所述外接组中的两个外接框确定一个所述监督分割线。

可选地，所述基于每个所述外接组中的两个外接框确定一个所述监督分割线，包括：

基于所述外接组中两个外接框中距离最近的两条边的平分线确定所述监督分割线的位置信息；其中所述两条边分别属于两个外接框；

基于所述监督分割线的位置信息确定所述监督分割线与所述模型坐标系的原点之间的距离，得到所述监督分割线的监督距离信息；

基于所述监督分割线的位置信息确定所述监督分割线与所述模型坐标系中横坐标轴的夹角，得到所述监督分割线的监督角度信息；

基于所述监督分割线两侧的外接框中包括的物品模型的物品属性，确定所述监督分割线的监督方向信息。

可选地，所述基于所述训练数据集对所述预设神经网络进行训练，包括：

将所述训练数据输入所述预设神经网络，基于所述预设神经网络的第一分支网络输出预测方向信息，基于所述第二分支网络输出预测角度信息，基于所述第三分支网络输出预测距离信息；

基于所述预测方向信息和所述监督方向信息确定第一损失；

基于所述预测角度信息和所述监督角度信息确定第二损失；

基于所述预测距离信息和所述监督距离信息确定第三损失；

基于所述第一损失、所述第二损失和所述第三损失，确定网络损失；

基于所述网络损失对所述预设神经网络中的网络参数进行调整。

根据本公开实施例的另一方面，提供了一种房屋模型的区域分割装置，包括：

数据解析模块，用于对接收的房屋模型数据进行解析，得到待分割房屋模型；

分割线确定模块，用于基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线；其中，所述预设神经网络经过训练数据集的训练；

房屋模型分割模块，用于基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域。

可选地，所述数据解析模块，具体用于对所述房屋模型数据进行解析，得到原始房屋模型；根据设定大小的图片画布的尺寸对所述原始房屋模型进行缩放处理；将所述缩放处理后的原始房屋模型对齐到所述图片画布上，得到以所述图片画布的左下角为原点的模型坐标系下的所述待分割房屋模型。

可选地，所述预设神经网络包括共享分支网络，以及分别与所述共享分支网络连接的第一分支网络、第二分支网络和第三分支网络；

所述分割线确定模块，具体用于基于所述预设神经网络中的共享分支网络对所述待分割房屋模型进行特征提取，得到房屋模型特征；基于所述预设神经网络中的第一分支网络对所述房屋模型特征进行分类处理，得到所述至少一条分割线中每条分割线的方向信息；基于所述预设神经网络中的第二分支网络对所述房屋模型特征进行归一化处理，得到所述至少一条分割线中每条分割线的角度信息；基于所述预设神经网络中的第三分支网络对所述房屋模型特征进行归一化处理，得到所述至少一条分割线中每条分割线的距离信息。

可选地，所述房屋模型分割模块，具体用于基于所述至少一条分割线中每条分割线的角度信息和距离信息确定所述至少一条分割线在所述待分割房屋模型中的位置；基于所述至少一条分割线中每条分割线的方向信息，确定每条所述分割线两侧的空间的功能属性；基于所述至少一条分割线的位置和所述功能属性，将所述待分割房屋模型分割为多个具有所述功能属性的属性区域。

可选地，所述装置还包括：

网络训练模块，用于基于训练数据集对所述预设神经网络进行训练；其中，所述训练数据集包括至少一组训练数据，所述至少一组训练数据中的每组训练数据对应一个已知物品信息的训练房屋模型。

可选地，所述装置还包括：

预处理模块，用于对所述训练数据集中的至少一组训练数据进行预处理；基于预处理的结果确定所述至少一组训练数据中每组训练数据对应的训练房屋模型中的至少一个监督分割线。

可选地，所述预处理模块，具体用于针对所述至少一组训练数据中的每组训练数据，解析所述训练数据，得到初始训练房屋模型；根据设定大小的图片画布的尺寸对所述初始训练房屋模型进行缩放处理；将所述缩放处理后的初始训练房屋模型对齐到所述图片画布上，得到以所述图片画布的左下角为原点的模型坐标系下的所述训练房屋模型。

可选地，所述训练数据中包括固定物品的位置信息、活动物品的标识以及所述活动物品的位置信息；

所述预处理模块在解析所述训练数据，得到初始训练房屋模型时，用于基于所述固定物品的位置确定所述初始训练房屋模型的框架；基于所述活动物品的标识获得所述活动物品的物品模型和物品属性；将得到的所述物品模型按照所述活动物品的位置信息放置到所述初始训练房屋模型的框架内，得到所述初始训练房屋模型。

可选地，所述预处理模块，还用于基于所述物品属性对所述训练房屋模型中的多个物品模型进行聚类，得到多个物品集合；其中，每个所述物品集合中包括物品属性相同的至少一个物品模型；对所述多个物品集合中的每个物品集合确定一个外接框，得到n个所述外接框；所述n为大于1的整数；基于n个所述外接框确定n-1个所述监督分割线。

可选地，所述预处理模块在基于n个所述外接框确定n-1个所述监督分割线时，用于基于n个所述外接框中每两个相邻的外接框确定一组外接组，得到n-1个外接组；响应于所述n-1个外接组中每个外接组中两个外接框之间的交集小于设定比例值，基于每个所述外接组中的两个外接框确定一个所述监督分割线。

可选地，所述预处理模块在基于每个所述外接组中的两个外接框确定一个所述监督分割线时，用于基于所述外接组中两个外接框中距离最近的两条边的平分线确定所述监督分割线的位置信息；其中所述两条边分别属于两个外接框；基于所述监督分割线的位置信息确定所述监督分割线与所述模型坐标系的原点之间的距离，得到所述监督分割线的监督距离信息；基于所述监督分割线的位置信息确定所述监督分割线与所述模型坐标系中横坐标轴的夹角，得到所述监督分割线的监督角度信息；基于所述监督分割线两侧的外接框中包括的物品模型的物品属性，确定所述监督分割线的监督方向信息。

可选地，所述网络训练模块，具体用于将所述训练数据输入所述预设神经网络，基于所述预设神经网络的第一分支网络输出预测方向信息，基于所述第二分支网络输出预测角度信息，基于所述第三分支网络输出预测距离信息；基于所述预测方向信息和所述监督方向信息确定第一损失；基于所述预测角度信息和所述监督角度信息确定第二损失；基于所述预测距离信息和所述监督距离信息确定第三损失；基于所述第一损失、所述第二损失和所述第三损失，确定网络损失；基于所述网络损失对所述预设神经网络中的网络参数进行调整。

根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的房屋模型的区域分割方法。

根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的房屋模型的区域分割方法。

基于本公开上述实施例提供的一种房屋模型的区域分割方法和装置、存储介质、电子设备，对接收的房屋模型数据进行解析，得到待分割房屋模型；基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线；其中，所述预设神经网络经过训练数据集的训练；基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域；本实施例提出了通过神经网络对属性区域进行分割，实现了自动空间分割，克服了现有技术通过人为空间分割速度慢、效率低等问题。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本公开一示例性实施例提供的房屋模型的区域分割方法的流程示意图。

图2是本公开图1所示的实施例中步骤102的一个流程示意图。

图3是本公开图1所示的实施例中步骤106的一个流程示意图。

图4是本公开一可选示例中对训练数据进行预处理的流程示意图。

图5a是本公开一个可选示例中得到的包括物品模型的训练房屋模型示意图。

图5b是图5a所示实施例提供的训练房屋模型经过处理确定外接框的训练房屋模型示意图。

图6a是本公开一可选示例中基于对训练数据预处理得到的分割线示意图。

图6b是本公开一可选示例中基于预设神经网络对训练数据预测得到的分割线示意图。

图7是本公开一示例性实施例提供的房屋模型的区域分割装置的结构示意图。

图8是本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

示例性方法

图1是本公开一示例性实施例提供的房屋模型的区域分割方法的流程示意图。本实施例可应用在电子设备上，如图1所示，包括如下步骤：

步骤102，对接收的房屋模型数据进行解析，得到待分割房屋模型。

本实施例中，房屋模型数据可以是文本文件，其中包括房屋模型中固定物体的位置，例如，房屋房屋模型的房屋模型数据中包括门、窗、墙、垭口等固定物体的位置数据，基于这些位置数据可将房屋模型恢复成图像格式的房屋模型，得到待分割房屋模型。

步骤104，基于预设神经网络对待分割房屋模型进行处理，确定待分割房屋模型中的至少一条分割线。

其中，预设神经网络经过训练数据集的训练。

可选地，可通过分割线与模型坐标系(例如，根据分割房屋模型确定的坐标系等)的原点的角度和距离确定分割线在模型坐标系下的位置；因此，预设神经网络至少包括两个分别输出角度和距离的分支。

步骤106，基于至少一条分割线将待分割房屋模型分割为多个属性区域。

本实施例可实现将待分割房屋模型中一个完整区域按照不同属性进行分割，每条分割线两侧的属性区域分别具有不同的功能属性，例如，将房屋房屋模型中的中间区域分割为客厅区域和餐厅区域，客厅区域和餐厅区域分别对应不同功能属性。

本公开上述实施例提供的一种房屋模型的区域分割方法，对接收的房屋模型数据进行解析，得到待分割房屋模型；基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线；其中，所述预设神经网络经过训练数据集的训练；基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域；本实施例提出了通过神经网络对属性区域进行分割，实现了自动空间分割，克服了现有技术通过人为空间分割速度慢、效率低等问题。

如图2所示，在上述图1所示实施例的基础上，步骤102可包括如下步骤：

步骤1021，对房屋模型数据进行解析，得到原始房屋模型。

通过对房屋模型数据中的位置信息进行解析，将得到未经缩放处理的原始房屋模型。

步骤1022，根据设定大小的图片画布的尺寸对原始房屋模型进行缩放处理。

可选地，为了提高预设神经网络的处理准确性，本实施例将原始房屋模型绘制到设定大小的图片画布上，以保证输入到预设神经网络的图像大小固定；例如，图片画布大小是128x128像素，而原始房屋模型的大小不固定，因此，本实施例通过将原始房屋模型进行缩放使其适应图片画布大小。

步骤1023，将缩放处理后的原始房屋模型对齐到图片画布上，得到以图片画布的左下角为原点的模型坐标系下的待分割房屋模型。

本实施例中，通过缩放处理后的原始房屋模型的中心点和图片画布的中线点进行对齐，实现将原始房屋模型对齐到图片画布上，可选地，一个示例中，图片画布的中心点坐标为(cx，cy)，原始房屋模型的中心点坐标为(x1，y1)，原始房屋模型是由多个点(x,y)组成的，该原始房屋模型中每个点(x,y)减去中心点(x1，y1)，再除以缩放尺度scale，再加上(cx，cy)，即得到原始房屋模型中每个点在图片画布(模型坐标系)中的坐标(x′，y′)，具体可通过以下公式(1)确定：

(x′，y′)＝[(x，y)-(x1，y1)]/scale+(cx，cy)公式(1)

通过将上述转换得到的每个坐标在图片画布上连接起来，即可得到待分割房屋模型；例如：把户型图中的窗户(有起点和终点)，通过公式转化到图片画布上，连接起来就是一条线了，将户型图中的门同样通过坐标点绘制连接得到，即实现坐标转换。

在一些可选的实施例中，预设神经网络包括共享分支网络，以及分别与共享分支网络连接的第一分支网络、第二分支网络和第三分支网络；

在本实施例中，上述步骤104可以包括：

基于预设神经网络中的共享分支网络对待分割房屋模型进行特征提取，得到房屋模型特征；

基于预设神经网络中的第一分支网络对房屋模型特征进行分类处理，得到至少一条分割线中每条分割线的方向信息；

基于预设神经网络中的第二分支网络对房屋模型特征进行归一化处理，得到至少一条分割线中每条分割线的角度信息；

基于预设神经网络中的第三分支网络对房屋模型特征进行归一化处理，得到至少一条分割线中每条分割线的距离信息。

本实施例中，预设神经网络的第一、第二、第三分支网络可同时对共享分支网络输出的房屋模型特征进行处理，以得到分割线的不同信息，由于采用了共享分支网络，避免了对相同数据的重复特征提取，提高了神经网络对待分割房屋模型的处理效率，通过同一预设神经网络的三个分支输出分割线的三个信息，缩小了房屋模型，减小了房屋模型占用空间大小，并且提高了准确率。

如图3所示，在上述图1所示实施例的基础上，步骤106可包括如下步骤：

步骤1061，基于至少一条分割线中每条分割线的角度信息和距离信息确定至少一条分割线在待分割房屋模型中的位置。

其中，角度信息表示分割线与模型坐标系中横坐标轴的夹角，距离信息表示分割线与模型坐标系中原点的距离。

步骤1062，基于至少一条分割线中每条分割线的方向信息，确定每条分割线两侧的空间的功能属性。

可选地，功能属性可表示对应的属性区域的功能，例如，餐厅属性的属性区域可摆放餐桌等物品，而客厅属性的属性区域可摆放电视、沙发等物品。

步骤1063，基于至少一条分割线的位置和功能属性，将待分割房屋模型分割为多个具有功能属性的属性区域。

本实施例中，至少一条分割线的位置可将待分割房屋模型分割为至少两个属性区域，例如，1条分割线分割得到2个属性区域，2条分割线分割得到3个属性区域；为了进一步实现属性区域的利用，本实施例还确定每个属性区域对应的功能属性，即，确定的每个属性区域具有对应的功能属性。

在一些可选的实施例中，在执行步骤104之前，还可以包括：

基于训练数据集对预设神经网络进行训练。

其中，训练数据集包括至少一组训练数据，至少一组训练数据中的每组训练数据对应一个已知物品信息的训练房屋模型。

本实施例中，通过对预设神经网络的训练，提高了预设神经网络对待分割房屋模型的分割准确性。

可选地，在基于训练数据集对预设神经网络进行训练之前，还包括：

对训练数据集中的至少一组训练数据进行预处理；

基于预处理的结果确定至少一组训练数据中每组训练数据对应的训练房屋模型中的至少一个监督分割线。

本实施例中，每个训练数据中仅已知物品信息，而不是已知训练数据对应的训练房屋模型中的监督分割线，因此，本实施例需要对训练数据进行预处理，以确定训练房屋模型中的至少一个监督分割线，以监督分割线作为监督信息以实现对预设神经网络的训练。

如图4所示，对训练数据集中的至少一组训练数据中每组训练数据进行预处理，包括：

步骤401，解析训练数据，得到初始训练房屋模型。

其中，训练数据中可以包括但不限于：固定物品的位置信息、活动物品的标识以及活动物品的位置信息等；固定物品可以是例如，房屋模型中的墙、门、窗等物品，活动物品可以是例如，餐桌、沙发、电视等物品；

可选地，解析训练数据，得到初始训练房屋模型，包括：

基于固定物品的位置确定初始训练房屋模型的框架；

基于活动物品的标识获得活动物品的物品模型和物品属性；

将得到的物品模型按照活动物品的位置信息放置到初始训练房屋模型的框架内，得到初始训练房屋模型。

对该训练数据的解析过程与基于预设神经网络对待分割房屋模型进行处理时对房屋模型数据的解析相似，区别仅在于训练数据中还包括活动物品的位置信息和活动物品的标识。物品属性与空间的功能属性相对应，例如，功能属性为客厅的空间中包括的物品对应的物品属性为客厅属性。

步骤402，根据设定大小的图片画布的尺寸对初始训练房屋模型进行缩放处理。

步骤403，将缩放处理后的初始训练房屋模型对齐到图片画布上，得到以图片画布的左下角为原点的模型坐标系下的训练房屋模型。

本实施例中的缩放以及对齐同样可参照图2所示实施了中的缩放和对齐，并且，该实施例中的图片画布与上述实施例中的图片画布大小相同。

可选地，对训练数据集中的至少一组训练数据进行预处理，还包括：

基于物品属性对训练房屋模型中的多个物品模型进行聚类，得到多个物品集合。

其中，每个物品集合中包括物品属性相同的至少一个物品模型；本实施例中的聚类不改变每个物品模型在训练房屋模型中的位置，仅是将具有相同物品属性的物品模型识别出，每个物品集合中的所有物品模型具有相同的物品属性。

对多个物品集合中的每个物品集合确定一个外接框，得到n个外接框。

n为大于1的整数；可选地，将每个物品集合对应的最小外接框作为该物品集合的外接框，此时存在两种特殊情况：一、当所有物品的物品属性都相同时，丢弃该训练房屋模型；二、当n个外接框中存在两个外接框之间的重叠区域占比大于设定比例值时，丢弃该训练房屋模型，被丢弃的训练房屋模型不用于对预设神经网络进行训练。

基于n个外接框确定n-1个监督分割线。

可选地，基于n个外接框中每两个相邻的外接框确定一组外接组，得到n-1个外接组；

响应于n-1个外接组中每个外接组中两个外接框之间的交集小于设定比例值，基于每个外接组中的两个外接框确定一个监督分割线。

外接组中两个外接框之间的交集大于设定比例值时，说明这两个外接框之间的重叠部分过大，边界模糊，无法将这两个外接框进行准确区分，因此，这种情况下对该训练房屋模型丢弃，不用该训练房屋模型对预设神经网络进行训练；只有符合两个外接框之间的交集小于设定比例值的外接组的训练房屋模型采集作为训练数据集对预设神经网络进行训练。

本实施例基于每两个相邻的外接框确定一个监督分割线，该分割线实现对该两个相邻的外接框的分割，即该分割线的一侧大部分区域为具有相同物品属性的物品模型，例如，如图5a是本公开一个可选示例中得到的包括物品模型的训练房屋模型；经过处理得到如图5b所示的两个外接框，此时，两个外接框中间的线为分割线，通过该分割线将户型图中间部分分割为两个功能区域。

本实施例可实现对任意形状和方向的训练房屋模型进行分割，但对于主方向不是水平或竖直的训练房屋模型，在确定其分割线之前，将该训练房屋模型进行适当旋转，以使训练房屋模型中的待分割区域的主方向是水平或竖直；例如，当训练房屋模型为户型图时，可以实现对曼哈顿户型(曼哈顿户型是指该户型对应的房屋模型中具有交点的多个墙体之间是垂直关系，不具有交点的多个墙体之间是平行关系，且房屋模型总体形状比较规则)以及非曼哈顿户型进行分割，当户型不是曼哈顿户型时，现将户型左旋转保证待分割区域的主方向是水平或者竖直的，然后再确定监督分割线。

可选地，监督分割线可通过三个信息进行表示：监督距离信息、监督角度信息以及监督方向信息；此时，基于每个外接组中的两个外接框确定一个所述监督分割线，包括：

基于外接组中两个外接框中距离最近的两条边的平分线确定监督分割线的位置信息；其中两条边分别属于两个外接框；

基于监督分割线的位置信息确定监督分割线与模型坐标系的原点之间的距离，得到监督分割线的监督距离信息；

基于监督分割线的位置信息确定监督分割线与模型坐标系中横坐标轴的夹角，得到监督分割线的监督角度信息；

基于监督分割线两侧的外接框中包括的物品模型的物品属性，确定监督分割线的监督方向信息。

由于本实施例中，在对训练房屋模型进行分割之前已经进行方向旋转，即，训练房屋模型中待分割区域的方向都是垂直或水平的，因此，监督角度信息只有两种情况，可作为一种二分类问题，例如，采用0或1表示垂直和水平两个方向；监督距离信息可当做一个归一化问题；而监督方向信息是确定物品属性是否在监督分割线某一侧(左侧或右侧都可以，只需对应网络预测的方向即可)的结果，可认为是二分类问题，例如，当客厅在监督分割线左侧时用1表示，当客厅在监督分割线右侧时用0表示，例如，一个分割线表示为[0，1，0.8]，其中，0表示客厅在监督分割线右侧，1表示监督分割线的方向为水平方向，0.8表示监督分割线到原点的距离经过归一化为0.8；因此，可通过三个数值表示监督分割线，并基于这三个数值作为预设神经网络训练过程中的监督信息。具体基于训练数据集对预设神经网络进行训练的过程可以包括：

将训练数据输入预设神经网络，基于预设神经网络的第一分支网络输出预测方向信息，基于第二分支网络输出预测角度信息，基于第三分支网络输出预测距离信息；

基于预测方向信息和监督方向信息确定第一损失；

基于预测角度信息和监督角度信息确定第二损失；

基于预测距离信息和监督距离信息确定第三损失；

基于第一损失、第二损失和第三损失，确定网络损失；

基于网络损失对预设神经网络中的网络参数进行调整。

本实施例中，由预设神经网络的三个输出分支分别得到第一损失、第二损失和第三损失，可通过对三个损失加权求和得到网络损失，每个损失的权重大小根据具体情况进行设置，通过网络损失分别对整个预设神经网络进行训练，直到满足训练结束条件，训练结束条件可以是训练次数达到预设次数、两次迭代得到的网络损失之间的差值小于设定差值、得到的网络损失小于设定值等；本实施例不限制具体的训练结束条件。

一个可选示例中，图6a是本公开一可选示例中基于对训练数据预处理得到的分割线示意图，图6b是本公开一可选示例中基于预设神经网络对训练数据预测得到的分割线示意图，其中，两个图中所示的训练房屋模型都处于模型坐标系下，其中0为模型坐标系的原点；基于图6a与图6b中的分割线之间的差异可确定网络损失，基于网络损失通过反向梯度传播对预设神经网络中的网络参数进行调整，得到训练后的预设神经网络。

本公开实施例提供的任一种房屋模型的区域分割可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种房屋模型的区域分割方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种房屋模型的区域分割方法。下文不再赘述。

示例性装置

图7是本公开一示例性实施例提供的房屋模型的区域分割装置的结构示意图。如图7所示，本实施例装置包括：

数据解析模块71，用于对接收的房屋模型数据进行解析，得到待分割房屋模型。

分割线确定模块72，用于基于预设神经网络对待分割房屋模型进行处理，确定待分割房屋模型中的至少一条分割线。

其中，预设神经网络经过训练数据集的训练。

模型分割模块73，用于基于至少一条分割线将待分割房屋模型分割为多个属性区域。

本公开上述实施例提供的一种房屋模型的区域分割装置，对接收的房屋模型数据进行解析，得到待分割房屋模型；基于预设神经网络对所述待分割房屋模型进行处理，确定所述待分割房屋模型中的至少一条分割线；其中，所述预设神经网络经过训练数据集的训练；基于所述至少一条分割线将所述待分割房屋模型分割为多个属性区域；本实施例提出了通过神经网络对属性区域进行分割，实现了自动空间分割，克服了现有技术通过人为空间分割速度慢、效率低等问题。

在一些可选的实施例中，数据解析模块71，具体用于对房屋模型数据进行解析，得到原始房屋模型；根据设定大小的图片画布的尺寸对原始房屋模型进行缩放处理；将缩放处理后的原始房屋模型对齐到图片画布上，得到以图片画布的左下角为原点的模型坐标系下的待分割房屋模型。

在一些可选的实施例中，预设神经网络包括共享分支网络，以及分别与共享分支网络连接的第一分支网络、第二分支网络和第三分支网络；

分割线确定模块72，具体用于基于预设神经网络中的共享分支网络对待分割房屋模型进行特征提取，得到房屋模型特征；基于预设神经网络中的第一分支网络对房屋模型特征进行分类处理，得到至少一条分割线中每条分割线的方向信息；基于预设神经网络中的第二分支网络对房屋模型特征进行归一化处理，得到至少一条分割线中每条分割线的角度信息；基于预设神经网络中的第三分支网络对房屋模型特征进行归一化处理，得到至少一条分割线中每条分割线的距离信息。

在一些可选的实施例中，模型分割模块73，具体用于基于至少一条分割线中每条分割线的角度信息和距离信息确定至少一条分割线在待分割房屋模型中的位置；基于至少一条分割线中每条分割线的方向信息，确定每条分割线两侧的空间的功能属性；基于至少一条分割线的位置和功能属性，将待分割房屋模型分割为多个具有功能属性的属性区域。

在一些可选的实施例中，本实施例提供的装置还包括：

网络训练模块，用于基于训练数据集对预设神经网络进行训练。

其中，训练数据集包括至少一组训练数据，至少一组训练数据中的每组训练数据对应一个已知物品信息的训练房屋模型。

在一些可选的实施例中，本实施例提供的装置还包括：

预处理模块，用于对训练数据集中的至少一组训练数据进行预处理；基于预处理的结果确定至少一组训练数据中每组训练数据对应的训练房屋模型中的至少一个监督分割线。

可选地，预处理模块，具体用于针对至少一组训练数据中的每组训练数据，解析训练数据，得到初始训练房屋模型；根据设定大小的图片画布的尺寸对初始训练房屋模型进行缩放处理；将缩放处理后的初始训练房屋模型对齐到图片画布上，得到以图片画布的左下角为原点的模型坐标系下的训练房屋模型。

可选地，训练数据中包括固定物品的位置信息、活动物品的标识以及所述活动物品的位置信息；

预处理模块在解析训练数据，得到初始训练房屋模型时，用于基于固定物品的位置确定初始训练房屋模型的框架；基于活动物品的标识获得活动物品的物品模型和物品属性；将得到的物品模型按照活动物品的位置信息放置到初始训练房屋模型的框架内，得到初始训练房屋模型。

可选地，预处理模块，还用于基于物品属性对训练房屋模型中的多个物品模型进行聚类，得到多个物品集合；其中，每个物品集合中包括物品属性相同的至少一个物品模型；对多个物品集合中的每个物品集合确定一个外接框，得到n个外接框；n为大于1的整数；基于n个外接框确定n-1个监督分割线。

可选地，预处理模块在基于n个外接框确定n-1个监督分割线时，用于基于n个外接框中每两个相邻的外接框确定一组外接组，得到n-1个外接组；响应于n-1个外接组中每个外接组中两个外接框之间的交集小于设定比例值，基于每个外接组中的两个外接框确定一个监督分割线。

可选地，预处理模块在基于每个外接组中的两个外接框确定一个监督分割线时，用于基于外接组中两个外接框中距离最近的两条边的平分线确定监督分割线的位置信息；其中两条边分别属于两个外接框；基于监督分割线的位置信息确定监督分割线与模型坐标系的原点之间的距离，得到监督分割线的监督距离信息；基于监督分割线的位置信息确定监督分割线与模型坐标系中横坐标轴的夹角，得到监督分割线的监督角度信息；基于监督分割线两侧的外接框中包括的物品模型的物品属性，确定监督分割线的监督方向信息。

可选地，网络训练模块，具体用于将训练数据输入预设神经网络，基于预设神经网络的第一分支网络输出预测方向信息，基于第二分支网络输出预测角度信息，基于第三分支网络输出预测距离信息；基于预测方向信息和监督方向信息确定第一损失；基于预测角度信息和监督角度信息确定第二损失；基于预测距离信息和监督距离信息确定第三损失；基于第一损失、第二损失和第三损失，确定网络损失；基于网络损失对预设神经网络中的网络参数进行调整。

示例性电子设备

下面，参考图8来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图8图示了根据本公开实施例的电子设备的框图。

如图8所示，电子设备80包括一个或多个处理器81和存储器82。

处理器81可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备80中的其他组件以执行期望的功能。

存储器82可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器81可以运行所述程序指令，以实现上文所述的本公开的各个实施例的房屋模型的区域分割方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备80还可以包括：输入装置83和输出装置84，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备100或第二设备200时，该输入装置83可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置83可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。

此外，该输入设备83还可以包括例如键盘、鼠标等等。

该输出装置84可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备84可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备80中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备80还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的房屋模型的区域分割方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的房屋模型的区域分割方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。