户型布局的自动生成方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机应用技术领域，尤其涉及户型布局的自动生成方法、装置、计算机设备及存储介质。


背景技术：

2.近年来，随着家居设计与计算机技术的不断融合，室内家居的智能化设计受到了人们广泛的关注。家具设计布局一般情况下基于固定的设计模板，使得为用户提供的家具布局结果非常有限，布局结果单一。


技术实现要素：

3.本技术实施例的目的在于提出一种户型布局的自动生成方法，以解决家具布局结果单一的问题。
4.为了解决上述技术问题，本技术实施例提供一种户型布局的自动生成方法，包括如下步骤：
5.获取户型的图像特征；
6.对图像特征进行自回归处理，以得到户型对应的多种布局结果，其中，布局结果包括表示户型的结构布局关系；
7.从多种布局结果中筛选出目标布局结果。
8.在一些实施方式中，对图像特征进行自回归处理，以得到户型对应的多种布局结果，包括：
9.获取多个预设的初始家具序列，其中，初始家具序列的数量与布局结果数量相同；
10.将图像特征和每个初始家具序列输入到预设的自回归模型中进行预测，以输出每个预测后的目标家具序列，其中，目标家具序列中的每个值表示家具属性信息；
11.根据每个目标家具序列和图像特征，输出每种户型对应的布局结果。
12.在一些实施方式中，获取户型的图像特征，包括：
13.获取户型图像；
14.通过预设的残差网络中提取户型图像的图像特征。
15.在一些实施方式中，在输出每个预测后的目标家具序列之后，所述方法还包括：
16.获取自定义的家具属性信息，并将自定义家具属性信息更新到目标序列中。
17.在一些实施方式中，从多种布局结果中筛选出目标布局结果，包括：
18.获取每一种布局结果的评分值；
19.根据预设的评分阈值对评分值进行过滤；
20.将过滤得到的评分值对应的布局结果作为目标布局结果。
21.在一些实施方式中，获取每一种布局结果的评分值，包括：
22.获取每一种布局结果的多个初始评分值；
23.对每一种布局结果的多个初始评分值进行求和，得到每一种布局结果的评分值。
24.为了解决上述技术问题，本技术实施例还提供一种户型布局的自动生成装置，包括：
25.获取模块，用于获取户型的图像特征；
26.自回归处理模块，用于对图像特征进行自回归处理，以得到户型对应的多种布局结果，其中，布局结果包括表示户型的结构布局关系；
27.筛选模块，用于从多种布局结果中筛选出目标布局结果。
28.在一些实施方式中，自回归处理模块包括：
29.获取单元，用于获取多个预设的初始家具序列，其中，初始家具序列的数量与布局结果数量相同；
30.回归单元，用于将图像特征和每个初始家具序列输入到预设的自回归模型中进行预测，以输出每个预测后的目标家具序列，其中，目标家具序列中的每个值表示家具属性信息；
31.布局单元，用于根据每个目标家具序列和图像特征，输出每种户型对应的布局结果。
32.在一些实施方式中，获取模块包括：
33.图像获取单元，用于获取户型图像；
34.提取单元，用于通过预设的残差网络中提取户型图像的图像特征。
35.在一些实施方式中，户型布局的自动生成装置还包括：
36.自定义模块，用于获取自定义的家具属性信息，并将自定义家具属性信息更新到目标序列中。
37.在一些实施方式中，筛选模块包括：
38.评分值获取单元，用于获取每一种布局结果的评分值；
39.过滤单元，用于根据预设的评分阈值对评分值进行过滤；
40.目标布局单元，用于将过滤得到的评分值对应的布局结果作为目标布局结果。
41.在一些实施方式中，评分值获取单元包括：
42.获取子单元，用于获取每一种布局结果的多个初始评分值；
43.计算子单元，用于对每一种布局结果的多个初始评分值进行求和，得到每一种布局结果的评分值。
44.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述户型布局的自动生成方法的步骤。
45.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的户型布局的自动生成方法的步骤。
46.与现有技术相比，本技术实施例主要有以下有益效果：
47.通过获取户型的图像特征，对图像特征进行自回归处理，以得到户型对应的多种布局结果，布局结果包括表示户型的结构布局关系，从多种布局结果中筛选出目标布局结果，一方面，由于自回归处理是基于概率预测时间序列的数学模型，具有可以从预测过程中输出无数条预测序列的特性，即该特性可以对一个固定的输入产生出无数种不同的预测结
group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
63.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
64.需要说明的是，本技术实施例所提供的户型布局的自动生成方法一般由服务器/终端设备执行，相应地，户型布局的自动生成装置一般设置于服务器/终端设备中。
65.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
66.继续参考图2，示出了本技术的户型布局的自动生成方法的一个实施例的流程图。所述的户型布局的自动生成方法，包括以下步骤：
67.s201：获取户型的图像特征。
68.其中，户型在本技术实施例中为户型方案，户型方案包括户型的空间数据，例如，可以是户型的空间大小和户型空间布局等，户型方案还可以包括户型空间装修风格。
69.在一些实施方式中，获取户型的图像特征，包括：
70.获取户型图像；
71.通过预设的残差网络中提取户型图像的图像特征。
72.具体地，可以是用户在终端设备中输入户型图像；可以是根据用户信息从预先存储了户型图像所在的数据数据库中进行查询得到；可以是用户通过无线网络/蓝牙/4g/5g等获取用户上传的户型图像，其获取方式在本技术中不做限定。户型图像可以是二维图像或者三维图像，可以是rgb图像，也可以是灰度图像，户型图像的图像类型在此处不做限定。
73.对户型图像的图像特征提取可以采用方向梯度直方图(histogram of oriented gradient，hog)、局部二值模式(local binary pattern，lbp)，或者深度学习神经网络算法，此处不限限定。
74.进一步地，本技术实施例采用深度学习神经网络算法对图像特征进行提取，例如，本技术实施例中采用的是深度残差网络对户型图像进行特征提取，深度残差网络不仅能够通过增加相当的深度神经网络来提取更深的语义信息提高特征提取的准确率，而且深度残差网络使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
75.请参考图3，图3是本技术提供的深度残差网络的结构示意图。如图3所示，该深度残差网络包括5个残差模块，每个残差模块由两个3
×
3的卷积组成。具体地，将一张7
×
96的户型图像输入到深度残差网络中，经过3
×3×
64卷积后，对卷积得到的特征图的尺寸进行下降一半，以得到4
×
48
×
64的特征图，并将4
×
48
×
64的特征图经过3
×3×
64的最大池化处理后，对池化得到的特征图的尺寸进行下降一半，以得到2
×
24
×
64的特征图，再将2
×
24
×
64的特征图经过五个残差模块处理得到2
×
24
×
64的特征图，再进一步经过全局平均池化处理，最终得到户型的图像特征，其中，本技术实施例中的卷积深度为64，残差处理过程中特征图的尺寸保持不变。
76.需要说明的是，具体的输入图像的维度和残差模块的数量为超参数，根据实际情况做相应调整。
77.在本技术实施例中，图像特征为户型的特征向量，可以将户型图像x经过深度残差
网络处理得到的特征向量x
vec
的过程表示为x
vec
＝resnet(x)。特征向量可以包括户型类别、户型类别的方位大小，还包括家具类别、家具类别数量、家具类别的尺寸大小、家具摆放位置和朝向等家具属性信息，例如户型类别可以是客厅、房间、厨房、浴室等，家具类别可以是电视柜、沙发、马桶、床、洗手台等等，此处不做限定。
78.s202：对图像特征进行自回归处理，以得到户型对应的多种布局结果，其中，布局结果包括表示户型的结构布局关系。
79.其中，自回归处理通过自回归模型来实现。其中，自回归模型采用的是transformer(转换模型)，transformer是一个利用注意力机制来提高模型训练速度的模型。transformer架构有两个输入序列，分别是编码器(encoder)的输入序列和解码器(decoder)的输入序列，每个编码器的结构均相同但不共享编码器各自的权重，每个编码器包括自注意力层(self-attention)和全连接的前馈网络层(feed-forward)。每个解码器同样包括自注意力层(self-attention)和全连接的前馈网络层(feed-forward)，且这两个层之间还有一个注意力层。
80.在一些实施方式中，对图像特征进行自回归处理，以得到户型对应的多种布局结果，包括：
81.获取多个预设的初始家具序列，其中，初始家具序列的数量与布局结果数量相同；
82.将图像特征和每个初始家具序列输入到预设的自回归模型中进行预测，以输出每个预测后的目标家具序列，其中，目标家具序列中的每个值表示家具属性信息；
83.根据每个目标家具序列和所述图像特征，输出每种所述户型对应的布局结果。
84.在本技术实施例中，图像特征作为编码器的输入序列，初始家具序列作为解码器的输入序列，且初始家具序列预先通过自回归模型循环预测得到，因此，每一个初始家具序列经过自回归模型处理可输出一个目标家具序列，设置的初始家具序列的数量即输出等同数量的目标家具序列。目标家具序列中每个数值表示预测每个家具的数值，例如每个数值可以用于表示每个家具类别、家具尺寸等，即输出的目标家具序列决定户型的结构布局关系。户型的结构布局关系反映了各个家具类别的大小以及在户型中的位置关系。根据预测得到的目标家具序列和图像特征生成户型的布局结果，布局结果包括每个家具类别在户型中布局的图像，效果图如图6所示。
85.具体地，将图像特征x
vec
和初始家具序列v
seq
输入到自回归模型(transformer)中，得到初始家具序列中的下一个值的概率分布矩阵，表示为transformer(x
vec
，v
seq
)，将下一个值的概率分布矩阵进行采样操作(sample)，将采样得到的值表示为vn，获取vn的整个过程可以表示为vn＝sample(transformer(x
vec
，v
seq
))。其中，采样操作可以是取概率分布矩阵中概率最大的值，或者通过核采样(nucleus sampling)获取最优值。进一步地，将vn加入到初始家具序列的末尾中，以更新初始家具序列，并将更新后的初始家具序列继续按照vn＝sample(transformer(x
vec
，v
seq
))获取下一个vn值，直至遍历预测完整个初始家具序列的每个值时，停止预测，此时输出目标家具序列。其中，每个初始家具序列在输入自回归模型时每个值的预先设定可以是全部为0，1，
…
，n-1，n，n为正整数，例如，第一个初始家具序列＝[0，0，0，0，0]，第二个初始家具序列＝[1，1，1，1，1]，
…
，第n个初始家具序列＝[n，n，n，n，n]。
[0086]
例如，当自回归模型需要预测第一个初始家具序列的第一个值时，通过自回归处
理得到该值的概率分布，采用预设的采样操作，例如取概率分布中概率最大的值作为这个值，假设第一个值为1，并加到初始家具序列末尾中，此时更新后的初始家具序列＝[1，]，将更新后的初始家具序列＝[1，]继续输入到自回归模型中，再做采样操作，得到初始家具序列第二个值，假设第二个值是3，此时对初始家具序列＝[1，]进行更新，得到初始家具序列＝[1，3]...以此循环，最终得到整个初始家具序列中更新后的各个数值，即目标家具序列，例如此时的目标家具序列＝[1，3，2，4，5，1，4，5，7，8]，该初始家具序列表示一把大小为[3，2]的椅子放在[4，5]的位置，一张大小为[4，5]的桌子放在[7，8]的位置，也就是说前5个值表示一个椅子的属性信息，后5个值表示一个桌子的属性信息。
[0087]
在本技术实施例中，每个目标家具序列可以代表一种布局结果，即户型的布局方案，可以通过计算目标家具序列的概率可来作为户型中一种布局的概率。最终输出的目标家具可以通过概率计算来确定该目标家具序列的布局结果的可靠性，计算公式为其中，p为是整个目标家具序列的概率；θ自回归模型参数；v
seq
在此处表示目标家具序列；vn表示目标家具序列中第n个值。从上述公式可知将目标序列中每个值的概率进行相乘，最终得到目标家具序列的概率，目标家具序列的概率越大，说明输出的布局结果越符合当前的户型的结构布局关系。
[0088]
在一些实施方式中，在输出每个预测后的目标家具序列之后所述方法还包括：
[0089]
获取自定义的家具属性信息，并将自定义家具属性信息作为新的家具属性信息。
[0090]
其中，家具属性信息包括家具类别、家具大小、家具在户型中的摆放位置。例如，在浴室场景中家具类别可以包括洗手台、浴缸以及马桶等，可以是洗手台的大小以及洗手台在户型中的位置等。用户可以在户型布局设计过程中操控预测序列的家具属性信息，从而使得得到的户型的布局结果更加贴近用户的需求，同时也提高了户型布局设计的交互性。例如，在卧室的家具布局流程中，用户可以任意选择床的尺寸和朝向作为新的家具属性信息，并通过自回归预测后，输出床在当前户型的摆放的位置。
[0091]
继续参考图4，图4是本技术实施例提供的户型图像经过自回归处理的流程示意图。如图4所示，获取用户输入的户型图像，通过特征提取网络对户型图像进行特征提取，以获取图像特征，通过自回归模型将图像特征生成包括特征向量的预测序列，使得在预测序列的特征向量中的家具属性信息来体现户型的各个家具类别的布局结果。例如，预测序列中包括的家具属性信息在实际场景中是二维向量，在本技术实施例中预测序列是一维向量，因此需要将二维向量进行拆分，例如将家具的尺寸长宽拆分成长和宽，一维向量可以表示家具类别、家具尺寸大小以及家具摆放的朝向等。同时，用户可以在终端设备中通过自定义控制预测序列中特征向量的家具属性信息来调整预测序列，并产生新的布局结果。
[0092]
进一步地，记录用户对家具属性信息的选择和调整等行为信息，进而转变成为一系列可供自回归模型学习的户型设计方案，最终实现对自回归模型的迭代优化。
[0093]
s203：从多种布局结果中筛选出目标布局结果。
[0094]
由于通过自回归预测得到的布局结果数量较多，且并不是每一种布局结果相对于户型的结构关系布局上是合理和有效的。因此，需要对每一种布局结果进行筛选，以输出排名较前的布局结果作为目标布局结果，提高户型的布局方案的有效性。
[0095]
需要说明的是，在本技术实施例中可以先根据目标家具序列的概率进行筛选，例如将大于预设的概率阈值的目标家具序列作为布局结果，再通过以下筛选方式，得到目标
布局结果。
[0096]
在一些实施方式中，从多种布局结果中筛选出目标布局结果，包括：
[0097]
获取每一种布局结果的评分值；
[0098]
根据预设的评分阈值对评分值进行过滤；
[0099]
将过滤得到的评分值对应的布局结果作为目标布局结果。
[0100]
在本技术实施例中，获取每一种布局结果的评分值，包括：
[0101]
获取每一种布局结果的多个初始评分值；
[0102]
对每一种布局结果的多个初始评分值进行求和，得到每一种布局结果的评分值。
[0103]
具体地，每一条规则可以是一个函数，并输入一个相应的评分，每一种布局结果在每一条规则中所输出的评分值为初始评分值。假设某个布局结果为layouti，其在某一条规则rulej下的为评分为score
i，j
＝rulej(layouti)，其布局layouti的总分为：scorei＝∑
j rulej(layouti)，也就是对多个初始评分值进行求和，将求和结果作为评分值。
[0104]
进一步地，可以通过预评分系统对每一种布局结果进行评估，以获取每一种布局结果的评分值。其中，评分系统由一系列的评分规则组成，每种规则预先设定好对应的分值，因此，查询每一种布局结果是否都满足评分系统中的每一条评分规则，通过统计满足规则与否各自对应的分值，进而得到每种布局结果最终的评分值。
[0105]
需要说明的是，用户可以在评分系统中对评分规则进行调整，比如，某条规则不合理，可以选择删除。
[0106]
进一步地，预设的评分阈值可以根据实际场景进行设定，比较每种布局结果的评分值与评分阈值的大小，将小于评分阈值的布局结果进行过滤，得到大于评分阈值的布局结果。例如，评分阈值为90，将布局结果的评分值大于或等于90的布局结果作为目标结果。
[0107]
继续参考图5，图5是本技术提供的户型布局的自动生成的方法的又一个实施例的示意图。将多种家具布局结果并行输入评分系统中，将家具布局结果中的布局方案经过一些列不同评分规则的评分，即根据是否满足评分规则来获取相应的分数，并统计每个家具布局结果在所有评分规则的总分，按照每个布局结果的总分大小，例如按照分数的高低进行排序，过滤掉分数过低的布局结果，进而输出最终家具布局结果。
[0108]
通过评分值对布局结果进行筛选，使得输出的目标布局结果更加高效，使得户型的结构布局关系更加合理。
[0109]
进一步地，如图6所示，图6是本技术提供的户型布局的自动生成的场景示意图。如图6使出的第一个图为输入的户型结构图，例如一个卫生间的结构图，灰色代表墙体，白色代表房间门，黑色代表地面。用户对该户型结构图进行相关参数定义，例如参数定义包括新增加的家具类别、家具属性信息等或者调整了相关参数，例如图6中位于第一个图下方的户型结构图相较于第一个图新增了不同颜色的方框，例如以浴室为场景，用户可以在户型结构图中新增洗手台、马桶和淋浴房等，同时用户也可以对淋浴房的宽度和深度的数值进行调整，并通过将自回归处理得到的布局结果进一步筛选，得到最终的布局结果，如图6所示的右边两个户型结构图，不仅包括了用户输入的家具类别，同时展示了各个家具类别在当前户型的摆放位置关系。
[0110]
通过获取户型的图像特征，对图像特征进行自回归处理，以得到户型对应的多种布局结果，布局结果包括表示户型的结构布局关系，从多种布局结果中筛选出目标布局结
果，一方面，由于自回归处理是基于概率预测时间序列的数学模型，具有可以从预测过程中输出无数条预测序列的特性，即该特性可以对一个固定的输入产生出无数种不同的预测结果，因此本技术方案采用该特性，结合家居设计与深度学习相结合的方式，使得生成的布局结果更加多样化和鲁棒性强，为用户提供更多的户型布局参考，另一方面，对输出的布局结果进一步筛选，使最终输出的目标布局结果更加靠近用户对户型布局的需求趋向，提高目标布局结果使用的成功率和效率。
[0111]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0112]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0113]
进一步参考图7，作为对上述图2所示方法的实现，本技术提供了一种户型布局的自动生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0114]
如图7所示，图7为本技术提供的户型布局的自动生成装置的一个实施例的结构示意图，其中，所述户型布局的自动生成装置还包括：获取模块701、自回归处理模块702及筛选模块703。其中：
[0115]
获取模块701，用于获取户型的图像特征；
[0116]
自回归处理模块702，用于对图像特征进行自回归处理，以得到户型对应的多种布局结果，其中，布局结果包括表示户型的结构布局关系；
[0117]
筛选模块703，用于从多种布局结果中筛选出目标布局结果。
[0118]
在一些实施方式中，自回归处理模块702包括：
[0119]
获取单元，用于获取多个预设的初始家具序列，其中，初始家具序列的数量与布局结果数量相同；
[0120]
回归单元，用于将图像特征和每个初始家具序列输入到预设的自回归模型中进行预测，以输出每个预测后的目标家具序列，其中，目标家具序列中的每个值表示家具属性信息；
[0121]
布局单元，用于根据每个目标家具序列和图像特征，输出每种户型对应的布局结果。
[0122]
在一些实施方式中，获取模块701包括：
[0123]
图像获取单元，用于获取户型图像；
[0124]
提取单元，用于通过预设的残差网络中提取户型图像的图像特征。
[0125]
在一些实施方式中，户型布局的自动生成装置还包括：
[0126]
自定义模块，用于获取自定义的家具属性信息，并将自定义家具属性信息更新到目标序列中。
[0127]
在一些实施方式中，筛选模块703包括：
[0128]
评分值获取单元，用于获取每一种布局结果的评分值；
[0129]
过滤单元，用于根据预设的评分阈值对评分值进行过滤；
[0130]
目标布局单元，用于将过滤得到的评分值对应的布局结果作为目标布局结果。
[0131]
在一些实施方式中，评分值获取单元包括：
[0132]
获取子单元，用于获取每一种布局结果的多个初始评分值；
[0133]
计算子单元，用于对每一种布局结果的多个初始评分值进行求和，得到每一种布局结果的评分值。
[0134]
关于上述实施例中户型布局的自动生成装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0135]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
[0136]
所述计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有组件81-83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0137]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0138]
所述存储器81至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或d户型布局的自动生成存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器81可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器81也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器81通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如户型布局的自动生成方法的程序代码等。此外，所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0139]
所述处理器82在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器82用于运行所述存储器81中存储的程序代码或者处理数据，例如运行所述户型布局的自动生成方法的程序代码。
[0140]
所述网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
[0141]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有户型布局的自动生成程序，所述户型布局的自动生成程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的户型布局的自动生成方法的步骤。
[0142]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0143]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。