[发明专利]一种数据驱动的室内区域布局预测方法及系统

说明书

本发明提出一种数据驱动的室内区域布局预测方法及系统，涉及室内区域布局预测，该方法包括步骤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。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。

技术领域

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。

发明内容

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：