[发明专利]基于学习预测的室内布局估计方法及系统

权利要求书

1.一种基于学习预测的室内布局估计方法，其特征在于，包括：

步骤1：构建训练集，并利用训练集内的训练样本进行训练反卷积网络；所述训练样本为房间布局图及其对应的边缘图，房间布局图及其对应的边缘图分别作为反卷积网络的输入和输出；

所述训练反卷积网络，包括：

首先利用反卷积网络对输入图像的每一个局部区域进行分类，从而得到一个低分辨率的标签图，然后对一个有很大内核和步幅的反卷积层进行双线性插值，通过反卷积网络预测五个房间面的分割掩膜，然后基于预测的掩膜被大量优化；步骤2：将待测房间布局图输至训练完成的反卷积网络，输出预测的边缘图；

步骤3：计算待测房间布局图中预设方向的消失点，生成若干个扇区；再基于预测的边缘图，从生成的若干个扇区中选择局部最大边缘强度的扇区为采样扇区；

步骤4：对采样扇区采样，得到一系列候选的房间布局估计图；再根据房间布局估计图与步骤2得到的边缘图的相似性，从候选的房间布局估计图中筛选出与预测的边缘图最接近的房间布局估计图作为最终的房间布局图。

2.如权利要求1所述的一种基于学习预测的室内布局估计方法，其特征在于，所述步骤3中的消失点包括待测房间布局图中垂直方向的消失点、水平方向的近消失点和水平方向的远消失点。

3.如权利要求1所述的一种基于学习预测的室内布局估计方法，其特征在于，所述步骤3中，计算待测房间布局图中预设方向的消失点，生成若干个扇区的具体过程为：从消失点发出射线，均匀分割待测房间布局图，得到若干个扇区。

4.如权利要求1所述的一种基于学习预测的室内布局估计方法，其特征在于，步骤3中从生成的若干个扇区中选择局部最大边缘强度的扇区为采样扇区的过程为：

选择的若干个扇区数目不固定，被选中的扇区需要满足两个条件：

被选中的扇区边缘图平均强度强于相邻两个扇区；

至少与一个相邻扇区的强度大于一个阈值。

5.一种基于学习预测高质量边缘图的房间布局估计系统，其特征在于，包括：

反卷积网络训练模块，其用于构建训练集，并利用训练集内的训练样本进行训练反卷积网络；所述训练样本为房间布局图及其对应的边缘图，房间布局图及其对应的边缘图分别作为反卷积网络的输入和输出；

预测边缘图输出模块，其用于将待测房间布局图输至训练完成的反卷积网络，输出预测的边缘图；

扇区选择模块，其用于计算待测房间布局图中预设方向的消失点，生成若干个扇区；再基于预测的边缘图，从生成的若干个扇区中选择局部最大边缘强度的扇区为采样扇区；

房间布局估计图筛选模块，其用于对采样扇区采样，得到一系列候选的房间布局估计图；再根据房间布局估计图与边缘图的相似性，从候选的房间布局估计图中筛选出与预测的边缘图最接近的房间布局估计图作为最终的房间布局图。

6.如权利要求5所述的一种基于学习预测高质量边缘图的房间布局估计系统，其特征在于，所述采样扇区选择模块中的消失点包括待测房间布局图中垂直方向的消失点、水平方向的近消失点和水平方向的远消失点。

7.如权利要求5所述的一种基于学习预测高质量边缘图的房间布局估计系统，其特征在于，所述扇区选择模块包括扇区生成模块，所述扇区生成模块用于：从消失点发出射线，均匀分割待测房间布局图，得到若干个扇区。

8.如权利要求7所述的一种基于学习预测高质量边缘图的房间布局估计系统，其特征在于，所述扇区选择模块还包括采样扇区筛选模块，所述采样扇区筛选模块用于：选择的若干个扇区数目不固定，被选中的扇区需要满足两个条件：

被选中的扇区边缘图平均强度强于相邻两个扇区；

至少与一个相邻扇区的强度大于一个阈值。