[发明专利]一种基于深度卷积网络的室内家居自动布局方法

权利要求书

1.一种基于深度卷积网络的室内家居自动布局方法，其特征在于：以YOLOV3模型为基础，在其HEAD模块中加入FCOS模型中的Centerness分支，构成检测模型，并基于该检测模型执行如下步骤A至步骤E，实现目标户型室内家居自动布局；

步骤A.基于预设各二维家具图、以及各二维家具图所对应的尺寸标签信息，采集预设数量分别已布局各二维家具图的二维家居户型图、以及该各二维家居户型图分别所对应未布局二维家具图的二维户型图，构成样本库，然后进入步骤B；

步骤B.分别针对样本库中的各幅二维户型图，将二维户型图先经过检测模型里的DarkNet53网络提取出三个不同尺度的特征图，接着将小尺度的特征图向上取样，并与大尺度的特征图融合，从而构成FPN网络，由该FPN网络中提取出三个不同尺度大小的特征图，作为该二维户型图所对应不同尺度大小的各特征图，然后进入步骤C；

步骤C.分别针对样本库中的各幅二维户型图，采用检测模型，针对二维户型图所对应不同尺度大小的各特征图进行处理，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；进而通过相对该家具框的Centerness值、与对应该家具框类别的概率之间的乘积，构成该家具框的得分，即获得二维户型图中各预测家具框的得分，进一步删除二维户型图中得分低于预设分数阈值的各个预测家具框，更新该二维户型图中的各预测家具框，然后进入步骤D；

步骤D.根据样本库中各二维户型图中各预测家具框的得分，结合二维户型图所对应二维家居户型图中已布局的各二维家具图，针对检测模型进行训练，获得训练后的检测模型，然后进入步骤E；

步骤E.采用步骤C的方法针对目标户型进行处理，获得目标户型图中各预测家具框的得分，然后采用训练后的检测模型进行处理，获得目标户型图中各家具框、以及对应家具框类别，实现目标户型图中各二维家具图的布局。

2.根据权利要求1所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述步骤C中，分别针对样本库中的各幅二维户型图，执行如下操作，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；

将二维户型图所对应不同尺度大小的各特征图、分别输入检测模型中的HEAD模块，其中，HEAD模块包括Regression支路和Classification支路，各支路分别包括预设层数、预设卷积核大小的各卷积层，且Regression支路中经过最后一个卷积层输出W*H*4的特征图，W为特征图宽，H为特征图高，即Regression支路输出特征图中各像素点分别预测对应的一个满足预设各二维家具图的家具框；

Classification支路中包括分类支路与Centerness支路，分类支路经过预设大小卷积核进行卷积处理后，输出为W*H*C，C为家具框类别数，即特征图中各个像素点分别对应C个值，这C个值经过softmax层，就可以计算获得各个像素点分别对应C个家具框类别中、各个家具框类别的概率，选取概率最大的家具框类别作为像素点所对应的家具框类别，即分类支路输出特征图中各像素点分别所对应的家具框类别、以及对应该家具框类别的概率，即为Regression支路所输出相应像素点预测对应家具框的家具框类别；

Centerness支路经过预设大小卷积核进行卷积处理后，输出为W*H*1，即Centerness支路输出特征图中各像素点分别相对其所预测家具框的Centerness值。

3.根据权利要求2所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述像素点相对其所预测家具框的Centerness值按如下方法获得；假设像素点的坐标为(x,y)，该像素点所预测家具框的左上角坐标、右下角坐标为(x0，y0)，(x1，y1)，则像素点分别到所预测家具框上四条边的距离为：

l＝x-x0，r＝y-y0，t＝x1-x，d＝y1-y

则按如下公式：

获得该像素点相对其所预测家具框的Centerness值。

4.根据权利要求1所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述步骤D中，在针对检测模型进行训练的过程中，模型损失计算中家具框采用GIou损失函数，家具框类别采用交叉熵损失函数，Centerness损失时采用binarycrossentropy损失函数。