[发明专利]户型图生成方法、装置、计算机设备和存储介质

权利要求书

1.一种户型图生成方法，其特征在于，所述方法包括：

获取目标建筑物的边界和所述目标建筑物的布局约束，所述布局约束包括房间类型、房间数量、房间位置和房间之间的邻接关系；

根据所述目标建筑物的布局约束输出多个第一户型图；

从所述多个第一户型图中筛选出多个第二户型图，所述多个第二户型图的边界与所述目标建筑物的边界之间的匹配度满足预设条件；

对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图；

对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图，所述预测户型图包括所述目标建筑物中每个房间的房间边框和每个所述房间边框在所述目标建筑物的边界中的位置关系。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标建筑物的布局约束输出多个第一户型图，包括：

在预先存储的户型图数据集中检索满足所述目标建筑物的布局约束的所述多个第一户型图。

3.根据权利要求1所述的方法，其特征在于，所述从所述多个第一户型图中筛选出多个第二户型图，所述多个第二户型图的边界与所述目标建筑物的边界之间的匹配度满足预设条件，包括：

获取所述多个第一户型图的边界的转向函数和所述目标建筑物的边界的转向函数；

计算所述多个第一户型图的边界的转向函数和所述目标建筑物的边界的转向函数之间的累计差值；

将所述累计差值小于预设差值阈值的所述多个第一户型图作为所述多个第二户型图。

4.根据权利要求1所述的方法，其特征在于，所述对于每个所述第二户型图，将所述第二户型图的布局约束应用在所述目标建筑物的边界中，得到每个所述第二户型图对应的所述目标建筑物的布局图，包括：

对于每个所述第二户型图进行调整，直至所述第二户型图的前门方向与所述目标建筑物的前门方向之间的夹角小于预设角度阈值，得到调整后的第二户型图；

对于每个所述调整后的第二户型图，将所述调整后的第二户型图的房间类型、房间数量、房间位置和房间之间的邻接关系对应到所述目标建筑物的边界中，得到每个所述第二户型图对应的目标建筑物的布局图。

5.根据权利要求1所述的方法，其特征在于，所述对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图和所述目标建筑物的边界输入户型图生成网络中，得到所述户型图生成网络输出的所述目标建筑物的预测户型图，包括：

对于每个所述目标建筑物的布局图，将所述目标建筑物的布局图输入图神经网络，得到所述目标建筑物的布局图中每个房间对应的房间特征向量；

将所述目标建筑物的边界输入第一卷积神经网络，得到所述目标建筑物的边界特征向量；

将每个所述房间特征向量与所述边界特征向量关联起来，得到多个关联特征向量；

将每个所述关联特征向量输入第一多层感知器中，得到所述目标建筑物的布局图中每个房间对应的初始边界框；

利用所述每个房间对应的初始边界框对所述每个房间对应的关联特征向量进行映射，得到多个第一特征图；

将所述多个第一特征图组合为第二特征图，将所述第二特征图输入第二卷积神经网络，得到所述目标建筑物的栅格户型图；

将所述多个关联特征向量、所述初始边界框和所述栅格户型图输入边界框优化网络中，得到所述目标建筑物的预测户型图，所述边界框优化网络包括第三卷积神经网络、兴趣区域池化层和第二多层感知器。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练数据集，所述训练数据集包括多个户型图数据；

利用所述训练数据集对初始户型图生成网络进行训练，得到训练后户型图生成网络；

利用交叉熵损失函数、回归损失函数和几何损失函数计算所述训练后户型图生成网络的损失值；

根据所述损失值调整所述训练后户型图生成网络的参数，得到所述户型图生成网络。