CN110363853A - 家具摆放方案生成方法、装置以及设备、存储介质 - Google Patents

Abstract

本公开提供了一种基于户型的家具摆放方案生成方法、装置以及电子设备、存储介质，涉及人工智能技术领域，其中的方法包括：获取与第一样本户型图相对应的、摆放有家具的第二样本户型图，对第二样本户型图中摆放的家具进行标注，生成第一家具信息；生成训练样本集并根据训练样本进行神经网络的训练，得到神经网络模型；利用神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案；本公开的方法、装置以及电子设备、存储介质，能够智能生成与用户的户型相对应的家具摆放方案，可以帮助用户能够快速、简便地选择合适的家具以及装修方案。

Description

家具摆放方案生成方法、装置以及设备、存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种基于户型的家具摆放方案生成方法、装置以及电子设备、存储介质。

背景技术

随着房地产行业的深入发展，家居装饰行业也得到了极大的发展，对家居的装饰需求也越来越大。在传统的装修流程中，需要专业的且经验丰富的设计师提出改造设计，普通住户往往无法胜任，家具布局的效果严重依赖于专业设计师。用户要想看到基于自己户型的房屋装修效果，需要经过专业设计师量房、与用户沟通风格喜好、设计等流程，往往需要大量的时间设计图纸，占用了大量的设计师资源，设计流程时间长、事情繁琐且价格昂贵，不具备普遍适用性。

发明内容

为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种基于户型的家具摆放方案生成方法、装置以及电子设备、存储介质。

根据本公开实施例的一个方面，提供一种基于户型的家具摆放方案生成方法，包括：获取与第一样本户型图相对应的样本户型结构数据；获取与所述第一样本户型图相对应的、摆放有家具的第二样本户型图，对所述第二样本户型图中摆放的家具进行标注，生成第一家具信息；根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

可选地，根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据生成训练样本集；根据所述训练样本进行神经网络的训练，得到神经网络模型；利用所述神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

可选地，所述利用所述神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案包括：获取与所述需要装修的户型图相对应的装修户型结构数据；将所述需要装修的户型图和所述装修户型结构数据输入所述神经网络模型，获取所述神经网络模型输出的与所述需要装修的户型图相对应的家具摆放信息，以及与所述家具摆放信息相对应的第二家具信息；利用所述家具摆放决策规则对所述家具摆放信息进行处理，获取家具摆放图；基于所述第二家具信息获取与所述家具摆放图中摆放的家具相对应的展示信息。

可选地，所述神经网络模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；其中，所述神经网络模型为具有全连接结构的多个神经网络层的子网络结构；所述中间层神经元模型为全连接层。

可选地，所述家具摆放信息包括：家具摆放热力图；其中，所述家具热力图包括：在所述需要装修的户型图中建议摆放的家具的位置信息、与所述建议摆放的家具相对应的摆放概率。

可选地，所述利用所述家具摆放决策规则对所述家具摆放信息进行处理，获取家具摆放图包括：根据家具的排放位置关系获取与所述建议摆放的家具相对应的能量函数；基于所述能量函数建立约束条件；使用蒙特卡罗搜索树算法对所述家具摆放热力图进行遍历，获取满足所述约束条件的所述家具摆放图；其中，在所述家具摆放图中摆放的家具的数量位于预设数量区间。

可选地，基于预设的家具组合策略以及所述展示信息确定与所述家具摆放图中摆放的家具相对应的配套物品；基于预设的家具摆放策略并根据所述装修户型结构数据，优化所述家具摆放图中摆放的家具以及相对应的配套物品的摆放位置；其中，所述家具摆放策略包括：贴墙策略、贴地策略。

可选地，根据所述需要装修的户型图以及所述装修户型结构数据生成三维户型模型；根据所述展示信息生成与在所述家具摆放图中摆放的家具以及配套物品相对应的三维家具模型；根据所述家具摆放图将所述三维户型模型和所述家具三维模型进行组合处理，生成三维房屋装修模型；根据所述展示信息确定装修风格，基于所述装修风格对所述三维房屋装修模型进行渲染处理。

可选地，所述样本户型结构数据和所述装修户型结构数据包括：户型的墙面分布数据、承重墙分布数据、门窗分布数据、面积数据、层高数据、地理位置数据中的一项或者多项；所述第一家具信息和所述第二家具信息包括：家具类别、摆放位置、朝向、风格、尺寸中的一项或者多项；所述展示信息包括：家具类别、摆放位置、朝向、风格、尺寸中的一项或者多项。

根据本公开实施例的另一方面，提供一种基于户型的家具摆放方案生成装置，包括：户型数据获取模块，用于获取与第一样本户型图相对应的样本户型结构数据；家具信息标注模块，用于获取与所述第一样本户型图相对应的、摆放有家具的第二样本户型图，对所述第二样本户型图中摆放的家具进行标注，生成第一家具信息；摆放方案获得模块，用于根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

根据本公开实施例的又一方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的方法。

根据本公开实施例的再一方面，提供一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述的方法。

基于本公开上述实施例提供的一种基于户型的家具摆放方案生成方法、装置以及电子设备、存储介质，能够智能生成与用户的户型相对应的家具摆放方案，可以帮助用户能够快速、简便地选择合适的家具以及装修方案，可以简化装修设计环节流程并可以为用户装修的决策提供方便。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征以及优势将变得更加明显。附图用来提供对本公开实施例的进一步的理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为本公开的基于户型的家具摆放方案生成方法的一个实施例的流程图；

图2为本公开的基于户型的家具摆放方案生成方法的一个实施例中生成家具摆放方案的流程图；

图3为本公开的基于户型的家具摆放方案生成方法的一个实施例中对家具的摆放进行优化的流程图；

图4为本公开的基于户型的家具摆放方案生成方法的一个实施例中生成三维渲染模型的流程图；

图5A为本公开的基于户型的家具摆放方案生成装置的一个实施例的结构示意图；图5B为本公开的基于户型的家具摆放方案生成装置的另一个实施例的结构示意图；

图6为本公开的基于户型的家具摆放方案生成装置的又一个实施例的结构示意图；

图7是本公开的电子设备的一个实施例的结构图。

具体实施方式

下面将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本公开实施例中，“多个”可以指两个或者两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本公开中术语“和/或”，仅是一种描述关联对象的关联关系，表示可以存在三种关系，如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本公开的实施例可以应用于终端设备、计算机***、服务器等电子设备，其可与众多其它通用或者专用计算***环境或配置一起操作。适于与终端设备、计算机***或者服务器等电子设备一起使用的众所周知的终端设备、计算***、环境和/或配置的例子包括但不限于：个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***、大型计算机***和包括上述任何***的分布式云计算技术环境等等。

终端设备、计算机***、服务器等电子设备可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施。在分布式云计算环境中，任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算***存储介质上。

申请概述

在实现本公开的过程中，发明人发现，在传统的装修流程中，需要专业的且经验丰富的设计师提出改造设计，普通住户往往无法胜任，家具布局的效果严重依赖于专业设计师，需要大量的时间设计图纸，占用了大量的设计师资源，设计流程时间长、事情繁琐且价格昂贵。

本公开提供的基于户型的家具摆放方案生成方法，生成训练样本集并进行神经网络的训练，得到神经网络模型；利用所述神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案，能够智能生成与用户的户型相对应的家具摆放方案。

示例性方法

图1为本公开的基于户型的家具摆放方案生成方法的一个实施例的流程图，如图1所示的方法包括步骤：S101-S103。下面对各步骤分别进行说明。

S101，获取与第一样本户型图相对应的样本户型结构数据。

第一样本户型图可以为通过CAD建模工具等生成的样本户型图，样本户型图可以为矢量图等，样本户型图中有多种户型元素，并且样本户型图设置有户型结构数据。获取第一样本户型图相对应的样本户型结构数据，样本户型结构数据包括：户型的墙面分布数据、承重墙分布数据、门窗分布数据、面积数据、层高数据、位置坐标数据等。

S102，获取与第一样本户型图相对应的、摆放有家具的第二样本户型图，对第二样本户型图中摆放的家具进行标注，生成第一家具信息。

第二样本户型图为与第一样本户型图相对应的、摆放有家具的样本户型图，家具可以为桌子、床、电器等。可以采用人工方式对第二样本户型图进行标注，第一家具信息包括家具类别、摆放位置、朝向、风格、尺寸等，也可以对第二样本户型图进行打分。

S103，根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案。

对需要装修的户型图进行处理可以有多种方法。例如，根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据生成训练样本集。根据训练样本进行神经网络的训练，得到神经网络模型。神经网络模型可以有多种。利用神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案。

需要装修的户型图可以为用户提供的需要装修的户型图，利用训练好的神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案，家具摆放方案的数量可以为一个或多个。家具摆放方案包括用于展示桌子、床、电器等家具在需要装修的户型图中摆放位置的家具摆放图、家具的展示信息等。

图2为本公开的基于户型的家具摆放方案生成方法的一个实施例中生成家具摆放方案的流程图，如图2所示的方法包括步骤：S201-S204。下面对各步骤分别进行说明。

S201，获取与需要装修的户型图相对应的装修户型结构数据。

用户可以通过前端页面输入或选择需要装修的户型图。用户输入的需要装修的户型图可以为通过CAD建模工具等生成的户型图，需要装修的户型图可以为矢量图等，能够从需要装修的户型图中获取装修户型结构数据。

如果用户输入的需要装修的户型图不为通过CAD建模工具等生成的户型图，从存储的样本户型图中查找到与用户输入的需要装修的户型图对应的样本户型图，并从此样本户型图中获取装修户型结构数据。装修户型结构数据包括：户型的墙面分布数据、承重墙分布数据、门窗分布数据、面积数据、层高数据、位置坐标数据等。

S202，将需要装修的户型图和装修户型结构数据输入神经网络模型，获取神经网络模型输出的与需要装修的户型图相对应的家具摆放信息，以及与家具摆放信息相对应的第二家具信息。家具摆放信息可以有多种，第二家具信息包括：家具类别、摆放位置、朝向、风格、尺寸等。

S203，利用家具摆放决策规则对家具摆放信息进行处理，获取家具摆放图。

S204，基于第二家具信息获取与家具摆放图中摆放的家具相对应的展示信息。展示信息包括：家具类别、摆放位置、朝向、风格、尺寸等，为利用家具摆放决策规则从家具摆放信息选取的实际摆放家具的展示信息。

在一个实施例中，家具摆放信息可以为神经网络模型输出的家具摆放热力图等，家具摆放热力图包括：在需要装修的户型图中建议摆放的家具的位置信息、与建议摆放的家具相对应的摆放概率等。例如，家具摆放热力图包括在需要装修的户型图中建议摆放的床、桌子等家具的位置信息、在此位置上建议摆放的床、桌子等家具的摆放概率、以及建议摆放的床、桌子等家具的展示信息。

家具摆放决策规则可以有多种。例如，根据家具的排放位置关系获取与建议摆放的家具相对应的能量函数，基于能量函数建立约束条件。使用蒙特卡罗搜索树算法对家具摆放热力图进行遍历，获取满足约束条件的家具摆放图，在家具摆放图中摆放的家具的数量位于预设数量区间。

例如，可以获取与建议摆放的家具与墙之间、与其他建议摆放的家具之间的摆放位置，基于摆放位置建立能量函数E(x)。使用蒙特卡罗搜索树算法对家具摆放热力图进行遍历，min(∑E(x))为约束条件。

蒙特卡洛树搜索又称随机抽样或统计试验方法，蒙特卡洛树搜索方法由于能够真实地模拟实际物理过程，是以概率和统计理论方法为基础的一种计算方法，是使用随机数来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，以获取问题的近似解。通过蒙特卡罗搜索算法对蒙特卡罗搜索树进行遍历，在家具摆放热力图中选定建议摆放的家具，作为实际摆放的家具。即从所构建的蒙特卡罗搜索树中选择满足约束条件的实际摆放的家具，同时使与全部选定的实际摆放的家具相对应的综合摆放概率为最大，并且在所述家具摆放图中摆放的家具的数量位于预设数量区间。例如，综合摆放概率可以为全部实际摆放的家具的摆放概率之和、加权和等。

在一个实施例中，神经网络模型可以采用多种算法模型建立，例如通过残差网络ResNet/DenseNet等建立神经网络模型。ResNet(Residual Neural Network)的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。

例如，神经网络模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型，每层神经元模型的输出作为下一层神经元模型的输入，神经网络模型可以为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。

将根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据生成训练样本集，根据训练样本进行神经网络的训练，得到神经网络模型。利用大量的训练样本对深度算法模型进行训练，获取训练好的神经网络模型。

将需要装修的户型图和装修户型结构数据输入训练好的神经网络模型，通过神经网络模型输出家具摆放热力图，家具摆放热力图包括在需要装修的户型图中建议摆放的床、桌子等家具的位置信息、在此位置上建议摆放的床、桌子等家具的摆放概率等。

图3为本公开的基于户型的家具摆放方案生成方法的一个实施例中对家具的摆放进行优化的流程图，如图3所示的方法包括步骤：S301-S302。下面对各步骤分别进行说明。

S301，基于预设的家具组合策略以及展示信息确定与家具摆放图中摆放的家具相对应的配套物品。

家具组合策略包括家具组合算法等，配套物品可以为家具、床上用品、装饰物品等。例如，对于在家具摆放图中摆放的床，则基于家具组合算法确定与摆放的床相对应的配套物品为床头柜等，基于床的展示信息确定床头柜的风格、大小等。

S302，基于预设的家具摆放策略并根据装修户型结构数据，优化家具摆放图中摆放的家具以及相对应的配套物品的摆放位置，家具摆放策略包括：贴墙策略、贴地策略等。

贴墙策略可以为贴墙算法等，贴地策略可以为贴地算法等，基于贴墙算法、贴地算法等并根据装修户型结构数据，优化家具摆放图中摆放的家具以及相对应的配套物品的摆放位置。

图4为本公开的基于户型的家具摆放方案生成方法的一个实施例中生成三维渲染模型的流程图，如图4所示的方法包括步骤：S401-S404。下面对各步骤分别进行说明。

S401，根据需要装修的户型图以及装修户型结构数据生成三维户型模型。

可以使用多种建模工具，例如CAD建模工具等，根据需要装修的户型图以及装修户型结构数据生成三维户型模型。

S402，根据展示信息生成与在家具摆放图中摆放的家具以及配套物品相对应的三维家具模型。

可以使用多种建模工具，例如CAD建模工具等，根据展示信息生成在家具摆放图中摆放的家具以及配套物品的三维家具模型。

S403，根据家具摆放图将三维户型模型和家具三维模型进行组合处理，生成三维房屋装修模型。根据家具摆放图将家具三维模型摆放至三维户型模型中的指定区域。

S404，根据展示信息确定装修风格，基于装修风格对三维房屋装修模型进行渲染处理。

可以实现不同装修风格下的家具摆放、墙地铺贴、门窗的填充和渲染效果，可以通过前端页面展示给用户。获取与需要装修的户型图相对应的家具摆放方案，生成与家具摆放方案相对应的虚拟三维空间全景渲染图。用户可在前端呈现的虚拟三维空间全景渲染图内游走、全方位浏览房屋设计方案，最终实现基于自己家户型的装修方案浏览。

示例性装置

在一个实施例中，如图5A所示，本公开提供一种基于户型的家具摆放方案生成装置，包括：户型数据获得模块501、家具信息标注模块502和摆放方案获得模块505。户型数据获得模块501获取与第一样本户型图相对应的样本户型结构数据。家具信息标注模块502获取与第一样本户型图相对应的、摆放有家具的第二样本户型图，对第二样本户型图中摆放的家具进行标注，生成第一家具信息。摆放方案获得模块505根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案。

在一个实施例中，如图5B所示，基于户型的家具摆放方案生成装置还包括：训练样本生成模块503、模型训练模块504。训练样本生成模块503根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据生成训练样本集。模型训练模块505根据训练样本进行神经网络的训练，得到神经网络模型。摆放方案获得模块505利用神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案。

在一个实施例中，户型数据获得模块501获取与需要装修的户型图相对应的装修户型结构数据。摆放方案获得模块505将需要装修的户型图和装修户型结构数据输入神经网络模型，获取神经网络模型输出的与需要装修的户型图相对应的家具摆放信息，以及与家具摆放信息相对应的第二家具信息。摆放方案获得模块505利用家具摆放决策规则对家具摆放信息进行处理，获取家具摆放图，基于第二家具信息获取与家具摆放图中摆放的家具相对应的展示信息。

家具摆放信息包括家具摆放热力图等，家具热力图包括：在需要装修的户型图中建议摆放的家具的位置信息、与建议摆放的家具相对应的摆放概率。摆放方案获得模块505根据家具的排放位置关系获取与建议摆放的家具相对应的能量函数，基于能量函数建立约束条件。摆放方案获得模块505使用蒙特卡罗搜索树算法对家具摆放热力图进行遍历，获取满足约束条件的家具摆放图；其中，在家具摆放图中摆放的家具的数量位于预设数量区间。

在一个实施例中，如图6所示，摆放位置优化模块506基于预设的家具组合策略以及展示信息确定与家具摆放图中摆放的家具相对应的配套物品。摆放位置优化模块506基于预设的家具摆放策略并根据装修户型结构数据，优化家具摆放图中摆放的家具以及相对应的配套物品的摆放位置，家具摆放策略包括：贴墙策略、贴地策略等。

展示模块处理模块507根据需要装修的户型图以及装修户型结构数据生成三维户型模型，根据展示信息生成与在家具摆放图中摆放的家具以及配套物品相对应的三维家具模型。展示模块处理模块507根据家具摆放图将三维户型模型和家具三维模型进行组合处理，生成三维房屋装修模型，根据展示信息确定装修风格，基于装修风格对三维房屋装修模型进行渲染处理。

图7是本公开的电子设备的一个实施例的结构图，如图7所示，电子设备71包括一个或多个处理器711和存储器712。

处理器711可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备71中的其他组件以执行期望的功能。

存储器712可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器，例如，可以包括：随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器，例如，可以包括：只读存储器(ROM)、硬盘以及闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器711可以运行程序指令，以实现上文的本公开的各个实施例的基于户型的家具摆放方案生成方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备71还可以包括：输入装置713以及输出装置714等，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。此外，该输入设备713还可以包括例如键盘、鼠标等等。该输出装置714可以向外部输出各种信息。该输出设备714可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备71中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备71还可以包括任何其他适当的组件。

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于户型的家具摆放方案生成方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的基于户型的家具摆放方案生成方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括：具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

上述实施例中的基于户型的家具摆放方案生成方法、装置以及电子设备、存储介质，根据第一样本户型图、第二样本户型图、第一家具信息以及样本户型结构数据生成训练样本集并进行神经网络的训练，得到神经网络模型；利用神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与需要装修的户型图相对应的家具摆放方案；能够智能生成与用户的户型相对应的家具摆放方案，并可以生成与用户的户型相对应的三维装修效果图，使用户能够全方位浏览房屋装修方案，节省设计师资源和设计流程时间，可以帮助用户能够快速、简便地选择合适的家具以及装修方案，能够简化装修设计环节流程并可以为用户装修的决策提供方便，减少装修的成本。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备以及***。诸如“包括”、“包含、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述，以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言，是非常显而易见的，并且在此定义的一般原理可以应用于其他方面，而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于户型的家具摆放方案生成方法，包括：

获取与第一样本户型图相对应的样本户型结构数据；

获取与所述第一样本户型图相对应的、摆放有家具的第二样本户型图，对所述第二样本户型图中摆放的家具进行标注，生成第一家具信息；

根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

2.如权利要求1所述的方法，所述对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案包括：

根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据生成训练样本集；

根据所述训练样本集进行神经网络的训练，得到神经网络模型；

利用所述神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

3.如权利要求2所述的方法，所述利用所述神经网络模型以及预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案包括：

获取与所述需要装修的户型图相对应的装修户型结构数据；

将所述需要装修的户型图和所述装修户型结构数据输入所述神经网络模型，获取所述神经网络模型输出的与所述需要装修的户型图相对应的家具摆放信息，以及与所述家具摆放信息相对应的第二家具信息；

利用所述家具摆放决策规则对所述家具摆放信息进行处理，获取家具摆放图；

基于所述第二家具信息获取与所述家具摆放图中摆放的家具相对应的展示信息。

4.如权利要求3所述的方法，其中，

所述神经网络模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；

其中，所述神经网络模型为具有全连接结构的多个神经网络层的子网络结构；所述中间层神经元模型为全连接层。

5.如权利要求3所述的方法，其中，

所述家具摆放信息包括：家具摆放热力图；

其中，所述家具热力图包括：在所述需要装修的户型图中建议摆放的家具的位置信息、与所述建议摆放的家具相对应的摆放概率。

6.如权利要求5所述的方法，所述利用所述家具摆放决策规则对所述家具摆放信息进行处理，获取家具摆放图包括：

根据家具的排放位置关系获取与所述建议摆放的家具相对应的能量函数；

基于所述能量函数建立约束条件；

使用蒙特卡罗搜索树算法对所述家具摆放热力图进行遍历，获取满足所述约束条件的所述家具摆放图；其中，在所述家具摆放图中摆放的家具的数量位于预设数量区间。

7.如权利要求6所述的方法，还包括：

基于预设的家具组合策略以及所述展示信息确定与所述家具摆放图中摆放的家具相对应的配套物品；

基于预设的家具摆放策略并根据所述装修户型结构数据，优化所述家具摆放图中摆放的家具以及相对应的配套物品的摆放位置；

其中，所述家具摆放策略包括：贴墙策略、贴地策略中的一项或者多项。

8.一种基于户型的家具摆放方案生成装置，包括：

户型数据获得模块，用于获取与第一样本户型图相对应的样本户型结构数据；

家具信息标注模块，用于获取与所述第一样本户型图相对应的、摆放有家具的第二样本户型图，对所述第二样本户型图中摆放的家具进行标注，生成第一家具信息；

摆放方案获得模块，用于根据所述第一样本户型图、所述第二样本户型图、所述第一家具信息以及所述样本户型结构数据，利用预设的家具摆放决策规则对需要装修的户型图进行处理，获取与所述需要装修的户型图相对应的家具摆放方案。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一项所述的方法。

10.一种电子设备，所述电子设备包括：

处理器；用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一项所述的方法。