[发明专利]基于目标检测的户型图墙体处理方法、系统、介质及设备

说明书

本发明提供一种基于目标检测的户型图墙体处理方法，所述方法包括：检测户型图中家具并对所述家具所在区域进行定位；对所述家具所在区域像素RGB进行赋值处理；对户型图构件进行轮廓检测以获取户型图轮廓信息；根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓；填充墙体轮廓以获取标准训练户型图。通过本方法对输入深度学习模型户型图样本的墙体进行预处理，用以输入更加标准的户型图来提高图像的质量，减少干扰信息，提高模型训练样本的标准化和识别的准确率。

技术领域

本发明涉及目标检测领域，特别是涉及一种基于目标检测的户型图墙体处理方法、系统、介质及设备。

背景技术

目前市面上已经提出了多种CAD平面户型图识别算法，例如基于传统图像处理和规则限制的完成墙体、门窗的自动化识别，但是由于CAD平面图存在设计不规范、人为干扰因素大的问题，识别精度不准。然而识别精度很大程度上取决于平面图的制图规范、构件混乱程度。传统算法只能处理水平和竖直的墙体，不适用真实场景复杂的户型结构。

针对传统的图像处理方法具有的问题，研发团队选择使用当下最前沿的深度学习方法来提高识别的准确率，通过分割网络以及关键点检测技术来进行墙线、组件和空间的自动识别划分，识别泛化性大大增加。

为了提高户型识别的准确率，首先需要对深度学习模型的输入户型图样本进行标准化预处理，而墙体作为户型图中最重要的构件，其处理方法直接影响图像的质量。经过墙体处理方法所得的标准化的户型图样本可以进一步地减少图像干扰信息，提高户型识别的准确率。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于目标检测的户型图墙体处理方法、系统、介质及设备，用于解决现有技术中的以上问题。

为实现上述目的及其他相关目的，本发明提供一种基于目标检测的户型图墙体处理方法，所述方法包括：检测户型图中家具并对所述家具所在区域进行定位；对所述家具所在区域像素RGB进行赋值处理；对户型图构件进行轮廓检测以获取户型图轮廓信息；根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓；填充墙体轮廓以获取标准训练户型图。

于本发明一实施例中，所述方法还包括：对所述户型图中数据集中的家具大小进行聚类统计；通过聚类统计获取N种不同大小的检测框，对每种尺寸框定义M种不同比例的检测框，N、M为正整数；在所述户型图中预测K个检测框并对检测框内的家具进行分类；计算两个同类检测框的IOU，若大于预设阈值则将两个框整合成一个，直到任意两个检测框之间的IOU小于预设阈值以获取最终检测框；定义所述最终检测框为家具所在区域并检测所述去检测家具所在区域周围竖直、水平的直线。

于本发明一实施例中，所述方法还包括统计获取户型图内家具所在区域外的具有相同RGB值的像素点的占比；比对获取占比最大的相同像素点的RGB值；将所述RGB值替换家具所在区域内的像素点的RGB值。

于本发明一实施例中，所述方法还包括通过cv2.findContours计算出所述户型图的轮廓并以树状图的形式保存；对所述轮廓记录轮廓下标，轮廓点的坐标以及父轮廓的下标；定义最外层父轮廓的下标为-1；循环更新所述轮廓的父轮廓，记录节点的深度，直到最新节点的父轮廓下标为-1；返回节点的深度。

于本发明一实施例中，所述方法还包括：步骤1：将所述轮廓中相邻的3个轮廓点的首尾两个轮廓点作为端点连接两点形成线段记作AB；步骤2：计算所述3个轮廓点中中间轮廓点距离线段AB的垂直距离d；步骤3：比较d与预设阈值threshold的大小，若d小于threshold，则以线段AB作为所述轮廓的近似构成线段；若d大于threshold，则将C作为端点形成线段AC和BC作为所述轮廓的近似构成线段；步骤4：重复步骤1～步骤3获取所述轮廓的近似构成线段作为所述轮廓的构成线段并记录构成所述轮廓线段端点的个数。