本發(fā)明屬于圖像處理領域，尤其涉及一種基于學習預測的室內布局估計方法及系統(tǒng)。

背景技術：

房間布局估計是用一個最合適的3維立體結構來模擬房間空間。換句話說，這個問題等同于從一個房間中找到所有的墻-地板，墻-墻，墻-天花板的邊界。不幸的是，這些邊界與各種不是房間的邊緣混合在一起，并且不總是可見的。準確的房間布局估計需要計算機來從總體視角來理解房間，而不僅僅依賴于局部線索。

基于區(qū)域信息的圖像特征被廣泛用于以前的工作中。hedau等人提出了一個經典的框架用于房間布局估計：在候選產生階段，估算三個相互正交的消失點。然后通過從垂直和無限遠水平的消失點中均勻采樣，會產生一系列的候選布局。在排序階段，每個候選布局會被賦予一個學習到的結構化回歸量的得分，得分最高的布局被選為最終結果。schwing等人對每個消失點密集采樣50條射線，并將積分幾何分解用于高效的結構化預測。李等人通過方向圖用最合適的布局來評估的布局假設，其中方向圖是由線段切割計算出來的。王等人比較重視室內的混雜程度，并共同用隱變量模擬了房間的五個面和混雜布局。上述這些方法均是借助傳統(tǒng)手工提取的特征，有很多需要手動調節(jié)的參數，且最后的估計結果誤差較大。

技術實現(xiàn)要素：

為了解決現(xiàn)有技術的缺點，本發(fā)明的第一目的是提供一種基于學習預測的室內布局估計方法。

本發(fā)明的一種基于學習預測的室內布局估計方法，包括：

步驟1：構建訓練集，并利用訓練集內的訓練樣本進行訓練反卷積網絡；所述訓練樣本為房間布局圖及其對應的邊緣圖，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出；

步驟2：將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖；

步驟3：計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

步驟4：對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與步驟2得到的邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

本發(fā)明的該方法首先利用反卷積網絡對輸入圖像的每一個局部區(qū)域進行分類，從而得到一個低分辨率的標簽圖，然后對一個有很大內核和步幅的反卷積層進行雙線性插值，以便對原始輸入尺寸進行上采樣標簽圖，本發(fā)明通過反卷積網絡預測五個房間面的分割掩膜，而不是房間邊緣，然后基于預測的掩膜被大量優(yōu)化，從而改善最終的結果。

所述步驟3中的消失點包括待測房間布局圖中垂直方向的消失點、水平方向的近消失點和水平方向的遠消失點。

其中，對室內圖像，有三個在空間互相正交的消失點，豎直方向有一個，水平方向有兩個，其中距離圖像中心更遠的為遠消失點，另一個為近消失點。

所述步驟3中，計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)的具體過程為從消失點發(fā)出射線，均勻分割待測房間布局圖，得到一定數目的扇區(qū)。

步驟3中從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)的過程為：選擇的扇區(qū)數目不固定，被選中的扇區(qū)需要滿足兩個條件：

該區(qū)域邊緣圖平均強度強于相鄰兩個扇區(qū)；

至少與一個相鄰扇區(qū)的強度大于一個閾值。

這樣選出的扇區(qū)更為準確，并且可以有效減少冗余，防止不必要的選擇。

本發(fā)明的第二目的是提供一種基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)。

本發(fā)明的一種基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)，包括：

反卷積網絡訓練模塊，其用于構建訓練集，并利用訓練集內的訓練樣本進行訓練反卷積網絡；所述訓練樣本為房間布局圖及其對應的邊緣圖，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出；

預測邊緣圖輸出模塊，其用于將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖；

扇區(qū)選擇模塊，其用于計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

房間布局估計圖篩選模塊，其用于對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

本發(fā)明的該系統(tǒng)準確地根據圖像預測房間的空間布局，得到房間三維結構；對于房間內有遮擋的情況，仍可以較為準確地做出預測；本發(fā)明的該系統(tǒng)廣泛化性能較好，可以用于預測各種復雜的室內場景。

所述采樣扇區(qū)選擇模塊中的消失點包括待測房間布局圖中垂直方向的消失點、水平方向的近消失點和水平方向的遠消失點。

所述扇區(qū)選擇模塊包括扇區(qū)生成模塊，所述扇區(qū)生成模塊用于：從消失點發(fā)出射線，均勻分割待測房間布局圖，得到一定數目的扇區(qū)。

所述扇區(qū)選擇模塊還包括采樣扇區(qū)篩選模塊，所述采樣扇區(qū)篩選模塊用于：選擇的扇區(qū)數目不固定，被選中的扇區(qū)需要滿足兩個條件：

該區(qū)域邊緣圖平均強度強于相鄰兩個扇區(qū)；

至少與一個相鄰扇區(qū)的強度大于一個閾值。

本發(fā)明還提供另一種基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)。

該基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)，包括采集裝置和處理器，所述采集裝置被配置為采集訓練樣本并存儲至訓練集內，所述訓練樣本為房間布局圖及其對應的邊緣圖；

所述處理器被配置為：

提取訓練集內訓練樣本來訓練反卷積網絡，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出；

將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖；

計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

該系統(tǒng)還包括客戶端，所述客戶端用于顯示處理器輸出的房間布局圖。

本發(fā)明的有益效果為：

(1)本發(fā)明的該方法首先利用反卷積網絡對輸入圖像的每一個局部區(qū)域進行分類，從而得到一個低分辨率的標簽圖，然后對一個有很大內核和步幅的反卷積層進行雙線性插值，以便對原始輸入尺寸進行上采樣標簽圖，本發(fā)明通過反卷積網絡預測五個房間面的分割掩膜，而不是房間邊緣，然后基于預測的掩膜被大量優(yōu)化，從而改善最終的結果，最終準確估計房間的布局。

(2)本發(fā)明的該系統(tǒng)準確地根據圖像預測房間的空間布局，得到房間三維結構；對于房間內有遮擋的情況，仍可以較為準確地做出預測；本發(fā)明的該系統(tǒng)廣泛化性能較好，可以用于預測各種復雜的室內場景。

附圖說明

圖1是本發(fā)明的基于學習預測的室內布局估計方法流程圖；

圖2(a)是輸入的待測房間布局圖；

圖2(b)是輸出的邊緣圖；

圖3(a)是輸入的一個實施例待測房間布局圖的原始圖像；

圖3(b)是圖3(a)的預測的邊緣；

圖3(c)是第三種采樣方法中邊緣強度最高的的扇區(qū)；

圖3(d)是圖3(c)扇區(qū)對應的位置；

圖3(e)是選擇的局部最大邊緣強度的扇區(qū)；

圖3(f)是圖3(e)扇區(qū)對應的位置；

圖4是本發(fā)明的基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。

圖1是本發(fā)明的基于學習預測的室內布局估計方法流程圖，如圖所示的基于學習預測的室內布局估計方法，包括：

步驟1：構建訓練集，并利用訓練集內的訓練樣本進行訓練反卷積網絡；所述訓練樣本為房間布局圖及其對應的邊緣圖，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出。

訓練一個反卷積網絡的目的是估計房間的邊緣圖。邊緣圖是概率圖，代表了最適合房間的3維立體結構房間邊緣，即兩堵墻之間，墻壁和天花板之間，墻壁和地板之間的邊緣。

步驟2：將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖。

如圖2(a)所示，輸入的待測房間布局圖的大小是227×227；如圖2(b)所示，輸出邊緣圖的大小是56×56。輸出邊緣圖是輸入的待測房間布局圖經過訓練完成的反卷積網絡計算得到的，其具體過程為：

首先把由一組角落坐標或像素級的分割代表的地面實況房間布局轉換成邊緣圖。直觀地說，理想的邊緣圖的表達應該是值為1的代表房間邊緣的一像素寬的線和值為0的其余像素。然而，與整個圖相比，這樣的標簽是很小的陽性區(qū)域，而且邊緣和非邊緣之間的反差太大了。所以我們使用粗線(約10像素寬)去產生邊緣圖，并且在圖中執(zhí)行高斯模糊函數，以便平滑邊緣的邊界和非邊緣區(qū)域。如式(1)所示，這種轉換是函數g表示的，其中采用布局參數y(如角點的類型和坐標)作為輸入，輸出為邊緣圖m。

m＝g(y)(1)

反卷積網絡將房間圖像作為輸入，并使房間預測邊緣圖在最后一層產生。根據它們的功能，整個網絡可以看作兩部分：特征提取部分和邊緣圖生成部分。特征提取部分與alexnet的配置相似，由5個卷積層和2全連接層組成。區(qū)別在于為避免過度擬合，每一層節(jié)點的數量在逐漸減少的。這部分旨在創(chuàng)建特征，其中這個特征可以從輸入圖像中帶來房間邊緣的預測信息。邊緣圖產生的部分由4個連續(xù)的反卷積層組成，relu激活是在兩個反卷積層之間。預測邊緣圖是通過一個sigmoid函數由最后的卷積層輸出的。這部分旨在產生高質量的邊緣圖，邊緣圖來自從特征提取部分得到的特征，因為反卷積層的層次結構是用來捕獲不同級別的形狀信息的。詳細的網絡配置在表1中列出。

輸入圖像的大小和輸出邊緣圖的大小分別是227×227和56×56。訓練損失是sigmoid交叉熵和歐幾里得損失的總和，其中，交叉熵損失被激活的邊緣位置激勵輸出圖的值，而歐幾里得損失主要抑制異常邊緣。sigmoid交叉熵和歐幾里得損失是兩種常用的損失函數，用于衡量預測結果與真實結果的差距。

表1反卷積網絡的配置

其中，layername：層名；kernelsize：卷積核大?。籹tride：步幅；pad：填充；outputsize：輸出大?。籭nput：輸入；conv1:卷積層1；pool1:池化層1；fc6：全連接層6；deconv1:反卷積層1；其余類推；relu層被省略。

步驟3：計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

步驟3中的消失點包括待測房間布局圖中垂直方向的消失點、水平方向的近消失點和水平方向的遠消失點。

其中，對室內圖像，有三個在空間互相正交的消失點，豎直方向有一個，水平方向有兩個，其中距離圖像中心更遠的為遠消失點，另一個為近消失點。

步驟3中，計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)的具體過程為從消失點發(fā)出射線，均勻分割待測房間布局圖，得到一定數目的扇區(qū)。

步驟3中從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)的過程為：選擇的扇區(qū)數目不固定，被選中的扇區(qū)需要滿足兩個條件：

該區(qū)域邊緣圖平均強度強于相鄰兩個扇區(qū)；

至少與一個相鄰扇區(qū)的強度大于一個閾值。

這樣選出的扇區(qū)更為準確，并且可以有效減少冗余，防止不必要的選擇。

另一種選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)的方法為：

根據每個扇區(qū)區(qū)域的邊緣圖的平均強度，選擇若干強度最強的扇區(qū)，這樣選中的扇區(qū)數目是固定的。但是選出的扇區(qū)不準確，并且會產生冗余。

每一個候選布局都是通過從垂直和無限遠水平消失點中至多抽樣兩條射線產生的。

本實施例采用投票策略選出消失點。每三個一組的消失點分別為垂直點、無限遠水平點和近水平點。

對于扇區(qū)采樣可以采用下列方法：

(1)在整個圖像中從垂直和無限遠水平消失點中按10等間距射線采樣。

(2)對于每個消失點，密集采樣50條射線來提高精度。然而，通過整個圖像，密集采樣是很耗費時間的，且大多數布局估計是異常值。

(3)從消失點中生成均勻間隔的扇區(qū)。在每個消失點的上下兩個部分中，選擇在高邊緣強度中的前k個扇。在垂直的消失點中也會產生一個類似的過程。從每個被選定扇區(qū)中均勻采樣n條射線。這種自適應布局生成策略注重最有意義的區(qū)域，并抑制毫無意義的布局的產生。

然而，上述三種方法可能會在某些情況下漏掉所需要的扇區(qū)。例如圖3(a)預測的邊緣在圖3(b)中給出。考慮到水平消失點的上部分，目標是找到用深色標出的最重疊邊緣的部分。在圖3(d)中，高于水平消失點的部分序號為1到8，其中4號是生成布局所需的部分。在第三種方法中邊緣強度高的前兩個扇區(qū)(即k＝2)會被選擇，如圖3(c)所示，它們對應的位置是在圖3(d)中用深色標出。很顯然，所需的扇區(qū)(即4)被漏掉了。

本發(fā)明設置以下標準是為了找到合適的扇區(qū)：(1)這個扇區(qū)的平均邊緣強度高于附近的扇區(qū)。(2)在(1)的條件下，至少對于這個扇區(qū)的一個鄰域來說，邊緣強度的差異大于一個閾值d(在實驗中d＝0.03)。第一個標準是為了選擇出局部最大邊緣強度的扇區(qū)，第二個標準是為了防止在邊緣不均勻扇區(qū)中進行不必要的選擇。對于上述情況來說，在圖3(e)中，滿足兩個標準的扇區(qū)被標注成深色，其對應的位置顯示在圖3(f)中，其中包含所需的4號扇區(qū)。根據邊緣圖來說，我們選擇的扇區(qū)號碼是合適的。

在確定扇區(qū)后，按順序在每個類型中采樣候選布局，并賦給所選扇區(qū)。在每個選定扇區(qū)中(包括兩個邊緣)，n條射線被均勻采樣。如果一種類型的布局需要的射線數多于被選定扇區(qū)的數量，則跳過這種類型的布局。例如，如果對應于水平消失點的有兩個扇區(qū)，對于垂直消失點的扇區(qū)有一個，則除了0、1、2和7類型，所有類型的候選布局都會被生成。

圖3(a)-圖3(f)是候選扇區(qū)選擇過程示意圖，圖3(a)是原始圖像，圖3(b)是預測邊緣圖。對水平消失點來說，消失點上的扇區(qū)編號為1到8，其中4號扇區(qū)與邊緣的重疊率最高，如圖3(b)所示。在第三種采樣方法中邊緣強度最高的前兩個扇區(qū)在圖3(c)中被選擇(兩個深色柱子)，所選扇區(qū)顯示在圖3(d)中(用深色標出)，即為錯過正確的扇區(qū)(4號扇區(qū))。選擇局部最大邊緣強度，如圖3(e)所示。所需的4號扇區(qū)被選擇，如圖3(f)所示。

步驟4：對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與步驟2得到的邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

在以往的研究中，用手工特征來排序候選布局，如lm，gc和oms。本發(fā)明提出的反卷積網絡能夠產生高質量的邊緣圖，這個邊緣圖對于計算候選布局是很可靠的。因此，唯一的標準就是找到最適合邊緣圖的布局，具體如下：

其中，mi表示由第i個邊緣布局產成的邊緣圖。m是由反卷積網絡預測的邊緣圖。∥·||f表示弗羅貝尼烏斯規(guī)范。mi和m之間的相似度是通過評估重疊率和全局匹配得到的，其中使用了余弦相似性和歐幾里得距離。在實驗中，將μ設為0.06，以調整這兩項的分量相當。

本發(fā)明進行了基于lsun和hedau數據集的實驗，來測試該方法的性能。lsun數據集用于房間布局，它包含了4000個訓練圖像，394個驗證集的圖像和1000個測試圖像。原始訓練集并不夠大，所以通過裁剪和翻轉增加到39.2萬張圖像。此外，色彩抖動也應用于這些圖像。對于每一個圖像，在hsv彩色空間中，價值(v)通道添加了隨機值，一致分布在[-0.2,0.2]之間，色調(h)通道乘以一個[0.7,1.4]之間的比例。之前的房間布局數據集包含了209個訓練圖像和105個測試圖像。顯然地，訓練集太小了，從而不能從零開始訓練深度網絡。即使數據增加(裁剪，翻轉)，每種類型的場景仍然不足。因此，本發(fā)明使用這個網絡去預訓練lsun數據集，從而初始化新網絡的權重。

caffe是用來實現(xiàn)網絡的。設置基礎學習速率為3×10^-0.54，動量因子為0.5。輸入圖像被重置為為227×227。我們從每個輸入圖像中減去平均圖像中，以促進訓練。網絡生成的邊緣圖大小為56×56。

預測房間邊緣的性能：

將評估這個網絡用于預測邊緣圖時的性能。反卷積網絡(記作deconvnet)和fcn的主要差異表現(xiàn)在兩個方面。

首先，網絡有多層反卷積層。這個反卷積層能夠以從粗到細的方式生成高質量的邊緣圖，當有多層反卷積層時，邊緣圖是一層一層地被優(yōu)化，分離和重建的。

第二，反卷積網絡有全連接層，從而使接受域擴展到整個圖像中。這個屬性可以讓網絡通過周圍的信息來處理遮擋。

最后，為了清楚起見，表2和表3總結了(1)fcn；(2)fcdn；(3)pro–deconvnet；這三個網絡的主要差異。直觀地說，由deconvnet預測的邊緣圖的不僅是最準確的，而且非常清晰和明確，這對于用我們的自適應采樣方法生成候選布局是有益的。結果表明，deconvnet對于遮擋處理得最好。即使在房間邊緣是由大規(guī)模障礙嚴重堵塞的，例如，床覆蓋了大部分圖像，看不見的邊緣仍可以準確地預測。相反，fcn給出的預測很少。fcdn稍好，但仍然不能處理遮擋問題。

表2.三種網絡的差別

表3.三種采樣方法的性能對比

本發(fā)明提出了通過學習反卷積網絡來預測邊緣圖，以估計房間布局。這個網絡展現(xiàn)了優(yōu)越的性能，即生成高質量的房間邊緣圖。驗結果表明，在hedau和lsun數據集上，本發(fā)明的該方法優(yōu)于現(xiàn)有的方法。

本發(fā)明的該方法首先利用反卷積網絡對輸入圖像的每一個局部區(qū)域進行分類，從而得到一個低分辨率的標簽圖，然后對一個有很大內核和步幅的反卷積層進行雙線性插值，以便對原始輸入尺寸進行上采樣標簽圖，本發(fā)明通過反卷積網絡預測五個房間面的分割掩膜，而不是房間邊緣，然后基于預測的掩膜被大量優(yōu)化，從而改善最終的結果。

本發(fā)明首先從邊緣圖中生成候選布局，然后通過排名選擇最佳布局。使用lsun的定義來確定生成布局的參數，其中每個布局都有自己的類型和角點坐標。11個類型的房間布局覆蓋了大部分可能的房間圖像。與hedau標簽相比，這是一個更明確的和簡單的布局參數化模型。hedau標簽給出了地板的多邊形邊界，左邊的墻，中間的墻，右邊的墻和天花板。此外，地面真實有效的邊緣圖和房間布局分割掩膜都可以唯一地映射出相應的類型和點坐標。

圖4是本發(fā)明的基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)結構示意圖，如圖所示的基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)，包括：

反卷積網絡訓練模塊，其用于構建訓練集，并利用訓練集內的訓練樣本進行訓練反卷積網絡；所述訓練樣本為房間布局圖及其對應的邊緣圖，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出；

預測邊緣圖輸出模塊，其用于將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖；

扇區(qū)選擇模塊，其用于計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

所述采樣扇區(qū)選擇模塊中的消失點包括待測房間布局圖中垂直方向的消失點、水平方向的近消失點和水平方向的遠消失點。

所述扇區(qū)選擇模塊包括扇區(qū)生成模塊，所述扇區(qū)生成模塊用于：從消失點發(fā)出射線，均勻分割待測房間布局圖，得到一定數目的扇區(qū)。

所述扇區(qū)選擇模塊還包括采樣扇區(qū)篩選模塊，所述采樣扇區(qū)篩選模塊用于：選擇的扇區(qū)數目不固定，被選中的扇區(qū)需要滿足兩個條件：

該區(qū)域邊緣圖平均強度強于相鄰兩個扇區(qū)；

至少與一個相鄰扇區(qū)的強度大于一個閾值。

房間布局估計圖篩選模塊，其用于對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

本發(fā)明的該系統(tǒng)準確地根據圖像預測房間的空間布局，得到房間三維結構；對于房間內有遮擋的情況，仍可以較為準確地做出預測；本發(fā)明的該系統(tǒng)廣泛化性能較好，可以用于預測各種復雜的室內場景。

本發(fā)明還提供了一種基于學習預測高質量邊緣圖的房間布局估計系統(tǒng)，包括采集裝置和處理器，所述采集裝置被配置為采集訓練樣本并存儲至訓練集內，所述訓練樣本為房間布局圖及其對應的邊緣圖。

采集裝置為圖像采集器，比如攝像機或視頻采集裝置。

所述處理器被配置為：

提取訓練集內訓練樣本來訓練反卷積網絡，房間布局圖及其對應的邊緣圖分別作為反卷積網絡的輸入和輸出；

將待測房間布局圖輸至訓練完成的反卷積網絡，輸出預測的邊緣圖；

計算待測房間布局圖中預設方向的消失點，生成若干個扇區(qū)；再基于預測的邊緣圖，從生成的若干個扇區(qū)中選擇局部最大邊緣強度的扇區(qū)為采樣扇區(qū)；

對采樣扇區(qū)采樣，得到一系列候選的房間布局估計圖；再根據房間布局估計圖與邊緣圖的相似性，從候選的房間布局估計圖中篩選出與預測的邊緣圖最接近的房間布局估計圖作為最終的房間布局圖。

該系統(tǒng)還包括客戶端，所述客戶端用于顯示處理器輸出的房間布局圖。

本領域內的技術人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此，本發(fā)明可采用硬件實施例、軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器和光學存儲器等)上實施的計算機程序產品的形式。

本發(fā)明是參照根據本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執(zhí)行的指令產生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產生計算機實現(xiàn)的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本領域普通技術人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(read-onlymemory，rom)或隨機存儲記憶體(randomaccessmemory，ram)等。

上述雖然結合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內。