申请/专利权人：上海品览数据科技有限公司

申请日：2020-06-12

公开（公告）日：2020-10-23

公开（公告）号：CN111814575A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101);G06K9/80(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.02.03#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明公开了一种基于深度学习和图像处理的户型图识别方法，涉及人工智能识别技术领域。本发明的基础图类别户型图识别方法与黑白图类别户型图识别方法相同，分两个路径进行，包括：S1、第一路径，获取墙体线段集合L1；S2、第二路径，获取窗户线段集合L2和最外围轮廓的墙体线段集合是L3；S3、融合墙体线段集合L1、窗户线段集合L2和墙体线段集合的结果，去除重复线段；S4、按照前述校正方法对图像进行直线校正；S5、对上述二值图提取轮廓，并输出json文件。本发明针对不同的类别识别户型图的空间位置，结合图像处理和深度学习方法，使得户型图识别的准确率高，而且识别速度快，极大的解放了人力物力，提高了效率。

主权项：1.一种基于深度学习和图像处理的户型图识别方法，其特征在于，平台系统根据图像识别技术识别出户型图为基础图类别、黑白图类别还是家装图类别，然后分别对应交由基础图类别户型图识别方法、黑白图类别户型图识别方法和家装图户型图识别方法进行户型图识别；其中，基础图类别户型图识别方法，分两个路径进行，包括如下步骤：S1、第一路径，获取墙体线段集合L1，包括如下步骤；S11、基于OCR中的文本检测技术，将户型图中的文本区域检测出来，得到文本在图像中的位置；S12、对图像进行灰度化处理并进行拉伸，拉大墙体和背景空间的区别，对拉伸的图像进行双边滤波，去噪的同时保留图像的细节特征；S13、对图像基于canny算子进行边缘检测，然后去除图像中一些较小的轮廓和直线；S14、对图像进行闭运算，将一些未闭合的线条封闭，根据文本坐标去除文本，然后进行轮廓检测；S15、基于得到的轮廓，首先基于面积和轮廓长宽比去除一些大面积轮廓，剩下的就认为是墙体，对这些墙体进行填充以及细化，得到户型图的骨架图；S16、对于骨架图中的每个轮廓，在水平方向和垂直方向上，如果一条直线的长度大于某个阈值，则将此直线作为基线去校正骨架图中的轮廓线；S17、对于校正后的图像再进行轮廓提取，得到每个轮廓的组成点，按照顺序将相邻两点连起来，得到墙体线段集合L1；S2、第二路径，获取窗户线段集合L2和墙体线段集合是L3，包括如下步骤；S21、将户型图的图像进行HSV变换，二值化以及中值滤波去噪；S22、同样基于文本坐标去除文本，提取轮廓，得到最外围边缘轮廓和内部门窗轮廓；S23、对于内部门窗轮廓，基于轮廓的最小外接矩形的长宽比以及面积和矩形图像的方差过滤轮廓，较短边的中点连线被认为是窗户，那么此线段集合是L2；S24、对于最外围边缘轮廓上的点，按照顺序依次连接连点构成线段，判断该线段是否是水平或者垂直，若是，那么该线段则被认为是墙体，若不是，则放弃该线段，此步骤得到的线段集合是L3；S3、融合墙体线段集合L1、窗户线段集合L2和墙体线段集合是L3的结果，去除重复线段；S4、新建一张全黑的图片，以白色画出融合后的线段，对该图像进行膨胀，将一些靠近的线段连接起来，再按照前述校正方法对图像进行直线校正；S5、对上述二值图提取轮廓，得到每个轮廓组成的点集，对每个轮廓按顺序存储点集到json文件中，并输出json文件；其中，黑白图类别户型图识别方法分与基础图类别户型图识别方法相同，区别在于，步骤S12进行拉伸、步骤S13进行边缘检测、步骤S21进行二值化时采用的阈值需调整至合适；其中，家装图类别户型图识别方法，包括如下步骤：P1、收集家装图户型图数据，对户型图进行像素级的标注，标注出每个像素点的空间属性，如卧式、门、窗户、墙；P2、对标注的数据集进行增强，如对图像加入噪声、改变亮度和对比度、对图像进行旋转；P3、基于SoloV2图像分割算法对数据集进行训练，得到分割模型；P4、基于分割模型预测出墙体、门窗的位置，并生成json文件保存位置信息，并输出json文件。

全文数据：

权利要求：

百度查询： 上海品览数据科技有限公司 一种基于深度学习和图像处理的户型图识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD