[发明专利]门窗位置检测方法及装置

说明书

本发明提供了一种门窗位置检测方法及装置，涉及智能家装的技术领域，上述方法包括：获取待检测的户型图；对户型图进行预处理，得到户型图对应的二值化图像；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；根据边缘特征信息和形状特征信息确定门窗的位置。本发明待检测的户型图进行预处理，并依次输入预先训练完成的第一神经网络模型和第二经网络模型，确定门窗的位置；采用神经网络模型深度学习的方法处理户型图得到门窗的位置，可以减少测量时间和人力成本，提高准确率。

技术领域

本发明涉及智能家装技术领域，尤其是涉及一种门窗位置检测方法及装置。

背景技术

在家装设计中，首先需要得到户型的几何矢量数据，设计人员根据待装饰屋进行家装设计，户型的几何矢量数据包括门窗的位置数据。几何矢量数据一般需要由工作人员对待装饰屋进行实际测量，根据对待装饰屋的门窗、墙体等数据进行测量后手工生成。

然而，通过工作人员手动生成门窗的位置数据时，需要花费很长的时间进行实际测量，还需要根据测量数据生成门窗的位置数据，会耗费大量的时间和人力资源，测量和生成门窗的位置数据也可能会因为工作人员的问题出现误差，降低几何矢量数据的准确性。

针对上述现有技术中人工生成门窗的位置数据的方法存在测量时间长、人力成本高、准确率低的问题，目前尚未提出有效解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种门窗位置检测方法及装置，以减少测量时间和人力成本，提高准确率。

第一方面，本发明实施例提供了一种门窗位置检测方法，包括：获取待检测的户型图；对户型图进行预处理，得到户型图对应的二值化图像；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；根据边缘特征信息和形状特征信息确定门窗的位置。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对户型图进行预处理，得到户型图对应的二值化图像的步骤，包括：灰度化户型图，得到户型图的灰度值；计算户型图的灰度值峰值的平直度；将平直度最高的灰度值作为阈值，对户型图进行二值化，得到户型图对应的二值化图像。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，灰度化户型图的步骤之前，方法还包括：对户型图进行图像去模糊处理，得到第一预处理户型图；对第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；对第二预处理户型图进行边缘增强处理，得待灰度化的户型图。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，第一神经网络模型包括DenseNet网络；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息的步骤，包括：将二值化图像输入DenseNet网络，输出二值化图像中门窗和墙体的边缘特征；通过门窗和墙体的边缘特征过滤二值化图像，得到门窗和墙体的信息区域；将门窗和墙体的信息区域的像素位置作为边缘特征信息。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，第二神经网络模型包括：GoogleNet分割网络；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息的步骤，包括：将边缘特征信息输入GoogleNet分割网络，输出边缘特征信息中门窗的信息区域；对门窗的信息区域进行阈值分割；从阈值分割后的门窗的信息区域中提取灰度值梯度变化的像素点作为形状特征的边缘点，得到形状特征信息。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：将确定出的门窗的位置标示在户型图上。