基于進化深度學習的建筑室內空間布局特征提取方法

吳 彥

(滁州職業技術學院 藝術設計系，安徽 滁州 239000)

隨著三維視覺信息處理技術的發展，結合數字圖像處理技術，并將其應用于建筑室內空間布局中，這在建筑室內空間規劃設計中具有重要意義.近年來，通過引入視覺信息識別技術，采用視覺參數特征分析方法，構建建筑室內空間布局特征提取分析模型，實現建筑室內空間布局檢測，有利于提高建筑室內空間布局規劃質量[1].隨著建筑室內空間結構越來越復雜，建筑室內空間對內部結構空間布局的要求越來越高.為此，該領域研究者對建筑室內空間布局進行了研究，并取得了一定成果.

王麗莉[2]提出了一種建筑室內空間布局特征提取方法，即采用三維視覺特征信息重構的方法，建立了建筑室內空間布局視覺檢測模型，并以此構建建筑室內空間布局視覺特征提取系統，來提高空間特征提取的能力.該方法通過三維視覺對空間布局的特征進行提取，提取后的特征有助于空間布局優化，但針對特定的空間布局參數考慮較少，存在一定提取偏差.蔣夢菲[3]根據建筑室內空間布局視覺圖像的尺度分解結果，結合圖像識別方法，并根據圖像的規則性特征分布，得到建筑室內空間布局視覺分析方法，從而實現建筑室內空間布局視覺特征提取.該方法解決了建筑室內空間布局視覺特征提取中存在關鍵特征點模糊度較大、智能規劃設計能力欠佳的問題.劉天亮等[4]提出由粗至精的室內場景的空間布局估計方法.該方法首先通過獲取室內空間局部直線閾值，將室內空間劃分為不同階段；然后，引用全卷積神經網絡法提取空間邊界特征值；最后，將特征值進行融合，實現對特征的提取.該方法可有效提取室內布局的邊界特征，但提取過程較簡單，也不全面.

基于此，本文提出基于進化深度學習的建筑室內空間布局特征提取方法.首先，構建多分辨率視覺信息采集模型；其次，對建筑室內空間布局視覺圖像進行融合及進化深度學習；然后，通過線性濾波對建筑室內空間布局視覺特征采集和優化提取；最后，采用進化深度學習算法，實現室內空間布局特征提取.

1 多分辨視覺信息采集模型構建

1.1 建筑室內空間布局視覺圖像采集及預處理

為了提取建筑室內空間布局特征，對室內空間布局參數進行分析，需要再構建出建筑室內空間布局視覺的超分辨多參數識別模型.建筑室內空間參數提取過程見圖1.

圖1 建筑室內空間布局參數提取過程

由圖1 可知，在建筑室內空間參數提取中，首先，采集視覺圖像，并對視覺信息特征進行分析，確定建筑室內空間布局視覺圖像點；其次，建立建筑室內空間布局視覺特征參數融合模型；然后，在多維視覺空間中，采用分塊圖像檢測的方法[4]，匹配分塊參數，對圖像進行檢測；最后，確定建筑室內空間布局視覺圖像的邊緣像素特征量估計值，即

實現邊緣像素特征重組.其中，yhr為建筑室內空間布局圖像邊緣像素值；ku（c）為建筑室內空間布局視覺圖像的邊界像素點中心；bv（t）為建筑室內空間布局視覺圖像分塊結果值.

由于建筑室內空間布局視覺圖像的像素點數量較多，需要進一步融合.設置建筑室內空間布局視覺圖像幀間的統計特征量為R(［a,b］,c)和T(［a,b］,c)，構建建筑室內空間布局視覺圖像像素點融合模型[5]為

基于像素點融合基礎，設置E(［a,b］,c)為建筑室內空間布局視覺融合特征量；D(［a,b］,c)為圖像幀序列.采用圖2 所示的濾波器，實現對建筑室內空間布局視覺像素點的濾波處理.

圖2 建筑室內空間布局視覺像素點濾波處理

1.2 建筑室內空間布局特征量獲取

在建筑室內空間視覺圖像像素點的采集和預處理基礎上，為實現建筑室內空間布局特征提取，需要對其提取的空間布局特征量進行獲取[6].通過邊緣參數分布式檢測方法，構建建筑室內空間布局視覺圖像退化特征演化分析模型[7]，得到建筑室內空間布局參數分布序列為

其中，Δt為視覺信息采樣的時間間隔；p代表建筑室內空間布局視覺特征分布像素集.設ber為建筑室內空間布局視覺圖像分布域空間(a w,a m,an)中的標準化參數值，f= （1 ,2,3, ···,n）為建筑室內空間布局視覺圖像的顏色參數，得到建筑室內空間布局視覺特征分量為

建筑室內空間布局視覺圖像的模糊特征分布區域內的高階矩[8]為

其中，

采用高分辨的多維空間分塊組合方法，得到建筑室內空間布局視覺分布像素集：

建立建筑室內空間布局視覺圖像的一階和二階參數分析模型，利用特征參量反映的建筑層次化布局特點，確定建筑室內空間布局視覺融合的規則函數為

在第k層的特征圖中，提取建筑室內空間布局視覺信息分量，從而獲取建筑室內空間布局特征量.

2 建筑室內空間布局特征提取

2.1 建筑室內空間布局參數分布序列邊緣參數提取

根據獲取的建筑室內空間布局特征量，引入進度深化學習算法對建筑室內空間布局特征進行全面提取[9].

假設建筑室內視覺特征提取參數為nsp，線性無偏估計值為z⌒（s0），則建筑室內空間布局視覺圖像稀疏性特征分解的最佳準則滿足：

其中，Lr為多維空間分塊圖像的尺度信息；C rt為多維空間圖像特征量的稀疏程度值.

在此基礎上，設置建筑室內空間布局特征的模糊狀態參數為

采用快速傅立葉變換方法[10]，重建建筑室內空間布局視覺圖像的動態輪廓分布特征點，計算建筑室內空間布局視覺圖像輸出梯度信息[11]，得到輸出值為

通過邊緣參數分割和融合濾波檢測，采用約束模型構造的方法，得到建筑室內空間布局視覺分辨參數為

其中，xt,xp2,xc為建筑室內空間布局視覺信息分量空間布局視覺圖像的區間參數.由此可得出建筑室內空間布局參數分布序列邊緣參數為

其中gi為建筑室內空間布局參數分布序列邊緣值.

2.2 基于進化深度學習的特征提取實現

在建筑室內空間布局特征提取過程中，由于確定的特征參數受到多種因素的干擾，導致特征提取的收斂性較差.因此，本文采用進化深度學習算法對參數的收斂性進行控制，從而保證室內空間布局特征的提取精度[12].進化深度學習是一種人工智能算法，該算法被廣泛應用于多個領域.它是一種將自然算法和進化機制融合的智能算法，具有快速的尋優能力，且獲得的最優解可以解決研究過程中遇到的難 題.因此，本文借助進化深度學習算法實現建筑室內空間布局特征的提取.

設定進化深度學習的收斂閾值滿足

通過線性濾波的高分辨的信息融合檢測，結合邊緣區域像素重組，實現對建筑室內空間布局視覺特征提取分割.分割式為

其中，qr為建筑室內空間布局視覺特征提取的分辨率；xcv為分塊時間間隔參數；vrt為特征提取的聯合信息熵.

通過二維參數擬合方法，得到建筑室內空間布局視覺特征提取的分辨多維空間分塊圖像的擬合系數j= {jl,l∈ 3}.在單個像素值分布區域i={il,l∈ 1}內進行建筑室內空間布局視覺特征提取的多層次分塊，得到室內空間布局多層級的特征信息為

根據多尺度機器學習結果，重組建筑室內空間布局視覺圖像，用四元組（nc,nb,nm,nr）來表示建筑室內空間布局視覺特征提取模糊度，ye,yr是建筑室內空間布局視覺特征提取的實體集.結合恢復圖像的約束參數解析結果，實現對建筑室內空間布局視覺圖像的背景值融合，輸出值為

選取近鄰域函數xy組，建立建筑室內空間布局視覺特征檢測的模糊度分布集，從中間層特征復用的角度出發，得到建筑室內空間布局視覺特征邊界特征量：

其中，goi和gui分別為建筑室內空間布局視覺特征提取的分辨率和信息熵.

采用進化深度學習算法，提高建筑室內空間布局特征提取的收斂性水平，其實現流程見圖3.

圖3 基于進化深度學習的特征提取實現

3 實驗分析

3.1 實驗方案

為了驗證本文方法的有效性，筆者進行了實驗分析.實驗在MATLAB 平臺中進行，操作系統為WINDOWS 10 系統.測試環境參數如表1所示.

表1 實驗參數設定

根據表1 的建筑室內空間布局視覺參數設定，進行建筑室內空間布局特征提取仿真，得到建筑室內空間布局視覺采樣環境圖，見圖4.

圖4 建筑室內空間布局視覺采樣環境

3.2 實驗結果分析

為了驗證所提方法的有效性，實驗分析了本文方法、文獻[2]和文獻[3]方法對樣本空間布局圖像特征的提取精度，得到的結果見圖5.

圖5 不同方法樣本空間特征提取精度分析

由圖5 可知，隨著提取時間不斷增加時，3種方法對樣本空間特征提取精度存在一定差異.其中，所提方法對樣本空間特征提取精度最高約為98%；文獻[2]方法對樣本空間特征提取精度最高約為91%；文獻[3]方法對樣本空間特征提取精度約為89%.相比之下本文方法高于其他2 種方法的提取精度，驗證了所提方法的有效性.

為進一步驗證本文方法的有效性，實驗還分析了不同方法特征提取的時間，結果見圖6.

圖6 不同方法樣本特征提取的時間分析

由圖6 可知，采用3 種方法對樣本特征提取的耗時不同.當提取特征量為500 w 時，采用本文方法的提取耗時約為1.1 s；文獻[2]方法提取耗時約為7.8 s；文獻[3]方法提取耗時約為3.2 s.當提取特征量1 000 w 時，采用本文方法的提取耗時約為3.8 s；文獻[2]方法提取耗時約為9 s；文獻[3]方法提取耗時約為6.1 s.可知，本文方法的提取耗時始終低于4 s，而其他2 種方法提取耗時高于本文方法.

4 結語

為提升室內空間布局質量，本文提出了基于進化深度學習的建筑室內空間布局特征提取方法，并根據所提取的室內空間布局參數，確定其邊緣序列，采用進化深度學習算法對特征參數收斂性進行控制，完成建筑室內空間布局特征的提取.結果表明，本文方法可有效提取特征，且精度始終高于90%.