基于进化深度学习的建筑室内空间布局特征提取方法

吴 彦

(滁州职业技术学院 艺术设计系，安徽 滁州 239000)

随着三维视觉信息处理技术的发展，结合数字图像处理技术，并将其应用于建筑室内空间布局中，这在建筑室内空间规划设计中具有重要意义.近年来，通过引入视觉信息识别技术，采用视觉参数特征分析方法，构建建筑室内空间布局特征提取分析模型，实现建筑室内空间布局检测，有利于提高建筑室内空间布局规划质量[1].随着建筑室内空间结构越来越复杂，建筑室内空间对内部结构空间布局的要求越来越高.为此，该领域研究者对建筑室内空间布局进行了研究，并取得了一定成果.

王丽莉[2]提出了一种建筑室内空间布局特征提取方法，即采用三维视觉特征信息重构的方法，建立了建筑室内空间布局视觉检测模型，并以此构建建筑室内空间布局视觉特征提取系统，来提高空间特征提取的能力.该方法通过三维视觉对空间布局的特征进行提取，提取后的特征有助于空间布局优化，但针对特定的空间布局参数考虑较少，存在一定提取偏差.蒋梦菲[3]根据建筑室内空间布局视觉图像的尺度分解结果，结合图像识别方法，并根据图像的规则性特征分布，得到建筑室内空间布局视觉分析方法，从而实现建筑室内空间布局视觉特征提取.该方法解决了建筑室内空间布局视觉特征提取中存在关键特征点模糊度较大、智能规划设计能力欠佳的问题.刘天亮等[4]提出由粗至精的室内场景的空间布局估计方法.该方法首先通过获取室内空间局部直线阈值，将室内空间划分为不同阶段；然后，引用全卷积神经网络法提取空间边界特征值；最后，将特征值进行融合，实现对特征的提取.该方法可有效提取室内布局的边界特征，但提取过程较简单，也不全面.

基于此，本文提出基于进化深度学习的建筑室内空间布局特征提取方法.首先，构建多分辨率视觉信息采集模型；其次，对建筑室内空间布局视觉图像进行融合及进化深度学习；然后，通过线性滤波对建筑室内空间布局视觉特征采集和优化提取；最后，采用进化深度学习算法，实现室内空间布局特征提取.

1 多分辨视觉信息采集模型构建

1.1 建筑室内空间布局视觉图像采集及预处理

为了提取建筑室内空间布局特征，对室内空间布局参数进行分析，需要再构建出建筑室内空间布局视觉的超分辨多参数识别模型.建筑室内空间参数提取过程见图1.

图1 建筑室内空间布局参数提取过程

由图1 可知，在建筑室内空间参数提取中，首先，采集视觉图像，并对视觉信息特征进行分析，确定建筑室内空间布局视觉图像点；其次，建立建筑室内空间布局视觉特征参数融合模型；然后，在多维视觉空间中，采用分块图像检测的方法[4]，匹配分块参数，对图像进行检测；最后，确定建筑室内空间布局视觉图像的边缘像素特征量估计值，即

实现边缘像素特征重组.其中，yhr为建筑室内空间布局图像边缘像素值；ku（c）为建筑室内空间布局视觉图像的边界像素点中心；bv（t）为建筑室内空间布局视觉图像分块结果值.

由于建筑室内空间布局视觉图像的像素点数量较多，需要进一步融合.设置建筑室内空间布局视觉图像帧间的统计特征量为R(［a,b］,c)和T(［a,b］,c)，构建建筑室内空间布局视觉图像像素点融合模型[5]为

基于像素点融合基础，设置E(［a,b］,c)为建筑室内空间布局视觉融合特征量；D(［a,b］,c)为图像帧序列.采用图2 所示的滤波器，实现对建筑室内空间布局视觉像素点的滤波处理.

图2 建筑室内空间布局视觉像素点滤波处理

1.2 建筑室内空间布局特征量获取

在建筑室内空间视觉图像像素点的采集和预处理基础上，为实现建筑室内空间布局特征提取，需要对其提取的空间布局特征量进行获取[6].通过边缘参数分布式检测方法，构建建筑室内空间布局视觉图像退化特征演化分析模型[7]，得到建筑室内空间布局参数分布序列为

其中，Δt为视觉信息采样的时间间隔；p代表建筑室内空间布局视觉特征分布像素集.设ber为建筑室内空间布局视觉图像分布域空间(a w,a m,an)中的标准化参数值，f= （1 ,2,3, ···,n）为建筑室内空间布局视觉图像的颜色参数，得到建筑室内空间布局视觉特征分量为

建筑室内空间布局视觉图像的模糊特征分布区域内的高阶矩[8]为

其中，

采用高分辨的多维空间分块组合方法，得到建筑室内空间布局视觉分布像素集：

建立建筑室内空间布局视觉图像的一阶和二阶参数分析模型，利用特征参量反映的建筑层次化布局特点，确定建筑室内空间布局视觉融合的规则函数为

在第k层的特征图中，提取建筑室内空间布局视觉信息分量，从而获取建筑室内空间布局特征量.

2 建筑室内空间布局特征提取

2.1 建筑室内空间布局参数分布序列边缘参数提取

根据获取的建筑室内空间布局特征量，引入进度深化学习算法对建筑室内空间布局特征进行全面提取[9].

假设建筑室内视觉特征提取参数为nsp，线性无偏估计值为z⌒（s0），则建筑室内空间布局视觉图像稀疏性特征分解的最佳准则满足：

其中，Lr为多维空间分块图像的尺度信息；C rt为多维空间图像特征量的稀疏程度值.

在此基础上，设置建筑室内空间布局特征的模糊状态参数为

采用快速傅立叶变换方法[10]，重建建筑室内空间布局视觉图像的动态轮廓分布特征点，计算建筑室内空间布局视觉图像输出梯度信息[11]，得到输出值为

通过边缘参数分割和融合滤波检测，采用约束模型构造的方法，得到建筑室内空间布局视觉分辨参数为

其中，xt,xp2,xc为建筑室内空间布局视觉信息分量空间布局视觉图像的区间参数.由此可得出建筑室内空间布局参数分布序列边缘参数为

其中gi为建筑室内空间布局参数分布序列边缘值.

2.2 基于进化深度学习的特征提取实现

在建筑室内空间布局特征提取过程中，由于确定的特征参数受到多种因素的干扰，导致特征提取的收敛性较差.因此，本文采用进化深度学习算法对参数的收敛性进行控制，从而保证室内空间布局特征的提取精度[12].进化深度学习是一种人工智能算法，该算法被广泛应用于多个领域.它是一种将自然算法和进化机制融合的智能算法，具有快速的寻优能力，且获得的最优解可以解决研究过程中遇到的难 题.因此，本文借助进化深度学习算法实现建筑室内空间布局特征的提取.

设定进化深度学习的收敛阈值满足

通过线性滤波的高分辨的信息融合检测，结合边缘区域像素重组，实现对建筑室内空间布局视觉特征提取分割.分割式为

其中，qr为建筑室内空间布局视觉特征提取的分辨率；xcv为分块时间间隔参数；vrt为特征提取的联合信息熵.

通过二维参数拟合方法，得到建筑室内空间布局视觉特征提取的分辨多维空间分块图像的拟合系数j= {jl,l∈ 3}.在单个像素值分布区域i={il,l∈ 1}内进行建筑室内空间布局视觉特征提取的多层次分块，得到室内空间布局多层级的特征信息为

根据多尺度机器学习结果，重组建筑室内空间布局视觉图像，用四元组（nc,nb,nm,nr）来表示建筑室内空间布局视觉特征提取模糊度，ye,yr是建筑室内空间布局视觉特征提取的实体集.结合恢复图像的约束参数解析结果，实现对建筑室内空间布局视觉图像的背景值融合，输出值为

选取近邻域函数xy组，建立建筑室内空间布局视觉特征检测的模糊度分布集，从中间层特征复用的角度出发，得到建筑室内空间布局视觉特征边界特征量：

其中，goi和gui分别为建筑室内空间布局视觉特征提取的分辨率和信息熵.

采用进化深度学习算法，提高建筑室内空间布局特征提取的收敛性水平，其实现流程见图3.

图3 基于进化深度学习的特征提取实现

3 实验分析

3.1 实验方案

为了验证本文方法的有效性，笔者进行了实验分析.实验在MATLAB 平台中进行，操作系统为WINDOWS 10 系统.测试环境参数如表1所示.

表1 实验参数设定

根据表1 的建筑室内空间布局视觉参数设定，进行建筑室内空间布局特征提取仿真，得到建筑室内空间布局视觉采样环境图，见图4.

图4 建筑室内空间布局视觉采样环境

3.2 实验结果分析

为了验证所提方法的有效性，实验分析了本文方法、文献[2]和文献[3]方法对样本空间布局图像特征的提取精度，得到的结果见图5.

图5 不同方法样本空间特征提取精度分析

由图5 可知，随着提取时间不断增加时，3种方法对样本空间特征提取精度存在一定差异.其中，所提方法对样本空间特征提取精度最高约为98%；文献[2]方法对样本空间特征提取精度最高约为91%；文献[3]方法对样本空间特征提取精度约为89%.相比之下本文方法高于其他2 种方法的提取精度，验证了所提方法的有效性.

为进一步验证本文方法的有效性，实验还分析了不同方法特征提取的时间，结果见图6.

图6 不同方法样本特征提取的时间分析

由图6 可知，采用3 种方法对样本特征提取的耗时不同.当提取特征量为500 w 时，采用本文方法的提取耗时约为1.1 s；文献[2]方法提取耗时约为7.8 s；文献[3]方法提取耗时约为3.2 s.当提取特征量1 000 w 时，采用本文方法的提取耗时约为3.8 s；文献[2]方法提取耗时约为9 s；文献[3]方法提取耗时约为6.1 s.可知，本文方法的提取耗时始终低于4 s，而其他2 种方法提取耗时高于本文方法.

4 结语

为提升室内空间布局质量，本文提出了基于进化深度学习的建筑室内空间布局特征提取方法，并根据所提取的室内空间布局参数，确定其边缘序列，采用进化深度学习算法对特征参数收敛性进行控制，完成建筑室内空间布局特征的提取.结果表明，本文方法可有效提取特征，且精度始终高于90%.