针对空间结构的信息提供方法及电子设备与流程

1.本技术涉及数字化家装技术领域，特别是涉及针对空间结构的信息提供方法及电子设备。


背景技术：

2.数字化家装平台可以提升普通用户装修消费过程的整体体验。由于用户真实户型的形状千变万化，因此，当前普通用户的家装方案严重依赖于商家或设计师的沟通交互和人工操作：在商品信息服务系统中需要反复确认家具的尺寸、颜色、风格是否适合自己的户型，等等。但是，商品的实际效果可能不直观，商家面对海量的用户户型，也难以高效的进行个性化的商品和方案推荐；在设计端，用户需要和设计师进行反复的方案沟通和方案修改，用户希望对比多样化的装修方案也往往需要较高的成本。这些低效的环节极大的增加了链路成本，降低了用户体验，也限制了家装服务平台朝着数字化、规模化方向的发展。
3.为了给每一个用户打造个性化的家装体验，平台中需要给用户提供一些个性化应用，以实现个性化的内容推荐、生成、搜索等功能。广泛的个性化内容依赖于对户型结构数据的表示和理解，但是，真实户型通常由多个房间轮廓及其相互之间的门窗连接组成，户型轮廓的形状复杂性造成了对其理解的难度。
4.现有技术中，基于数据驱动的户型表达方法通常是直接将户型轮廓进行光栅化处理，转化为一张图像，将轮廓内外置为不同的像素数值，例如，轮廓外的像素统一置为白色，轮廓内的像素统一置为黑色，等等。利用这种转化得到的图像作为对具体户型结构的表达，并作为具体应用中各种算法的输入信息进行学习训练以及预测判断等处理。
5.但是，在利用具体的神经网络等算法模型对这种图像进行逐像素的加权处理，以提取高维特征的过程中，可能会使得原始的轮廓几何信息在高维中模糊掉，户型信息不再精准，从而削弱了后续应用的效果。另外，也存在算法难度比较高等其他问题。


技术实现要素：

6.本技术提供了针对空间结构的信息提供方法及电子设备，能够通过对目标空间结构进行更适合的表达，简化后续具体应用中的算法处理过程，同时在算法处理过程中可以保留目标空间结构的原始形状特征，便于提升算法处理的效果。
7.本技术提供了如下方案：
8.一种针对空间结构的信息提供方法，包括：
9.响应于针对目标空间结构进行目标信息获取的操作请求，将所述目标空间结构划分为多个目标区块，其中，所述目标区块的划分是与所述目标空间结构的形状特点相关的；
10.分别为所述多个目标区块生成对应的特征向量，并将所述多个目标区块生成对应的特征向量组成特征向量集合；
11.利用所述特征向量集合对所述目标空间结构进行表达，并输入到目标算法模型中，以便所述目标算法模型以所述目标区块为单位进行加权处理，以输出所述目标信息。
12.其中，所述将所述目标空间结构划分为多个目标区块，包括：
13.基于所述目标空间结构的形状特点，将所述目标空间结构划分为多个一级区块；
14.根据获取所述目标信息时的精度需求，将所述一级区块划分为多个二级区块，以便将所述二级区块作为所述目标区块。
15.其中，所述基于所述目标空间结构的形状特点，将所述目标空间结构划分为多个一级区块，包括：
16.分别在所述目标空间结构的轮廓图中的多个拐角点处，向对面墙体延申出切割线，以便根据各条切割线，将所述目标空间结构划分为多个一级区块。
17.其中，所述基于所述目标空间结构的形状特点，将所述目标空间结构划分为多个一级区块，包括：
18.将所述目标空间结构的轮廓图转化为通过像素表达的数字化图像；
19.针对所述数字化图像中的每个像素点，分别计算其距离上下左右各方向上最近墙线的距离，并相加，得到像素点对应的进深数值；
20.将进深数值相同且相邻的像素点划分到同一一级区块中。
21.其中，所述将所述目标空间结构划分为多个目标区块，包括：
22.如果所述目标空间结构内部包括多个子空间结构，则根据所述多个子空间结构分别所在的区域确定所述多个目标区块。
23.其中，所述分别为所述多个目标区块生成对应的特征向量，包括：
24.获取所述目标空间结构的轮廓图，将其转化为通过像素表达的数字化图像，并通过对所述数字化图像进行特征提取，生成所述目标空间结构对应的特征图，所述特征图与所述数字化图像具有相同或相似的形状及尺寸；
25.确定所述多个目标区块在所述数字化图像中对应的位置信息，并根据所述位置信息以及所述特征图，获取所述多个目标区块分别对应的区块特征向量。
26.其中，所述根据所述位置信息以及所述特征图，获取所述多个目标区块分别对应的区块特征向量，包括：
27.从所述特征图中的对应位置，分别为所述多个目标区块裁剪出对应的区块特征图；
28.通过分别对所述多个目标区块对应的区块特征图进行池化处理，得到所述目标区块分别对应区块特征向量。
29.其中，所述分别对所述多个目标区块对应的区块特征图进行池化处理之后，还包括：
30.通过神经网络模型的共享参数对所述多个目标区块对应的区块特征向量进行处理，获得所述特征向量集合。
31.其中，所述目标信息包括：关于所述目标空间结构的家具布局建议信息；
32.所述目标算法模型用于：
33.分别对所述多个目标区块进行多属性分类，以便分别为所述多个目标区块赋予家具布局相关属性；
34.将属性相同且相邻的多个目标区块进行合并，输出关于所述目标空间结构的家具布局建议信息。
35.其中，还包括：
36.确定所述多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述；
37.所述输出关于所述目标空间结构的家具布局建议信息，包括：
38.根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的家具布局建议信息。
39.其中，所述目标信息包括：基于所述目标空间结构的空间结构搜索结果信息；
40.所述方法还包括：
41.根据所述特征向量集合生成关于所述目标空间结构的全局特征向量；
42.根据数据库中多个空间结构分别对应的所述特征向量集合，生成各空间结构对应的全局特征向量；
43.所述目标算法模型用于：
44.根据所述目标空间结构的全局特征向量与所述数据库中各空间结构对应的全局特征向量之间的距离，确定所述目标空间结构与所述数据库中各空间结构之间的相似度，并给出搜索结果。
45.其中，所述目标信息包括：关于所述目标空间结构的内部房间划分方案的建议信息；
46.所述目标算法模型包括共享权重的全连接网络，用于：
47.以所述特征向量集合为输入信息，预测出所述多个目标区块分别所属的房间类型，并获取所述多个目标区块所属房间信息的特征向量；
48.通过对所述多个目标区块所属房间信息的特征向量进行两两之间的距离，对各目标区块是否属于同一房间进行预测，并将预测出属于同一房间的多个目标区块进行合并；
49.根据同一房间内各目标区块分别对应的房间类型预测结果，确定该同一房间对应的房间类型，并生成关于所述目标空间结构的内部房间划分方案的建议信息。
50.其中，在对所述目标空间结构进行表达时，所述方法还包括：
51.获取所述目标空间结构的轮廓图，将其转化为通过像素表达的数字化图像，并根据所述数字化图像生成关于所述目标空间结构的墙体的掩模图像；
52.将所述掩模图像与所述数字化图像合并为多通道图像，以便基于该多通道图像进行所述目标区块的划分及所述特征向量的生成，并在通过所述目标算法模型进行目标区块的属性预测以及合并的过程中，向所述目标空间结构中添加内墙图像信息。
53.其中，还包括：
54.确定所述多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述；
55.所述生成关于所述目标空间结构的内部房间划分方案的建议信息，包括：
56.根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的内部房间划分方案的建议信息。
57.一种针对空间结构的信息提供装置，包括：
58.区块划分单元，用于响应于针对目标空间结构进行目标信息获取的操作请求，将所述目标空间结构划分为多个目标区块，其中，所述目标区块的划分是与所述目标空间结
构的形状特点相关的；
59.区块特征生成单元，用于分别为所述多个目标区块生成对应的特征向量，并将所述多个目标区块生成对应的特征向量组成特征向量集合；
60.算法处理单元，用于利用所述特征向量集合对所述目标空间结构进行表达，并输入到目标算法模型中，以便所述目标算法模型以所述目标区块为单位进行加权处理，以输出所述目标信息。
61.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述的方法的步骤。
62.一种电子设备，包括：
63.一个或多个处理器；以及
64.与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行前述任一项所述的方法的步骤。
65.根据本技术提供的具体实施例，本技术公开了以下技术效果：
66.通过本技术实施例，在用户需要基于目标空间结构获取某些相关信息(例如，家具布局推荐、相似户型、户型改造建议等等)时，可以首先将目标空间结构划分为多个目标区块，这种目标区块的划分是与目标空间结构的形状特点相关的(例如，目标空间结构中拐角点的位置等)，然后，通过对目标区块进行编码等处理，获得各个目标区块的特征向量。这样，可以通过多个目标区块的特征向量组成的集合，来对目标空间结构进行表达。然后，再输入到目标算法模型中，从而使得所述目标算法模型可以以所述目标区块为单位进行加权处理，以输出所述目标信息。可见，在该方案中，由于在进行区块划分时，充分考虑了目标空间结构的形状特点，因此，在后续算法进行加权计算的过程中，可以更多的保留目标空间结构的原始形状特点。而户型结构的形状通常可以给很多任务提供一些先验信息，例如家具的放置，房间划分等，通常会与外轮廓的弯折处对齐，以实现美学上的对齐、对称等效果。并且，由于具体的算法模型只需要以区块为单位进行加权计算，因此，算法的复杂度降低，也避免造成过度计算。
67.当然，实施本技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
68.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
69.图1是本技术实施例提供的系统架构的示意图；
70.图2是本技术实施例提供的方法的流程图；
71.图3-1、3-2是本技术实施例提供的区块划分相关的示意图；
72.图4是本技术实施例提供的对空间结构进行表达的实现过程示意图；
73.图5是本技术实施例提供的户型检索应用中的空间结构示意图；
74.图6是本技术实施例提供的户型改造应用中的处理过程示意图；
75.图7是本技术实施例提供的装置的示意图；
76.图8是本技术实施例提供的电子设备的示意图。
具体实施方式
77.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本技术保护的范围。
78.首先需要说明的是，在数字化家装平台中，具体为用户提供的个性化应用主要可以包括：相似装修方案的推荐，家装布局方案的生成，相似户型的搜索以及实现户型改造，等等，这些应用是实现家装链路智能化需要解决的重要课题。但是，在实现这些应用的过程中，都涉及到对户型结构的数字化表达。
79.其中，之所以需要对户型结构进行数字化表达，是因为在现实生活中，通常采用人类可以理解的对象及参数对户型结构进行描述，例如，某个户型中有一段墙，其起点位置在原点位置(0，0)处，(0，3)的位置为终点，等等。可以根据这些描述信息绘制出户型的轮廓图。但是，这种户型的轮廓图中，具体的坐标信息等通常是以现实生活中常用的长度度量单位(例如，米)来进行表达的，这些信息通常是算法模型无法直接识别的，因此，需要将这种轮廓图进行数字化处理，然后才能够作为具体应用中的算法模型的输入进行计算，并给出所需要的结果。
80.在现有技术中，一种方式下，是通过人工定义的方式将户型结构表示为图结构，也即，将户型结构表达为多个节点，多个边的集合，并使用手动设计的特征表示节点特征和连接关系。但是，这种人为设计的特征对后续算法模型中的特征提取提出了较高要求，并且，会限制对户型信息的表达能力。
81.另一种方式就是如背景技术部分所述，将户型结构的轮廓图(通常以米为单位进行表达)，通过进行光栅化等处理，转化为以像素为单位进行表达的数字化图像。这种数字化图像也可以对应由多个像素点组成的集合，每个像素点分别对应着各自的坐标以及像素值信息。例如，假设数字化图像的分辨率为800
×
600，则一个数字化图像可以对应着一个800
×
600的矩阵，矩阵中每个元素的值对应着各个像素点的像素值，例如，通常可以是颜色值等。其中，为了把户型结构表示的显著一些，通常可以把户型外全都做成白色，内部全是黑色，等等。
82.但是，如果直接将上述光栅化处理后得到的数字化图像来表达具体的户型结构，则在后续具体应用中的算法模型中进行特征提取的过程中，可能使得原始户型结构的形状等信息被模糊掉。其中，具体应用就可以是指前述的家具布局、户型搜索、户型改造等，不同的应用可能需要使用不同的算法模型对输入的户型结构表达信息进行处理，但是，相同之处在于，不同应用中使用的算法模型通常都是一些具有多个卷积层的神经网络模型，并且，神经网络中的卷积层数通常都比较多(因为神经网络只有在层次足够深时，其学习能力才能够强，才能够更好地理解全局的信息)。在使用上述神经网络模型进行计算时，是将一个数字化图像输入到多层的卷积网络，每一层把前面的输入做矩阵乘法加权，得到的输出在下一层继续加权得到新的输出，以此类推，最后得到的是高维特征，例如，每个像素点可能对应一个256维的高维特征向量，等等。在此过程中，在比较浅层的时候，户型结构的轮廓看
上去是比较明显的，但是，由于算法是对局部区域进行加权输出，因此，到了比较深层之后，输出的高维特征中，原始户型结构中的形状等信息就变得模糊，尤其是一些比较小的拐角等情况，在高维特征中可能会变得不明显。
83.另外，在对轮廓图进行光栅化的过程中，主要就是把以米为单位表达的轮廓图，转换为以像素为单位的数字化图像，也即，要确定出轮廓图中的“一米”在数字化图像上需要画出多少个像素，等等，从而把户型中的每段墙体等画到数字化图像上。但是，现实生活中以米为单位进行描述时，属于一种连续的单位，而画到数字化图像上时会变成离散的点，并且会受到分辨率的影响。在具体应用中的算法模型对上述数字化图像进行处理时，由于也是逐像素的进行加权处理，分别得到每个像素对应的分类结果等输出信息，也即，算法模型的输出结果也是以像素为单位的，为了便于用户理解，还需要再转换回以米为单位的表达。但是，在以像素为单位输出的结果中可能存在“毛刺”，例如，一段墙体，本来应该是直线，但是，“毛刺”的存在可能使得这段墙体变得弯曲或者不连续，等等。因此，在转化回以米为单位表达的图的过程中，还需要对“毛刺”进行优化处理。另外，在将以米为单位的表达转换为以像素为单位的表达，再将以像素为单位的表达转换回以米为单位的表达的过程中，也容易出错，或者造成信息的丢失，等等。
84.再者，由于具体是以像素为单位对具体的户型结构进行表达，因此，使得后续具体应用中的算法模型也只能以像素为单位进行加权计算处理，这会使得算法的难度很大，执行效率比较低。并且，在本技术实施例涉及到的相关应用中，可能也不需要以像素为单位进行分类等判断，以至于造成对计算资源的浪费。例如，在进行家具布局的应用中，主要目的是针对用户指定的某个具体的房间(例如，某户型中的客厅等)，判断出具体适合放置哪些家具，家具的放置位置、方向等。在此过程中，在放置位置方面通常是允许存在0.5m(或者是其他数值)左右的误差的。但是，如果直接以光栅化处理后的数字化图像作为算法模型的输入，则算法模型需要针对其中的每个像素，分别输出应该放置的家具类目、方向、大小、位置等信息。然后，再根据各像素对应的输出结果以及邻接关系等，对输出结果进行合并，确定出具体应该在何种位置放置何种家具。但是在实际的应用中，对于某个家具的精确位置并没有严格要求，少量的位置或大小的偏差本身也存在于较优解的范围内，因此这种逐像素的户型表达会造成后续算法中的过度计算。
85.又如，在户型改造这种应用中，如果直接使用光栅化处理后的数字化图像作为算法模型的输入，则需要先根据户型检索类似户型的房间布局，再根据房间布局生成房间，然后使用另一个模型对结果优化，最后再经过繁琐的后处理将结果从图像中转换为向量格式；另一个方法中，则需要先使用一个模型预测墙体像素，再分别使用两个模型逐个的预测客餐厅等其他房间的定位，且需要另一个模型来判断是否要继续添加房间，最后也需要繁琐的后处理来将结果转为向量格式。
86.而在户型搜索的相关应用中，则需要把整个户型表示为图结构，每个房间表示为一个节点，不同房间之间的连接表示为边，节点和边分别使用人工设计的形状和连接关系特征表示，例如房间大小，相对位置等。再利用图匹配的算法进行户型的训练和匹配。但由于人工设计的特征局限性，表示的户型信息通常不完整。
87.基于上述情况，在本技术实施例中，提出了基于区块特征对户型结构进行表达的方案。在该方案中，对于任意的户型结构，可以根据户型结构的轮廓形状切割为规整的区
块，并使用神经网络等提取出每个区块的特征向量，基于这些区块的特征向量组成的特征向量集合，对户型结构进行表达。进而，可以以一种更加直接容易的方式实现户型检索，家具布局和户型改造等应用。这样，由于在进行区块划分时，考虑了户型结构的轮廓形状信息，因此，在后续应用中具体进行高维特征提取的过程中，可以更多地保留原始户型结构的形状特征(例如，拐角点的位置等)，而户型结构的形状通常可以给很多任务提供一些先验信息，例如家具的放置，房间划分等，通常会与外轮廓的弯折处对齐，以实现美学上的对齐、对称等效果。并且，由于具体的算法模型只需要以区块为单位进行加权计算，因此，算法的复杂度降低，也避免造成过度计算。另外，由于这是一种通用的表达形式，因此，可以赋能包括上述各应用在内的所有户型相关应用。
88.从系统架构角度而言，如图1所示，本技术实施例可以在通过数字化家装平台的应用程序为消费者用户提供家装服务的过程中，为用户提供多种个性化应用模块，包括前文所述的家具布局、户型搜索、户型改造等等。而这些个性化应用模块在为用户提供具体的服务的过程中，就可以利用本技术实施例中提供的方案，将用户指定的户型结构分割为多个区块，并为各个区块生成对应的特征向量，通过这些特征向量对户型结构进行数字化表达，然后再输入到具体的算法模型中，以区块为单位进行加权计算，并输出结果。其中，数字化家装平台的应用程序可以分为客户端以及服务端，用户可以通过客户端指定具体的户型，并发起具体的请求(例如，某消费者用户可以在客户端中选择某户型中的某房间，发起家具布局请求，等等)，然后由服务端进行区块分割，特征向量生成，以及后续具体算法模型的计算等处理，并将结果返回给客户端进行展示。
89.下面对本技术实施例提供的具体实现方案进行详细介绍。
90.首先，本技术实施例从前述数字化家装平台的应用程序服务端的角度，提供了一种针对空间结构的信息提供方法，参见图2，该方法可以包括：
91.s201：响应于针对目标空间结构进行目标信息获取的操作请求，将所述目标空间结构划分为多个目标区块，其中，所述目标区块的划分是与所述目标空间结构的形状特点相关的。
92.其中，目标空间结构具体可以是某个户型的户型结构，或者户型内某个具体房间(例如，客厅等)的结构，等等。其中，在不同的应用场景中，具体的目标空间结构可以是不同的，例如，如果用户需要获取关于家具布局方面的推荐信息，也即，想要获知具体的空间内可以在怎样的位置放置怎样的家具，朝向是怎样，等等。对于这种情况，本技术实施例所述的目标空间结构，具体是指户型中具体某个房间的房间结构。此时，可以选择某个户型中的某个具体房间，然后由具体的算法基于该房间结构进行家具布局方面的推荐。具体实现时，可以在用户界面中为用户展示具体的户型整体的结构(该户型结构可以由用户提前进行上传，或者，由系统提供给用户进行选择，等等)，用户可以对户型中某个具体的房间进行选中，并发出对该房间进行家具布局的请求，等等。
93.或者，如果用户需要进行户型搜索，也即，搜索与其指定的户型具有相同或者相似结构的其他户型，以参考其他户型中的装修方案等等。此时，通常是基于给定的包含多个房间轮廓的户型，在大型数据库中进行相似性检索，以实现例如装修方案推荐，用户户型查找等。对于这种情况，本技术实施例所述的目标空间结构，就可以是指包含多个房间轮廓的户型结构。具体实现时，具体与户型搜索等相关的应用可以为用户提供针对某户型结构发起
相似户型搜索等操作的入口，由用户发起对指定的户型进行搜索的请求。
94.或者，如果用户需要进行户型改造，此时，通常是给定户型的外轮廓(也即，将户型内具体房间的墙体等对应的轮廓去掉，仅保留户型的外轮廓)，另外还可以包括其他额外的信息(例如，入户门位置或房间类型要求等)，然后，由算法给出房间的划分方式及房间类型。对于这种情况，本技术实施例所述的目标空间结构，具体可以是指去掉了内部房间轮廓、仅保留最外面的外轮廓的户型结构，等等。
95.其中，无论具体的目标空间是何种类型，关于具体的目标空间结构，在初始状态下，通常是可以获知其轮廓图，该轮廓图通常可以表达出目标空间结构的形状，例如，轮廓图通常可以由一系列的点构成，通过这些点的二维坐标进行表达，例如，某两个点分别位于(0，0)、(3，3)的位置，等等。其中，在轮廓图中，具体坐标值的单位通常是现实生活中表达户型结构时常用的长度单位(例如，米)来进行表达。也就是说，轮廓图是基于目标空间的实际尺寸，给出一个轮廓，该轮廓包括一系列通过坐标(x，y)表达的点，这些点连成一个轮廓，每两个点之间代表一堵墙)。但是，要想让后续的算法模型能够识别出具体目标空间的结构，则需要将上述轮廓图转化为算法模型可以识别的形式对目标空间结构进行表达。
96.具体的，在本技术实施例中，为了进行上述表达，首先可以将目标空间结构划分为多个目标区块。具体实现时，可以有多种划分目标区块的方式，但是都可以是基于目标空间结构的形状特点来进行划分。其中，目标空间结构的形状特点具体可以包括拐角点的位置，是否存在斜墙、圆弧墙，等等。当然，由于斜墙、圆弧墙等属于不常见的情况，因此，主要依据拐角点位置进行划分，其中，拐角点处形成的角度通常为90度。
97.具体的，一种方式下，可以基于所述目标空间结构的形状特点，将所述目标空间结构划分为多个一级区块，然后，可以根据获取所述目标信息时的精度需求，将所述一级区块划分为多个二级区块，以便将所述二级区块作为所述目标区块。
98.具体在进行上述一级区块以及二级区块的划分时，可以直接基于目标空间结构的轮廓图进行划分，或者，也可以将轮廓图进行光栅化处理得到通过像素表达的数字化图像之后，再进行划分。当然，在优选的实施方式下，可以既基于轮廓图进行划分，又基于数字化图像进行划分，这样，后续在具体的应用输出处理结果时，可以根据基于轮廓的划分结果直接通过长度度量单位表达的信息。
99.其中，由于目标空间结构的外轮廓是由多道墙线组成的多边形，一般进行户型内的应用时，例如家具布局会考虑家具放置的前后左右空间大小，这个空间大小用相对的墙之间的距离衡量，即进深。进深越大表示空间越宽阔，相反则越狭窄。因此，在基于通过像素表达的数字化图像进行区块划分的情况下，首先可以计算户型内任一点的进深。也即，首先在目标空间结构对应的数字化图像内每一点，计算其距离上下左右(东西南北)四个方向的最近的墙线的距离，并相加，作为当前位置的进深数值。
100.由于墙的不同弯折，会导致户型内部每个点的进深数值不同(也即，不同点的不同进深通常也是由于户型中存在一些拐角等导致的)，每个点在四个方向上的最近墙相同的点有同样的进深数值，最近墙不同的点则进深数值也不同。例如，假设某目标空间结构如图3-1(a)所示，完成进深计算后，进深值的分类情况如图3-1(b)所示。这使得内部空间被划分为了若干个一级区块，如图3-1(c)所示，其中，同一一级区块内的点有同样的进深，不同一级区块间的进深不同。其中，一级区块的形状不限为矩形，可以为一般形状，例如存在斜墙
或弧形墙时，可以将斜墙或弧形墙包围的区域作为一个一级区块，等等。
101.为了进一步增强户型表示的灵活性，还可以分别将每个一级区块再均匀的切割为多个个小区块，如图3-1(d)所示，这种小区块可以称为二级区块。其中，二级区块的划分是分别在不同的一级区块内进行，也即，不同的一级区块内，划分出的二级区块的数量以及大小可能都是不同的，具体与一级区块的大小，以及具体应用对精度的要求有关。
102.具体实现时，可以采用切分为m个二级区块的同时考虑单元格最小宽度阈值的策略，即优先将每个一级区块切割为n个格子，如果此时格子的长宽小于最小宽度阈值，则减少切割的数量，直到长和宽都分别满足阈值要求。其中，最小宽度阈值具体可以根据实际应用中对精度的要求而定，例如，在进行家具布局时，可能要求误差在0.5米以内，在进行户型改造时，可能要求误差在0.2米以内，此时，在家具布局的应用中，最小宽度阈值可能会大于户型改造的情况。换言之，在进行户型改造时，可能需要划分出更小的二级区块，才能满足定位精度的要求，等等。其中，几种不同宽度阈值下的切分效果可以如图3-2所示，(a)为仅划分出一级区块后的状态，(b)对应的是每个一级区块下，最多划分出4*2个二级区块，单个二级区块的最小宽度阈值为1m的情况；(c)对应的是每个一级区块下，最多划分出4*4个二级区块，单个二级区块的最小宽度阈值为0.5m的情况，等等。
103.另外，如果是基于轮廓图进行区块的划分，由于轮廓图中会包括多个点的坐标，这些点通常都是具体空间结构中的拐角点，因此，可以分别以这些拐角点的位置为起点，向对面墙体延申出一条切割线，通过这些切割线，将目标空间结构的轮廓图划分为多个以及区块。之后，同样可以将每个一级区块再均匀地切割为多个二级区块。
104.再者，由于具体实现时，用户指定的目标空间结构中可能包括多个子空间结构，例如，在户型搜索的应用中，用户输入的可能是包含多个房间轮廓的户型。也就是说，目标空间结构内天然包含一些用于划分不同房间的轮廓线，并且，这些轮廓线通常也是与房间中的拐角点位置等形状特征相关的。另外，这种应用中，只需要在不同的户型之间进行相似度比较，对精度的要求会更低一些。因此，在这种情况下，也可以直接根据所述多个子空间结构分别所在的区域确定所述多个目标区块。也就是说，可以直接将一个大户型中的各个房间确定为本技术实施例中对应的目标区块。
105.s202：分别为所述多个目标区块生成对应的特征向量，并将所述多个目标区块生成对应的特征向量组成特征向量集合。
106.在将目标空间结构划分出多个目标区块后，可以分别为这些目标区块生成特征向量，以用于具体应用中后续的算法模型计算。具体的，为目标区块生成特征向量的方法可以有多种。例如，一种实现方式下，首先可以获取所述目标空间结构的轮廓图，并将其转化为通过像素表达的数字化图像，然后，首先利用神经网络等模型对数字化图像进行特征提取，生成所述目标空间结构对应的特征图。其中，所述特征图与所述数字化图像具有相同或相似的形状及尺寸。例如，假设某数字化图像中包括m*n个像素，在该图像中，每个像素用一个颜色值来进行表达，而在该图像对应的特征图中，同样可以包括m*n个像素，只是每个像素不再用颜色值进行表达，而是由一个多维的特征向量进行表达。当然，在实际应用中，特征图的尺寸也可能与输入图像的尺寸不同，但在优选的方式下，为了满足后续区块特征裁剪的要求，可以使得特征图与所述数字化图像具有相同或相似的形状及尺寸。
107.在得到整个数字化图像对应的特征图之后，可以确定所述多个目标区块在所述数
字化图像中对应的位置信息，并根据所述位置信息以及所述特征图，获取所述多个目标区块分别对应的区块特征向量。例如，具体实现时，可以首先从所述特征图中的对应位置，分别为所述多个目标区块裁剪出对应的区块特征图，然后，通过分别对所述多个目标区块对应的区块特征图进行池化处理，得到所述目标区块分别对应区块特征向量。
108.也就是说，假设整个数字化图像对应的特征图是一个m*n的矩阵，矩阵中每个元素对应一个像素点，元素值是一个多维的特征向量。假设其中某个目标区块在数字化图像中的位置是：左上角(0，0)，右下角(m1，n1)，则可以将该区域内的各个像素点对应的特征向量截取出来，得到一个m1*n1的矩阵，也即该目标区块的区块特征图。
109.也就是说，每个目标区块的区块特征图中，包括多个多维的特征向量。但是，由于每个目标区块的大小可能是不同的，因此，使得每个区块特征图的尺寸也是不同的。为了便于后续算法中的计算，还可以对这些区块特征图进行池化处理。池化操作过程中，特征维度中每一层特征都可以采用平均值池化或最大池化等方式，从而可以使用一个多维特征向量来表达一个目标区块。例如，假设区块分割时得到x个目标区块，经过区块池化网络后，可以得到x个c维的区块特征向量，也即，每个目标区块有c维的特征。
110.另外，在得到每个目标区块对应的特征向量之后，还可以通过神经网络模型的共享参数对所述多个目标区块对应的区块特征向量进行处理，获得所述特征向量集合。也即，可以使用神经网络模块对上一步得到的区块特征进行进一步的特征编码，该网络模块对每一个目标区块使用共享的参数进行处理，得到最终的x个区块的特征向量集合。
111.也就是说，在一种具体的实现方式下，具体对目标空间结构进行表达的过程可以如图4所示，可以分为区块切割与区块特征编码两部分。在进行区块切割时，可以首先根据目标空间结构中的拐角点位置等形状特征，切割出多个一级区块，再根据具体应用中对位置信息的精度要求等，在每个一级区块中切割出多个二级区块。在为这种二级区块进行特征编码时，可以首先基于目标空间结构的轮廓图进行光栅化处理，得到基于像素表达的数字化图像，然后通过编解码网络，对该数字化图像进行整体的编码，得到整体上的特征图。之后，再根据各个二级区块在图像中的位置，从特征图中分别裁剪出每个二级区块分别对应的特征图。此时，二级区块的特征图是一个m*n*c的特征图，m、n代表一个二级区块内包含的像素数量，c为每个像素对应的特征向量的维度，例如，可以是256等。之后，通过池化网络，分别对每个二级区块的特征图进行池化处理，从而使得每个二级区块可以通过一个c维的特征向量来进行表达。然后，还可以通过共享参数网络对各个二级区块对应的特征向量进行处理，生成特征向量集合，以用于对所述目标空间结构进行表达。
112.当然，图4所示只是对本技术实施例中一种具体情况下的实现方式进行了介绍，在其他情况下，也可以有不同的处理。例如，在户型搜索的相关应用中，直接将户型内各个房间作为具体的目标区块，然后进行编码得到区块特征即可，等等。
113.s203：利用所述特征向量集合对所述目标空间结构进行表达，并输入到目标算法模型中，以便所述目标算法模型以所述目标区块为单位进行加权处理，以输出所述目标信息。
114.在得到每个目标区块对应的特征向量之后，在后续的应用中，将使用这些目标区块及其特征向量来表达整个目标空间结构，在不同的任务(具体应用中的任务)下，这些目标区块及其特征将会被算法或分类器等用于分类或比较，等等。
115.在本技术实施例中，还针对多种不同的任务，在使用多个目标区块对应的特征向量对目标空间结构进行表达的情况下，具体的任务实现方式提供了解决方案。下面分别针对多种不同应用的实现方式进行介绍。
116.1、关于家具布局，也即，用户所需获取的关于当前目标空间结构的目标信息可以包括：关于所述目标空间结构的家具布局建议信息。此时，在本技术实施例中，具体应用中的算法模型可以首先分别对所述多个目标区块进行多属性分类，以便分别为所述多个目标区块赋予家具布局相关属性，然后，将属性相同且相邻的多个目标区块进行合并，输出关于所述目标空间结构的家具布局建议信息。
117.具体的，首先可以对得到的目标区块及其特征向量输入到神经网络模块进行处理。例如，可以使用多层全连接网络对每一个目标区块进行多属性分类，包括家具类目、家具朝向，等等。也即，可以将目标空间结构内每一个目标区块赋予家具布局的相关属性。通过合理控制目标区块的划分策略，可以使得目标区块划分的粒度足够满足家具布局对位置精度的要求。在对上述全连接网络进行训练时，可以给每个目标区块标记为该区块范围内所有家具的根据所占面积加权的属性；在预测时，通过网络输出每个区块的属性，再根据目标区块之间的邻接关系，将同属性且相连的区域合并，得到最终的家具布局。例如，某区块对应的属性为：适合放沙发，另一个区块对应的属性也为适合放沙发，附近没有其他区块对应沙发属性，则可以将这两个区块合并到一起，组成一个区域，该区域就可以确定为适合放沙发的区域，等等。相比于现有技术，由于现有技术的方法需要预测每一个像素的属性，而本技术实施例只需要预测每个目标区块的属性，因此，使得问题的解空间大大降低，并且，由于区块划分时充分考虑了目标空间结构的拐角点位置等形状特点，因此，保证了输出的家具布局更加规整，结果更容易向量化。
118.需要说明的是，在上述通过算法进行计算的过程中，得到的结果是以像素为单位进行表达，而在向用户返回结果时，需要转化为以长度为单位进行表达，例如，从某像素到某像素之间适合放置沙发，等等。而在本技术实施例中，由于还可以基于目标空间结构的轮廓图进行目标区块的划分，因此，只需要确定出多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述。之后，在具体的算法确定出目标区块的合并方式之后，可以根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的家具布局建议信息。例如，从某面墙的第0米到3米的位置适合放置某款沙发，等等。
119.这里需要说明的是，在本技术实施例中，由于是以区块为单位进行加权计算，算法的输出结果也是以区块为单位，因此，不再存在由于逐像素进行输出而导致的“毛刺”现象，不再需要对图像进行优化处理。在转换回以米为单位的表达时，也可以直接根据对应区块在轮廓图中的位置进行换算即可，不会在转换过程中引入误差。
120.2、关于“户型检索”，也即，用户所需获取的关于当前目标空间结构的目标信息可以包括：基于所述目标空间结构的空间结构搜索结果信息。例如，要求给定查询户型，从户型数据库中检索出相近的户型，并给出相似性排序，如图5所示。另外，从图5中也可以看出，户型搜索场景下的目标空间结构通常为包含多个房间轮廓的全屋户型，具体的目标空间结构不仅包括外轮廓，还包括内部各个子空间的轮廓。此时，可以直接将每个房间区域视为本技术实施例中的目标区块，再按照前述区块编码的方式将目标空间结构表示为多个目标区
块对应的特征向量的集合。
121.但是，由于不同户型下，房间数量和顺序可能是不同的，且没有对应关系，因此，为了保证上述特征向量集合的顺序和数量变化时仍然可以得到一致的目标空间结构特征，还可以使用对称函数从多个目标区块对应的特征向量计算得到一个全局特征向量。不失一般性，可以使用最大值函数或平均值函数等，对n维度上的所有特征数值求结果，即可得到全局特征向量，且由于最大值或平均值函数对于n个数值的顺序是无关的，因此，得到的最终结果也是一致的。
122.另外，对于数据库中的多个空间结构，也可以分别按照本技术实施例提供的方案，生成对应的所述特征向量集合，并利用对称函数生成各空间结构对应的全局特征向量。之后，可以根据所述目标空间结构的全局特征向量与所述数据库中各空间结构对应的全局特征向量之间的距离，确定所述目标空间结构与所述数据库中各空间结构之间的相似度，并给出搜索结果。
123.具体的，在对具体的算法模型进行训练时，可以将相似户型的特征向量之间的距离拉近，将不相似的特征向量之间的距离推远。这里的向量之间的距离可以使用欧式距离、余弦距离或汉明距离等来表示。具体在进行户型检索时，对每一个空间结构，输出一个全局特征向量，计算数据库中所有空间结构的全局特征向量与检索空间结构的全局特征向量之间的距离，代表其相似性，并据此进行排序。
124.3、关于“改造”，也即，用户所需获取的关于当前目标空间结构的目标信息可以包括：关于所述目标空间结构的内部房间划分方案的建议信息。此时，要求给定全屋的外轮廓，还可以包括其他额外的信息(入户门位置或房间类型要求等)，算法给出房间的划分方式、房间类型等信息。具体实现时，本技术实施例可以使用共享权重的全连接网络来进行计算。例如，可以以多个目标区块的特征向量组成的集合为输入信息，获取所述多个目标区块所属房间信息的特征向量，然后，通过对所述多个目标区块所属房间信息的特征向量进行两两之间的距离，对各目标区块是否属于同一房间进行预测；再通过将预测出属于同一房间的多个目标区块进行合并，生成关于所述目标空间结构的内部房间划分方案的建议信息。
125.另外，如果还需要提供房间类型信息，则目标算法模型还可以用于，以所述特征向量集合为输入信息，预测出所述多个目标区块分别所属的房间类型。这样，在根据前述所属房间信息的特征向量，将多个目标区块合并为一个房间之后，还可以根据同一房间内各目标区块分别对应的房间类型预测结果，确定该同一房间对应的房间类型。
126.也就是说，可以利用一个共享权重的全连接网络，将每个目标区块的特征向量输出为两组结果，一组结果预测每个区块的房间类型，另一组结果输出表示每个区块所属房间信息的特征向量。通过对向量之间两两距离的计算得到相似矩阵。训练时拉近在同一个房间的区块之间距离，推远不同房间之间的区块距离。在预测时根据预设的阈值，当两个区块之间的距离小于阈值，则判定为同一个房间，将所有属于同一个房间的区块合并即可得到预测的房间；房间类型的确定则可以根据当前房间内所有的区块预测的类型投票，数量最多的类型即为当前房间的类型。
127.在可选的方式下，在对所述目标空间结构进行表达时，还可以在将目标空间结构的轮廓图转化为通过像素表达的数字化图像后，根据所述数字化图像生成关于所述目标空
间结构的墙体的掩模图像。然后，将所述掩模图像与所述数字化图像合并为多通道图像，以便基于该多通道图像进行所述目标区块的划分及所述特征向量的生成。这样，在完成目标区块的合并得到多个房间后，可以向所述目标空间结构中添加内墙图像信息，之后再生成具体的房间。例如，具体的处理过程可以如图6所示。
128.另外，与家具布局的应用类似，在户型改造应用中，最终反馈给用户的信息，通常需要以米为单位进行表达。也即，涉及到从像素表达向以米为单位表达进行转换。而在本技术实施例中，由于可以实现基于轮廓图的目标区块划分，并且与基于像素图划分出的区块是具有对应关系的，因此，还可以确定所述多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述；这样，在生成关于所述目标空间结构的内部房间划分方案的建议信息时，可以根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的内部房间划分方案的建议信息。
129.总之，通过本技术实施例，在用户需要基于目标空间结构获取某些相关信息(例如，家具布局推荐、相似户型、户型改造建议等等)时，可以首先将目标空间结构划分为多个目标区块，这种目标区块的划分是与目标空间结构的形状特点相关的(例如，目标空间结构中拐角点的位置等)，然后，通过对目标区块进行编码等处理，获得各个目标区块的特征向量。这样，可以通过多个目标区块的特征向量组成的集合，来对目标空间结构进行表达。然后，再输入到目标算法模型中，从而使得所述目标算法模型可以以所述目标区块为单位进行加权处理，以输出所述目标信息。可见，在该方案中，由于在进行区块划分时，充分考虑了目标空间结构的形状特点，因此，在后续算法进行加权计算的过程中，可以更多的保留目标空间结构的原始形状特点。而户型结构的形状通常可以给很多任务提供一些先验信息，例如家具的放置，房间划分等，通常会与外轮廓的弯折处对齐，以实现美学上的对齐、对称等效果。并且，由于具体的算法模型只需要以区块为单位进行加权计算，因此，算法的复杂度降低，也避免造成过度计算。
130.需要说明的是，本技术实施例中可能会涉及到对用户数据的使用，在实际应用中，可以在符合所在国的适用法律法规要求的情况下(例如，用户明确同意，对用户切实通知，等)，在适用法律法规允许的范围内在本文描述的方案中使用用户特定的个人数据。
131.与前述方法实施例相对应，本技术实施例还提供了一种针对空间结构的信息提供装置，参见图7，该装置可以包括：
132.区块划分单元701，用于响应于针对目标空间结构进行目标信息获取的操作请求，将所述目标空间结构划分为多个目标区块，其中，所述目标区块的划分是与所述目标空间结构的形状特点相关的；
133.区块特征生成单元702，用于分别为所述多个目标区块生成对应的特征向量，并将所述多个目标区块生成对应的特征向量组成特征向量集合；
134.算法处理单元703，用于利用所述特征向量集合对所述目标空间结构进行表达，并输入到目标算法模型中，以便所述目标算法模型以所述目标区块为单位进行加权处理，以输出所述目标信息。
135.其中，在一种实现方式下，区块划分单元具体可以包括：
136.一级区块划分子单元，用于基于所述目标空间结构的形状特点，将所述目标空间结构划分为多个一级区块；
137.二级区块划分子单元，用于根据获取所述目标信息时的精度需求，将所述一级区块划分为多个二级区块，以便将所述二级区块作为所述目标区块。
138.具体的，所述一级区块划分子单元具体可以用于：
139.分别在所述目标空间结构的轮廓图中的多个拐角点处，向对面墙体延申出切割线，以便根据各条切割线，将所述目标空间结构划分为多个一级区块。
140.或者，所述一级区块划分子单元具体可以包括：
141.图像生成子单元，用于将所述目标空间结构的轮廓图转化为通过像素表达的数字化图像；
142.进深数值生成子单元，用于针对所述数字化图像中的每个像素点，分别计算其距离上下左右各方向上最近墙线的距离，并相加，得到像素点对应的进深数值；
143.合并子单元，用于将进深数值相同且相邻的像素点划分到同一一级区块中。
144.另一种情况下，所述区块划分单元具体可以用于：
145.如果所述目标空间结构内部包括多个子空间结构，则根据所述多个子空间结构分别所在的区域确定所述多个目标区块。
146.具体实现时，所述区块特征生成单元具体可以包括：
147.整体特征图生成子单元，用于获取所述目标空间结构的轮廓图，将其转化为通过像素表达的数字化图像，并通过对所述数字化图像进行特征提取，生成所述目标空间结构对应的特征图，所述特征图与所述数字化图像具有相同或相似的形状及尺寸；
148.区块特征生成子单元，用于确定所述多个目标区块在所述数字化图像中对应的位置信息，并根据所述位置信息以及所述特征图，获取所述多个目标区块分别对应的区块特征向量。
149.具体的，所述区块特征生成子单元具体可以包括：
150.特征图裁剪子单元，用于从所述特征图中的对应位置，分别为所述多个目标区块裁剪出对应的区块特征图；
151.池化处理子单元，用于通过分别对所述多个目标区块对应的区块特征图进行池化处理，得到所述目标区块分别对应区块特征向量。
152.另外，还可以包括：
153.共享参数处理单元，用于在分别对所述多个目标区块对应的区块特征图进行池化处理之后，通过神经网络模型的共享参数对所述多个目标区块对应的区块特征向量进行处理，获得所述特征向量集合。
154.在一种具体的应用中，所述目标信息包括：关于所述目标空间结构的家具布局建议信息；此时，所述目标算法模型用于：分别对所述多个目标区块进行多属性分类，以便分别为所述多个目标区块赋予家具布局相关属性；将属性相同且相邻的多个目标区块进行合并，输出关于所述目标空间结构的家具布局建议信息。
155.在这种情况下，该装置还可以包括：
156.区块位置信息确定单元，用于确定所述多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述；
157.单位转换单元，用于根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的家具布局建议信息。
158.另一种应用中，所述目标信息包括：基于所述目标空间结构的空间结构搜索结果信息；
159.此时，所述装置还可以包括：
160.全局特征向量生成单元，用于根据所述特征向量集合生成关于所述目标空间结构的全局特征向量；根据数据库中多个空间结构分别对应的所述特征向量集合，生成各空间结构对应的全局特征向量；
161.相应的，所述目标算法模型用于：
162.根据所述目标空间结构的全局特征向量与所述数据库中各空间结构对应的全局特征向量之间的距离，确定所述目标空间结构与所述数据库中各空间结构之间的相似度，并给出搜索结果。
163.再一种应用中，所述目标信息包括：关于所述目标空间结构的内部房间划分方案的建议信息；
164.此时，所述目标算法模型包括共享权重的全连接网络，用于：
165.以所述特征向量集合为输入信息，获取所述多个目标区块所属房间信息的特征向量；
166.通过对所述多个目标区块所属房间信息的特征向量进行两两之间的距离，对各目标区块是否属于同一房间进行预测；
167.通过将预测出属于同一房间的多个目标区块进行合并，生成关于所述目标空间结构的内部房间划分方案的建议信息。
168.在优选的方式下，所述目标算法模型还可以用于：
169.以所述特征向量集合为输入信息，预测出所述多个目标区块分别所属的房间类型；
170.在将多个目标区块合并为一个房间之后，根据同一房间内各目标区块分别对应的房间类型预测结果，确定该同一房间对应的房间类型。
171.其中，在对所述目标空间结构进行表达时，所述装置还包括：
172.掩模图生成单元，用于获取所述目标空间结构的轮廓图，将其转化为通过像素表达的数字化图像，并根据所述数字化图像生成关于所述目标空间结构的墙体的掩模图像；
173.图像合并单元，用于将所述掩模图像与所述数字化图像合并为多通道图像，以便基于该多通道图像进行所述目标区块的划分及所述特征向量的生成，并在通过所述目标算法模型进行目标区块的属性预测以及合并的过程中，向所述目标空间结构中添加内墙图像信息。
174.在该应用中，同样可以将户型改造结果转换为以米为单位进行表达，因此，该装置还可以包括：
175.区块位置确定单元，用于确定所述多个目标区块在所述目标空间结构的轮廓图中的位置信息，该位置信息采用长度度量单位进行描述；
176.此时，具体的算法模型在生成关于所述目标空间结构的内部房间划分方案的建议信息，时，可以根据目标区块的合并情况以及所述采用长度度量单位描述的位置信息，生成采用长度度量单位描述的内部房间划分方案的建议信息。
177.另外，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，
该程序被处理器执行时实现前述方法实施例中任一项所述的方法的步骤。
178.以及一种电子设备，包括：
179.一个或多个处理器；以及
180.与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行前述方法实施例中任一项所述的方法的步骤。
181.其中，图8示例性的展示出了电子设备的架构，具体可以包括处理器810，视频显示适配器811，磁盘驱动器812，输入/输出接口813，网络接口814，以及存储器820。上述处理器810、视频显示适配器811、磁盘驱动器812、输入/输出接口813、网络接口814，与存储器820之间可以通过通信总线830进行通信连接。
182.其中，处理器810可以采用通用的cpu(central processing unit，处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术所提供的技术方案。
183.存储器820可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器820可以存储用于控制电子设备800运行的操作系统821，用于控制电子设备800的低级别操作的基本输入输出系统(bios)。另外，还可以存储网页浏览器823，数据存储管理系统824，以及空间结构信息处理系统825等等。上述空间结构信息处理系统825就可以是本技术实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本技术所提供的技术方案时，相关的程序代码保存在存储器820中，并由处理器810来调用执行。
184.输入/输出接口813用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
185.网络接口814用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
186.总线830包括一通路，在设备的各个组件(例如处理器810、视频显示适配器811、磁盘驱动器812、输入/输出接口813、网络接口814，与存储器820)之间传输信息。
187.需要说明的是，尽管上述设备仅示出了处理器810、视频显示适配器811、磁盘驱动器812、输入/输出接口813、网络接口814，存储器820，总线830等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。
188.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例或者实施例的某些
部分所述的方法。
189.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
190.以上对本技术所提供的针对空间结构的信息提供方法及电子设备，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本技术的限制。