一种建筑传统特征识别评价方法和系统与流程

1.本发明涉及建筑设计，尤其涉及的是，一种建筑传统特征识别评价方法和系统。


背景技术：

2.在快速城镇化和建筑国际化教育的背景下，近年来我国房屋建筑市场虽趋于平稳，但房建类合同占比率仍居高不下，建筑业企业的数量也呈持续走高的态势，建筑师跨地域进行建筑创作的情况愈发普遍。在建筑设计行业大量需求的背景下，对高效形成设计方案提出了更高的要求。例如要求所有类型的建筑设计周期，方案设计和初步设计阶段，均不应超过半年，且建筑规模越小对应的设计周期越短。而对于规模更小的历史地段建筑设计，如何准确提炼建筑风貌特色是设计的重点。长久以来，我国本土建筑的营造与当地工匠体系保持高度一致，各类地域性因素的沉淀形成了地方特色建筑风貌。例如某地历史地段建筑设计项目，此类项目的整体设计周期仅为三个月，几乎是要求每个建筑师以一栋/月的效率完成对建筑特色的提炼和传承设计。
3.目前，我国已有大量关于建筑地域特色的研究，如中华人民共和国住房和城乡建设部于2013年编制的《中国传统民居类型全集》等已对我国民居建筑特色进行细致梳理；同时建筑师在传承创新上也积累了大量的实践经验，并通过类型归纳形成了如建筑设计导则等技术资料辅助设计。虽然对于建筑地域特色研究的方法学和成果已十分系统化，地方专家的介入也能一定程度提升地域特色彰显，但短时间内建立起陌生地域的建筑知识体系、结合建筑设计进行传承创新仍是建筑行业共同面临的挑战。
4.近年来，在加强历史文化保护和塑造城市风貌是建筑行业发展的焦点，建筑设计过程中传递文化自信成为彰显地方特色的重要途径。为了避免如“千城一面”的情景出现，为有效保护控制建筑风貌特征，城市各级规划设计也逐渐从整体形态类型转向建筑类型深化。因此，以建筑为单元进行城市风貌管控和地方特色塑造将成为未来城市治理的关键。
5.在传统建筑风貌特征判别上，国内外的特征分类标准存在一定区别，但均可实现对一定区域内传统建筑特征要素的全面梳理。国外的相关研究关注某一特殊时期或种族人群的传统建筑，多以物理特征和特殊元素入手，研究尺度较小。如民居依据轮廓、材料和施工特点等；商业建筑依据立面的尺寸和纹理等主导元素；而宗教类等公共建筑则对外部及内部空间的多样性进行特征分析；对于欧洲、南亚和中亚等地区某时期的传统建筑，在研究中则会加入功能布局，并对单独建筑结构元素进行分析。上述应用场景包括通过识别建筑特征元素的强化文化价值、形成地域建筑谱系应用于保护工作、为建筑创新发展提供解决方案；一些研究也通过梳理立面特征主导元素，认为立面分类能够引导城市风貌和谐与多样性。
6.国内传统建筑特征识别多从聚落形态、平面布局、结构材料、形态特点、立面装饰等多个层级进行分类，研究尺度较大，强调建立分类体系和价值传承的关系。从建筑地域性的角度，已有研究成功对北方地区如吉林和河南传统民居、江南地区如湖南传统建筑、岭南地区如广州传统建筑、西南地区如重庆吊脚楼等进行梳理，对于建筑创新发展以及推演各
地域民居关系发挥了重要的参考价值。
7.综上，虽然现有的分类方法能够支持建立传统民居类型体系，但分类标准不尽统一，尤其是中国传统民居缺少立面的特征分类研究，因此形成的描述性分类无法直接参与城市风貌塑造，建筑师学习成本较高，类型学研究成果与建筑创作过程仍缺少高效的连接手段。
8.近年来随着深度学习技术的发展，目前西方学界在利用深度学习神经网络技术针对建筑分类做了大量的探索，这些研究与应用大多集中在建筑分类、无人驾驶、实时近景测量、建筑自动设计等领域。这些技术将深度学习与神经网络技术运用于文化遗产建筑类型、建筑部位、建筑年代等不同的影像分类任务中。在深度学习与建筑设计结合的领域，现有技术采用生成对抗网络技术(gan)探索深度学习应用于建筑特征解析及建筑自动射击的场景中。例如将生成对抗网络应用于室内设计及自动编排，或者将生成对抗网络应用于建筑立面设计，或者运用生成对抗网络自动生成设计，并从中获取计算方法对于理解不同建筑风格的量化价值。目前已有大量的模型风格分类模型为针对单张影像的风格分类算法任务，这种模型所获得的模型成果存在黑箱困境，削弱了模型结果的可解释性，对于计算方法实际应用于风貌监测监控等实际应用场景存在一定短板；而针对于语义分割的模型，更缺少从建筑学出发对于建筑结构、材质、颜色、比例等传统建筑特征的进一步提取，无法对于建筑设计实践提供有效参考。
9.综上，目前深度学习技术绝大多数基于现代建筑视角，在中国传统建筑特征识别，特别是适用于中国传统民居方面缺少核心识别方法。


技术实现要素：

10.本发明提供一种新的建筑传统特征识别评价方法和系统，所要解决的技术问题包括：如何准确提炼建筑风貌特色，帮助高效形成设计方案，对设计方案进行特色评价等。
11.本发明的技术方案如下：
12.一种建筑传统特征识别评价方法，其包括以下步骤：
13.获取地域的建筑图片样本；
14.建筑特征指标提取；
15.建筑特色类型归纳；
16.根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价。
17.优选的，所述建筑传统特征识别评价方法还包括以下步骤：根据所述建筑特征指标和所述建筑特色类型，生成所述地域的建筑画廊和/或展示样例；和/或，生成所述地域的建筑色卡；和/或，生成所述地域的特色传承创新评估报告和特征热力图；和/或，生成各所述地域的建筑风格分类图片数据集和建筑组件视觉边界标注图片数据集。
18.优选的，所述建筑传统特征识别评价方法还包括以下步骤：获取地域的最新建筑图片，判断图片是否发生变化，若是则执行对建筑设计进行地域特色评价，并且在地域特色评价的结果不符合预设要求时，给予报警提示。
19.优选的，建筑特征指标提取，包括以下步骤：
20.为所述建筑图片样本设置分类标签，
21.根据所述建筑图片样本及其分类标签，对建筑风格、建筑视角进行分类并且进行
机器学习；
22.根据所述建筑图片样本及其分类标签，对符合特定分类标签的所述建筑图片样本中的建筑部件进行图像分割和深度学习；
23.基于预测结果和传统机器视觉技术，对所述建筑图片样本的单张图片的不同特征指标，进行提取和计算。
24.优选的，所述特征指标包括色彩、纹路、轮廓、高度比例和特殊组件。
25.优选的，建筑特征指标提取，还包括以下步骤：视角判别、建筑风格判别、特殊建筑组件边界提取、建筑组件高度比例提取、建筑组件颜色提取、建筑轮廓样式提取和墙体纹路提取。
26.优选的，建筑特色类型归纳，包括以下步骤：
27.根据建筑地域、时代、功能对所述建筑图片样本的建筑图片进行分类；
28.采用所述特征指标，对每类建筑图片的各项指标进行评估并计算阈值。
29.优选的，对建筑设计进行地域特色评价，包括以下步骤：获取建筑设计的建筑图片，对所述建筑设计的建筑图片计算得到所述特征指标，并与相同建筑特色类型的所述特征指标及其阈值进行比对和核验，得到比对结果和核验报告并输出。
30.优选的，对建筑设计进行地域特色评价，还包括以下步骤：根据比对结果和核验报告调整或者修改所述建筑设计或所述建筑设计的建筑图片。
31.优选的，一种建筑传统特征识别评价系统，其应用任一项中所述建筑传统特征识别评价方法；
32.所述建筑传统特征识别评价系统包括：
33.获取模块，用于获取地域的建筑图片样本；
34.提取模块，用于提取建筑特征指标提取；
35.归纳模块，用于归纳建筑特色类型；
36.评价模块，用于根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价。
37.采用上述方案，本发明通过建筑特征指标和建筑特色类型的巧妙构思，建设了建筑地域风貌特征评估指标体系，可以方便地形成统一的分类标准，容易体现对中国传统建筑特征识别，非常适用于中国传统民居方面，不仅可以准确提炼建筑风貌特色，而且可以帮助高效形成设计方案，还能对设计方案进行特色评价，据此还可以建筑为单元进行城市风貌管控和地方特色塑造。
附图说明
38.图1为本发明的第一个实施例的示意图；
39.图2为本发明的第二个实施例的示意图；
40.图3为本发明的第三个实施例的示意图；
41.图4为本发明的第四个实施例的示意图；
42.图5为本发明的第五个实施例的示意图；
43.图6为本发明的第六个实施例的第一部分示意图；
44.图7为本发明的第六个实施例的第二部分示意图；
45.图8为本发明的第六个实施例的第三部分示意图；
46.图9为本发明的第七个实施例的建筑组件高度比例计算示意图；
47.图10为本发明的第八个实施例的建筑轮廓提取分步示意图。
具体实施方式
48.为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。但是，本发明可以采用许多不同的形式来实现，并不限于本说明书所描述的实施例。需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
49.除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
50.目前在大规模监测城市风貌上已有一定发展，但动态管控仍面临挑战。遥感影像识别等技术已广泛应用于建筑肌理和高度的识别，还可以对于历史地段高度进行预警监测，这就为城市风貌管控手段提供了重要经验。但现有的大规模监测方法缺少人视角度的建筑立面评价，导致在城市风貌特色判定上仍是专家评价的定性方法，无法在城市尺度上高效、准确总结风貌特色并形成动态监测。并且深度学习技术与中国传统民居特征识别相结合领域仍处于完全空白。现阶段行业缺少在大量已有的民居研究成果上，将系统研究成果和跨地域建筑创作有效结合的手段。同时，当建筑地域性和多样性成为城市风貌塑造的核心，方案评价和风貌监管上也需要一套数字化解决方案。本发明结合建筑类型学和深度学习技术，形成一套中国传统民居特色评价的核心方法。本方法将大大推进计算机与建筑行业的融合发展，切实填补建筑行业需求，切实应用在城市建筑中。如图1所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价。采用上述方案，本发明通过建筑特征指标和建筑特色类型的巧妙构思，建设了建筑地域风貌特征评估指标体系，可以方便地形成统一的分类标准，容易体现对中国传统建筑特征识别，非常适用于中国传统民居方面，不仅可以准确提炼建筑风貌特色，而且可以帮助高效形成设计方案，还能对设计方案进行特色评价，据此还可以建筑为单元进行城市风貌管控和地方特色塑造。
51.本发明的实施例中，建筑特征识别方法的技术路线主要包括建筑特征指标提取、建筑特色类型归纳、建筑地域特色传承创新评价。建筑特色类型归纳可以称为生成母题或者母版。优选的，所述建筑传统特征识别评价方法还包括以下步骤：根据所述建筑特征指标和所述建筑特色类型，生成所述地域的建筑画廊和/或展示样例；优选的，如图2所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价；生成所述地域的建筑画廊和/或展示样例，也就是根据所述建筑特征指标和所述建筑特色类型，生成所述地域的建筑画廊和/或展示样例，依此类
推。
52.优选的，所述建筑传统特征识别评价方法还包括以下步骤：根据所述建筑特征指标和所述建筑特色类型，生成所述地域的建筑画廊和/或展示样例；和/或，生成所述地域的建筑色卡；和/或，生成所述地域的特色传承创新评估报告和特征热力图；和/或，生成各所述地域的建筑风格分类图片数据集和建筑组件视觉边界标注图片数据集。优选的，如图3所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价；生成所述地域的建筑色卡。优选的，如图4所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价；生成所述地域的建筑画廊和/或展示样例；生成所述地域的建筑色卡；生成所述地域的特色传承创新评估报告和特征热力图；生成各所述地域的建筑风格分类图片数据集和建筑组件视觉边界标注图片数据集。
53.优选的，所述建筑传统特征识别评价方法还包括以下步骤：获取地域的最新建筑图片，判断图片是否发生变化，若是则执行对建筑设计进行地域特色评价，并且在地域特色评价的结果不符合预设要求时，给予报警提示。优选的，如图5所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价；获取地域的最新建筑图片，判断图片是否发生变化，若是则执行对建筑设计进行地域特色评价，并且在地域特色评价的结果不符合预设要求时，给予报警提示。也就是说，其包括以下步骤：获取地域的建筑图片样本；建筑特征指标提取；建筑特色类型归纳；根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价；获取地域的最新建筑图片，判断图片是否发生变化，若是则根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价，然后判断地域特色评价的结果是否符合预设要求，否则给予报警提示。较好的是，获取地域的最新建筑图片，具体为：定期获取地域的最新建筑图片。由此可以实现对于城市或其古城区的保护，避免违章搭建；较好的是，在互联互通的环境下，通过航拍或者监控获取地域的最新建筑图片，可以直接配合所述建筑特征指标和所述建筑特色类型进行自动化的评价，从而及时纠正对于需要保护的地域的违规建筑或者随意搭建，特别是保护古城区，保证建筑风格的一致性。
54.优选的，如图6、7和8所示，本发明的一个实施例是，一种建筑传统特征识别评价方法，其包括以下步骤：如图6所示，首先获取每张建筑图片样本，进行图片预处理，然后进行视角分类、风格分类、建筑部件标注轮廓和色彩提取，并根据色彩提取结果生成建筑色卡组合。还根据视角分类、风格分类和建筑部件标注轮廓生成预测模型，进行预测模型的精度评定，判断预测精度是否达到要求，否则查找问题，修改模型参数、训练集；是则执行步骤g1，根据步骤g1和生成建筑色卡组合共同得到特征提取模型，也就是建筑特征指标提取模型，它可以包括机器学习模型、深度学习模型和提取计算模型。得到特征提取模型后，就可以对多张建筑图片样本进行建筑图片分类，然后执行后面的步骤。
55.步骤g1如图7所示，它包括在预测精度达到要求后执行的以下步骤：建立视角分类模型、风格分类模型和建筑细部语义分割模型，根据建筑细部语义分割模型分割图片建筑
部件，包括墙体、屋顶、门窗和其他部分，具体包括线条特征强化处理及其纹路提取，轮廓提取及其轮廓数学表达，还有高度比例提取等，其他部分包括特殊组件提取和其他指标提取等。然后结合视角分类模型、风格分类模型，还有前面提到的生成建筑色卡组合，共同得到特征提取模型。
56.基于特征提取模型对多张建筑图片样本进行建筑图片分类的具体步骤如图8所示，也就是承接图6所示c1部分，首先利用已开发的模型获得各分类特征值阈值，然后提取山墙轮廓特征区间值、主体色彩色卡组合、高度比例区间、纹路种类分类、风格相似度区间和其他指标，再对每个指标阈值进行聚类，整理不同类建筑不同特色特征的阈值区间；对于每张建筑测试图片或者每张建筑设计图片，则利用已开发的模型获得各分类特征值阈值，然后根据整理不同类建筑不同特色特征的阈值区间也就是整合所得结果，对每张建筑测试图片或者每张建筑设计图片的利用已开发的模型获得各分类特征值阈值，进行指标评分，判断指标结果是否全面，否则增加指标，返回执行图片预处理步骤，也就是图6所示c2部分；是则继续判断指标结果是否合理，否则修改阈值，继续执行整理不同类建筑不同特色特征的阈值区间；是则评定结果并输出，也就是输出地域特色评价的结果。
57.下面详细说明本发明的两个重要步骤。
58.建筑特征指标提取，也就是提取建筑特征指标。优选的，建筑特征指标提取，包括以下步骤：为所述建筑图片样本设置分类标签，根据所述建筑图片样本及其分类标签，对建筑风格、建筑视角进行分类并且进行机器学习；根据所述建筑图片样本及其分类标签，对符合特定分类标签的所述建筑图片样本中的建筑部件进行图像分割和深度学习；基于预测结果和传统机器视觉技术，对所述建筑图片样本的单张图片的不同特征指标，进行提取和计算。较好的是，所述分类标签包括分类维度和指标体系；所述分类维度包括地域维度、时间维度和功能维度；地域维度包括行政维度和地形维度等，例如行政维度包括国家、省市、区县和村镇等，地形维度包括山区、平原、草原、海岛、戈壁和沙漠等。时间维度可以采用年代来标记。功能维度包括居住、商业、宗教祠堂、行政办公、工业生产和公共服务等。优选的，以所述建筑图片样本为数据集，也就是机器学习和深度学习等的数据集，以我国为例，其分类维度如下表1所示。
[0059][0060]
[0061]
表1数据集分类维度示例
[0062]
所述指标体系也可以称作建筑地域风貌特征指标体系，较好的是，所述指标体系包括多级指标，例如三级指标或四级指标等。优选的，所述指标体系包括三级指标，其中第一级指标是整体评分，第二级指标包括建筑整体、屋顶/屋檐、正立面、侧立面和装饰性构件等，第三级指标包括风格相似度、颜色相似度、门窗：屋顶：整体的高度比例、屋檐形式相似度、门窗颜色相似度、正立面墙体颜色相似度、山墙轮廓相似度(如有)、颜色相似度和装饰性构件相似度(如有)等。要注意的是，这里只是示例，不是完整性的限定。下面给出一个简单的示例，所述指标体系如下表2所示。
[0063][0064][0065]
表3建筑地域风貌特征指标体系示例
[0066]
优选的，所述特征指标包括色彩、纹路、轮廓、高度比例和特殊组件。优选的，建筑特征指标提取，还包括以下步骤：视角判别、建筑风格判别、特殊建筑组件边界提取、建筑组件高度比例提取、建筑组件颜色提取、建筑轮廓样式提取和墙体纹路提取。较好的是，建筑特征指标提取，采用三个模型实现：基于大量建筑图片数据和分类标签，对建筑风格、建筑视角进行分类的机器学习模型；基于特定建筑部件标签对建筑部件进行图像分割的深度学习模型；基于前面两个模型的预测结果和传统机器视觉技术对单张图片不同特征指标的提取和计算，也可以称作提取计算模型。本实施例将对色彩、纹路、轮廓、高度比例、特殊组件、其它等特征指标进行提取。
[0067]
较好的是，所述建筑特征指标提取，采用基于深度学习的图像识别技术、计算机视觉技术和统计学方法实现。其中，基于深度学习的图像识别技术负责对图片中建筑各组件进行图像分割和感知判别，得到识别结果，计算机视觉技术对识别结果进行提取和整合，整合也可以称作整理，并采用统计学方法将整合所得结果转换为数学语言和人类可读指标。
[0068]
较好的是，所述基于深度学习的图像识别技术使用pytorch开源人工智能训练框架搭建，基于facebook人工智能实验室的开源算法detectron2为基础，基础算法可识别日
常生活中的156类常见物体并划分图像中对应物体的视觉边界。在识别156类日常物体的基础上，可结合需求对特定建筑部件进行数据标注和训练，如墙头、山墙墙体、女儿墙装饰等，达到识别特定建筑部件的目的。较好的是，所述感知判别包括视角判别和建筑风格判别。较好的是，所述感知判别还包括建筑轮廓判别，简称为轮廓判别，也就是利用图像分割结果区分建筑主体和背景物体。较好的是，所述视角判别是基于深度学习的图像分类任务之一。图像分类是根据图像的语义信息将不同视角图像区分开来，是计算机视觉和深度学习跨学科应用中重要的基本问题，也是图像检测、图像分割等其他上级视觉任务的基础。假定在视角判别任务中，给定结果定义域为：正立面、侧立面和其他，通过将图片的所有rgb组成张量传递给模型，通过模型内置的神经网络进行自动底层特征提取、特征编码，经过多次迭代更新模型参数对视角判别有重要贡献的特征进行权重划分，后续可在实际应用中提取相同的特征并结合 softmax概率分类得出单张图片对应正立面、侧立面和其他视角的概率，挑选概率最高的一项作为预测结果。所述建筑风格判别与视角判别类似，较好的是，所述建筑风格判别采用神经网络学习视觉输入的模式，以预测组成图像的对象类。用于图像处理的主要深度学习架构是卷积神经网络(cnn)，或者是特定的cnn框架，如alexnet、vgg、inception和resnet。在训练过程中卷积核(convultional kernel)会逐渐学习图片中特定部位的视觉特征，如砖瓦纹理、建筑外形、建筑轮廓顶角等。模型在提取不同地区建筑风格特征组合后，对输入图片进行特征解构，通过与学习积累所得组合进行交叉对比，结合softmax概率分类得出单张图片对应的风格概率，挑选概率最高的一项作为预测结果。
[0069]
较好的是，所述计算机视觉技术读取深度学习模型的识别结果，将识别结果转化为与原始图片像素规格相同的矩阵，根据每个像素的识别标签提取建筑轮廓和建筑主体的颜色分布，并整合由rgb数组组成的颜色分布。提取包括特殊建筑组件边界提取、建筑组件高度比例提取、建筑组件颜色提取、建筑轮廓样式提取和墙体纹路提取等。较好的是，所述特殊建筑组件边界提取通过对带有特定建筑组件的图像进行轮廓标注形成具有大量图像数据的数据集，使用该数据集对开源的图像分割模型进行重新训练，达到识别特定建筑组件视觉边界的效果。较好的是，所述建筑组件高度比例提取基于定制化的深度学习图像识别结果，确定将图像中建筑本体边界和建筑各组件边界框(bounding box)并计算边界框像素高度，计算单张图片中建筑组件与建筑本体高度比例。建筑组件包括门、窗、墙头、山墙、女儿墙等，建筑组件高度比例计算如图9所示。
[0070]
较好的是，所述建筑组件颜色提取首先将像素范围限定在图片中建筑主体或特定建筑部件范围内，对选定的像素使用中卫切分法来提取主题颜色。中位切分算法首先把所有像素映射到rgb空间，在这个三维的空间里反复切分出子空间，最后将切分空间的像素求均值作为提取结果。分割区块时都选择所有区块中最大的区块，例如最长边的长度最大、或体积最大，或像素最多的区块，切割点应位于边方向上，使得分割后两个区块的像素各一半的位置，以上是为中位切分法。较好的是，所述建筑组件颜色提取包括：将像素rgb值映射至三维空间、确定颜色区块分割界限、确定每个颜色区块的中位数值并做切分、重复切分直到区块数量满足颜色提取数量要求、计算每个区块的平均颜色值和按照区块体积大小排列颜色值等。
[0071]
较好的是，所述建筑轮廓样式提取包括：通过抽样取特定数量的像素坐标点作为轮廓抽象的数学描述，映射于普通二维平面坐标系并做归一标准化；最后通过frechet距离
算法计算得出单张图片提取所得轮廓点分布与建筑设计参考轮廓点的差异值，由此量化不同方案之间的建筑轮廓相似度。在此之前，可以先通过基于深度学习的图像分割和/或感知判别，将图片中建筑主体和背景物体区分开来，建筑主体与物体背景的分割线即为图像中建筑的轮廓。优选的，建筑轮廓样式提取如图10所示，先以天空、树木等背景像素与建筑像素相接处为边界，提取山墙边界，然后将山墙边界点映射至二维坐标系，再平移、旋转坐标轴，归一化坐标，复原山墙正视图轮廓。
[0072]
所述墙体纹路提取用于识别不同材质的纹路和砖砌叠加形成的不同纹路。较好的是，所述墙体纹路提取包括：通过基于深度学习的图像分割技术获取建筑的墙体部分，将像素范围限定在图片中的墙体内，作为提取纹路的对象。对选择的像素进行黑白化、降噪等预处理。对图片进行特征提取，包括两种手段，第一种是基于索贝尔算子、canny边缘检测算子等方式对图像进行边缘检测，提取图像中的线条，并于典型纹路单元形成对比；第二种是基于局部二值模式(lbp)和灰度共生矩阵对图像进行纹理特征的提取，计算图像的特征纹理向量、能量、对比度、相关度、熵等。根据不同地域特色纹路分类，对不同类别的纹路进行上述特征值的阈值的计算。最终应用时，会根据单张图片里面的特征值的结果和各类别纹路特征值的阈值进行比对，得出相似度高的纹路类别。
[0073]
较好的是，所述计算机视觉技术中，将特殊建筑组件边界提取、建筑组件高度比例提取、建筑组件颜色提取、建筑轮廓样式提取和墙体纹路提取所得到的提取结果，整合成由rgb数组组成的颜色分布。至此，建筑特征指标提取的相关步骤已经能够采用机器语言表述称人类语言，为了更容易体现建筑特征指标，还要用统计学方法来进一步归纳。较好的是，所述统计学方法针对计算机视觉技术提取所得颜色分布，也就是建筑轮廓的颜色分布和建筑主体的颜色分布，将颜色分布按rgb数值大小排列，使用中位数切分法进行排列并按顺序挑选具有代表性的颜色rgb值；使用坐标系投影和插值法对建筑轮廓进行二维坐标标准化，以标准化后结果作为图片的建筑特征指标的最终结果。
[0074]
结合上述建筑特征指标提取及其三个模型，确定可量化的指标及该指标阈值方法包括：建筑组件颜色、建筑轮廓样式、建筑组件高度比例和墙体纹路样式。也就是说，较好的是，所述识别结果包括建筑组件颜色、建筑轮廓样式、建筑组件高度比例和墙体纹路样式。所述计算机视觉技术和所述统计学方法根据建筑组件颜色、建筑轮廓样式、建筑组件高度比例和墙体纹路样式进行提取和整合，然后转换为人类可读指标。或者，所述整合所得结果包括建筑组件颜色、建筑轮廓样式、建筑组件高度比例和墙体纹路样式。所述统计学方法将建筑组件颜色、建筑轮廓样式、建筑组件高度比例和墙体纹路样式转换为人类可读指标。由此结合统计学与计算机视觉技术，本发明建筑传统特征识别评价方法可以快速提取大规模建筑图片数据集的特征指标。
[0075]
较好的是，所述建筑组件颜色采用以下方法得到：对目标建筑组件提取主体色和辅助色，分别使之与1026标准色卡进行对比。对比方法为将提取所得颜色进行rgb格式至hsv格式的转换，通过计算hsv格式颜色各维度颜色值的标准差得出颜色之间的差异值，由此差异值判断两种颜色的相似程度，从而得出标准色卡中最接近提取颜色结果的颜色值。
[0076]
较好的是，所述建筑轮廓样式采用以下方法得到：对符合要求图片提取建筑轮廓后得到多个轮廓样本点，对所有轮廓样本点进行二维坐标系映射，使得建筑轮廓集中分布于固定区间范围内。再通过二次方程插值法使轮廓样本点的总数和横轴坐标保持一致，仅
在纵轴坐标值有所差异，至此完成全部样本点标准化工作。标准化后的轮廓点分布作为该张图片建筑轮廓指标的量化形式。
[0077]
较好的是，所述建筑组件高度比例采用以下方法得到：针对不同建筑母题人工挑选具有代表性的图片组成子数据集，该子数据集应满足图片中的建筑组件高度比例符合建筑设计参考要求。通过识别子数据集中各图片目标组件，并计算对应高度比例，应用统计学方法统计所有高度比例的最值、1/4边界值等作为高度比例的上下边界阈值。
[0078]
较好的是，所述墙体纹路样式采用以下方法得到：针对不同建筑母题人工挑选具有代表性的图片组成子数据集，该子数据集应满足图片中的墙体样式清晰、符合建筑设计参考要求。通过提取子数据集中每张图片的二进制纹路矩阵，每个矩阵分别对子数据中的图片做相似度检验，相似度平均值最高的纹路矩阵作为该建筑母题中纹路样式代表矩阵。
[0079]
建筑特色类型归纳，也就是归纳建筑特色类型。优选的，建筑特色类型归纳，包括以下步骤：根据建筑地域、时代、功能对所述建筑图片样本的建筑图片进行分类；采用所述特征指标，对每类建筑图片的各项指标进行评估并计算阈值。也就是说，根据所述建筑特征指标进行建筑特色类型归纳。较好的是，根据所述建筑特征指标提取，得到的机器学习模型和深度学习模型、提取计算模型对每类建筑图片的各项指标进行评价和阈值的计算，作为该类型的特色母题。基于方法逻辑，本发明将具有传统风貌特色的建筑图片素材按照地域、时代、建筑功能进行人工分类，并为每一分类挑选典型图片。针对典型图片中建筑设计单元的颜色、纹路、轮廓，建筑立面的高度比例等特征设计量化标准也就是建筑地域风貌特征评价指标体系，提取上述特征作为该分类的特征设计参考。同时，基于我国传统民居的营造特征，如山墙、装饰性构件等组分不会出现在某些地域建筑的指标体系里，也就是说，建筑特色类型是以地域为基础的，不同地域有不同的建筑特征指标和/或建筑特色类型。
[0080]
优选的，对建筑设计进行地域特色评价，包括以下步骤：获取建筑设计的建筑图片，对所述建筑设计的建筑图片计算得到所述特征指标，并与相同建筑特色类型的所述特征指标及其阈值进行比对和核验，得到比对结果和核验报告并输出。较好的是，输出到服务器或者管理终端，还可以输出到手机或者app上。建筑地域特色传承创新评价是使用上述各个模型输出建筑的量化评价报告。例如针对建筑图片计算出相关指标，并与类型特色母题进行比对和核验，如果评价结果不合理，可在前面步骤对阈值和指标进行修改。优选的，对建筑设计进行地域特色评价，还包括以下步骤：根据比对结果和核验报告调整或者修改所述建筑设计或所述建筑设计的建筑图片。较好的是，在建筑设计之前，也就是准备做新的设计之前，根据所述建筑特征指标和所述建筑特色类型生成地域设计规范，所述地域设计规范包含该地域的建筑风格、建筑视角和建筑色卡，以使设计师能够有的放矢，合理设计，避免重复修改。由此可以形成一致的设计风格，不仅符合地域的建筑风格，比如说客家的围屋，还特别适合多个建筑师同时工作，分别设计多栋风格相近但又有个人特色的建筑物，在符合地域古意的情况下，又体现了个人风格和用户需求，避免千篇一律。
[0081]
对建筑设计进行地域特色评价，可以在确定各建筑母题评价指标的阈值后，形成建筑母题画廊展示功能，可与全新设计方案进行指标的对比，生成全新方案各指标与建筑母题既定指标的相似度，供建筑设计师参考方案的修改方向和修改尺度。应用场景分为针对单一设计方案的对比评价、针对组合设计方案的对比评价。
[0082]
设计方案渲染图与设计目标画廊数据分别从风格相似度、颜色相似度、纹路特点
相似度、轮廓特点和建筑部件高度比例相似度进行多角度量化对比，对每种相似度指标输出“高”、“中”、“低”三级结果。设计方案可选单一方案或多种方案共同对比，单一方案对比结果仅针对当前方案，多种方案对比指标结果为各单一方案指标取统计值中位数。
[0083]
优选的，一种建筑传统特征识别评价系统，其应用任一实施例中所述建筑传统特征识别评价方法；优选的，所述建筑传统特征识别评价系统包括：获取模块，用于获取地域的建筑图片样本；提取模块，用于提取建筑特征指标提取；归纳模块，用于归纳建筑特色类型；评价模块，用于根据所述建筑特征指标和所述建筑特色类型，对建筑设计进行地域特色评价。其他的实施例中，所述建筑传统特征识别评价系统还可以包括用于执行或者实现所述建筑传统特征识别评价方法各个步骤的相关功能模块。
[0084]
下面再给出本发明所述建筑传统特征识别评价方法和系统的具体几个应用方面。
[0085]
对于建筑师和规划师，采用本发明所述建筑传统特征识别评价方法和系统，可以为建筑在地地域性创作提供数字化解决方案，一是画廊和展示样例功能，通过平台数据的成果积累，规划师和建筑师等均可对某地域风貌特色建筑进行浏览，同时在画廊中也展示了该分类下建筑的量化指标和具体样例，以期为迅速建立地方建筑知识体系提供支持。二是建筑色卡生成功能，通过上传典型照片，规划师和建筑师等均可迅速捕捉该地区的建筑色彩特征，并将建筑图片(集)分部位和相应的主辅色进行呈现，与cbcc 建筑色卡进行对应，以期为色彩规划、方案设计和建工施工材料上提供依据。三是建筑方案评价功能，通过上传建筑方案，建筑师得到该方案中各设计单元的特色传承创新评价报告和特征热力图，以期为后续建筑方案优化提供指引。本发明所述建筑传统特征识别评价方法能够形成建筑风貌评价平台，分别从客观和主观两方面为规划师和建筑师提供数字化解决方案，大大缩短传统设计中建立地方知识体系的流程，助力建筑设计行业在跨地域创作中对地方风貌特征实现更好的传承创新、更好更快地完成设计任务。
[0086]
对于图像领域研究人员、传统建筑爱好者，采用本发明所述建筑传统特征识别评价方法和系统，可以形成开源网站及数据集，促进行业发展，目前针对图像识别的深度学习技术的数据集内容多为日常物体，而本发明中的核心图像分割模型的推理对象为传统风格建筑，因此形成了两套自定义图片训练集，其中包括一套建筑风格分类图片数据集和一套建筑组件视觉边界标注图片数据集。上述两套自定义数据集的原始数据的主要来源为建筑设计院、建筑设计公司的图片积累，结合专业建筑设计师分类标准，委托第三方专业标注团队对原始数据进行风格分类和视觉边界标注。视觉边界将图片中传统建筑的山墙、女儿墙、墙头、传统门洞、传统窗要素进行视觉边界的标注，最终形成一套成熟的自定义图片训练集供研发团队使用，训练集图片数已经超过3000张，标注结果总数超过12000例。本发明作为人工智能前沿技术与传统建筑设计行业结合的探索，为起到数据共享、互相交流的目的，现将项目所用图片数据集开源至项目所在web平台，供计算机领域和建筑行业的相关人士使用。
[0087]
对于城市相关管理人员，采用本发明所述建筑传统特征识别评价方法和系统，可以为城市风貌塑造和管控提供核心方法，根据平台运行经验可向历史文化保护、建筑行业进行推广，提供特征提取核心方法服务支持，形成建筑设计和风貌优化过程中可量化指标、可监测指标等多个抓手，通过对比风貌优化前后方案的图像记录可对优化方案进行横向对比，把握城市建筑风貌发展走向。
[0088]
进一步地，本发明的实施例还包括，上述各实施例的各技术特征，相互组合形成的建筑传统特征识别评价方法和系统。
[0089]
需要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。