CN112418674A - 基于城市多源数据的街道空间品质测度评价方法和系统 - Google Patents

基于城市多源数据的街道空间品质测度评价方法和系统 Download PDF

Info

Publication number
CN112418674A
CN112418674A CN202011327398.1A CN202011327398A CN112418674A CN 112418674 A CN112418674 A CN 112418674A CN 202011327398 A CN202011327398 A CN 202011327398A CN 112418674 A CN112418674 A CN 112418674A
Authority
CN
China
Prior art keywords
street
data
urban
street view
road network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011327398.1A
Other languages
English (en)
Inventor
王善霖
吴亮
张紫微
胡胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202011327398.1A priority Critical patent/CN112418674A/zh
Publication of CN112418674A publication Critical patent/CN112418674A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及城市规划领域，提供一种基于城市多源数据的街道空间品质测度评价方法，包括步骤：获取研究区域内的城市路网数据和兴趣点数据，对城市路网数据和兴趣点数据进行预处理，获得街景采样点；通过街景采样点，获得多组街景影像数据；将各街景影像数据输入训练好的语义特征提取模型，获得街景语义要素数据表；通过街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；通过城市街道空间品质的测度评价指标，获得城市空间品质的分布规律和分布模式。本发明不仅在微观尺度对街道品质进行研究，还拓宽研究范围，在城市宏观层面的视角上开展研究，能显著提高街道空间品质测度的准确性。

Description

基于城市多源数据的街道空间品质测度评价方法和系统
技术领域
本发明涉及城市规划领域，尤其涉及一种基于城市多源数据的街道空间品质测度评价方法和系统。
背景技术
近年来，我国的城市建设正在从增量扩张向存量升级优化，空间品质正成为规划管理的重要组成部分，所以在未来的城市建设中，我们除了关注增量发展外，合理规划使用存量资源的理念也显得相当重要。城市规划建设的重点已经从“增长优先”向“品质提升”转型，从注重城市建设速度逐步转变为注重城市发展质量。随着信息通信技术的普及和地理大数据的出现，催生了众多专家学者们在人本视角下街道空间品质的研究,城市公共空间这一进行社会交往以及举办各类活动的开放性场所，是展现城市形象，打造高质量和富有活力的城市空间的主要区域。积极引导以人为本的城市建设，把塑造高品质、充满魅力的城市公共空间当作现今城市发展中重中之重的目标。
城市街道空间作为人类社会聚集生活的重要公共性场所，其空间品质包含反映街道空间个性特色的物质空间，及街道所承载的使用主体的内在精神感受的映射这两个方面的内涵，它的品质和活力研究是街道人居环境改善的重要基石。其中，客观空间质量是指路面、建筑界面、环境设施、树木等物质空间要素的好坏，主观内在感知指涉及城市物质空间作用下的人的安全、舒适、美观等更深层次的内在精神感受的展现。
城市内部的空间环境反应城市的风貌和格局，并影响了人们在城市中的情感、活动和出行，当下我国的街道空间也正在发生着巨大的变化。因此，在目前地理时空大数据的时代背景下，研究城市街道空间品质的测度方法和分布模式，为城市设计和城市规划提供意见和建议，成为当前城市化和城市可持续发展的必要参考条件。
在此前已有一些专家针对传统的街道空间测度和评价方法做了相关研究，这些方法可以划分为基于统计调查的方法和基于模型的方法。其中，基于统计调查的方法结合调查统计和专家评判的方式进行划定，即在街道品质的评价过程中，基于实地调查统计结果，选择数名对城市有一定认识的志愿者和具有较高代表性和权威性的学者进行评判，现有技术的方法往往会花费大量的时间、人力和资金成本。现有技术中的这些方法通常具有较大的主观性，街道空间测度数据不准确的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，提供一种基于城市多源数据的街道空间品质测度评价方法和系统，解决了现有技术中街道空间测度数据不准确的技术问题。
为实现上述目的，本发明提供基于城市多源数据的街道空间品质测度评价方法，包括以下步骤：
获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点；
通过所述街景采样点，获得多组街景影像数据；
依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表；
通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；
通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
优选地，所述对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点，包括：
剔除所述城市路网数据中多余的街道；
提取所述城市路网数据中的主要街道，通过交通结点重要性对所述主要街道进行划分，将所述主要街道中的短距离街道进行合并；
对所述城市路网数据进行拓扑处理，包括：拓扑差错、拓扑修改以及将城市路网简化为道路中心线；
构建缓冲区，将所述城市路网数据中的城市快速路、主干道、次干道和支路分别向两侧拓宽一定的距离；所述缓冲区用作街道覆盖范围以及街道便利性、设施可达性分析的研究单元；
对所述兴趣点数据根据功能的不同进行分类，获得不同职能的兴趣点数据，剔除所述兴趣点数据中的无效数据；
根据所述城市路网数据，以固定距离为间隔进行等间距采样，获得街景采样点，记录所述街景采样点的经纬度。
优选地，所述对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点之后，还包括：
将拓扑处理后的城市路网数据与研究区域内所有所述街景采样点根据所述经纬度进行空间叠加，剔除不符合要求的街景采样点；
将所述兴趣点数据叠加到所述缓冲区的街道平面中,并计算各街道所述缓冲区的面积；
将所述街景采样点与所述城市路网数据进行空间属性连接，统计所述研究区域内各街道的街景采样点数量及长度。
优选地，其特征在于，所述通过所述街景采样点，获得多组街景影像数据，包括：
抓取所述街景采样点中前、后、左、右的街景影像，获得对应的多组街景影像数据，多组所述街景影像数据包含了所述景采样点中唯一标示符、经纬度、视线的水平角度和垂直角度信息。
优选地，所述依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，包括：
将各所述街景影像数据依次输入训练好的ResNet网络和空洞卷积，提取各所述街景影像数据对应的全局特征图；
对各所述全局特征图进行分层池化，获得对应的池化后的图像局部特征；
将各所述图像局部特征与对应的所述全局特征图进行特征融合，并通过一层卷积层，获得各所述街景影像特征图像对应的最终的预测图；
对各所述最终的预测图进行像素级语义分割，获得多个街景语义要素数据。
优选地，通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标，包括：
根据所述街景语义要素数据表构建街道舒适性的评价指标；
根据所述兴趣点数据构建街道便利度的评价指标；
根据所述城市路网数据构建路网通达性的评价指标。
优选地，所述通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式，包括：
将所述城市街道空间品质的测度评价指标进行量化，通过GIS平台对所述研究区域内的各街道进行分析，获得各所述街道对应的品质结果；
判读所述研究区域内各街道所在行政区的区位特色，获得各所述行政区对应的区位街道品质总体评价；
根据各所述区位街道品质总体评价，获得城市空间品质的分布规律和分布模式。
此外，为实现上述目的，本发明还提出一种基于城市多源数据的街道空间品质测度评价系统，包括：
采集模块，用于获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点；
街景影像生成模块，用于通过所述街景采样点，获得多组街景影像数据；
语义要素生成模块，用于依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表；
测度评价指标生成模块，用于通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；
城市空间品质评价模块，用于通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
本发明具有以下有益效果：
1、本发明进行了多源大数据融合，结合街景影像数据、街景语义要素数据、城市兴趣点数据和城市路网数据应用于城市街道空间品质测度和评价的研究，构建了可供城市街道空间品质研究和分析的空间数据库，使我们利用更短的时间却能开展更大规模和更高精度的研究，并实现了精细化的测度与管控，解决了街道空间品质以往只能在小范围研究的局限性。不仅如此，本发明还充分挖掘隐藏于城市中的视觉场景信息和路网结构中的拓扑特征，同时考虑城市居民的分布情况、移动模式，以及市民与街道交互的细节信息，根据空间数据和街景数据的数据特征，以高精度、高密度的街景图片及其点位作为测度的基本单元，依照可对比、可量化、可获得及科学性和有效性原则，最终从客观物质空间和主观感知认同两个维度对街道空间品质的测度指标进行分析筛选，挖掘可代表街道空间品质的各类因子，并结合街景数据、兴趣点数据和路网数据进行数学建模，显著提高街道空间品质测度的准确性。
2、本发明采用由微观至宏观的探究方法，本研究不仅在微观尺度对街道品质进行研究，还拓宽研究范围，在城市宏观层面的视角上开展研究。从整体的城市街道空间出发，挖掘在城市空间中街道空间品质的分布模式，探索利用大尺度研究方法测度和评价街道空间品质。
附图说明
图1为本发明基于城市多源数据的街道空间品质测度评价方法的流程示意图；
图2为本发明基于城市多源数据的街道空间品质测度评价系统的结构框图；
图3为本发明的指标体系图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
基于模型的方法在众源地理大数据的支持下，通过科学的数据分析和大数据挖掘方法对街道空间品质进行评价，提供可操作、科学合理的空间优化模型。众源地理数据具有数据量大，现势性强，来源丰富，成本低等优势。基于众源地理数据自下而上的采集特点，研究人员可以轻松获取城市范围的、海量丰富的、基于个人的时空信息，从而实现精细的地理分析与建模，为研究街道功能提供更好的服务。
本发明是基于深度学习模型的一种扩展应用，在以往空间优化模型研究的基础上，提出了一种基于街景影像数据、兴趣点数据和城市路网数据的城市街道空间品质测度并进行空间分布模式分析的方法。该方法将街景影像数据语义要素数据、兴趣点数据与街道空间数据相连接，构建可供城市街道空间品质研究和分析的数据库，为街道空间品质的测度、评价及分布模式的研究奠定了数据与方法基础。
利用图像识别的语义分割方法，此多层结构的深度学习模型具有极强的特征提取能力，且金字塔式的池化层架构，能够对不同区域的语境进行聚合，使模型拥有了理解全局语境信息的能力。我们的全局信息可以有效地在场景分析任务中产生高质量的结果。除此之外，本发明有效的融合了城市兴趣点数据，街景语义要素数据和城市路网数据并应用于城市街道空间品质评价的研究，充分挖掘隐藏于城市中的视觉场景信息和路网结构中的拓扑特征，同时考虑城市居民的分布情况、移动模式，以及市民与街道交互的细节信息，根据空间数据和街景数据的数据特征，以高精度、高密度的街景图片及其点位作为测度的基本单元，依照可对比、可量化、可获得及科学性和有效性原则，最终从客观物质空间和主观感知认同两个维度对街道空间品质的测度指标进行分析筛选，挖掘可代表街道空间品质的各类因子，并结合街景数据和兴趣点数据进行数学建模，显著提高街道空间品质测度的准确性。
参照图1，图1为本发明基于城市多源数据的街道空间品质测度评价方法的流程示意图，所述基于城市多源数据的街道空间品质测度评价方法具体包括以下步骤：
S10：获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点。
需要说明的是，所述兴趣点数据，通常包括：社会服务职能兴趣点数据、生产服务职能兴趣点数据、生活服务职能兴趣点数据以及工业制造职能兴趣点数据等。
S20：通过所述街景采样点，获得多组街景影像数据。
S30：依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表。
S40：通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标。
S50：通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
进一步地，步骤S10包括：
S101：剔除所述城市路网数据中多余的街道。
S102：提取所述城市路网数据中的主要街道，通过交通结点重要性对所述主要街道进行划分，将所述主要街道中的短距离街道进行合并。
S103：对所述城市路网数据进行拓扑处理，包括：拓扑差错、拓扑修改以及将城市路网简化为道路中心线。
在具体实现中，提取了研究区域内城市路网数据中的主要交通道路，将城市快速路、主干道、次干道、支路分别向两侧拓宽30m、25m、15m、10m的距离。
S104：构建缓冲区，将所述城市路网数据中的城市快速路、主干道、次干道和支路分别向两侧拓宽一定的距离；所述缓冲区用作街道覆盖范围以及街道便利性、设施可达性分析的研究单元。
S105：对所述兴趣点数据根据功能的不同进行分类，获得不同职能的兴趣点数据，剔除所述兴趣点数据中的无效数据。
在具体实现中，对采集到的648079个兴趣点数据，将其按照职能进行分为四类，他们分别为：社会服务职能兴趣点数据(112051个)、生产服务职能兴趣点数据(194838个)、生活服务职能兴趣点数据(145882个)以及工业制造职能兴趣点数据(195308个)。
S106：根据所述城市路网数据，以固定距离为间隔进行等间距采样，获得街景采样点，记录所述街景采样点的经纬度。
在具体实现中，基于城市路网数据，以100m为间隔进行等间距采样，并记录下采样点的经纬度，采用的是wgs-84坐标系，本实例共采集了武汉市街道近24976个采样点。
进一步地，完成步骤S10之后，还包括：
S107：将拓扑处理后的城市路网数据与研究区域内所有所述街景采样点根据所述经纬度进行空间叠加，剔除不符合要求的街景采样点。
具体实现中，对无法完全落在街道上的采样点，设置10米的阈值，当采样点与相距最近的街道间的距离小于这一阈值时，将其赋予此街道，否则，将此采样点剔除。
S108：将所述兴趣点数据叠加到所述缓冲区的街道平面中,并计算各街道所述缓冲区的面积；
S109：将所述街景采样点与所述城市路网数据进行空间属性连接，统计所述研究区域内各街道的街景采样点数量及长度。
具体实现中，对采集到的兴趣点数据按照职能进行分类，将带有分类标识的兴趣点数据投放到城市空间中，计算不同类别的兴趣点数据在街道中的数量；将采样点与城市路网进行空间属性连接，计算城市各街道的采样点数量及街道长度；统计设置了缓冲区后的街道面积。
进一步地，步骤S20包括：
抓取所述街景采样点中前、后、左、右的街景影像，获得对应的多组街景影像数据，多组所述街景影像数据包含了所述景采样点中唯一标示符、经纬度、视线的水平角度和垂直角度信息。
具体实现中，街景影像数据的获取是通过HTTP URL来调用街景平台的API查询获得。通过输入视线水平和垂直方向的角度以及视点位置数据，可以抓取每一个样本点的街景视图，每张图片包含了位置点唯一标示符、经纬度、视线的水平角度和垂直角度等信息。为了获取贴近人本视角的可见度，每一个样本点的视线垂直角度统一设置为0°，即平视。在视线水平角度方面，先根据每一个采样点位置及街道路网形态计算平行和垂直于道路方向的视角，然后根据计算所得的特定视角分别抓取平行于道路(前、后)和垂直于道路方向(左、右)共4张街景视图，每个视线方向的视角为90°。这样的采集形式正好可以对视点周围的建成环境进行全面囊括，本实施例共收集了99906张街景影像视图。
进一步地，步骤S30中，所述依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据包括：
S301：将各所述街景影像数据依次输入训练好的ResNet网络和空洞卷积，提取各所述街景影像数据对应的全局特征图。
具体实现中，将所述各街道采样点的街景影像数据作为输入，采用预训练的ResNet网络和空洞卷积策略对图像的特征进行提取并生成特征图，尺寸为原图像的1/8。所述全局特征图包含丰富的城市街道场景语境上下文信息和交互信息，能表征出城市的街道空间构成要素及街道空间品质。
S302：对各所述全局特征图进行分层池化，获得对应的池化后的图像局部特征。
具体实现中，将特征图作为金字塔池化模块的输入，此模块分为五个层级，分别为1*1，2*2，3*3，4*4和6*6，获取不同尺度下的语义信息。
S303：将各所述图像局部特征与对应的所述全局特征图进行特征融合，并通过一层卷积层，获得各所述街景影像特征图像对应的最终的预测图。
具体实现中，采用双线性插值对每个低维特征进行上采样，使其具有与原始特征相同的大小；将不同尺度的局部特征图与全局特征图进行concat特征融合，并输出最终的特征图，得到最终的预测图。
S304：对各所述最终的预测图进行像素级语义分割，获得多个街景语义要素数据。
具体实现中，可以识别出树木、车辆、行人等147类要素，进而对指定内容所占图片面积比例进行计算，得到各个要素的面积比值、要素边界、数量。
参照图3，进一步地，步骤S40包括：
根据所述街景语义要素数据表构建街道舒适性的评价指标；
具体实现中，街道舒适性的评价指标包括：街道绿视率、天空开放度、街道围合度和步行安全性；
1、街道绿视率
绿化植被对步行体验的舒适性具有最为直接和普遍的影响，色彩心理学家的大量实验表明，绿色是大自然的基本色彩，会容易让人感受到平和安宁的感觉。本发明基于“绿视率”的衡量方法，提取出街景图片中绿色植被的区域面积占比来表示街道绿视率，街道绿视率SGVn的计算公式如下：
Figure BDA0002794713940000091
其中,i为植被面域数量；n为街景图片的编号；Gn为编号n的街景图片中的树木植被所占像素量，即该张图片中i个植被面域gi的像素之和；An为街景图片中所有的面域像素量，即i个面域的所有要素的面域像素ai之和。
2、天空开放度
远眺天空得到的开阔的视野能够高效松弛人们的身心进而缓解日常工作和生活的压力，令人的眼部视线得到充分延展,天空特有的色彩波长也能够缓和眼睛的酸涩和疲惫感。因此，天空开放程度对街道空间的舒适性以及行人的步行状态具有重要影响。本发明以人眼观察视角下的天空面域像素量作为衡量天空开放度(Sky visibility index)的评价标准，指数越高表明越能塑造舒适的视觉感受，天空开放度SVIn的计算公式如下：
Figure BDA0002794713940000092
其中,i为天空面域数量；n为街景图片的编号；，SVIn为编号n的街景图片的天空开放度，Sn为该张图片中天空的面域像素量，即该张照片中i个天空面域像素si之和；An为街景图片中所有的面域像素量，即i个面域的所有要素的面域像素ai之和。
3、街道围合度
围合度是指建筑物、墙体、其他构筑物围合公共空间的程度，良好的围合度将会给人以舒适、可荫蔽的感受，拥有视觉焦点的空间容易形成围合感。本发明以人眼观察视角下建筑物、柱体与树木的总和作为街道围合度(Street enclosure index)的评价标准，街道围合度SEIn的计算公式如下：
Figure BDA0002794713940000101
其中,i为建筑物面域数量；n为街景图片的编号；，SEIn为编号n的街景图片的街道围合度，Bn为该张图片中建筑物的面域像素量，即该张照片中i个建筑物面域像素bi之和；Cn为街景图片中所有柱体的面域像素量，即该张照片中i个柱体面域像素ci之和；Tn为街景图片中所有树木的面域像素量，即该张照片中i个树木面域像素ti之和。
4、步行安全性
根据国家街道安全性测试结果表明，人们更愿意在一个更具安全感的街道上活动。交通信号灯和交通引导标识是现代交通系统中重要附属设施，其目的是为了加强城市交通管理，便利交通运输，维护交通安全。一般而言，设置较多交通信号灯和交通标识的区域，它所面临的交通状况越复杂，这也表明该区域交通干扰大，从而使人产生心理上的不安全感。因此本发明选择交通标识指数(Interface transparency index)作为评价街道步行安全性的指标，步行安全性ITIn的计算公式如下：
Figure BDA0002794713940000102
其中,i为信号灯和指示牌面域数量；n为街景图片的编号；，Tn为编号的街景图片中交通信号灯及交通指示牌的面域像素量，即该张图片中i个信号灯和指示牌面域像素ti之和；Rn为图片中街道空间的像素总量，即该张图片中i个车行和步行道面域像素ri之和。
根据所述兴趣点数据构建街道便利度的评价指标；
具体实现中，街道便利度的评价指标包括：服务可达性和功能多样性；
1、服务可达性
城市街道为周边居民及步行者提供短距离可达的街道服务，以及满足步行者对于街道空间的多样性需求，这可以提高街道使用者的步行体验，增强街道活力，以建成高效、品质的城市街道单元。因此本发明选择街道300m,600m,900m范围内各自所覆盖的服务职能兴趣点数据数量，赋予相应权重后的结果相加作为评价街道服务可达性(ServiceAccessibility Index)的指标，服务可达性SAI的计算公式如下：
SAI＝0.6*(SerNum)200+0.3*(SerNum)400+0.1*(SerNum)600 (5)
其中，(SerNum)200为200m范围内该条街道所覆盖的服务职能数量，(SerNum)400为400m范围内该条街道所覆盖的服务职能数量，(SerNum)600为600m范围内该条街道所覆盖的服务职能数量。
2、功能多样性
多样的功能会对街道空间和整个街区产生活化作用，使空间可以包容多样、持续的人群及其活动。一般而言，兴趣点数据职能种类的多样性是提供多样化空间的前提与基础，沿街的兴趣点数据职能类型越多就蕴含更多的服务种类，越有益于街道功能多样性(Functional Diversity Index)的塑造，功能多样性DivF的计算公式如下。
Figure BDA0002794713940000111
其中，c为公共设施类型总数，Pi为第i类公共设施在所有公共设施中所占比重。
根据所述城市路网数据构建路网通达性的评价指标。
具体实现中，街道的路网通达性是行人在街道空间中从出发点到活动点的便利程度，街道的通达性高，则使用者会更加便捷的进行社会交往和外出活动，本发明利用道路网密度指数反应单元空间的道路可达性(road-network accessibility index)，采用GIS软件中的线密度分析工具测度每个空间单元的路网密度值，获得栅格数据集，路网通达性RAIn的计算公式为：
Figure BDA0002794713940000112
其中，L为单元空间内道路中心线的总长度，A为单元空间的总用地面积。
进一步地，步骤S50，包括：
S501：将所述城市街道空间品质的测度评价指标进行量化，通过GIS平台对所述研究区域内的各街道进行分析，获得各所述街道对应的品质结果，针对指标出现异常的区域，提出可实施的改善措施；
S502：判读所述研究区域内各街道所在行政区的区位特色，利用已有数据在城市路网上制作各指标分布的专题图，描述品质的空间分布情况并给出成因分析，获得各所述行政区对应的区位街道品质总体评价；
S503：根据各所述区位街道品质总体评价，获得城市空间品质的分布规律和分布模式。
此外，参照图2，本发明实施例还提出一种基于城市多源数据的街道空间品质测度评价系统，所述一种基于城市多源数据的街道空间品质测度评价系统包括：
采集模块10，用于获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点；
街景影像生成模块20，用于通过所述街景采样点，获得多组街景影像数据；
语义要素生成模块30，用于依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表；
测度评价指标生成模块40，用于通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；
城市空间品质评价模块50，用于通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
本发明所述目标区域检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，包括步骤：
获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点；
通过所述街景采样点，获得多组街景影像数据；
依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表；
通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；
通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
2.根据权利要求1所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，所述对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点，包括：
剔除所述城市路网数据中多余的街道；
提取所述城市路网数据中的主要街道，通过交通结点重要性对所述主要街道进行划分，将所述主要街道中的短距离街道进行合并；
对所述城市路网数据进行拓扑处理，包括：拓扑差错、拓扑修改以及将城市路网简化为道路中心线；
构建缓冲区，将所述城市路网数据中的城市快速路、主干道、次干道和支路分别向两侧拓宽一定的距离；所述缓冲区用作街道覆盖范围以及街道便利性、设施可达性分析的研究单元；
对所述兴趣点数据根据功能的不同进行分类，获得不同职能的兴趣点数据，剔除所述兴趣点数据中的无效数据；
根据所述城市路网数据，以固定距离为间隔进行等间距采样，获得街景采样点，记录所述街景采样点的经纬度。
3.根据权利要求2所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，所述对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点之后，还包括：
将拓扑处理后的城市路网数据与研究区域内所有所述街景采样点根据所述经纬度进行空间叠加，剔除不符合要求的街景采样点；
将所述兴趣点数据叠加到所述缓冲区的街道平面中,并计算各街道所述缓冲区的面积；
将所述街景采样点与所述城市路网数据进行空间属性连接，统计所述研究区域内各街道的街景采样点数量及长度。
4.根据权利要求1所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，所述通过所述街景采样点，获得多组街景影像数据，包括：
抓取所述街景采样点中前、后、左、右的街景影像，获得对应的多组街景影像数据，多组所述街景影像数据包含了所述景采样点中唯一标示符、经纬度、视线的水平角度和垂直角度信息。
5.根据权利要求1所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，所述依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，包括：
将各所述街景影像数据依次输入训练好的ResNet网络和空洞卷积，提取各所述街景影像数据对应的全局特征图；
对各所述全局特征图进行分层池化，获得对应的池化后的图像局部特征；
将各所述图像局部特征与对应的所述全局特征图进行特征融合，并通过一层卷积层，获得各所述街景影像特征图像对应的最终的预测图；
对各所述最终的预测图进行像素级语义分割，获得多个街景语义要素数据。
6.根据权利要求1所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标，包括：
根据所述街景语义要素数据表构建街道舒适性的评价指标；
根据所述兴趣点数据构建街道便利度的评价指标；
根据所述城市路网数据构建路网通达性的评价指标。
7.根据权利要求1所述的一种基于城市多源数据的街道空间品质测度评价方法，其特征在于，所述通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式，包括：
将所述城市街道空间品质的测度评价指标进行量化，通过GIS平台对所述研究区域内的各街道进行分析，获得各所述街道对应的品质结果；
判读所述研究区域内各街道所在行政区的区位特色，获得各所述行政区对应的区位街道品质总体评价；
根据各所述区位街道品质总体评价，获得城市空间品质的分布规律和分布模式。
8.一种基于城市多源数据的街道空间品质测度评价系统，其特征在于，所述一种基于城市多源数据的街道空间品质测度评价系统包括：
采集模块，用于获取研究区域内的城市路网数据和兴趣点数据，对所述城市路网数据和所述兴趣点数据进行预处理，获得街景采样点；
街景影像生成模块，用于通过所述街景采样点，获得多组街景影像数据；
语义要素生成模块，用于依次将各所述街景影像数据输入训练好的语义特征提取模型，获得对应的多个街景语义要素数据，将所有所述街景语义要素数据进行集合，获得街景语义要素数据表；
测度评价指标生成模块，用于通过所述街景语义要素数据表、所述兴趣点数据和所述城市路网数据，构建城市街道空间品质的测度评价指标；
城市空间品质评价模块，用于通过所述城市街道空间品质的测度评价指标，对所述研究区域内的街道进行品质分析，进而获得城市空间品质的分布规律和分布模式。
CN202011327398.1A 2020-11-24 2020-11-24 基于城市多源数据的街道空间品质测度评价方法和系统 Pending CN112418674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011327398.1A CN112418674A (zh) 2020-11-24 2020-11-24 基于城市多源数据的街道空间品质测度评价方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011327398.1A CN112418674A (zh) 2020-11-24 2020-11-24 基于城市多源数据的街道空间品质测度评价方法和系统

Publications (1)

Publication Number Publication Date
CN112418674A true CN112418674A (zh) 2021-02-26

Family

ID=74778465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011327398.1A Pending CN112418674A (zh) 2020-11-24 2020-11-24 基于城市多源数据的街道空间品质测度评价方法和系统

Country Status (1)

Country Link
CN (1) CN112418674A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011925A (zh) * 2021-03-24 2021-06-22 华南理工大学 基于大数据的商业空间品质评价方法、系统、设备及介质
CN113095570A (zh) * 2021-04-14 2021-07-09 上海市城市建设设计研究总院（集团）有限公司 基于需求差异性的自行车骑行路径推荐方法
CN113706339A (zh) * 2021-08-06 2021-11-26 哈尔滨工业大学建筑设计研究院 一种街景立面透明度对街道活跃度影响的量化分析方法
CN113887336A (zh) * 2021-09-13 2022-01-04 广东晟腾地信科技有限公司 路口行人过街安全性评价方法及设备、计算机可读存储介质
CN113420109B (zh) * 2021-08-23 2022-01-07 深圳市城市交通规划设计研究中心股份有限公司 一种街道界面渗透率的测量方法、计算机及存储介质
CN114331232A (zh) * 2022-03-15 2022-04-12 河北省地理信息集团有限公司 街道空间品质监测评估预警方法
CN114358660A (zh) * 2022-03-10 2022-04-15 武汉市规划研究院 一种城市街道品质评估方法、系统及存储介质
CN114580975A (zh) * 2022-05-05 2022-06-03 成都数联云算科技有限公司 街区活力获得方法及系统及装置及介质
CN115271549A (zh) * 2022-09-26 2022-11-01 山东建筑大学设计集团有限公司 一种城市公园空间品质综合评价指标体系的构建方法
CN114299331B (zh) * 2021-12-20 2023-06-27 中国地质大学（武汉） 基于街景图片的城市自行车道类型检测方法及系统
CN116415499A (zh) * 2023-04-07 2023-07-11 广州市城市规划勘测设计研究院 一种社区舒适感模拟预测方法
WO2023143000A1 (zh) * 2022-01-28 2023-08-03 同济大学 一种基于多源大数据的老龄友好街道建成环境审计系统
CN117951239A (zh) * 2024-03-21 2024-04-30 中国电建集团西北勘测设计研究院有限公司 街道空间破碎度确定方法及装置、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
CN109636905A (zh) * 2018-12-07 2019-04-16 东北大学 基于深度卷积神经网络的环境语义建图方法
CN110111335A (zh) * 2019-05-08 2019-08-09 南昌航空大学 一种自适应对抗学习的城市交通场景语义分割方法及系统
CN110188817A (zh) * 2019-05-28 2019-08-30 厦门大学 一种基于深度学习的实时高性能街景图像语义分割方法
CN111210435A (zh) * 2019-12-24 2020-05-29 重庆邮电大学 一种基于局部和全局特征增强模块的图像语义分割方法
CN111242493A (zh) * 2020-01-17 2020-06-05 广州市城市规划勘测设计研究院 一种街道品质评价方法、装置、系统及存储介质
CN111966770A (zh) * 2020-07-21 2020-11-20 中国地质大学（武汉） 一种基于地理语义词嵌入的城市街道功能识别方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
CN109636905A (zh) * 2018-12-07 2019-04-16 东北大学 基于深度卷积神经网络的环境语义建图方法
CN110111335A (zh) * 2019-05-08 2019-08-09 南昌航空大学 一种自适应对抗学习的城市交通场景语义分割方法及系统
CN110188817A (zh) * 2019-05-28 2019-08-30 厦门大学 一种基于深度学习的实时高性能街景图像语义分割方法
CN111210435A (zh) * 2019-12-24 2020-05-29 重庆邮电大学 一种基于局部和全局特征增强模块的图像语义分割方法
CN111242493A (zh) * 2020-01-17 2020-06-05 广州市城市规划勘测设计研究院 一种街道品质评价方法、装置、系统及存储介质
CN111966770A (zh) * 2020-07-21 2020-11-20 中国地质大学（武汉） 一种基于地理语义词嵌入的城市街道功能识别方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
戚冬瑾;邝晓雯;张黎明;: "街网模式的理论与应用――一次城市设计课程教学的研究", 华中建筑, vol. 1, no. 09, pages 119 - 122 *
胡昂;郭仲薇;牛韶斐;李想;: "基于多源大数据的轨道交通站域街道品质多维评价分析――以成都市三环内地铁站域街道为例", 河北科技大学学报, vol. 41, no. 05, pages 442 - 454 *
胡杰等: "街道空间品质量化测度研究——以武汉市主城区为例", 中外建筑, no. 8, pages 90 - 93 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022198963A1 (zh) * 2021-03-24 2022-09-29 华南理工大学 基于大数据的商业空间品质评价方法、系统、设备及介质
CN113011925A (zh) * 2021-03-24 2021-06-22 华南理工大学 基于大数据的商业空间品质评价方法、系统、设备及介质
CN113095570A (zh) * 2021-04-14 2021-07-09 上海市城市建设设计研究总院（集团）有限公司 基于需求差异性的自行车骑行路径推荐方法
CN113095570B (zh) * 2021-04-14 2023-06-06 上海市城市建设设计研究总院（集团）有限公司 基于需求差异性的自行车骑行路径推荐方法
CN113706339A (zh) * 2021-08-06 2021-11-26 哈尔滨工业大学建筑设计研究院 一种街景立面透明度对街道活跃度影响的量化分析方法
CN113706339B (zh) * 2021-08-06 2023-09-15 哈尔滨工业大学建筑设计研究院有限公司 一种街景立面透明度对街道活跃度影响的量化分析方法
CN113420109B (zh) * 2021-08-23 2022-01-07 深圳市城市交通规划设计研究中心股份有限公司 一种街道界面渗透率的测量方法、计算机及存储介质
CN113887336A (zh) * 2021-09-13 2022-01-04 广东晟腾地信科技有限公司 路口行人过街安全性评价方法及设备、计算机可读存储介质
CN114299331B (zh) * 2021-12-20 2023-06-27 中国地质大学（武汉） 基于街景图片的城市自行车道类型检测方法及系统
WO2023143000A1 (zh) * 2022-01-28 2023-08-03 同济大学 一种基于多源大数据的老龄友好街道建成环境审计系统
CN114358660A (zh) * 2022-03-10 2022-04-15 武汉市规划研究院 一种城市街道品质评估方法、系统及存储介质
CN114331232A (zh) * 2022-03-15 2022-04-12 河北省地理信息集团有限公司 街道空间品质监测评估预警方法
CN114580975A (zh) * 2022-05-05 2022-06-03 成都数联云算科技有限公司 街区活力获得方法及系统及装置及介质
CN115271549A (zh) * 2022-09-26 2022-11-01 山东建筑大学设计集团有限公司 一种城市公园空间品质综合评价指标体系的构建方法
CN116415499A (zh) * 2023-04-07 2023-07-11 广州市城市规划勘测设计研究院 一种社区舒适感模拟预测方法
CN116415499B (zh) * 2023-04-07 2024-02-27 广州市城市规划勘测设计研究院 一种社区舒适感模拟预测方法
CN117951239A (zh) * 2024-03-21 2024-04-30 中国电建集团西北勘测设计研究院有限公司 街道空间破碎度确定方法及装置、电子设备

Similar Documents

Publication Publication Date Title
CN112418674A (zh) 基于城市多源数据的街道空间品质测度评价方法和系统
CN112561146B (zh) 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
Dai et al. Analyzing the correlation between visual space and residents' psychology in Wuhan, China using street-view images and deep-learning technique
Wang et al. Measuring residents’ perceptions of city streets to inform better street planning through deep learning and space syntax
CN100533486C (zh) 一种数字城市全自动生成的方法
Shang et al. Estimating building-scale population using multi-source spatial data
Dang et al. The integration of urban streetscapes provides the possibility to fully quantify the ecological landscape of urban green spaces: A case study of Xi’an city
Luo et al. Semantic Riverscapes: Perception and evaluation of linear landscapes from oblique imagery using computer vision
Li et al. Fusing taxi trajectories and RS images to build road map via DCNN
CN116343103A (zh) 一种基于三维gis场景与视频融合的自然资源监管方法
CN111627103A (zh) 基于行人活动和密度感知的智慧城市cim成像方法
Tang et al. Assessing the visibility of urban greenery using MLS LiDAR data
CN110956089A (zh) 基于ict技术的历史街区步行性测度方法
Huang et al. Comprehensive urban space representation with varying numbers of street-level images
CN116415499B (zh) 一种社区舒适感模拟预测方法
CN111726535A (zh) 基于车辆感知的智慧城市cim视频大数据画质控制方法
CN115620165B (zh) 城市建成区慢行系统设施评价方法、装置、设备及介质
CN114331232B (zh) 街道空间品质监测评估预警方法
CN114913475B (zh) 基于gis和机器视觉的城市网格化管理方法及系统
Feng et al. Visual Evaluation of Urban Streetscape Design Supported by Multisource Data and Deep Learning
CN108074018A (zh) 一种基于gis城市人员空间分布的预警分析方法
Wang The digital presentation of human-oriented urban design
Zhao et al. Multi-dimensional perception of urban environment and their relationship with urban functional characteristics
Lu et al. Research on Urban Landscape Image Enhancement under the Background ofBig Data Visualization
Su et al. A multi-source data based analysis framework for urban greenway safety

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination