一种基于机器识别街景图片的街道围合特征分类方法

技术领域

本发明涉及城市街道特征分类技术领域，具体是一种基于机器识别街景图片的街道围合特征分类方法。

背景技术

随着社会经济物质水平的快速提高，我国的城市空间建设逐步由增速优先转向为品质优先。其中，街道空间作为城市公共空间的重要组成部分之一，其品质的提高对于提升城市整体空间品质有着重要意义。而街道的围合程度是街道空间品质的重要衡量标准之一，一条围合度适宜的街道，可以有效的提高邻里的生活环境，提高人们的幸福感。

目前，在街道围合程度的量化研究中影响较大的理论是日本学者芦原义信提出的“D/H”指标。该理论将街道宽度D与街道一侧建筑高度H的比值作为衡量街道空间围合特征的依据，即当D/H等于1时，街道空间较为匀称舒适；当即当D/H小于1时，街道两侧建筑会有接近之感；当D/H大于1时，随着比例的增大，街道会有远离之感；即当D/H大于2时，街道会有空旷之感。但在实际体验中，不同宽度的街道，其围合度数值有着不同的适宜区间，不能一概而论，因此依据围合度对街道进行围合特征的分类还需要将街道的宽度因素纳入考量之中。并且D/H方法对街道的实际视觉体验做了极大的简化，以街道某一断面的宽度与高度之比作为街道尺度的判断依据，将街道的连续空间体验进行了片段的截取，可粗略反映沿街建筑高度较为一致的街道的尺度，当沿街建筑高度差异较大时，此种量化方法具有较大误差。且将观察点到建筑物的距离D与建筑高度H的比值作为判断指标忽略了高大乔木和连续的建筑立面对街道的围合作用，并不能真实的反映人在街道中的空间感受。

街景图片是基于人眼视角的对街道空间视觉体验的真实展现，并且兼具数据量大、获取便利等优势，这为大规模地从人眼视角出发量化街道的围合程度进而对街道进行围合特征分类提供了条件。

中国发明专利202010053244.1公开了一种街道品质评价方法、装置、系统及存储介质，其中涉及了一种街道中建筑围合度和植被围合度的量化方法。即街景图像中建筑、道路、车辆三种要素的像素之和与街景图像的总像素数之比为建筑围合度指标；植被、建筑要素的像素之和与街景图像的总像素之比为植被围合度指标，进而将建筑围合度与植被围合度作为指标之一评价街道空间品质。但其并未直接对街道围合度量化方法进行探讨，也没有涉及街道的沿街垂直面与地平面之间的关系，并且对街道围合程度舒适度的判断忽略了街道宽度对其的影响。

中国发明专利202011327398.1公开了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，其中涉及了一种街道围合度量化方法，即将街景图像内建筑物、柱体和树木要素的像素量之和作为街道围合度的评价指标。此方法以绝对的像素值作为量化指标，也忽略了街道的沿街垂直面与地平面之间的关系，同样没有考虑街道宽度对街道所适宜的围合度范围的影响，没有依据街道围合度对街道围合特征进行分类。

以上两个专利对街道围合度的量化都是从目标要素的像素量大小出发进行考量，均没有反映街道的沿街垂直面与地平面之间的关系，以及街道宽度对街道所适宜的围合度范围的影响。而在人们的实际体验中，垂直面与地平面两者之间的量化关系对街道的围合感有着重要的影响，并且不同宽度的街道，其围合度数值有着不同的适宜区间。因此，现提出一种基于机器识别街景图片的街道围合特征分类方法。

发明内容

本发明的目的在于提供一种基于机器识别街景图片的街道围合特征分类方法，通过将街道宽度纳入考量因素，以街道的地平面与沿街垂直面的量化关系作为街道围合度的指标，使得最终分类结果更加符合人们在街道中的实际空间体验感知；特征分类方法可以快速批量的应用到不同尺度的城市街道围合特征分类之中，并为其提供重要的数据支撑，避免了街道围合特征评价的主观性。

本发明的目的可以通过以下技术方案实现：

一种基于机器识别街景图片的街道围合特征分类方法，所述分类方法包括以下步骤：

步骤一：获取街道路网数据，基于空间矢量平台进行预处理，获取街景取样点经纬度坐标。

步骤二：通过采样点坐标获取街景图片。

步骤三：街景图像进行语义分割。

步骤四：根据街景图像中各要素像素值计算街道围合度量化数值。

步骤五：根据街道宽度，计算街道围合度加权值。

步骤六：依据街道最终围合指数对街道进行特征分类。。

进一步的，所述空间矢量平台处理包括将栅格路网数据矢量化，对较短的道路进行合并简化，对路网进行空间校准，以固定距离等距设置街景采样点及获取其坐标。

进一步的，所述步骤二通过每一个采样点的位置及路网角度计算平行与垂直道路的视角，根据所得视角抓取平行道路与垂直道路的街景图片视图，每个视图方向水平视角范围为90°，垂直视角为0°。

进一步的，所述步骤三利用基于PSPNET训练好的模型对街景图像进行语义分割，计算出街景图像中道路、建筑和植被的像素值。

所述街景图像中目标要素的像素值计算方法如下公式(a)至(c)；

式中，P

进一步的，所述步骤四计算街道围合度，将各采样点特征要素数值带入街道围合度量化公式，计算得出各点街道空间围合度数值，街道空间各采样点围合度计算方法如下公式(d)；

E

式中，E

所述街道整体围合度计算方法如下公式(e)；

式中，E

进一步的，所述步骤五根据街道的宽度，计算街道围合指数，确定每条街道的围合度加权值，对街道围合度进行加权计算街道围合度加权值计算方法如下公式(f)：

λ＝0.04×(15-D

式中，λ为街道的围合度加权值，D

所述街道围合指数的计算方法如下公式(g)：

E

式中，E

进一步的，所述步骤六依据步骤五得出的街道围合指数以及街道围合特征分类标准对街道进行特征分类，围合特征分类的标准为：

当E

当0.5＜E

当1＜E

当2＜E

当E

其中，E

本发明的有益效果：

1、本发明分类方法引入街道围合度加权值和街道围合指数两个指标，通过街道的宽度指标建立了街道围合度的加权值计算方法，有效的将街道宽度对街道适宜的围合度的影响纳入考量范围，街道围合指数是解决了街道宽度的干扰后的街道围合度绝对数值；

2、本发明分类方法利用街景图像数据可以以最贴近人的视角，对街道围合度指标进行量化分析，使最终量化结果更加符合人的实际视觉体验；

3、本发明分类方法通过代码编写，可以批量获取大规模的街景图像，进而对其进行语义分割，极大的减轻了研究人员的实地调查取样工作量；

4、本发明分类方法利用语义分割技术，可以快速准确的提取街景图片中的目标要素，并测度该要素在图中的像素值，避免了人工提取目标要素并计算面积的误差；

5、本发明分类方法通过机器学习技术与街道围合特征分类相结合，为街道围合特征的分类和评价提供重要的数据支撑，可以解决当前街道围合特征分类及评价主要依赖设计者主观判断的问题。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明街道围合特征分类方法流程图；

图2是本发明获取街景取样点示意图；

图3是本发明语义分割街景图像示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

结合图1-图3所示，一种基于机器识别街景图片的街道围合特征分类方法，街道围合特征分类方法包括以下步骤：

步骤一：获取街道路网数据，基于空间矢量平台进行预处理，获取街景取样点经纬度坐标

通过街道路网数据获取街景取样点坐标，借助百度地图截取街道路网栅格图片，先将栅格图片导入arcgis平台，对栅格数据进行预处理，然后通过Arcgis中ArcScan工具对数据进行矢量化处理，接着通过Arcgis中Network Analyst工具对路网进行连接检查，最后通过openstreetmap等开放地图平台下载目标区域路网数据为shp格式并导入arcgis。将栅格路网数据坐标转换为wgs84坐标,基于openstreetmap下载的路网数据，利用空间矫正工具对矢量化的栅格路网数据进行空间矫正，等距获取路网折点作为街景取样点，等距获取路网折点通过增密工具进行处理,设置为间隔40米获取一个街景取样点,从而计算街景取样点经纬度坐标,计算经纬度坐标通过对采样点图层属性表进行添加字段和对字段进行计算几何操作获得。

数据预处理包括以下步骤：

1)对道路栅格进行二分类，区分开道路主体与无用的要素；

2)对重分类好的栅格数据进行栅格转面并清理掉无用的要素；

3)利用擦除工具将道路转为地块；

4)利用负值缓冲区清理分隔带；

5)地块转为道路，并转换为二值栅格。

openstreetmap等开放地图平台中的部分城市路网数据并不完整，因此本发明只将其作为空间矫正的参考，路网数据则通过百度地图截取栅格图片至Arcgis中进行进一步处理获得。

步骤二：街景图片获取

通过百度地图开放平台申请百度地图全景API服务申请密钥，获取步骤一中各街景取样点正对道路方向与垂直道路方向每个取样点四张街景图片，通过python代码编写转换采样点坐标，以及设定街景采样的视角方向和视角范围，以及设置采样图像的尺寸大小为480×360像素，以及利用HTTP URL调用百度街景API批量获取街景图像。

所述python代码编写具体包括以下要点：

将步骤一中获得的街景取样点坐标由wgs84坐标转换为百度地图的bd09mc坐标；

获取采样点所在的道路朝向以确定采样点平行于道路(前、后)和垂直于道路(左、右)共四个视角方向；

设置采样点视线的水平方向范围和垂直角度；

设置采样图像大小。

将每个采样点视线的垂直视角设置为0°，0°为模拟人眼平视视角，水平方向范围设置为90°，此种采样方式可以对每个采样点的360°全景环境进行全面覆盖。

步骤三：街景图像语义分割

利用Cityscapes图像分割公开数据集进行训练语义分割网络，将训练好的模型用于提取步骤二中街景图片中的道路、建筑、植被等要素。

cityscapes公开数据集从CITYSCAPES DATASET网站获取，其中，cityscapes数据集提供了34种分类，其默认设置为19分类数据集，本发明需要识别的要素主要为建筑、道路、植被三大类，采用cityscapes自身提供的工具重新制作数据集；

重新制作数据集所用工具为cityscapes提供的labels.py文件与creatTrainldLabellmgs.py文件，其中labels.py文件用来定义需要分割的特征要素，creatTrainldLabellmgs.py文件用来重新生成训练集。

所述语义分割网络的训练采用PSPNet(Pyramid Scene Parsing Network)模型架构，在多学习速率策略的基础上，设置基础学习率为0.01，指数幂power为0.9，学习速率为

所述建筑、道路、植被要素通过将各采样点平行道路(前、后)与垂直道路(左右)四个方向街景图像中的道路、建筑、植被要素像素值分别求和得出，道路、建筑、植被要素像素值提取公式如下：

式中，P

步骤四：计算街道围合度

将步骤三中得出的道路、建筑、植被要素像素值带入公式计算各采样点围合度数值，进而带入公式计算街道整体围合度数值，各采样点围合度计算公式为：

E

式中，E

街道整体围合度公式为：

式中，E

步骤五：计算街道围合指数

根据街道的宽度，确定街道的围合度加权值，进而对步骤四中计算得出的街道围合度进行加权计算，得到街道围合指数。

街道围合度加权值计算公式为：

λ＝0.04×(15-D

式中，λ为街道的围合度加权值，D

街道围合指数的计算方法如下公式：

E

式中，E

步骤六：对街道进行围合特征分类

依据步骤五得出的街道围合指数以及街道围合特征分类标准对街道进行特征分类。

街道围合特征分类标准为：

当E

当0.5＜E

当1＜E

当2＜E

当E

其中，E

本发明引入街道围合度加权值和街道围合指数两个指标，通过街道的宽度指标建立了街道围合度的加权值计算方法，有效的将街道宽度对街道适宜的围合度的影响纳入考量范围，街道围合指数是解决了街道宽度的干扰后的街道围合度绝对数值；利用街景图像数据可以以最贴近人的视角，对街道围合度指标进行量化分析，使最终量化结果更加符合人的实际视觉体验；通过代码编写，可以批量获取大规模的街景图像，进而对其进行语义分割，极大的减轻了研究人员的实地调查取样工作量；利用语义分割技术，可以快速准确的提取街景图片中的目标要素，并测度该要素在图中的像素值，避免了人工提取目标要素并计算面积的误差；通过机器学习技术与街道围合特征分类相结合，为街道围合特征的分类和评价提供重要的数据支撑，可以解决当前街道围合特征分类及评价主要依赖设计者主观判断的问题。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。