历史街道空间品质分析方法、系统、存储介质及设备

技术领域

本发明涉及地理图像监测技术领域，具体为历史街道空间品质分析方法、系统、存储介质及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

街道会随着城市发展不断更新改造，对历史街区的更新改造会考虑使用者的体验，与此同时街道是城市景观的一部分，对街道空间的品质进行量化分析，能够根据街道的交通状况、人流车流以及绿化覆盖等信息，改善街道空间布局从而有利于街道的更新改造。

在街道定量研究中，地理信息系统是较为经典、成熟的二维平面分析平台，但利用地理信息系统仅能针对街道路面、街道界面等街道空间的构成要素进行分析，无法获取街道空间中具有的更为细节的要素，例如街道中的植物、行人以及车辆对街道空间品质的影响进行分析。街道空间中更为细节的要素虽然可以通过识别街道现场图像的方式来取得，但此种方式依赖复杂的计算机图像识别算法，难以从算法层面确定图像识别的精度和细节程度。

与此同时，目前针对街道空间品质的分析过程依赖于统计调查的方式，统计调查的方式需要花费大量的时间和人力成本，存在一定主观性，难以对街道空间的品质进行客观量化。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供历史街道空间品质分析方法、系统、存储介质及设备，利用经语义分割处理后的街景图像数据得到所需的要素，根据要素的像素占街景图像总像素的比值和设定的权重值确定街道空间的品质，将品质数据配准到街道地图中得到可视化的街道空间品质分析结果。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供历史街道空间品质分析方法，包括以下步骤：

获取所需街道的街景图像数据，经语义分割后得到图像中植物、车辆、行人、人行道、车行道、天空、街道基础设施以及街道标识，得到上述八种要素占街景图像数据的百分比；

根据要素占街景图像数据的百分比与设定的权重值，得到不同种类的街道品质指数，以及合并后的完整街道品质指数；

将不同类别的街道品质指数和完整的街道品质指数分别配准至街景图像所在道路的地图上，根据街道品质指数的类别，在地图中赋予街道属性以实现街道品质空间分析。

根据要素占街景图像数据的百分比与设定的权重值，得到不同种类的街道品质指数，具体为：

根据街景图像中天空所在的像素与街景图像总像素的比值，得到天空开敞度指数SVI；

根据街景图像中植物所在的像素与街景图像总像素的比值，得到绿视率指数GVI；

根据街景图像中人行道所在的像素与车行道所占街景图像总像素的比值，得到空间可行性指数SFI；

根据街景图像中车辆与车行道所在的像素占街景图像总像素的比值，得到车辆干扰指数VII；

根据街景图像中街道标识所在的像素与街景图像总像素的比值，得到交通标识指数ITI；

根据街景图像中街道基础设施所在的像素与街景图像总像素的比值，得到设施便利指数PCI；

根据街景图像中行人所在的像素与街景图像总像素的比值，得到人群聚集度指数CCI。

根据要素占街景图像数据的百分比与设定的权重值，得到合并后的完整街道品质指数，具体为：

设定的权重值分别与天空开敞度指数、绿视率指数、空间可行性指数、车辆干扰指数、交通标识指数、设施便利指数以及人群聚集度指数的乘积，相加后得到完整街道品质指数。

将不同类别的街道品质指数和完整的街道品质指数分别配准至街景图像所在道路的地图上，具体为：

街道品质指数与对应的街景图像形成点数据，并转换为路网数据；

将路网数据中整段的折线划分为设定的段数；

根据街景图像的地理位置将路网数据配准至地图中。

本发明的第二个方面提供实现上述方法的系统，包括：

图像数据处理模块，配置为：获取所需街道的街景图像数据，经语义分割后得到图像中植物，车辆，行人，人行道，车行道，天空，街道基础设施以及街道标识，得到上述八种要素占街景图像数据的百分比；

品质指数获取模块，配置为：根据要素占街景图像数据的百分比与设定的权重值，得到不同种类的街道品质指数，以及合并后的完整街道品质指数；

可视化分析模块，配置为：将不同类别的街道品质指数和完整的街道品质指数分别配准至街景图像所在道路的地图上，根据街道品质指数的类别，在地图中赋予街道属性以实现街道品质空间分析。

本发明的第三个方面提供一种计算机可读存储介质。

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如上述所述的历史街道空间品质分析方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的历史街道空间品质分析方法中的步骤。

与现有技术相比，以上一个或多个技术方案存在以下有益效果：

1、利用经语义分割处理后的街景图像数据得到所需的要素，根据要素所在像素占街景图像像素的比值和设定的权重值确定街道空间的品质指数，将品质指数配准到街道地图中得到可视化的街道空间品质分析结果，语义分割不仅能够获得街道路面、街道界面等街道空间构成要素，还能够获得街道景观、交通标志等街道细节要素，再利用要素占街景图像像素的百分比得到不同种类的街道品质指数，能够以不同的维度分析街道空间的品质，使得到的结果更加直观全面。

2、街道品质指数配准到地图中时，为地图中的道路赋予了额外的属性，能够以更直观的方式展示街道空间不同的维度的品质，对街道品质中各个指标与实际得到的品质指数之间的关联程度以及互相影响程度进行分析，有利于街道更新改造过程中对街道布局、植被覆盖以及交通设施等各方面的改造进行指导。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明一个或多个提供的历史街道空间品质分析流程示意图；

图2是本发明一个或多个提供的街景照片标注示意图；

图3(a)-(d)分别是本发明一个或多个提供的街景照片经训练后的loss(损失值)，pa(像素精确度)，mpa(平均像素精确度)，miou(平均交并比)的对比示意图；

图4是本发明一个或多个提供的大学路空间可行性计算结果及各路段量化后的数值；

图5是本发明一个或多个提供的大学路设施便利性计算结果及各路段量化后的数值；

图6是本发明一个或多个提供的大学路人群聚集度计算结果及各路段量化后的数值；

图7是本发明一个或多个提供的大学路步行安全性计算结果及各路段量化后的数值；

图8是本发明一个或多个提供的大学路交通标识指数计算结果及各路段量化后的数值；

图9是本发明一个或多个提供的大学路天空开敞度计算结果及各路段量化后的数值；

图10(a)-(b)是本发明一个或多个提供的大学路空间可行性数据可视化后的示意图和统计图；

图11(a)-(b)是本发明一个或多个提供的大学路设施便利性数据可视化后的示意图和统计图；

图12(a)-(b)是本发明一个或多个提供的大学路人群聚集度数据可视化后的示意图和统计图；

图13(a)-(b)是本发明一个或多个提供的大学路步行安全性数据可视化后的示意图和统计图；

图14(a)-(b)是本发明一个或多个提供的大学路交通标识指数据可视化后的示意图和统计图；

图15(a)-(b)是本发明一个或多个提供的大学路天空开敞度数据可视化后的示意图和统计图；

图16(a)-(b)是本发明一个或多个提供的大学路空间品质数据可视化后的示意图和统计图。

具体实施方式

下面结合实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在街道定量研究中，地理信息系统是较为经典、成熟的二维平面分析平台。但重点在于街道路面、街道界面等街道空间构成要素，对于街道景观、界面细节要素等构成要素分析较少。街景图像数据，结合语义分割技术的运用，在一定程度上弥补了细部构成要素的空白。街景图像数据具有获取方便、时效性强、覆盖范围广的特点，近年来随着deeplab等语义分割的不断更新，为街道空间品质的测度提供了新的思路方法。

因此，以下实施例给出了历史街道空间品质分析方法、系统、存储介质及设备，利用经语义分割处理后的街景图像数据，得到树木，车辆，行人，人行道，车行道，天空，街道基础设施以及街道标志八部分要素，根据要素之间像素的比值和设定的权重值确定街道空间的品质，将品质数据配准到街道地图中得到可视化的街道空间品质分析结果。

实施例一：

如图1-16所示，历史街道空间品质分析方法，包括以下步骤：

获取所需街道的街景图像数据，经语义分割后得到图像中植物、车辆、行人、人行道、车行道、天空、街道基础设施以及街道标识，得到上述八种要素占街景图像数据的百分比；

根据要素占街景图像数据的百分比与设定的权重值，得到不同种类的街道品质指数，以及合并后的完整街道品质指数；

将不同类别的街道品质指数和完整的街道品质指数分别配准至街景图像所在道路的地图上，根据街道品质指数的类别，在地图中赋予街道属性以实现街道品质空间分析。

具体的：

本实施例的街道空间品质分析方法分为以下三部分：

语义分割历史街道街景图片，构建评价体系以及空间品质指数。通过deeplabV3+，处理相关街道的照片，分割树木，车辆，行人，人行道，车行道，天空，街道基础设施以及街道标志八部分，获取相关要素的占比并根据要素占比得到量化的品质指数。

运用GIS对相关计算结果进行可视化研究，将语义分割的相关数据与gis相结合，可以明确得出各个指标的数值情况，各个路段的变化情况。

SPSS分析空间品质指标相关性分析，通过分析相关指标与空间品质之间的关系，得出各个指标之间的关联程度以及相互影响程度。根据分析结果吗，得出正相关与负相关。

以某城市一条名为“大学路”的街道为例，解释本实施例给出的街道空间品质分析方法。

大学路街道空间品质测度数据获取。

对于以往的街道空间品质而言，街景照片的获取通常采用Python爬取的方式。该方式适用于大范围、宽领域的研究对象，如中心城区、历史街区等。对于单一街道空间品质研究，数据爬取受街景地图位置影响较大，每个测量点角度的街景照片数据不足，以及拍摄地点无法始终保证沿街道中心线方向，故本实例选取人工拍摄的方式。将Python爬取照片时测量精度从30米提高到10米。并以等同于人眼视角的高度下，沿街道中心线方向，每十米拍摄街景照片，并保证每个测量点拍摄照片角度一致，时间相同。还能确保此种方式拍摄的照片配合语义分割能够获得所需精度的数据，从而反映所需的要素精度。

历史街道空间品质测度体系构建。

本实施例在现有技术《基于街景图片数据的城市街道空间品质测度与影响机制研究——以南京中心城区为例》、《基于多源大数据的明城区西南...生活性街道空间品质测度研究》选取的指标基础上，结合相关指标的研究综述选取以及大学路街道本身特点，以感知空间为主，物质空间为辅，选取路面可行性、设施便利性、步行安全性、空间舒适性以及场所社交性为研究对象，选取相应指标对其进行测度研究。采用AHP层次分析法，根据一致矩阵法对相关因素两两对比，从而得出相应的指标权重赋值，具体内容如表1和2所示：

表1街道空间品质测度指标矩阵

表2街道空间品质测度指标权重

如图1和表2所示，在中间层五个一级指标当中，空间舒适性权重最高，达到了0.287；设施便利性权重最低，为0.135。在二级指标中，人群聚集度对于生活性街道空间品质的影响程度最大，达到了0.221，符合生活性街道的定位。交通标识指数权重最低，为0.044.因此，本实施例的生活性街道空间品质(LQI)的最终测度计算公式如下：

LQI＝0.133SVI+0.154GVI+0.171SFI+0.142VVI+0.044ITI+0.135PCI+0.221CCI。

其中，各测度指标的定义如下：

SVI(天空开敞度指数)：天空与街景照片总像素的比值。

GVI(绿视率指数)：绿色植物与街景照片总像素的比值。

SFI(空间可行性指数)：步行道与车行道所占街景照片的像素比值。

VII(车辆干扰指数)：机动车与机动车道所占街景照片的像素比值。

ITI(交通标识指数)：交通信号灯以及指示牌与街景照片总像素的比值。

PCI(设施便利指数)：各类设施与街景照片总像素的比值。

CCI(人群聚集度指数)：人物像素与街景照片总像素的比值。

根据街景图像数据中获取到的天空、绿色植物、步行道与车行道、机动车与机动车道、交通信号灯与指示牌、设施和人物的像素占街景图像总像素的比值与各测度指标所占权重的乘积，得到各测度指标的实际值，加和后得到街道空间品质(LQI)的最终值。

获取大学路街道空间品质测度指标的过程。

如图2所示，本实施例采用语义分割、依托Deeplab-V3+来对于指标进行计算。首先随机选取20张街景照片，通过Labelme对于街景照片进行标注，区分树木、人行道、车行道、行人、车辆、天空、街道基础设施以及街道标志八部分，标注完之后通过Deeplab-V3+进行训练。

依托PyCharm深度学习库训练两百次，每训练50次，学习率调整为之前的一半。选取miou表现最高的模型进行预测街景照片，并采用随机裁剪，翻转，USM锐化增强，随机噪声，调整亮度与对比度五种方法进行数据增强，训练迭代图可以反映出训练结果是否可行，结果如图3所示。

图3中指标有loss(损失值)，pa(像素精确度)，mpa(平均像素精确度)，miou(平均交并比)，共计训练200次。

(1)Loss损失值反应训练与测试过程中，原有训练照片训练值与测试照片测试值的偏差，损失值越小，则说明训练值与测试值越接近，训练模型的泛化性能越好。由图可知，损失值随着训练次数的增加而减少，最后稳定控制在0.05以下。

(2)Pa值可以反应被机器正确分类的照片像素占照片总像素的比例，经过训练像素精确度达到99％以上。

(3)MPA是在Pa的基础上进一步进行计算，分别计算各类标注要素，所有照片识别后的整体平均pa值，经过训练之后，数值控制在85％左右。

(4)Miou平均交并比则反映出训练照片值与测试照片值，相同部分与两者青集合的比值，同Mpa相同，先计算每个要素的交并比，进一步计算出均值，最后得到训练过程中的平均交并比，随着训练次数的增加，平均像素精确度平均交并比达到80％以上。

通过上述四个指标，结果均在理想数值之上，表明训练结果是可行的，可以进行下一步的语义分割。训练结束、随后导入其余街景照片，进行街景图片的语义分割，分割后根据所需要素占街景照片的像素比值，得出最后的天空开敞度、绿视率指数、空间可行性指数、车辆干扰指数、交通标识指数、设施便利指数以及人群聚集度指数。

本实施例中，图4-10分别展示了，大学路在若干路口或若干路段的街景照片经语义分割后，得到的空间可行性、设施便利性、人群聚集度、步行安全性、交通标识指数和天空开敞度的计算结果。

大学路街道空间品质指标可视化分析

结合gis(地理信息系统Geographic Information System或Geo－Inform ationsystem，GIS)进行可视化分析，前述步骤得到的测度指标是基于街景图像产生的点数据，能够反映大学路中的某一个或某几个路段或路口的品质，而街道(道路)是连续的，需要将其转换为连续的线段以展示一条道路或一段街道中各个路段的品质，具体如下：

将点数据导入gis中，在gis中利用点转折线功能将点数据转换为路网数据；

选中整段的折线利用gis编辑功能中的分段将路网数据等分为x段；

利用gis中的地理配准功能将路网数据配准到地图上；

利用空间连接将7类数据(指天空开敞度、绿视率指数、空间可行性指数、车辆干扰指数、交通标识指数、设施便利指数以及人群聚集度指数7个指标)分别连接到路网数据上，赋予路网数据7类属性；

利用gis中的符号系统对路网数据进行可视化，并且利用自然断点法将数据分为5类(指根据表2将7类测度指标划分到5个类别中)，并且导出统计图。

本实施例中，图11-15分别为根据街景图像数据得到的大学路在若干路段或路口展示的空间可行性、设施便利性、人群聚集度、步行安全性、交通标识指数和天空开敞度的可视化结果，以及统计图。

本实施例中，图16为根据街景图像数据得到的大学路在若干路段或路口展示的空间品质指数的可视化结果及统计图。

得到上述可视化的结果后，对大学路进行街道空间品质分析，如下：

从各个指标来看，值得保持现状的指标为路面(空间)可行性指数、交通标识指数和车辆干扰指数；值得优化的指标为设施便利性和人群聚集度；绿视率和天空开敞度受季节树叶繁密程度影响较大，故维持现状即可。

从街道空间品质指数来看。虽然大学路各路段的生活性街道空间品质分布较为均匀，但还是呈现出自南部沿海到北部内陆数值逐渐降低的趋势。大学路生活街道空间品质指数区间为[0.029-0.614]，平均值为0.102,空间品质指数较低。

通过各个路段路段的数值可以看出，品质最好的路段大学路最南段太平路-龙口路，数值为0.107。品质最低的路段为大学路最北段掖县路-登州路，数值为0.096。空间品质指数主要集中在[0.063-0.191]之前，数值为164，占比60.6％。空间品质指数在0.191以上的，仅为25，占比9.29％。

大学路街道空间品质指标相关性分析。

运用SPSS数据分析平台，采用皮尔逊系数对于本实施例中的指标进行相关性分析，从而得出各个指标与品质之间的关联程度以及互相影响程度。根据分析结果可知，所有指标均与街道空间品质指数呈正相关。其中[0-0.1]为微弱相关，[0.1-0.2]为低度相关，[0.2-0.4]为中度相关，[0.4-0.5]为高度相关,[0.5-1]为显著相关，如表3所示。

表3空间品质指标与空间品质指数的相关性分析

表3中**在0.01级别(双尾)，相关性显著；*在0.05级别(双尾)，相关性显著。

通过评价指标与空间品质的相关性分析可以得出天空开敞度(SVI)与街道空间品质呈显著相关，路面可行性(SFI)、车辆干扰指数(VVI)绿视率(GVI)呈中度相关。其中车辆干扰指数(VVI)与路面可行性(SFI)，人群聚集度(CCI)与设施便利性(PCI)呈中度相关。交通标识指数(ITI)与路面可行性(SFI)和人群聚集度(CCI)呈低度相关。

综上所述对相关性的表述，结论如下：

1.天空开敞度、绿视率、路面可行性、车辆干扰指数与大学路街道空间品质关系较为紧密。

2.评价指标均与空间品质指数呈正相关关系。但交通标识指数对于空间品质的影响程度较低。

3.人群聚集度和设施便利性，车辆干扰指数与路面可行性相关程度较高。

结合上述分析，明确大学路人群聚集度以及设施便利性两个指标需要提高。

综上，上述方法利用经语义分割处理后的街景图像数据得到所需的要素，根据要素所在像素占街景图像像素的比值和设定的权重值确定街道空间的品质指数，将品质指数配准到街道地图中得到可视化的街道空间品质分析结果，语义分割不仅能够获得街道路面、街道界面等街道空间构成要素，还能够获得街道景观、交通标志等街道细节要素，再利用要素占街景图像像素的百分比得到不同种类的街道品质指数，能够以不同的维度分析街道空间的品质，使得到的结果更加直观全面。

街道品质指数配准到地图中时，为地图中的道路赋予了额外的属性，能够以更直观的方式展示街道空间不同的维度的品质，对街道品质中各个指标与实际得到的品质指数之间的关联程度以及互相影响程度进行分析，有利于街道更新改造过程中对街道布局、植被覆盖以及交通设施等各方面的改造进行指导。

实施例二：

本实施例提供了实现上述方法的系统，包括：

图像数据处理模块，配置为：获取所需街道的街景图像数据，经语义分割后得到图像中植物，车辆，行人，人行道，车行道，天空，街道基础设施以及街道标识，得到上述八种要素占街景图像数据的百分比；

品质指数获取模块，配置为：根据要素占街景图像数据的百分比与设定的权重值，得到不同种类的街道品质指数，以及合并后的完整街道品质指数；

可视化分析模块，配置为：将不同类别的街道品质指数和完整的街道品质指数分别配准至街景图像所在道路的地图上，根据街道品质指数的类别，在地图中赋予街道属性以实现街道品质空间分析。

实施例三

本实施例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如上述实施例一中提出的历史街道空间品质分析方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现如上述实施例一提出的历史街道空间品质分析方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。

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。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。