请选择 进入手机版 | 继续访问电脑版
发新帖

深度学习,街景识别 | 武汉市城市街景量化研究

时间:2018-9-16 10:56 0 473 | 复制链接 |

提起武汉,相信在很多人的脑海中会浮现车水马龙的长江大桥、“天下第一步行街”的江汉路、景色宜人的东湖风景区,武汉的崛起发展离不开优美的城市空间环境。如果我们通过AI的眼睛来探索这个城市,基于街景大数据+机器学习的视角,它会是什么样子呢?

大数据与人工智能

我们采集了来自互联网地图平台的武汉市中心城区(三环内)56万条城市静态街道影像数据2,以此作为我们后续分析的数据基础。

武汉市中心城区城市影像数据

我们使用了多种机器学习算法3来分析处理数据。


关于人工智能、机器学习与深度学习的关系:

机器学习是实现人工智能的一种方法,是使用算法分析数据,从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同,我们使用大量数据和算法来“训练”机器,由此带来机器学习如何完成任务。

深度学习是实现机器学习的一种技术。通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。

机器学习中的卷积神经网络技术在图片识别上有很高的准确度。通过建立机器学习模型,可以让AI对建筑、街道及城市建立整体空间感知。解析城市影像有助于对城市空间认知进行重要的内容补充,打造更人性化的城市。


图像识别算法与机器学习模型框架

本文中AI量化分析了以下指标:

空间荷载
       ► 机动车分布
       ► 非机动车分布
       ► 行人分布

空间品质
       ► 天空视野率
       ► 建筑视野率
       ► 场景开阔度
       ► 街道高宽比

空间印象
       ► 城市趣味指数
       ► 建筑色彩

风貌和谐
       ► 综合风貌和谐度

上述指标中,空间荷载是AI对图像中物体的识别并计数的功能,可部分模拟人为观测对于数量的统计,空间品质反映了通过图像所见的客观性指标,空间印象是基于AI通过“学习”人类对空间品质的判断,而获得对图片中街景的判断能力,受制于样本训练并有逐步完善的空间,而最后的风貌和谐则体现了上述指标的综合性评判。

一 空间荷载

AI识别影像的第一步,就是识别图片中的特定物体,并进行计数运算。城市的空间荷载即是指城市空间中的物体。识别出这些物体将有利于我们对城市空间的认识。尽管街景数据本身并不代表交通调查、交通量分析,但国外近年来类似的研究也有不少,比如利用google 街景识别选举期上街投票的人来预测美国大选

机器学习技术可以动态识别切割城市空间中的要素,例如机动车、非机动车、行人、行道树等。我们通过机器学习图像识别算法,建立并训练了全新的城市影像分析模型,对武汉市中心城区的城市影像数据进行了空间荷载要素的动态切割。

空间荷载要素分割示例

01 哪里看起来机动车最多?

AI识别出空间荷载的各要素组成后,我们基于武汉市中心城区各地区进行了单位面积上的机动车数量统计。从结果可以看出,武汉市的机动车在车站街、水塔街、荣华街等地区分布密度最高;在武钢厂区、武东街、青山镇街等地区分布密度最低。

从城市范围来看,机动车在城市快速路和主干路上分布更密,符合经验判断。机动车给人们日常生活带来了极大的方便,但也需要接下来智慧交通的治理来进一步解决堵车和停车难的问题。

武汉市中心城区机动车数量分布图(200mX200m网格)


武汉市中心城区机动车节点分布图

02 哪里非机动车最多?

AI共识别出6.5万辆非机动车,我们基于武汉市中心城区各地区进行了单位面积上的非机动车数量统计。从结果可以看出,武汉非机动车在车站街、六角亭街、钢花村街等地区分布密度最高;在武钢厂区、中华路街、东湖景区等地区分布密度最低。

从城市范围来看,非机动车在大型公园附近分布较多,高等院校周边也出现峰值。看来不少市民喜欢在公园及其周边骑行,而高校学子也是非机动车的主力用户。



武汉市中心城区非机动车节点分布图

03 哪里的行人最多?

基于AI街景识别,我们对武汉市中心城区各地区进行了单位面积上的行人数量统计。从结果可以看出,武汉行人在民权街、花楼街、六角亭街等地区分布密度最高;在武钢厂区、武东街等地区分布密度最低。

从城市范围来看,行人在次干路和支路上分布较为密集。整体呈现出块状分布的特征,未呈现出显著的线性分布。未来通过慢行交通的完善,将有效提升地区的慢行联系。

武汉市中心城区行人数量分布图(200mX200m网格)


武汉市中心城区行人节点分布图

目前AI对于图片中物体的识别,已经可以达到相当精确的程度,通过全口径的城市街景图片,可以迅速描绘出不同物体在城市街道中的分布和密度,除了车辆和行人以外,花草树木、广告牌、路边小摊贩等,也可被精确识别,这一技术,对开展城市街景的大规模调研提供了可能性。

二  空间品质

对于空间品质的描述是一个相当主观的命题,但在AI识别领域,还是可以找到一些切面,来量化表征空间品质的一些特征,尽管不是完美地令人信服,但仍可以作为一个参考指标。我们用天空视野率、建筑视野率、开敞度、街道高宽比等容易量化的指标,来描述空间品质的一些共有特征。
04  哪条街能看到最多天空

天空视野率是指某个位置上天空相对整个视野的面积占比,用以描述该位置的天空可见程度。我们采用了机器学习天空影像识别模型,能够自动分割出全景视野中的天空部分并计算面积占比。


天空 - 视野 要素识别分割模型

我们基于武汉市中心城区各地区进行了天空视野率的分析。从结果可以看出,武汉中心城区天空视野率较高的地区是四新地区、中华路街、洲头街;较低的地区是球场街、花楼街、民权街。

武汉市中心城区天空视野率地区分布图

要是在市区你想看到更多的天空,二、三环附近是你的首选,而长江沿岸、东湖风景区等滨水地区也是很棒的选择。而在市中心中山大道、解放大道附近更适合欣赏接连不断的建筑,道路比较封闭。

武汉市中心城区天空视野率分布图


05 哪条街能看到最多建筑

建筑视野率是指某个位置上建筑相对整个视野的面积占比,用以描述该位置的建筑可见程度。我们采用了机器学习建筑影像识别模型,能够自动分割出全景视野中的建筑部分并计算面积占比。

建筑-视野占比体系构建


武汉市中心城区建筑视野率分布图

我们基于武汉市中心城区各地区进行了建筑视野率的分析。从结果可以看出,武汉中心城区建筑视野率较高的地区为花楼街、汉正街、民族街等;建筑视野率较低的地区为谌家矶街、东湖景区和中华路街等。

武汉市中心城区建筑视野率地区分布图

06  不同街道场景开阔度如何?

场景开阔度是某个位置视野场景的开阔程度指数,一般封闭狭小的空间开阔指数相对低,户外开阔指数相对高,街道上的建筑、设施都一定程度对场景开阔度产生影响。

为了准确的描述场景的开阔程度,我们预先采集了大量的场景影像并进行了人为的数据标定。我们将场景按开阔程度分为了150个类,并进行了基于深度学习的模型训练。

场景开阔度感知分类器框架

      
1分开阔度场景          10分开阔度场景

我们基于武汉市中心城区各地区进行了场景开阔度的分析,以 0-10分区间的数值表示场景的开阔程度,数值越高场景越开阔。从结果可以看出,武汉市场景开阔度较高的地区是红卫路街、首义路街等;场景开阔度较低的地区是球场街、中华路街和花楼街等。

总体而言,场景开阔度在市中心的解放大道等主要道路和武汉大学、华中科大等学校附近较高。中山公园、解放公园等市区内公园周围道路场景开阔度低于东湖风景区。

武汉市中心城区场景开阔度分布图

07  什么区域街道尺度最舒服?

街道宽高比是指某个位置上街道宽度与两侧建筑物平均高度的比值。街道宽高比反应的是街道空间的开阔程度。根据芦原义信等建筑师的研究表明:街道宽高比小于1,空间比较压抑;宽高比大于3,空间比较开阔;宽高比在2左右空间尺度比较匀称。

街道宽高比模型框架

我们基于武汉市中心城区各地区进行了街道宽高比的分析。从结果可以看出,武汉市街道宽高比较高的地区是四新地区、洲头街、沌口街等,这些地区街道宽阔,建筑相对低矮,反映了工业等区域的典型特征。

想体验比例宜人的道路空间,AI推荐到市中心传统街区,例如中山大道沿线、中山公园、常青花园、台北路附近转转。

武汉市中心城区宽高比分布图

三 空间印象

不同于对照片的直接识别和切割,空间印象指数是指公众对某个空间及其物质元素构成的主观印象。通过机器学习,采集大量公众的主观评价来拟合出评价模型,最终对目标数据进行拟人的主观感知评价分析。本次使用的主观评价模型中,专家对每张图进行0-10分的感知评价打分,大众则通过两两图片对比进行感知评分,经过大量的学习之后,AI会对哪些是好的印象,哪些是差的印象,获得评判的能力。我们通过趣味指数、开朗指数和建筑色彩共同来表征AI对城市空间的印象。


08  大众印象中哪里最有趣?

趣味指数是模拟了人们对于不同场景感受到的有趣程度,口袋公园、街道家具、街边小店都可以让人对一条街巷产生有趣的感觉。它与无聊指数相对应,趣味指数越高,无聊指数越低。

武汉哪里更有趣?拥有传统的市民生活老街巷的民权街、满春街、球场街、花楼街等地区趣味度感知最高。这些街区普遍拥有各类市民生活和休闲设施,拥有浓厚的市井生活文化气息,机器也感受到生活在其中的趣味。

武汉市中心城区趣味度高值街道分布图

总体而言,中山大道历史街区、昙华林历史地段等历史悠久的地区趣味指数较高。大型商业广场、地铁站和各类文化中心趣味指数也很可观,而三环附近城市空间趣味性较低。

武汉市中心城区趣味指数分布图


09 城市街道是什么颜色的?

我们生活的城市是什么颜色的呢?

同样的景物在不同的光照条件下会呈现出截然不同的色彩。如何排除光照条件的影响还原出建筑物的固有色是分析的前提。使用自动白平衡(AWB)算法对所有影像数据进行色彩的还原。

色彩空间与AWB算法介绍

中国光大银行武汉分行在不同光照条件下的RGB色彩

中国光大银行武汉分行在不同光照条件下的HSV色彩

中国光大银行武汉分行在不同光照条件下进行AWB色彩还原之后的HSV色彩

之后,我们使用机器学习建筑物切割算法单独切割出建筑物的影像数据,进行逐像素的色彩统计。

武汉市中心城区色彩聚类分区图

可以看到武汉整体的建筑颜色主色调为蓝色和棕色,绿色为辅。

中山大道周围暖色系的棕灰色比较突出,夹杂绿灰和蓝灰,整体色彩较斑驳。而天兴洲及汉口北大道一带附近以冷色系的蓝灰色为主,新建区域较多采用玻璃钢材等现代材料,一定程度上影响着城市建筑色彩。

由于色彩对于街道品质的影响过于主观且跟建筑材质等要素相关,很难评判好或差的色彩,但街景可识别的色彩仍不失为进一步研究设计街道的一种方法。

四 风貌和谐

10  风貌和谐度

将以上空间荷载、空间品质、空间印象的众多指标综合之后,我们提出风貌和谐度,来综合反映从AI视角下的,对于城市街道风貌的评判。

为了建立一套高置信度的综合评价模型,我们首先将所有量化指标转化为感知模型,将统计学上的数字转化为公众评价中的优劣,再邀请多位专家及大量的公众对城市空间风貌和谐度各级因子权重进行打分,最后AI结合各点的因子得分获得最终的武汉市中心城区空间风貌和谐度。

我们基于武汉市中心城区各地区进行了风貌和谐度的分析。从结果可以看出,武汉中心城区风貌和谐度较高的地区为满春街、前进街、民意街等,以及汉口沿江地区,看来AI所感知的街道和谐跟我们印象中的好的街道环境已经相当接近了。

武汉市中心城区风貌和谐度分布图

结语

1. 空间品质量化是一个相当主观的命题,但通过大量的图片和机器学习,我们尝试找到对于“好品质”的街道一些共性的东西,基于这个设想,初步构建了一个涉及空间荷载、空间品质、空间印象三个方面的,运用城市影像大数据及人工智能机器学习技术的空间品质量化指标评价体系;

2.通过机器的视角,以风貌和谐度进行总体评分,汉口武昌沿江一带为中心依距离远近评分逐渐降低,其中评分指数最高的区域为汉口核心区中山大道沿线的满春街、前进街、民意街、水塔街及汉口江岸区沿岸等地区,这与经验基本相符,说明AI对于图像的认知,已经达到相对可信的水平;

3.受限于技术手段,这种方法还有相当的局限性;如城市级的影像数据采集工作无法在短时间内完成,影像无法保证在同一时刻拍摄等,由此带来的干扰会现实情况有所出入,不能完全代表真实的状况,因此,本文仅作为一项探索性研究,试图构建以AI识别图像,来评判街道景观,依赖于技术手段的发展会不断完善方法和评价体系。

说明

1  本文由武汉市规划研究院与上海城诗信息科技有限公司联合原创;
2  本文街景图片数据来源于互联网地图开放平台,数据收集时间为2017.11,原始影像拍摄时间为2017.6-2017.9之间;
3  城室科技对本研究提供数据和技术分析支持,对数据采集和分析技术、结论保留所有权并对结论的准确性负责;技术方面,基于部分网络开源算法及城室科技自有算法,其中城室科技自有算法专利《计算机深度学习图像特征并量化感知度的方法》公开号为CN107392252A。

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则


快速回复 返回列表 返回顶部