導讀

街道是居民感知城市最直接、最關鍵的要素，良好的街道空間視覺感知對城市高質量發展具有重要意義。過去由于技術的限制，人們對城市街道空間的認識與評價始終停留在較為主觀且難以統一的水平，如何構建街道空間視覺感知評價方法則有待進一步探究。本研究首先通過圖像語義分割模型提取街道空間特征，量化影響因素指標，建立街景圖像數據庫；其次，基于TrueSkill算法建立視覺感知評價模型得到小規模街道空間視覺感知主觀評分；最后，構建機器學習支持下的隨機森林和XGBoost擬合模型對街道空間視覺感知評分進行大規模回歸預測。本研究有助于彌補傳統街道空間研究在考慮視覺感知方面的不足，為城市規劃者和決策者提供科學、合理的評價手段，為城市規劃和街道設計提供科學的依據和指導，從而提升城市空間的人性化、美觀度和整潔性。

本文字數：8217字

閱讀時間：25分鐘

作者 | 楊震、黃曉雯、邱怡凱、史方舟、孫立

北京建筑大學

關鍵詞

街道、視覺感知、圖像語義分割、機器學習

01

引 言

隨著新型城鎮化戰略的實施，我國的城市建設已由注重“量”向注重“質”的提升轉變。街道，作為與人民日常生活緊密相連的空間，其優化對于增強實體經濟、激發城市活力、展現美學與文化價值，以及推動城市高質量發展而言具有舉足輕重的作用。人對環境的感知是一個多維度且復雜的過程，其中不僅包含視覺感知，還涵蓋了聽覺、嗅覺、觸覺等非視覺感知方式。在這些感知方式中，視覺感知因其相對穩定性和深遠影響力，成為了人們感知環境的主要手段。

過去由于技術的限制，人們對城市街道空間的認識與評價始終停留在較為主觀且難以統一的水平。隨著互聯網的發展，信息化和數字化已成為人們研究人類社會中一些非直觀現象的有力工具，大數據和圖像數據在城市研究中的價值被挖掘出來。隨著數據獲取渠道和處理方式的增多，學者們從多元的視角出發對街道感知評價進行研究。在早期階段，研究者們主要依賴于定性歸納的方式，通過現象觀察、隨機訪談以及SD問卷法等手段，深入探討了街道感知與人們活動之間的內在聯系。然而，隨著計算機視覺和機器學習技術的飛速發展，近年來基于大數據的街道感知評價逐漸成為研究熱點。在這一新興趨勢下，學者們主要運用客觀的物理數據來測度人的主觀感受，從而為街道感知評價提供了更為科學、客觀的依據。例如，張帆（2018）在MIT眾包數據集的基礎上，結合深度學習技術，預測街道空間安全、美麗、富有等6個人類感知指標[1]；姚堯等（2019）提出了一個基于深度學習的人機對抗系統框架，該框架使用一個基于隨機森林的模塊來探索街景元素和用戶得分之間的關系，低成本、高通量的對街景圖像進行主觀評價[2]。客體角度多為構建符合研究目標的量化評價體系，常見以街景圖像[3]和VR虛擬現實[4]等數據為載體，采用機器學習[5]和數理分析[6]等技術方法進行。

總體而言，大數據驅動下的街道空間評估面臨著新的發展契機。本研究在明晰街道空間視覺環境影響因素的基礎上，首先通過圖像語義分割模型提取街道空間特征，量化影響因素指標，建立街景圖像數據庫；其次，基于TrueSkill算法建立視覺感知評價模型得到小規模街道空間視覺感知主觀評分；最后，構建機器學習支持下的隨機森林和XGBoost擬合模型對街道空間視覺感知評分進行回歸預測。本研究有助于彌補傳統街道空間研究在考慮視覺感知方面的不足，為街道的可持續發展和提升居民生活質量提供了重要的理論支持和實踐指導，為進一步理解街道空間的視覺感知提供了新的思路和方法。

02

街道空間視覺環境的影響因素

與傳統的街道空間環境評價不同，本文主要使用圖像語義分割及圖像處理技術解析街景圖像，提取街景圖像信息。在指標初篩的過程中，既要遵循科學性、系統性、代表性等指標的篩選原則，又要兼顧各指標的重要性及現有圖像處理算法。這一過程具體可分為以下兩步：首先，根據街道空間環境評價相關文獻中提及的指標的重要程度進行篩選，確保所選指標能夠充分反映評價的核心要素；其次，進一步考慮這些指標是否具有可量化性，以便能夠進行精確的測量和比較，從而確保評價結果的準確性和客觀性。

2.1 評價指標來源

現有涉及街道空間環境評價指標體系眾多，涉及空間品質、景觀視覺、美感、愉悅感等各個方面，對一些具有代表性研究成果中的評價指標進行統計分析（表1）。在統計過程中，若不同文獻中使用的指標名稱各異但實質含義相同，應將其歸并為一類。例如，天空開闊指數、天空可視率、天空面積指數等，這些指標盡管名稱不同，但都指代街道上可見天空的面積，因此在統計時應當被視為同一類指標進行處理。此外，鑒于本文的研究主要基于街景圖像數據，聚焦于街道空間的視覺特征分析，因此并不涉及街道平面特征如貼線率、近線率以及POI數據等。基于這一研究范疇的考量，本文在指標篩選過程中并未納入上述街道平面特征的相關指標。

表1現有關于街道空間環境評價指標梳理

2.2 評價指標篩選

已有研究中，許多學者采用天空開闊度、建筑界面圍合度、綠視率、機動車道占比、人行道占比、行人出現率、機動車出現率這7個街道空間視覺要素特征作為評估街道空間環境的重要因素。而當前關于街道空間環境評價的研究常以圖像語義分割后的建筑、綠化及天空等高級視覺特征并結合街道宏觀特征構成街道空間的指標體系，對街景圖像中線條、形態、肌理等低級視覺特征缺乏清晰量化的標準。基于此，本項目將視覺解構化思維引入到圖像語義分割中，以街道空間視覺復雜度和視覺破碎度分別表征街道空間輪廓線條變化豐富程度和建筑界面景物遮擋、分割情況，結合街道空間要素與視覺環境的內在關聯，從開放性、舒適性、安全性和豐富性四個維度對現有分析技術可測度的影響因子進行分類（圖1）。

圖1 評價指標選取思路

03

街道空間視覺環境評價方法

本研究構建一套以多源大數據為研究基礎，圖像語義分割為量化工具，機器學習為技術支持的街道空間視覺環境評價方法。首先建立街景圖像數據庫，并運用圖像語義分割模型量化街景圖像中的影響因素。接著，通過TrueSkill算法得到小規模街景圖像主觀評價，最后使用機器學習算法下的隨機森林和XGBoost模型進行擬合回歸預測大規模街景圖像客觀評分。

圖2 研究框架

3.1 建立街景圖像數據庫

3.1.1 路網簡化

道路網絡數據來自開放街道地圖（OSM）開放地圖網站。OSM數據具有精度高、數據完備、可提供空間坐標等優點，且相對于其它平臺數據而言，更容易獲取，是道路網絡數據提取的重要信息來源。OSM網站數據坐標是以WGS-1984地理空間坐標系為基礎，因此選取“WGS 1984 UTM Zone 50N”投影坐標系作為統一的基底坐標。由于道路網絡具有復雜的結構和復雜的拓撲結構，因此需要對道路數據進行預處理。路網簡化過程主要包括以下四個步驟：

（1）以城市干道、次干道、支路為研究對象，分析了城市交通系統的空間布局。

（2）對初始道路進行緩沖區分析，并填補十字路口周圍的空隙，并將其轉為柵格文件。

（3）使用ArcScan提取道路中心線并細化道路（圖 3）。

（4）對簡化后的道路進行增密處理，每隔200米建立一個采樣點。

圖3 路網簡化處理示意圖

3.1.2 數據采集

街景數據主要包括百度街景、谷歌街景及騰訊街景，綜合考慮可獲得性、數據時間及數據覆蓋程度，本文以百度街景作為街景數據主要數據來源。

本文采用Python編程語言，借助百度地圖的API接口，有效獲取了街景圖片數據，進而實現了對城市街道視圖的采集工作。百度全景靜態圖接口參數包括width、height、location、heading、pitch、fov等。width為圖片的寬度，height為圖片的高度，最大可設置為1024*512像素。其中Location為全景位置點坐標，坐標格式包括經度和緯度。Heading為水平視角，選取0°、90°、180°和270°四個角度的街景圖片。Pitch為垂直視角，研究選取20°，fov為水平范圍，選取90°。由于需要處理街景圖數量龐大，因此本文獲取街景圖像大小為600*400像素，將每個采樣點的四個角度的四張街景圖像拼接成一張全景圖（圖 4）。

圖4 全景圖處理示意

3.1.3 圖像語義分割模型

近年來，由于深度學習在計算機視覺中的廣泛應用，像素級的語義分割技術取得了顯著提升。常用的語義分割方法涵蓋了FCN、U-Net、SegNet、Deeplab以及PSPNet等多種技術。其中，全卷積網絡（Fully Convolutional Networks, FCN）憑借其能夠接受任意尺寸的圖像輸入的能力，在內存使用和計算時間上都表現出色，從而為街景圖像組成要素的高效、精準識別和提取提供了堅實的基礎。

本文使用的預測模型使用的GitHub上開源的代碼（https://github.com/CSAILVision/semantic-segmentation-pytorch），此模型以ADE20K開放圖像數據集為訓練基礎的全卷積神經網絡（FCN）為框架進行建模。該預測模型實現了150種以上的城市街道景觀要素的自動提取，包括天空、道路、建筑物、綠化、行人、汽車等。

圖5 圖像語義分割示意圖

3.2 構建街道空間視覺環境的評價模型

通過預先選取的小規模樣本，本研究建立了評價數據集，并邀請相關專業志愿者對街景圖像的視覺環境進行對比與選擇，收集偏好信息形成訓練資料庫。基于此，結合機器學習技術構建了評估預測模型，實現了大規模評價計算，從而提升了評價效率與準確性。

3.2.1 數據準備

（1）評價樣本選擇

為確保示例影像的代表性和有效性，需結合街景影像中總體采樣點的空間及數目分布，篩選出具有代表性的街景影像，并對其進行飽和度、亮度、光照等校正，以降低影像自身的光環境對視覺感知的影響，并去除相關的干擾因子。

（2）評價志愿者篩選

為使得評分結果能夠更加全面、客觀地反映各維度的視覺感受，本研究根據姚堯等人提出的遴選準則，選擇相關領域的專家、城市規劃、建筑等相關專業的碩士研究生作為研究對象，進行評分。專家、相關專業的高校學生以及設計師，因各自擁有不同的優勢，成為了對城市環境進行評分的理想受邀對象。專家們憑借豐富的設計實務經驗和深厚的專業素養，能夠深刻洞察城市基本問題；而高校學生則以其獨特的視角和敏銳的感知，為評分注入新鮮血液和理想主義色彩；設計師們則憑借對指標基本含義的深刻理解，能夠發掘隱藏問題并提出建設性意見。在訓練樣本的評分過程中，我們發現評分結果的準確度與穩定性更多地依賴于樣本影像的數目以及每張影像的比對次數，而非僅僅參與打分的人數。因此，在提升評分結果的質量時，我們應注重增加樣本影像的數量和比對次數，以確保評分的客觀性和可靠性。綜上所述，通過合理選擇和利用專家、高校學生和設計師的評分，結合充足的樣本影像和比對次數，我們能夠有效地提高城市環境評分體系的準確度和穩定性。綜上所述，最終篩選出30位相關人員進行街景圖像視覺感知主觀評分。

3.2.2 評價平臺搭建

（1）評價原理

TrueSkill算法是一種有效的評分算法。基于貝葉斯推斷和概率圖模型，它的核心思想是根據玩家的對戰結果來更新他們的技能水平。算法假設每個玩家的技能水平服從一個正態分布，其中包括該玩家的平均技能水平和技能的不確定性。每次玩家之間進行對戰后，TrueSkill算法根據比賽結果來更新玩家的技能分布，使得觀測到的比賽結果與預測的結果之間的差異最小化。該算法不僅局限于游戲領域，還可以擴展到各種評估領域，以幫助組織者更好地理解參與者的能力或主觀感受并做出相應的決策。值得注意的是，由于回歸方法需要更精確的數據以及人類認知過程的復雜性和復雜性，使得回歸模型的精準預測更加困難。因此，如何有效地采集和處理人的主觀感知數據，成為當前研究的一個關鍵問題。本研究采用 TrueSkill算法對圖像數據進行轉換，以最大程度地體現主觀層面的視覺環境偏好，同時節約圖像對比次數，縮短調查結果的采集時間。

（2）評價界面搭建

利用Python編程語言編寫了評價程序（圖6）。評價程序的打分操作相對簡單，即按照評價界面的標題、指標含義及相應的評分標準，對任意兩幅出現在該平臺上的圖片進行觀察。若受邀評分志愿者認為左側圖像顯示的街道空間品質優于右側圖像，便選擇左側圖像。在獲取志愿者對街道空間視覺環境的感知評價結果后，利用TrueSkill算法將志愿者的偏好數據信息轉化為[0-1]范圍內的排序得分。

圖6街道空間視覺環境TrueSkill評分算法程序界面

（3）評價標準和依據

從空間開放性、空間舒適性、空間安全性和空間豐富性四個維度選取了10個指標來描述生活性街道空間視覺環境。為使專家評分結果能更好地反映出街道空間中與上述指標密切相關的問題，需要有針對性地制定打分過程中參照的標準和依據（表2）。

表2 專家評分參考標準

3.2.3 機器學習模型構建與比較

鑒于街景圖片數量龐大，若采用人工對比的方式，其可行性極低，同時會消耗巨大的時間和人力成本。因此。本研究運用機器學習算法，選用隨機森林和XGBoost兩種算法構建模型擬合模型實現回歸預測，并對比模型結果，選取擬合效果最佳的算法支持后續深入分析，以確保研究的準確性和可靠性。

（1）模型選擇

① 隨機森林

隨機森林（Random Forests，RF）[19]是一種基于集成學習思想的強大機器學習算法，它通過構建多棵決策樹，并結合這些樹的預測結果來完成分類和回歸任務。這種算法的核心在于其隨機性，通過bootstrap重抽樣技術，隨機森林能夠生成多個不同的數據集，并在每個數據集上構建決策樹，從而增加模型的健壯性（Robust）和預測準確性[20]。由于其出色的應用效果和強大的泛化能力，隨機森林在多個領域得到了廣泛應用，成為監督學習中的一種重要算法。無論是處理復雜的分類問題還是進行精確的回歸分析，隨機森林都能展現出其獨特的優勢。這種集成學習的策略使得隨機森林在處理復雜問題時表現出色。在構造隨機森林時，必須采用同一種方法構造若干棵樹，其中包括信息增加算法（information gain）、Gini算法等。在隨機森林算法中，當有新的待辨識目標出現時，所有的樹都將按照該目標的屬性進行分類，而隨機森林則會選擇得分最多的一種，作為整片森林的分類結果[21]。隨機森林重要性指數計算首先需要構建決策樹，本文中使用的為CART節點分裂算法，其涉及如下計算：

第i棵樹節點q的Gini指數的計算公式為：

式中，c為總分類類別，Pqc為節點q中類別c的出現概率。

計算每個劃分的Gini系數的公式為：

圖7 隨機森林示意圖

② XGBoost模型

XGBoost(eXtreme Gradient Boosting，極限梯度提升樹)是一種由陳天奇等人于2016年提出的典型Boosting集成學習算法[22]，它基于GBDT發展而來，因更精確、更靈活、更好的正則化特性而在深度學習領域得到廣泛應用。本研究中，我們采用了XGBoost模型，即一種梯度上升回歸樹，它通過多次迭代構造一系列回歸樹，旨在獲得最優的回歸樹，并以此為優化目標,使得目標損失函數最小。XGBoost 的數學模型如下：

假設D1= {(xi, yi)}是由n個樣本和m個特征值組成的數據集。附加函數 z 被集合樹模型用來近似系統響應，如下：

式中：F 為包含 Z 棵樹的函數空間，被定義為：

式中：q為樹的結構；T為葉子個數；w為葉子的權重。wq(x)為葉子節點q的分數；f(x)為某一獨立樹；fz是為與q、w相聯系并于獨立樹相關的函數。

為了優化集合樹預測性能，定義 XGBoost 的目標函數為：

式中：L為顯示預測誤差的凸型損失函數；yi是為真實值；k為誤差最小化過程的迭代次數。

圖8 XGBoost模型示意圖

（2）評價標準

在機器學習模型的回歸分析中，選擇合適的評估指標至關重要。其中，MAE(Mean Absolute Error，平均絕對誤差）和MSE（Mean Squared Error，均方誤差）是兩種常用的評估指標。MAE通過計算真實值與預測值之間絕對誤差的平均值，能夠更真實地反映模型預測誤差的實際情況。而MSE則通過計算實際值與預測值差值的平方和的平均值，來度量預測模型的性能。MSE的數值越小，說明模型的預測值與真實值之間的差距越小，從而意味著模型的擬合優度越高。

設樣本總數量為N，樣本實際值為yi，預測值為yi’，則以上幾個評估指標的計算公式如下：

04

北京市海淀區模擬案例

本文選取了北京市海淀區作為研究對象進行案例模擬。海淀區，隸屬于北京市，位于北京市主城區的西部和西北部。在地理位置上，它東鄰西城區與朝陽區，南部與豐臺區相接，西部與石景山區、門頭溝區交界，北部則與昌平區接壤。

本研究使用ArcGIS對研究范圍內街道路網數據進行預處理，最終獲得街道735條，其中主干道121條，次干道325條，支路289條（圖9）。本研究采用Python語言編寫代碼，并利用百度地圖的API接口，獲取北京市海淀區的街景圖像數據，并將每個采樣點四個角度的街景圖像拼接成全景圖，共獲得全景圖11478張（圖10）。基于ADE20K開放圖像數據集訓練的FCN模型框架，對全景圖進行圖像語義分割訓練，量化各項影響因素指標（圖10）。而后，基于TrueSkill算法的評價模型得到小規模主觀視覺感覺評分后，使用大規模機器學習預測所有街景圖像視覺感知評分。

圖9 海淀區矢量路網

圖10 海淀區街景圖像語義分割示意圖

通過對比隨機森林模型和XGBoost模型的MAE和MSE擬合優度發現，在相同的迭代次數下，XGBoost模型的擬合效果更佳。因此，為了獲得更準確的預測結果和進行深入的解釋性分析，本研究選擇XGBoost作為后續研究的基準模型，預測得出海淀區1.2w張街景圖像視覺環境評價評分。

表3 隨機森林和XGBoost模型擬合結果比較

05

結 語

街道是城市中重要的公共空間，直接關系到市民的日常生活質量和城市的活力，但其關注度仍有待提升。從街道中的視覺感知入手優化街道空間，對于推動街道空間設計的人性化，改善城市環境品質，提升居民生活體驗，增強居民歸屬感和滿意度等方面具有重要價值。

在視覺感知評分過程中，以往的研究常受限于技術和數據，多依賴于專家的手工分析和個人經驗，這阻礙了其在實際應用中的廣泛且迅速的推廣。為了克服這一難題，本研究提出了一種新型的空間品質量化評估框架，該框架基于開放數據構建，能實現高效且迅速的評估操作。結合小規模打分評價與機器學習技術支持下的大規模街景數據預測，可以迅速對較大尺度的街道空間品質進行高精度的評價。這一方法不僅能針對各個區域乃至每條街道的空間品質提供數值化的精確測量，還能通過直觀的可視化展示，清晰地呈現空間品質的特征，為街道空間品質評價帶來了全新的可能性。總的來說，本研究運用圖像語義分割、TureSkill算法、機器學習等方法，可以更客觀、準確地評估街道空間視覺感知評分，量化生活性街道空間要素，分析視覺感知的影響要素，為城市規劃者和決策者提供科學、合理的評價手段，為城市規劃和街道設計提供科學的依據和指導，從而提升城市空間的人性化、美觀度和整潔性。

參考文獻（上滑查看全部）

[1] Zhang F, Zhou B, Liu L, et al. Measuring human perceptions of a large-scale urban region using machine learning[J]. Landscape and Urban Planning, 2018, 180: 148-160.

[2] Yao Y, Liang Z, Yuan Z, et al. A human-machine adversarial scoring framework for urban perception assessment using street-view images[J]. International Journal of Geographical Information Science, 2019, 33(12): 2363-2384.

[3] Biljecki F, Ito K. Street view imagery in urban analytics and GIS: A review[J]. Landscape and Urban Planning, 2021, 215: 104217.

[4] 徐磊青,孟若希,黃舒晴,陳箏.療愈導向的街道設計:基于VR實驗的探索[J].國際城市規劃,2019,34(01):38-45.

[5] Xu F, Jin A, Chen X, et al. New Data, Integrated Methods and Multiple Applications: A Review of Urban Studies based on Street View Images[C]//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. IEEE, 2021: 6532-6535.

[6] 崔成,任紅艷,趙璐等.基于街景影像多特征融合的廣州市越秀區街道空間品質評估[J].地球信息科學學報,2020,22(06):1330-1338

[7] 鄭屹,楊俊宴.基于大規模街景圖片人工智能分析的精細化城市修補方法研究[J].中國園林,2020,36(08):73-77.DOI:10.19775/j.cla.2020.08.0073.

[8] 韓君偉,董靚.基于心理物理方法的街道景觀視覺評價研究[J].中國園林,2015,31(05):116-119.

[9] 黃競雄,梁嘉祺,楊盟盛等.基于街景圖像的旅游地街道空間視覺品質評價方法[J/OL].地球信息科學學報:1-15[2023-05-11].http://kns.cnki.net/kcms/detail/11.5809.p.20221219.0958.002.html.

[10] 葉宇,張昭希,張嘯虎等.人本尺度的街道空間品質測度——結合街景數據和新分析技術的大規模、高精度評價框架[J].國際城市規劃,2019,34(01):18-27.

[11] 戴智妹,華晨.基于街景的街道空間品質測度方法完善及示例研究[J].規劃師,2019,35(09):57-63.

[12] 胡昂,戴維維,郭仲薇等.城市生活型街道空間視覺品質的大規模測度[J].華僑大學學報(自然科學版),2021,42(04):483-493.

[13] 余付蓉. 基于騰訊街景的長三角主要城市林蔭道景觀視覺評價[D].上海師范大學,2019.

[14] 李鑫,吳丹子,李倞等.基于深度學習的城市濱河綠道景觀視覺感知評價研究[J].北京林業大學學報,2021,43(12):93-104.

[15] 董賀軒,高翔.街道植物空間對步行愉悅度的影響[J].風景園林,2023,30(01):54-62.

[16] [1]方智果,劉聰,肖雨,等.基于深度學習和多源數據的街道美感評價與影響因素分析——以上海為例[J].國際城市規劃,2023,38(06):48-58.DOI:10.19830/j.upi.2022.371.

[17] 甘偉,胡雯,周鈺.歷史文化街區的街景天際線分形特征研究——以鳳凰古城為例[J].華中建筑,2020,38(05):125-129.DOI:10.13942/j.cnki.hzjz.2020.05.028.

[18] 馬蘭,張華,郭梓峰.以分形維數測算建筑幾何圖形的視覺復雜度[J].計算機輔助設計與圖形學學報,2019,31(10):1809-1816.

[19] Ho T K. Random decision forests[C]//Proceedings of 3rd international conference on document analysis and recognition. IEEE, 1995, 1: 278-282.

[20] 郭珮珺. 基于社會感知數據的行人交通事故建模與影響因素分析[D]. 華東師范大學, 2021.

[21] Zhou L, Dang X, Sun Q, et al. Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model[J]. Sustainable Cities and Society, 2020, 55: 1-10.

[22] Chen T, Guestrin C. Xgboost: A scalable tree boosting system[C]//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016: 785-794.

*本文為2024中國城市規劃年會論文

【免責聲明】本公眾號發布的內容僅供學習交流使用，不以任何形式進行牟利。內容版權歸原作者所有。如有侵犯您的權益，請及時與我們聯系，我們將于第一時間協商版權問題或刪除內容。內容為作者個人觀點，不代表本公眾號立場和對其真實性負責。

理論研究 | 王明田：縣城體檢指標與方法

點擊圖片閱讀全文

理論研究 | 共享城市理念下城中村更新改造研究——以成都伏龍小區為例

點擊圖片閱讀全文

理論研究 | 更新空間，更新生活：外灘街道山北街區更新和治理一體化機制探索

點擊圖片閱讀全文