基于街景影像的交通護欄空間分布特征研究

杜 坤，寧津生，田 莉，閆 利，常 坤

（1.武漢大學 測繪學院，湖北 武漢 430079；2.清華大學 建筑學院，北京 100084）

交通護欄作為道路交通設施，是傳遞交通管理信息的道路語言，對交通安全和日常活動有顯著作用和影響。基于傳統的城市空間數據，研究交通護欄提取及其分布情況將面臨較大挑戰，相關研究也較少。近年來，隨著以街景影像為代表的新興數據和計算機視覺技術的快速發展，為更好地了解交通護欄分布提供了新的數據源和更好的處理辦法。

本文主要研究利用街景影像獲取交通護欄空間分布特征的方法，擬利用卷積神經網絡（CNN）模型[1]對街景影像中是否包含護欄進行識別判定，并根據判定的包含護欄的街景位置信息，對護欄空間分布特征進行研究。本文選取的研究區域為北京五環內和上海外環內地區，它們分別作為我國的政治中心和經濟中心，具有典型意義。

1 街景影像的獲取與應用

街景地圖作為實景地圖，沿城市街道采集，具有覆蓋范圍廣、數據量大的特點，可實現360°全景圖像的瀏覽體驗，解決了二維電子地圖完整性和直觀性欠缺的問題，在城市基礎設施管理、景點展示、公眾出行和安全應急等方面具有廣泛的應用價值。地圖供應商通常會提供API開發接口，供公眾免費下載使用。街景影像移動測量系統主要包括在機動車上裝載的全球定位系統、視頻系統、慣導系統（INS）等傳感設備。當車輛行駛時，采集系統可對車輛周圍環境進行快速攝錄，經過處理即可制作為采集點的全景地圖，再通過采集點之間的無縫切換，展現街景地圖[2]。

2007年谷歌街景地圖誕生后，相關研究表明，與費時費力的實地考察相比，利用街景影像來審視建成環境具有很好的效果[3-4]。2012年以來深度學習極大地推動了圖像識別的研究進展，突出體現在ILSVRC和人臉識別等方面，且正快速推廣到城市空間研究領域，這不僅為研究街景影像內容提供了更有效的方法，而且促進了城市空間領域研究內容的拓展革新。Doersch C[5]等利用計算機視覺和深度學習等方法，基于街景影像分析了巴黎的視覺元素。Khosla A[6]等試圖證明通過深度學習技術，電腦可以和人腦一樣通過觀察一張簡單的街景圖片來判斷周邊潛在的場所以及犯罪率。YIN L[7]等基于谷歌街景地圖，運用機器學習方法自動識別了街道的行人數量。Naik N[8]等使用計算機識別技術對海量的街景圖像進行了測算，將獲得的數據與社會經濟學指標相結合進行分析，探索城市在社會經濟方面的演變與物質形態變化之間的關系。近年來，在城市空間領域，利用深度學習技術對街景影像的研究逐漸增多并日趨成熟，這將有助于提升該領域的研究深度和廣度，為大范圍高精度地刻畫街道空間要素信息（交通護欄等）提供可能。

2 提取護欄分布道路的方法

基于街景影像，融合深度學習和GIS技術，可較為準確地提取護欄分布道路，具體步驟為爬取街景影像、識別交通護欄、道路數據處理和提取護欄分布道路4個階段。

2.1 爬取街景影像

本文采用網絡爬蟲法，以ID查詢的方式獲取騰訊街景地圖上北京五環、上海外環以內帶有位置信息的街景影像。騰訊街景地圖API提供的URL下載鏈接為：http://apis.map.qq.com/ws/steetview/v1/image?sieze=600*400&location=39.908,116.398&heading=328&pitch=0&key=AYRBZ-QA3WO-36QWM-SKS4H-T7VGE-7KBMD。其中，size為街景圖片分辨率，單位為像素；location為騰訊街景地圖使用的火星坐標系（GC-J-02）坐標，第一項為緯度，第二項為經度；heading為航向角，表示拍攝圖片時相機鏡頭的水平朝向與正北向之間的夾角，取值范圍為0～360°；pitch為俯仰角，表示拍攝時相機鏡頭與水平基準線的夾角。

水平視角下（pitch=0），在每個點位東西南北4個角度（heading=0、90、180、270）各抓取一張影像，圖片大小為600像素×400像素。北京和上海分別累計采點193 549個和193 022個，共分別爬取街景774 180張和772 060張；各點位平均間隔距離分別為20.3 m和21.1 m；北京和上海街景采集日期主要集中在2015年10月和2014年7月。

2.2 識別交通護欄

CNN作為深度學習中的一種基本模型，是多層次結構的神經網絡。它通過局部感知區域、下采樣和權值共享等方式，減少了網絡學習參數，提高了特征的魯棒性和穩定性。CNN在處理復雜圖像時具備一定優勢，可自動完成特征提取，減少了人為干預[1,9]。ImageNet作為著名的計算機視覺系統識別項目，擁有目前世界上可供圖像視覺訓練最大的數據庫。本文基于ImageNet模型提取預訓練權重值，在已構建的隨機人工選取的北京、上海各500張含有交通護欄街景影像的樣本庫中進行微調，進而得到影像中含有交通護欄的高維特征及其對應的權重參數（圖1）；再利用該參數處理所有待匹配影像，結果（圖2）表明識別含有交通護欄街景影像的準確率可達98%。本文隨機選取北京和上海各250張模型中判斷包含護欄概率大于50%的影像進行人工判讀，結果表明，圖像成功辨別率分別為92.8%和90.4%，其中路邊圍欄、斑馬線、建筑立面等包含類似護欄的圖像特征會對正確判別護欄有一定影響。

2.3 道路數據處理

本文選用Open Street Map（OSM）作為道路源數據。OSM作為開源地圖，數據更新快，實用性強，在使用中影響因素較少，且在北京、上海等大城市的數據信息（包括道路等級信息）較為完善。考慮護欄主要分布的街道等級和后續拓撲處理工作，刪除非道路類數據（河流水系等）以及快速交通路、街坊路和小區內部路等數據。根據道路等級將保留數據重新劃分為主干路、次干路和支路3類（表1）。為提高研究精度，將保留數據進行拓撲處理，使得所有道路在相交處斷開。

圖1 基于ImageNet預訓練模型的CNN識別判斷結果示例

圖2 識別出含交通護欄的街景位置點

表1 OSM保留的數據類型

2.4 提取護欄分布道路

在識別單張街景影像中是否含有交通護欄以及對道路進行拓撲處理的基礎上，判斷各條道路是否包含交通護欄，并進行提取。經多次比較試驗，最終確定以統計主干路在27.5 m緩沖區范圍內、次干路在22.5 m緩沖區范圍內和支路在10 m緩沖區范圍內含有的交通護欄影像次數作為判定結果較為理想。為提高判別護欄分布道路的精度，降低圍欄等類似圖像特征造成的影響，將包含交通護欄次數不小于兩次且長度大于20 m的道路作為最終的護欄分布道路。通過上述步驟，可保證經確定的護欄分布道路有很高的準確性。

3 北京與上海護欄空間分布特征

3.1 護欄分布的長度與密度特征

因街景采集覆蓋較為全面，經過上述處理能較全面地反映交通護欄在北京、上海不同圈層和不同等級道路的總體分布情況和細節特征（圖3）。

北京五環內，設置護欄的道路總長度約為799.49 km，設置護欄的主干路、次干路和支路的總長度分別約為114.44 km、239.22 km和445.831 km，占對應等級道路總長度的比重約為58.53%、50.84%和13.68%。五環各圈層內，設置護欄的道路總長度呈由內環向外環逐漸增加的趨勢（表2）；從不同道路等級來看，二環、三環內主干路上，三環、四環內次干路和支路上設置的護欄長度更長，其比重超過同等級道路的其他圈層。在護欄分布的密度方面，設置護欄的道路密度為0.001 19 m/m2，總體呈由內環向外環逐漸降低的趨勢；各圈層內不同等級道路按道路密度大小排序依次為支路、次干路和主干路（表3）。

上海外環內，設置護欄的道路總長度約為889.35 km，主干路、次干路和支路的總長度分別約為293.84 km、270.47 km和325.04 km，占對應等級道路總長度的比重約為55.79%、48.08%和10.26%。不同圈層內，護欄分布在各等級道路的長度排序依次為中環、外環和內環（表2），其中內環、中環內主干路上，中環內次干路和支路上設置的護欄長度更長。在護欄分布的密度方面，設置護欄的道路密度為0.001 34 m/m2，總體呈由內環向外環逐漸降低的趨勢（表3）。

綜上所述，北京五環和上海外環內護欄分布較為一致的特征為：設置護欄的道路總長度由內環向外環逐漸增加，分布密度由內環向外環逐漸降低；道路等級越低，設置護欄的長度越長。比較而言，北京設置護欄的主干路和次干路總長度占對應等級道路的比重約高于上海5%，但支路比重高于上海33%。兩地最主要的差異在于，北京各等級道路不僅在機動車道間、機動車道與非機動車道間設置交通護欄，而且在非機動車道與人行道間也設置了大量護欄，設置總長度超過370 km（圖4），這也解釋了為何北京與上海中心區域內在主干路與次干路上設置護欄的長度比重差異不十分顯著的情況下，直觀感覺北京交通護欄分布更多的原因。

圖3 交通護欄分布圖

表2 交通護欄在各等級道路上分布的長度情況

表3 交通護欄在各圈層內分布的密度情況

圖4 北京街道上設置的多重交通護欄

3.2 護欄分布的空間集聚特征

為更好地展示護欄分布特點，在研究區域內建立漁網，設定漁網每個正方形網格邊長為500 m，以每個網格內護欄分布長度之和為研究字段進行全局空間自相關分析。結果表明，北京、上海地區的Moran’s I指數均大于0且p值均為0，z值分別為20.67和17.38，在1%顯著水平下可通過假設檢驗，說明北京五環內和上海外環內的交通護欄分布均存在空間正相關，即護欄分布存在較為明顯的聚集趨勢。通過熱點分析（圖5）可知，北京的熱點區域主要分布在三環以內以及北四環的奧體中心和中關村區域，絕大部分冷點區域分布于五環圈層區域；上海的熱點區域主要分布在內環的陸家嘴和上海火車站，中環的世博園、古北區和大寧商圈，大部分冷點區域分布于外環圈層。此外，北京的熱點、冷點區域面積比重均明顯高于上海，不顯著面積比重低于上海（圖6），表明北京交通護欄分布的聚集區域和零散區域均多于上海，不同于上海呈現的若干塊區域護欄聚集的特征，北京三環以內已表現出連片的護欄聚集態勢。

圖5 護欄空間分布熱點分析

圖6 熱點、冷點區域面積比重比較

4 結 語

本文基于街景影像，利用ImageNet預訓練模型的CNN和GIS技術，提出了一種提取設置交通護欄道路分布的方法，并利用該方法對北京和上海中心城區的護欄空間分布特征進行了比較研究。結果表明，街景影像為研究城市街道空間提供了豐富的內容和位置信息，該方法能有效識別交通護欄，為研究護欄空間分布提供較為準確的位置信息。本文根據識別的護欄位置信息進一步研究表明，北京五環和上海外環內設置護欄的道路總長度分別約為799.45 km和889.35 km，設置護欄的道路密度分別為0.001 19 m/m2和0.001 34 m/m2。兩地較為一致的空間特征包括設置護欄的道路總長度由內環向外環逐漸增加，分布密度由內環向外環逐漸降低；道路等級越低，設置護欄的長度越長。兩地護欄分布的主要差異在于，盡管北京設置護欄道路的長度和密度均低于上海，但北京在各等級道路設置的多重護欄長度超過370 km。兩地的護欄分布均存在較為明顯的聚集趨勢，北京交通護欄分布的聚集區域和零散區域均多于上海，不同于上海呈現的若干塊區域護欄聚集的特征，北京三環以內已表現出連片的護欄聚集態勢。

本文仍有相關問題有待關注和進一步完善：①雖然城市整體層面的護欄分布趨勢較為穩定，但本文僅基于短期內的街景影像進行研究，是對城市的截面固態研究，而非連續動態研究，未包含對城市設置護欄存在變化以及因道路施工等原因而臨時設置護欄的考慮；②研究中交通護欄在不同等級道路的分布、長度并不能保證完全精準，因為街景采集雖在北京、上海等大城市覆蓋區域較廣泛，但并未完全覆蓋研究區域內的所有車行道路。