基于深度學習的重慶街道功能分類研究

徐小童 龔華鳳 趙聰霄 劉慶 肖潔

摘 要：為通過深度學習量化城市街道空間構成要素，理解城市街道功能特征，以重慶主城街景為對象，采用機器學習的傳統分類法和卷積神經網絡分類法搭建模型，再通過深度學習訓練模型，形成基于兩種分類法的重慶街道功能分類模型。通過比較兩種模型分類效果，得出如下結論：（1）分類模型對于場景單一的街道類型分類效果較好;（2）模型的分類能力會受樣本量不均衡的影響;（3）卷積神經網絡的分類方法整體上略優于傳統分類方法。對于如何使用深度學習方法高效研究城市肌理和街道種類有著啟發性意義，能夠為城市規劃設計者準確評價現有街道空間提供科學的量化依據。

關鍵詞：街道分類;卷積神經網絡;語義分割;深度學習

中圖分類號：TU984.191 文獻標識碼：A 文章編號：1671-2064（2020）02-0048-02

0引言

街道作為城市格局的關鍵組成要素，不僅是城市居民日常的活動場所，還是城市文化、歷史的重要載體。而街景圖作為一種新興的城市數據源，具有易獲取、成本低、樣本量大等優點，為城市街道研究提供了新的視角。百度、高德等地圖服務API提供了諸如地點檢索、路徑規劃、全景靜態圖等服務，極大的降低了空間數據的獲取門檻。龍灜[1]在2017年提出“圖片城市主義”的概念，使城市街景圖成為近年來一個熱門的研究方向。

目前國外利用圖片對城市問題進行量化研究已有不少成功案例，而國內對于城市街景圖的研究內容主要集中在城市規劃領域對于城市空間各指標的量化方面。如楊俊宴[2]等人利用街景圖在內的多源大數據提出南京街道可步行性評價體系。然而，這些評價指標多由研究者自己結合城市特點制定，缺乏統一標準，且不一定適用于其他城市。

綜上所述，對于城市街景圖的研究，目前主要基于城市空間規劃的宏觀視角，缺乏更聚焦的專業分析，如道路設計、交通規劃等。利用街景圖對街道功能進行深度學習，可以提取出肉眼無法概括的街道特征，對街道設計、街道質量提升有著十分重要的借鑒意義。

因此，本文將以重慶主城的街景圖為研究對象，完成從收集數據到自定義訓練數據集，到搭建合理的街道功能分類模型的完整流程，闡明深度學習技術在城市規劃、城市感知中應用的可能性。

1研究對象

1.1研究范圍

重慶是典型的山地城市，其獨特的地形、組團式的城市發展模式、龐大的城市交通系統賦予了重慶街道復雜多樣的使用功能，有極大的研究價值。然而，目前對以重慶為代表的大型山地城市大規模的街道研究卻非常匱乏。因此，本文的街景研究對象為重慶市中心城區。主要涉及渝中區、沙坪壩區、江北區、渝北區、九龍坡區等這八個行政區，研究面積約為850km2。

1.2研究數據

1.2.1數據獲取

考慮到百度地圖在街景覆蓋率、時效性、圖片質量等方面的優勢，本文選擇以百度地圖API提供的街景圖服務為基礎，展開數據收集的工作。根據百度服務文檔，以取得最佳街景視角為原則，確定獲取街景圖所需的長度、寬度、坐標、坐標類型等參數。為保證圖片的質量，本文獲取的街景圖片長度和寬度均取最大值;垂直視角取0°，水平方向范圍取180°，這既保證了最佳視覺范圍，也避免了圖片失真問題;在GPS坐標系下，計算求得每個采樣點的坐標位置和道路方位角。

本文獲取的街道總長度約2496km，以100m為間隔進行取樣，最終收集到23083個有效的采樣圖片。

1.2.2數據分類

對街道類別的精細化研究，有著重要的意義，比如分析街道功能對人們日常活動的影響，比如根據街道使用功能，有針對性的量化街道空間品質。街道分類需結合街道包含的要素、主要使用場景，以及地理位置附近的用地特征等因素，并結合城市特有屬性。《舊金山美好街道設計》基于以上原則，將舊金山的街道分為商業性街道、居住性街道、產業型街道、混合用地街道和特殊街道。類似的，《上海市街道設計導則》[3]則綜合考慮了沿街活動、街道空間景觀特征和交通功能等因素，將街道劃分為商業街道、生活服務街道、景觀休閑街道、交通性街道與綜合性街道這五大類型。

本文觀察獲取的所有街景圖片，結合場景要素，及其地理位置附近的用地特征，并參考舊金山和上海的街道設計案例，最終將所有街景圖按照街道的使用功能分為了交通型街道、商業型街道、生活服務類街道、景觀休閑類街道等12個類別。經統計，生活服務類的街道數量最多，比例為37.18%，其次是交通性街道和小區內部街道，比例分別為23.45%和12.81%。

2研究方法

本文將分別通過傳統圖片分類和卷積神經網絡這兩種方法對街景圖反映的街道功能進行分類。對于傳統的機器學習方法，本文首先通過語義分割模型，將街景數據從圖片像素級的二維數據轉換為構成要素級的一維數據，然后將不同要素作為變量，構建不同分類算法，并比較分類結果。對于卷積神經網絡算法，本文首先搭建卷積神經網絡框架，并不斷訓練優化，最終建立了在訓練集和驗證集上均表現良好的網絡結構。

2.1傳統機器學習

2.1.1語義分割

語義圖像分割是一種圖像識別任務，目的是為圖像中的每個像素點指定一個語義標簽，如道路、人行道、建筑物等。DeepLab是谷歌開源的用于圖像語義分割的一系列深度學習模型，目前來說，DeepLabv3已有較高的準確度。本文采用預訓練好的DeepLabv3模型對獲取的街景圖進行語義分割，并統計每種街景構成要素的語義標簽數量，最后計算街景圖構成要素的面積占比。

由語義分割的統計結果可知，不同的街道類型對應的構成要素占比均有所不同。例如，對于交通性的街道，天空的比例是最高的（均值約42%）;對于商業性質的街道，建筑的構成比例最高（40%左右）;而對于景觀性質的街道，植被和天空的占比相對較高，分別為61%和21%。

2.1.2分類器搭建

根據語義分割的結果，求得每張圖片要素的面積占比，包括道路、人行道、建筑等共計19類構成要素，將其作為自變量。將圖片對應的街道類別，包括交通性街道、商業街道、生活服務街道等共計12類街道類型，作為因變量。調用基于Python編程語言的scikit-learn機器學習模塊，構建五種常見的分類器，分別是邏輯回歸、K-近鄰、支持向量機、隨機森林、梯度提升樹。

對于每種分類器，均按照每類樣本的比例，按8：2的比例隨機抽取訓練集和測試集。對于訓練集，使用交叉驗證的方法，驗證次數取10次，得到訓練模型的評價準確度;對于測試集，將擬合好的模型用于測試，生成精確率、召回率和F1值等評價指標。詳細的分類結果見實驗結果一節。

2.2卷積神經網絡

2.2.1網絡搭建

本文搭建的用于街道功能分類的卷積神經網絡包括三個卷積層，每個卷積層后面分別連接一個池化層，最后通過全連接層與分類器進行連接，得到分類結果（圖1）。

2.2.2模型訓練

本實驗將樣本按7：3的比例劃分為訓練集和測試集，在測試集上的平均準確率為96%，對于每種類別的街道類型，精確率均達到90%以上。在測試集上進行模型測試，測試結果詳見實驗結果一節。

3實驗結果

對于傳統分類方法，由交叉驗證的結果可知，五種分類器的平均準確率均在六成左右。就單個類型的精準率而言，五種分類器對于隧道類街道的識別能力是最強的，其中，邏輯回歸方法的精確率（98%）最高。此外，邏輯回歸方法對于景觀休閑類和B類商業街道的識別能力也非常好，精確率分別為91%和91%。對于交通性街道、生活服務型街道和小區內部街道，五種分類器的水平相差不大，保持在50%到66%之間。

就卷積神經網絡在測試集上的表現來看，該網絡對隧道類的分類能力最強，精確率為96%，經分析，主要原因是該類別的場景要素較為簡單，相比于傳統分類方法，卷積神經網絡能更好的進行特征提取;其次為交通性街道，精確率接近70%;對于B類商業街道、生活服務類街道、小區內部街道和景觀休閑類街道而言，精確率在60%左右;對于其余街道類型，如偏遠鄉鎮街道、建設中的街道、工業產業類街道等，該網絡的分類表現欠佳。

綜上所述，兩種分類方法在幾種特定的街道類型上均有不錯的表現，精確率均在90%以上。而且卷積神經網絡分類方法要略優于傳統分類方法，主要原因是卷積神經網絡對于場景要素相對單一的街道類型（如交通性街道、景觀休閑類街道等）有更強的特征提取能力。對于場景要素較復雜的街道類型，兩種方法的分類能力有所下降。經分析，生活性街道、小區內部街道和休閑景觀街道這三種類型的街道之間具有一定的相似性，而且場景要素比較復雜多變，這極大的減弱了模型的分類能力，導致分類表現一般。

4結語

本文嘗試從街道功能的視角對重慶市主城區的街景圖進行研究，具有一定的前瞻性和開創性。通過對重慶市主城區街道的功能劃分，本文利用深度學習技術建立了可行的街道類型的分類方法，并驗證了可行性。通過街道分類結果，城市規劃者可以更有針對性地量化街道空間特征，改善街道空間品質。然而，本文提出分類器在復雜場景和樣本不均的情況下的分類能力有待進一步改進。

綜上所述，本文通過深度學習的方法對街道功能進行分類，把城市街道研究與新技術相結合，量化街景要素，定義街道功能。本文的研究方法有助于利用計算機提取人無法概括的街道特征，從而幫助道路交通設計者更好的理解街道，為城市規劃者提供更有效的街道品質提升方案，輔助科學決策。

參考文獻

[1] 龍瀛，周垠.圖片城市主義：人本尺度城市形態研究的新思路[J].規劃師，2017，33（02）：54-60.

[2] 楊俊宴，吳浩，鄭屹.基于多源大數據的城市街道可步行性空間特征及優化策略研究——以南京市中心城區為例[J].國際城市規劃，2019，34（05）：33-42.

[3] 上海市規劃和國土資源管理局，上海市交通委員會，上海市城市規劃設計研究院主編.上海市街道設計導則[M].上海：同濟大學出版社，2016.