一种基于跨连CNN+SVR的街道空间品质量化方法技术

本发明专利技术提供了一种基于跨连CNN+SVR的街道空间品质量化方法，主要涉及利用跨连卷积神经网络提取街景图片特征，并将提取的特征作为支持向量回归模型的输入特征量化街道空间品质。该方法包括：通过收集街景图片并进行处理，制作相应的数据集，进而训练跨连CNN+SVR网络，得到网络的参数模型，利用参数模型进行街道空间品质的量化。本发明专利技术充分发挥了机器学习的优越性，减轻了研究人员在街道空间品质调查中的巨大工作量，并为相关研究提供了重要的数据支撑，为城市规划领域研究街道空间品质提供了新思路。

A method of street space quality quantification based on cross connected CNN + SVR

【技术实现步骤摘要】
一种基于跨连CNN+SVR的街道空间品质量化方法
本专利技术涉及图像分析领域中的街道空间品质量化分析问题，尤其是涉及一种基于机器学习的街道空间品质量化方法。
技术介绍
人工智能与医疗、教育、环境治理以及城市规划等领域的结合，将极大促进城市公共服务精准化，全面改善人民的生活质量水平。目前，关注智慧城市的建设是我国目前的热点方向。城市公共空间主要包括街道、商场、广场以及公园等多功能区域，而其中的街道，相当于城市的“骨骼”。街道作为展现城市经济、生活面貌的舞台，也是凸显地方特色的重要窗口。良好的街道空间品质不仅可以形成友好和谐的邻里生活环境，增加人们生活的幸福感，同时可以吸引外来游客，带动地方商业发展和旅游经济，提升城市的活力和经济价值。因此本专利技术主要针对街道空间品质进行量化分析，对我国现阶段的智慧城市发展具有一定的理论价值和实践意义。近些年量化街道空间品质的方法，主要是针对某一特定街道区域，采用问卷调查、现场调研等人工主观评分方式收集数据信息。传统调研方法虽然可以获得全面、详细的街道环境信息，但是完成一份调研非常费时费力，难以进行大规模的客观量化，因而无法用于大范围的城市定量研究，也难以精确到街道尺度。街景图片是对城市公共空间场景较为真实的展现，具有真实感丰富、信息度强等特点，且获取便利，为城市街道空间品质的评价提供了新的机遇。在此背景下，本文就新兴的街景图片大数据和机器学习技术，对街道空间品质量化研究进行初步探讨。本专利技术利用机器学习技术，采用跨连卷积神经网络CNN+支持向量回归SVR网络量化街道空间品质属性。该专利技术给城市规划者调查街道空间品质节省了巨大的工作量，提供了重要的数据支撑，并为调查领域研究街道空间品质提供了新思路。
技术实现思路
本专利技术的目的是提供一种基于跨连CNN+SVR的街道空间品质量化方法，将机器学习与街道空间品质属性相结合，充分发挥机器学习自我学习的优势，可以解决目前研究人员调查街道空间品质工作量大的问题。为了方便说明，首先引入如下概念：卷积神经网络(CNN)：受视觉神经机制的启发而设计的，是为识别二维形状而设计的一种多层感知器，这种网络结构对平移、比例缩放、倾斜或者其他形式的变形具有高度不变性。AlexNet网络：该网络是一个8层的网络，包含5个由卷积(Convolutional,Conv)层和3个全连接(FullyConnected,FC)层。AlexNet主要具有如下新技术点：成功使用ReLU作为激活函数，使用Dropout避免模型过拟合，数据增强，提出LRN(LocalResponseNormalization)层以及使用GPU加速等。支持向量回归(SVR)：支持向量机(SVM)的一种，通过寻求结构化风险最小函数来提高学习机泛化能力，使其在输入数据量较少的情况下，亦能获得良好的统计规律。SVR非常擅长解决复杂的具有中小规模训练集的非线性问题，甚至在特征多于训练样本时也能有非常好的表现。跨连CNN+SVR网络：将跨连CNN与SVR结合，提取训练好的CNN特征作为SVR回归模型的输入特征。Caffe框架：一个清晰而高效的深度学习框架。Caffe中的网络都是有向无环图的集合，数据及其导数以blobs的形式在层间流动，主要应用在视频、图像处理方面。本专利技术具体采用如下技术方案：提出了一种基于跨连CNN+SVR的街道空间品质量化方法，其特征在于：1).获取街景图片，并制作街道空间品质数据集；2).采用融合浅层信息与深层信息特征的思路改进卷积神经网络CNN，并结合支持向量回归SVR模型，提出了跨连CNN+SVR网络模型；3).采用跨连CNN+SVR网络模型，得到街道空间品质的量化指数；该方法主要包括以下步骤：(1)获取街景图片，并对街景图片进行处理，将处理好的街景图片按9:1:1的比例分为训练集、测试集和验证集，制作街道空间品质数据集，并通过人工评分的方式进行数据标签的制作；(2)对AlexNet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层Conv1和Conv2的输出融合作为Conv3的输入，Conv2和Conv3的输出融合作为Conv4的输入，Conv1和Conv4的输出融合作为Conv5层的输入，即为改进的跨连CNN，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，即为本专利技术所提出的跨连CNN+SVR网络；(3)将步骤(1)中制作的数据集，对跨连CNN+SVR网络进行训练，保存网络参数模型，以用于预测；(4)将步骤(3)中训练得到的模型对街道空间品质进行量化。优选地，步骤(1)中街景图片数据标签的制作包括交通性、舒适性和整洁性，且每个类别有0分、1分和2分三个评分标准，通过多人评分取平均值降低主观评价的误差，并将最终的空间品质评分映射为0-1的浮点数。优选地，步骤(2)中采用融合的方式增强输入到全连接层的语义信息，并将全连接层的输出特征作为SVR回归模型的输入特征。优选地，步骤(3)中利用制作的数据集对跨连CNN+SVR网络进行训练，得到相应的训练模型，并于在步骤(3)中用训练好的模型对街道空间品质进行量化。本专利技术的有益效果是：(1)制作了街道空间品质数据集，并提出了一个比较系统的街道空间品质评价标准。(2)充分发挥机器学习的自我学习优势，机器自动学习良好的特征。当输入街景图片时能够快速准确地提取特征，避免了人工提取特征的局限性，适应能力更强。(3)跨连CNN+SVR网络在自制数据集训练过程中，能从训练样本中很好的学习到街道空间品质的特征，能够实现街景图片的自动评分量化，且与传统的图片描述特征相比，使用CNN特征能够得到更加准确的空间品质得分。(4)将机器学习与街道空间品质属性相结合，量化街道空间品质属性，可以减轻研究人员调查街道空间品质的工作量并为其提供重要的数据支撑。附图说明图1为本专利技术的系统方案示意图；图2为跨连CNN+SVR网络结构示意图；图3为本专利技术的街道空间品质量化结果示意图，图片右下角的数值中，右边为人工评分，左边为该专利技术网络预估值。具体实施方式下面通过实例对本专利技术作进一步的详细说明，有必要指出的是，以下的实施例只用于对本专利技术做进一步的说明，不能理解为对本专利技术保护范围的限制，所属领域技术熟悉人员根据上述
技术实现思路
，对本专利技术做出一些非本质的改进和调整进行具体实施，应仍属于本专利技术的保护范围。图1中，基于跨连CNN+SVR的街道空间品质量化方法，具体包括以下步骤：(1)获取街景图片，使用镜像、旋转或加噪的方式扩充数据量不足的空间品质质量类别图片，对处理后的图片进行筛选，去除重复以及质量不合格的图片，制作相应的数据集。将数据集按9:1:1的比例分为训练集、测试集和验证集，并通过人工评分的方式制作数据标签，评分标准包括交通性、舒适性和整洁性，且每个类别有0分、1分和2分三个评分标准，本文档来自技高网...

【技术保护点】
1.一种基于跨连CNN+SVR的街道空间品质量化方法，其特征在于：/n1).获取街景图片，并制作街道空间品质数据集；/n2).采用融合浅层信息与深层信息特征的思路改进卷积神经网络CNN，并结合支持向量回归SVR模型，提出了跨连CNN+SVR网络模型；/n3).采用跨连CNN+SVR网络模型，得到街道空间品质的量化指数；/n该方法主要包括以下步骤：/n(1)获取街景图片，并对街景图片进行处理，将处理好的街景图片按9:1:1的比例分为训练集、测试集和验证集，制作街道空间品质数据集，并通过人工评分的方式进行数据标签的制作；/n(2)对AlexNet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层Conv1和Conv2的输出融合作为Conv3的输入，Conv2和Conv3的输出融合作为Conv4的输入，Conv1和Conv4的输出融合作为Conv5层的输入，即为改进的跨连CNN，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，即为本专利技术所提出的跨连CNN+SVR网络；/n(3)将步骤(1)中制作的数据集，对跨连CNN+SVR网络进行训练，保存网络参数模型，以用于预测；/n(4)将步骤(3)中训练得到的模型对街道空间品质进行量化。/n...

【技术特征摘要】
1.一种基于跨连CNN+SVR的街道空间品质量化方法，其特征在于：
1).获取街景图片，并制作街道空间品质数据集；
2).采用融合浅层信息与深层信息特征的思路改进卷积神经网络CNN，并结合支持向量回归SVR模型，提出了跨连CNN+SVR网络模型；
3).采用跨连CNN+SVR网络模型，得到街道空间品质的量化指数；
该方法主要包括以下步骤：
(1)获取街景图片，并对街景图片进行处理，将处理好的街景图片按9:1:1的比例分为训练集、测试集和验证集，制作街道空间品质数据集，并通过人工评分的方式进行数据标签的制作；
(2)对AlexNet网络进行更改，将浅层卷积层特征与深层卷积层特征输出进行融合，其中将第1个卷积层Conv1和Conv2的输出融合作为Conv3的输入，Conv2和Conv3的输出融合作为Conv4的输入，Conv1和Conv4的输出融合作为Conv5层的输入，即为改进的跨连CNN，并将最后一个全连接层输出的CNN特征作为SVR回归模型的输入特征，即为本发明所提出的跨连CNN...

【专利技术属性】
技术研发人员：卿粼波，计浩浩，何小海，熊珊珊，王正勇，吴晓红，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51