生活性街道空间品质测度方法、系统、计算机设备及介质技术方案

本发明专利技术公开了一种生活性街道空间品质测度方法、系统、计算机设备及介质，所述方法包括：获取目标区域的街景图像数据；根据街景图像数据，建立街景图像数据库，通过随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知；通过基于深度学习全卷积网络的视觉影像语义分割和K

【技术实现步骤摘要】
生活性街道空间品质测度方法、系统、计算机设备及介质


[0001]本专利技术涉及一种生活性街道空间品质测度方法、系统、计算机设备及介质，属于城乡规划领域。

技术介绍

[0002]街道空间是城市的“毛细血管”，触及市民生活与游客出行的方方面面。生活性街道一般位于居住社区中，是最常见的街道类型，其车行道宽度通常不超过双向四车道，兼具交通和承载居民日常生活的功能，对于人们日常生活和邻里交往有着不可忽视的重要性。在人本主义视角的街道研究中，人与街道是两个不能忽视的主体，人对街道的空间感知和在街道中的活动是人与街道产生联系的两种主要方式，这种方式在生活性街道中尤为重要。
[0003]既有街道空间品质的测度评估方法主要是基于实地调查数据、基于基础地理信息数据和基于街景图片的测度。然而，大量街道空间品质研究所构建的评价体系仍聚焦于单一指标(如绿视率)或由多个普适性指标组成，未纳入特定地域环境下的特色性指标，缺乏一定在地性。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种生活性街道空间品质测度方法、系统、计算机设备及存储介质，其针对城市的建成环境，选取对应指标构建评价体系，同时结合主观感知和客观环境评价的方法，实现对生活性街道空间品质的深入综合评估，以精准测度城市生活性街道空间品质，具有高效率、易于推广运用的优势，可广泛应用于城市规划生活性街道空间品质调查测度领域。
[0005]本专利技术的第一个目的在于提供一种生活性街道空间品质测度方法
[0006]本专利技术的第二个目的在于提供一种生活性街道空间品质测度系统。
[0007]本专利技术的第三个目的在于提供一种计算机设备。
[0008]本专利技术的第四个目的在于提供一种存储介质。
[0009]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0010]一种生活性街道空间品质测度方法，所述方法包括：
[0011]获取目标区域的街景图像数据；
[0012]根据街景图像数据，建立街景图像数据库，通过训练好的随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知；
[0013]通过基于深度学习全卷积网络的视觉影像语义分割和K
‑
means聚类算法，获取街道的多个环境评价指标，对街景图像进行客观环境评价；
[0014]根据层次分析法赋予街景图像的主观感知和客观环境评价的各结果权重，计算街道综合评价的测度结果。
[0015]进一步的，所述获取目标区域的街景图像数据，具体包括：
[0016]以预设间距划分目标区域内街道的采样点，获取采样点前后左右四个方向上的街景图像。
[0017]进一步的，所述根据街景图像数据，建立街景图像数据库，通过随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知，具体包括：
[0018]根据街景图像数据，建立街景图像数据库；
[0019]对街景图像数据库随机抽取预设百分比的街景图像作为打分样本，获取目标区域所在地居民对打分样本的多级评分；
[0020]通过随机森林机器学习模型对打分样本的结果进行机器深度学习，对随机森林机器学习模型进行参数调整，得到训练好的随机森林机器学习模型；
[0021]利用训练好的随机森林机器学习模型对街景图像数据库的剩余街景图像进行打分，计算每个采样点前后左右四个方向上的街景图像得分的平均值，作为打分结果。
[0022]进一步的，所述环境评价指标包括绿视率、山视率、围合度、开阔度、招牌密度、天空视率和色彩熵。
[0023]进一步的，所述绿视率、山视率、围合度、开阔度、招牌密度和天空视率的获取方式如下：
[0024]通过视觉影像语义分割对街景图像进行街景识别，获得多类街景要素在街景图像中的占比结果；
[0025]选取各类街景要素识别结果中的植物、山、建筑、道路、招牌和天空六类要素的占比结果，分别作为绿视率、山视率、围合度、开阔度、招牌密度和天空视率这六个指标的值；
[0026]计算每个采样点前后左右四个方向上的绿视率、山视率、围合度、开阔度、招牌密度和天空视率这六个指标的平均值。
[0027]进一步的，所述色彩熵的获取方式如下：
[0028]通过removebg算法去除语义分割后的街景图像中的天空和道路部分，保留影响街道立面混乱程度的要素；
[0029]通过K
‑
means聚类算法提取去除天空和道路部分后的街景图像中的七个主要色彩，并分别计算七个主要色彩的颜色占比；
[0030]计算每个采样点前后左右四个方向上的色彩熵的平均值，所述色彩熵的计算公式如下：
[0031][0032]其中，S
j
表示j采样点的色彩混乱度，X
ij
表示j采样点各种建筑元素第i种主导颜色的像素点数量，X
j
表示街景中建筑元素的像素点数量。
[0033]进一步的，所述根据层次分析法赋予街景图像的主观感知和客观环境评价的各结果权重，计算街道综合评价的测度结果，具体包括：
[0034]根据层次分析法，赋予街景图像打分评价结果0.5的权重，赋予绿视率和色彩熵各0.1的权重，赋予山视率、围合度、开阔度、招牌密度和天空视率各0.06的权重，通过融合这些指标并进行归一化，计算街道综合评价的测度结果。
[0035]本专利技术的第二个目的可以通过采取如下技术方案达到：
[0036]一种生活性街道空间品质测度系统，所述系统包括：
[0037]获取模块，用于获取目标区域的街景图像数据；
[0038]主观感知模块，用于根据街景图像数据，建立街景图像数据库，通过随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知；
[0039]客观环境评价模块，用于通过基于深度学习全卷积网络的视觉影像语义分割和K
‑
means聚类算法，获取街道的多个环境评价指标，对街景图像进行客观环境评价；
[0040]测度模块，用于根据层次分析法赋予街景图像的主观感知和客观环境评价的各结果权重，计算街道综合评价的测度结果。
[0041]本专利技术的第三个目的可以通过采取如下技术方案达到：
[0042]一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述的生活性街道空间品质测度方法。
[0043]本专利技术的第四个目的可以通过采取如下技术方案达到：
[0044]一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的生活性街道空间品质测度方法。
[0045]本专利技术相对于现有技术具有如下的有益效果：
[0046]本专利技术基于街景图像数据，通过训练好的随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知，并通过视觉影像语义分割和K
‑
means聚类算法，获取街道的多个环境评价指标，对街景图像进行客观环境评本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生活性街道空间品质测度方法，其特征在于，所述方法包括：获取目标区域的街景图像数据；根据街景图像数据，建立街景图像数据库，通过训练好的随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知；通过基于深度学习全卷积网络的视觉影像语义分割和K
‑
means聚类算法，获取街道的多个环境评价指标，对街景图像进行客观环境评价；根据层次分析法赋予街景图像的主观感知和客观环境评价的各结果权重，计算街道综合评价的测度结果。2.根据权利要求1所述的生活性街道空间品质测度方法，其特征在于，所述获取目标区域的街景图像数据，具体包括：以预设间距划分目标区域内街道的采样点，获取采样点前后左右四个方向上的街景图像。3.根据权利要求1所述的生活性街道空间品质测度方法，其特征在于，所述根据街景图像数据，建立街景图像数据库，通过随机森林机器学习模型，对街景图像进行打分，实现对街景图像的主观感知，具体包括：根据街景图像数据，建立街景图像数据库；对街景图像数据库随机抽取预设百分比的街景图像作为打分样本，获取目标区域所在地居民对打分样本的多级评分；通过随机森林机器学习模型对打分样本的结果进行机器深度学习，对随机森林机器学习模型进行参数调整，得到训练好的随机森林机器学习模型；利用训练好的随机森林机器学习模型对街景图像数据库的剩余街景图像进行打分，计算每个采样点前后左右四个方向上的街景图像得分的平均值，作为打分结果。4.根据权利要求1
‑
3任一项所述的生活性街道空间品质测度方法，其特征在于，所述环境评价指标包括绿视率、山视率、围合度、开阔度、招牌密度、天空视率和色彩熵。5.根据权利要求4所述的生活性街道空间品质测度方法，其特征在于，所述绿视率、山视率、围合度、开阔度、招牌密度和天空视率的获取方式如下：通过视觉影像语义分割对街景图像进行街景识别，获得多类街景要素在街景图像中的占比结果；选取各类街景要素识别结果中的植物、山、建筑、道路、招牌和天空六类要素的占比结果，分别作为绿视率、山视率、围合度、开阔度、招牌密度和天空视率这六个指标的值；计算每个采样点前后左右四个方向上的绿视率、山视率、围合度、开阔度、招牌密度和天空视率这六个指标的平均值。...

【专利技术属性】
技术研发人员：黄峻，魏宗财，刘雨飞，黄绍琪，陈桂宇，王昊演，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：