基于视觉感知的城市滨河绿道智能化分析.docx

基于视觉感知的城市滨河绿道智能化分析 近年来，我国对河岸景观的质量评价已成为焦点。一些科学家在心理学、视觉、视觉吸引力和河岸区域健康评估等方面研究了河岸区域。 在数据量大且具有一定共性的前提下，深度学习通过进行“特征学习”，可实现精准度高的全自动数据分析。运用深度学习的图片语义分割对景观品质进行量化评价，已广泛运用于城市意象认知、街道绿化对居民步行行为的影响、测度街道空间品质、城市绿道规划等城市街景研究中 全景图像的获取是使用特定设备或软件拍摄完整场景范围的照片或对照片经后期拼接生成全景图像 由于滨河景观的连续性强、尺度大、类型多样，将评判者带到现场打分无法实现，且现场的听觉干扰也会对视觉感知评分造成影响 鉴于现有研究缺乏智能量化评定滨河绿道视觉感知的有效方法，本研究分为以下4个方面进行：（1）基于深度学习技术，训练适用于城市滨河景观的图像语义分割模型；（2）运用回归模型评测基于全景图像语义分割的滨河景观视觉感知评价指标与视觉感知间的相关性，并挖掘其影响机制；（3）以北京二环水系为例，从视觉感知视角利用全景图像测度滨河绿道的景观品质；（4）提出滨河景观视觉感知提升策略，为城市滨河环境与城市规划提供指导。 1 研究区域和数据 1.1 公园体系及区域信息 本文对城市内中小尺度的渠化河道进行研究，以北京中心城区蓝网骨架-二环水系为例，研究范围全长约63.5 km，包含南长河-北护城河-南护城河-西护城河-护城河-通惠河-亮马河-京密引水渠-永定河引水渠-土城沟（图1）。研究范围内的河道串联了北京动物园、紫竹院公园、玉渊潭公园、陶然亭公园、元大都城垣遗址公园等26个公园体系，天坛、地坛、白云观、世纪坛、雍和宫、明城墙等众多世界文化遗产资源和全国重点文物保护单位与此相邻，周边人口密集，使用需求高。对此地滨河绿道景观进行视觉感知评价研究，不仅有利于滨河景观的建设，还有利于提升北京的城市形象。 1.2 照片拍摄与数据预处理 (1）数据采集。为还原行人在滨水绿道中真实的视觉感知，本研究采用全景图像进行评估。拍摄全景照片时，遵循固定的拍摄标准：拍摄时间段集中在11月的10:00-16:00之间，保证天气状况良好，并尽量避开消极的景观要素与行人；使用型号为insta360 one x的同一台相机进行拍摄，相机与开启定位的手机蓝牙连接，获取地理坐标定位；拍摄时，拍摄者的手臂伸直，举至160 cm，与滨水绿道方向平行；复层断面河道，拍摄者位于下层滨河步道靠河道侧进行拍摄，单层断面河道，拍摄者位于堤坝上进行拍摄，两类河道的拍摄点位选择在滨河道路每隔20 m拍摄一张全景图像。在完成照片采集后，使用Insta360 Studio 2020软件将全景照片转化为720°平铺全景图像。 (2）数据预处理。在百度VR平台中将平铺全景图像转换为人视角360°自主旋转式VR图像，初始视角定为拍摄者正前方、视场角（FOV)110°，垂直范围0°，受试者可对视角进行自主调节，FOV最近70°，最远110°，垂直范围最低-10°，最高25°。本文共拍摄北京二环水系及土城沟河道1 990张滨河全景图，以500 m为间隔选择141张全景图像作为问卷评估的样本，检查取样照片，保证所选样本包含全部景观类型，对图像进行调整，降低拍摄因素对评估的影响。 2 学习方法 2.1 语义分割的流程 SegNet的语义分割构架在编码器部分对图像进行降维时保留了池化层索引，可以在分割中保持高频细节的完整性 图像语义分割的流程（图2）如下： (1）对像素点进行分类标记。选取90张滨河全景图像在matlab中对13类景观要素标签进行标注，生成数据集。 (2）对数据集进行SegNet分割网络的训练。训练100代，根据公式（1)～(4）对模型的精准度进行验证，在精度达标的基础上，对模型进行加载，生成图像分割结果。 式中：k为景观标签类别总数，A 2.2 视觉感知分析 2.2.1 滨河与城市化建设参数化评价 物质要素和形式要素是影响视觉景观品质的重要原因 综上所述，本文结合前人对视觉景观品质的研究经验，并结合滨水景观的特征，主要从视觉空间吸引物质要素、视觉空间吸引形式要素、视觉空间吸引格局3个方面，建立有关河流与城市化建设的两类参数。视觉空间吸引物质要素包括绿视率（GVI）、蓝色视野指数（BVI）、驳岸硬质度（HRI）、滨河建筑密度（RBD）、桥梁可视度（BV）、干扰因素指数（IFI）；视觉空间吸引形式要素包括滨河自然开阔度（WO）、滨水围护度（WG）、道路宽广度（RWI）；视觉空间吸引格局用乔灌草比率（RTG）表示。共10个指标对滨河绿道视觉感知进行量化分析（表1）。 2.2.2 视觉整体评分 请45位专家作为受试者参与视觉感知的评分，为避免受试者因疲劳感对评分产生影响，将照片分为3组，乱序出现，每组