一种街道界面渗透率的测量方法、计算机及存储介质与流程

1.本技术涉及一种街道渗透率测量方法，尤其涉及一种街道界面渗透率的测量方法、计算机及存储介质，属于人工智能技术领域。


背景技术：

2.城市中的街道界面渗透率被认为是影响城市空间品质的重要空间要素。良好的街道渗透率具有多方面积极意义，包括诱发逗留活动以增加街道活力、提升对室内活动的感知，以及提供天然监视以保障街道安全等。因此，在城市设计中，街道渗透率应当给与足够的重视。影响街道渗透率的物质要素主要有沿街墙面、窗、门等。因此，目前街道界面渗透率是计算门窗洞口面积占街道界面面积的比值，在城市管理实践中的获取途径基本依靠人工现场测量。
3.现有街道界面渗透率的计算方式是各街段中具有视线渗透度的建筑界面水平面积占建筑界面沿街总面积的比例。具体的计算方式如下：首先依据店面的空间通透程度分为：门面完全打开的开放式店面(1类)；视线可以直接看到室内的通透式玻璃橱窗(2类)；设置商品布景的广告式玻璃橱窗(3类)；室内外的视觉被阻隔的不透实墙(4类)(包含不透明平面广告)，由此设定为：街道界面渗透率=(1类界面面积
×
1.25+2类界面面积+3类界面面积
×
0.75)/ 街段的建筑界面沿街总面积。
4.相关数据的获取一般是人工现场测量各类界面的长度和宽度再进行计算。
5.现有技术中存在的问题：1）耗时长。利用现有技术方法测量街道底层各界面的长度数据需要耗费巨大的工作量。以300m的街道为例，开展测量和计算需要约3人约3小时，即一个人9小时的工作量。
6.2）人工成本高。现有的技术方法需要投入大量的人工对街道底层各界面进行手工测量。一条街道的测量至少需要3个人，两人测量，一人记录。
7.3）只能小规模开展。现有的技术方法只能对一条或几条街道进行测量。因此，这种依托人工开展的渗透率测量不仅低效率而且采样的街道数量少。


技术实现要素：

8.在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
9.本发明提供了一种街道界面渗透率的测量方法，包括以下步骤：s1抓取街景图像数据,具体包括：s11生成街景采样点；s12计算各个采样点的经纬度坐标，计算各个采样点的视角；s13获取带有经纬度坐标的街景图像；
s2训练目标检测模型，具体包括：s21处理街景图像的色彩亮度；s22选取代表性街景图像作为标定样本；s23对街景图像样本开展图像标定；s24模型训练；s3模型应用于计算，具体包括：s31提取代表性街景图像中门窗洞口要素；s32获得每个采样点街道界面渗透率；s4获得街道界面渗透率。
10.优选的，步骤s11所述生成街景采样点的具体方法是：每40m处生成一个街景采样点；步骤s12计算各个采样点的经纬度坐标，计算各个采样点的视角的具体方法是：基于每个采样点，求解采样点所在路段与正北方向的夹角a，从而进一步对路段做垂线a+90度/a+270度，形成对每个采样点垂直于路网段长轴方向的两个视角的计算。
11.优选的，步骤s21所述处理街景图像的色彩亮度，选取代表性街景图像作为标定样本的具体方法是：利用awb白平衡算法处理静态街景图像图片的色差；步骤s22选取代表性街景图像作为标定样本的具体方法是：通过人工筛选的方式筛选常见典型街道最具代表性的图片作为街景图像标定样本；步骤s24模型训练的具体方法是：将完成标定的街景图像样本数据导入基于深度学习的目标检测模型进行训练；每次随机抽取20%的街景图像样本作为验证模型的数据，其他样本用来训练，不断重复直到训练模型错误率趋于稳定。
12.优选的，步骤s23对街景图像样本开展图像标定的具体方法是：s231在线图片标记工具中导入街景图像标定样本图片，创建object detection；s232创建门窗、洞口标签；s233在对应标签下采用多边形标注底层界面门窗、洞口；s234导出vgg json格式的街景图像。
13.优选的，步骤s31提取代表性街景图像中门窗洞口要素的具体方法是：利用训练好的模型对抓取的所有街景图像进行识别，提取街道底层界面的门洞和窗口；然后将提取的要素分层设色；获取各图片中街道界面底层的门洞、窗口的像素点。
14.优选的，步骤s32获得每个采样点街道界面渗透率的具体方法是：先将个采样点的数据导入arcgis平台中，计算每个采样点的渗透率，将采样点与街道路段相连，进而将采样点的渗透率数值赋予街道路段；最后得到所有街道界面的渗透率。
15.优选的，步骤s32所述计算所有采样点的渗透率的具体方法是：门窗洞口的像素总和除以街道界面总像素点。
16.一种计算机，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种街道界面渗透率的测量方法的步骤。
17.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种街道界面渗透率的测量方法。
18.本发明的有益效果如下：本发明通过获取城市所有街道的街景图像，结合深度学
习技术开展大规模的分析，能够快速对街景图像快速采集、视线渗透的界面提取、大规模计算等工作，自动化检测，极大提高工作效率，减少了现场调查的人工投入。本专利能实现城市尺度的大规模分析，解决了现有人工分析的操作方法效率低、人工成本高、无法实现大规模的分析的技术问题，本发明可以基于抓取的几十万甚至上百万张街景图像，结合自动化检测方法，开展整个城市数万条街道的界面渗透率精准测度，从而实现兼顾大规模与高精度的分析，分析效率提高750倍，而且本发明只需要一个专业人员即可完成整个城市数千平方公里、数万条街道的渗透率测度。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明实施例所述的方法流程示意图；图2为本发明实施例所述图像标定流程意图；图3为本发明实施例所述模型架构示意图；图4为本发明实施例所述计算采样点视角方法示意图，图中a为采样点与所在路段与正北方向的夹角a示意图；图中b为对路段与采样点处做垂线加90度示意图；图中c为采样点垂直于路网段长轴方向的两个视角示意图；图5为本发明实施例所述街景图像示意图；图6为本发明实施例所述要素提取的分层表达示意图；图7为本发明实施例所述街道渗透率分布示意图。
具体实施方式
20.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
21.实施例1、参照图1
‑
6说明本实施方式，本实施例的一种街道界面渗透率的测量方法，包括以下步骤：s1抓取街景图像数据,具体包括：s11生成街景采样点, 在地图路网上每40m处生成一个街景采样点，通过arcgis 平台对每个采样点地视角进行计算以保证所有街景图像能垂直于任意街道地空间长轴方向，每个采样点朝街道左右方向各抓取一张图片。
22.s12计算各个采样点的经纬度坐标，计算各个采样点的视角，基于每个采样点，求解采样点所在路段与正北方向的夹角a，从而进一步对路段做垂线a+90度/a+270度，形成对每个采样点垂直于路网段长轴方向的两个视角的计算。
23.具体的，对每个采样点均开展一次计算，从而获得顺应路网拓扑结构采样点视角计算。
24.具体的，为了防止街道图像变形，运用gis平台，基于路网拓扑结构对每个采样点的视角进行计算，并将结果带入街景图像。从而保证所有街景图像能垂直于任意街道的空
间长轴方向，提升所抓取街景的代表性。
25.具体的，图像分辨率设为800*600像素。
26.s13获取带有经纬度坐标的街景图像；s2训练目标检测模型，具体包括：s21处理街景图像的色彩亮度，利用awb白平衡算法对静态图片由于不同光照条件下的色差问题进行处理，使图片建筑色彩更为接近现实。
27.s22选取代表性街景图像作为标定样本，通过人工筛选的方式筛选覆盖城市常见典型街道的最具代表性的图片作为街景图像标定样本；s23对街景图像样本开展图像标定，具体包括：s231在线图片标记工具中导入街景图像标定样本图片，创建object detection；s232创建门窗、洞口标签；s233在对应标签下采用多边形标注底层界面门窗、洞口；s234导出vgg json格式的街景图像。
28.s24模型训练，将完成标定的街景图像样本数据导入基于深度学习的目标检测模型进行训练；每次随机抽取20%的街景图像样本作为验证模型的数据，其他样本用来训练，不断重复直到训练模型错误率趋于稳定；具体的，采用poly
‑
yolo算法，它是在yolov3上新开发的算法，其在特征提取部分使用更少的卷积滤波器，通过在架构中加入压缩和激励网络单元（squeeze
‑
and
‑
excitation，se模块）、超列架构（hypercolumn）与上采样特征聚合（stairstep）来加强特征提取能力，整体运算效率更高并克服了现有算法在锚点计算上的不足，能通过更小样本的训练实现更高的准确度，适宜于街景数据这一复杂环境的分析。
29.s3模型应用于计算，具体包括：s31提取代表性街景图像中门窗洞口要素，利用训练好的模型对抓取的所有街景图像进行识别，提取街道底层界面的门洞和窗口；然后将提取的要素分层设色；获取各图片中街道界面底层的门洞、窗口的像素点。
30.具体的，对街景图像中的像素点进行统计。
31.s32获得每个采样点街道界面渗透率，先将各个采样点的数据导入arcgis平台中，计算每个采样点的渗透率，利用arcgis平台的连接工具将采样点与街道路段相连，进而将采样点的渗透率数值赋予街道路段；最后得到所有街道界面的渗透率。
32.具体的，计算所有采样点的渗透率的具体方法是：门窗洞口的像素总和除以街道界面总像素点。
33.s4获得街道界面渗透率。
34.本发明利用街景图像数据作为基础数据，减少了现场调查的人工投入。以300m长的街道为例，目前我们解析一张街景图的时间是2.9秒，按一共15张街景（40m间距）计算，44秒即可完成，较之前手工分析效率提升750倍。同时，本专利能实现城市尺度的大规模分析。相较于现有技术只能开展小规模的街道界面渗透率测量和计算，本专利能通过获取城市所有街道的街景图像，结合深度学习技术开展大规模的分析。
35.本发明提到的术语定义：街道界面：指由街道两侧的建筑立面组成的连续实体。
36.街道界面渗透率：指的是街道两侧建筑底层具有视线穿透作用的门洞和窗口的面积占街道界面面积的比。
37.深度学习：人工智能领域中机器学习的一种，是基于人工神经网络的一种模型或算法。其原理是通过深层神经网络学习样本数据的内在规律和表示层次，使机器具备识别与分析同类新数据的能力。其中深层神经网络指神经网络模型的深度，即含有多个（深度）运算层次结构。
38.目标检测：是一种计算机视觉技术，是基于目标几何和统计特征实现图像分割，进而检测图像或视频中的汽车、建筑物和人等。其原理是通过指定算法（如卷积神经网络）对图像中的物体进行分类和确定目标位置，并在该目标周围绘制一个边界框。
39.poly
‑
yolo：是目标检测的一种算法，根据不同检测对象的形状复杂性生成多边形动态顶点并能根据精度进行调整，能实现快速和精确检测提取目标。
40.awb白平衡算法：是一种图像处理技术，通过调整色温来消除光源对图像的影响，达到校正图片色彩的效果。
41.arcgis：地理信息系统平台，是一个用于绘制地图的基础架构，可以用其来收集、组织、管理、分析、交流和发布地理信息。
42.本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于creo软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
43.所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field
‑
programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
44.所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
45.计算机可读存储介质实施例本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于creo软件的可修改由关系驱动的建模数据的建模方法的步骤。
46.所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储
器、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
47.尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。