feedback

意见

反馈

back-to-up

回到

顶部

城市影像数据带你重新感知一座城

数据侠

· 刘浏

刘浏   09-05

如果一座城市的楼房、街道、汽车、人、树木、都可以被标记,并被转化为可量化的评分体系,那么人与空间的感知关系则会拥有更多可能。本周的数据侠实验室,DT君邀请到城室科技的CEO刘浏老师。他们基于人工智能的深度学习技术,将城市街景进行视觉感知评估,为我们认知城市提供了新的思考。

环境要素识别

要素识别,顾名思义就是对于影像资料当中的所有元素的确定。要素识别一般有三种方式:第一种是对象识别,比如识别一个人或者一个车,在它上面会有一个边界框显示出来;第二种是场景切割,通过识别图像当中属于一个类别的像素点,计算出它在画幅当中的所占比例;第三种是场景识别,也就是识别出一个东西所在的场景。

(图片说明:对象识别)

场景切割识别经常用在城市规划相关的一些案例中,其中环境要素识别是很重要的一块,包含了对街道建筑开阔度、街道天空开阔度、街道空间绿视率、街道视觉场景开阔度的识别。要识别这些要素,首先要获取城市所有的街道影像,接着把图片上所有的像素点进行场景切割识别,最后识别出其中的建筑面积、天空、绿化率等信息。

(图片说明:城市的环境要素识别)

得到建筑、街道等环境要素的数据以后,计算出建筑在图片画幅中的占比, 将数据加权平均之后,可以在地图中渲染出建筑视觉密度分布3D图,用到的地图渲染工具是deck.gl。比如下图的上海市建筑视觉密度分布3D图,可以看到上海的中心区视觉建筑比较密集,特别是浦西,虽然浦东的高建筑比较多,但是建筑的视觉密度跟道路的宽度有关,所以浦东的建筑视觉密度没有浦西那么大。另外,一些上海各个郊区或者郊县等城市节点都可以在图中看出来。

(图片说明:上海市建筑视觉密度分布3D图)

接下来是交通要素识别的案例。城市街道物体要素识别是近年来较为先进的城市街道研发方案。2017年2月谷歌曾利用街道识别预测美国总统大选、人口统计等。

尽管拍摄时间相对静止,但城市市区的街道影像基本的时间更新尺度一致,所以单个城市内部的要素可比性高。

北京市的街道行人、车辆、自行车的分布具有空间规律,比如中关村的非机动车比例较高,而东单、朝阳大悦城地区的行人较多,街道活力更好。

(图片说明:交通要素识别)

通过对城市街景进行分析,我们在102万北京市街道影像的照片中识别出了215万的行人,将这些数据放在城市中做出3D效果图,可以直观地反映出北京从二环到五环的人群分布状态。从下图可以看到在中关村、西单、东单、世贸天街这些比较大型的商业综合体周围,街道上的步行行人数量明显比其他地方多。

(图片说明:从102万北京市街道影像的照片中识别出215万的行人)
(图片说明:北京市行人密度3D效果图)

通过对城市街景的分析,城室团队在102万北京市街道影像的照片中识别出了780多万的车辆,以及34万的大型货车、29万的自行车。

(图片说明:在102万北京市街道影像的照片中识别出了780多万的车辆)

最后是品质要素识别的案例。城室科技团队将上海市的非正规流动摊贩识别了出来,还可识别摊贩在图片中的区位。

(图片说明:识别上海市非正规流动摊贩)
(图片说明:上海街道摊贩分布地图)

品质要素识别的第二个案例是识别店招和广告牌,在一些非一线城市有很多杂乱的店,它们的招牌对城市整体的风貌有一定的影响。从图像信息中识别出广告牌的信息是比较难的,因为广告牌里面会有很多东西。最终,城室科技团队在上海市的主城区里面找了大概1200多块广告牌。

(图片说明:识别店招和广告牌)

要素识别还包括了城市色彩风貌分析、江岸风貌分析、天际线分析等。基因色是城市视觉体验的基础,也是构成城市色彩的基本单元,基因色库是城市色彩分析的颜色库,由目标数据以360维构造高维度数组获得。

(图片说明:360维色彩提取)
(图片说明:城市色彩基因色库)

通过提取城市图片中的色彩做成城市色彩基因库,基因色是城市视觉体验的基础,也是构成城市色彩的基本单元。城市色彩分析的第一步就是对全域色彩基因构成的比例差异进行分析。

(图片说明:城市色彩基因分析)
(图片说明:城市色彩基因)

场景分割的方法除了应用在城市影像中,在自然环境中同样可以使用。比如在一个项目中分析钱塘江的江景岸线风貌,把其中自然山水的要素提取了出来。通过视觉意象的抽稀提取,提取出天空、水、建筑、植被、山体等自然山水要素。

(图片说明:钱塘江江景岸线分析)
(图片说明:自然山水的视觉意象抽稀提取)

通过分析发现,钱塘江岸线边上的房地产开发商做得比较夸张,有一些局部岸线的自然山水风貌已经彻底被人工的高层建筑遮蔽了。最后,城室团队将数据整合到了一个可交互的网页中,将所有类别的数据做成波浪图,其中黄色部分代表的是建筑,通过拉动滚动条,可以看到整个钱塘江沿线的岸线比例变化,看到哪一段出现大量影响岸线风貌的建筑。

 感知评分

感知评分是针对情感类的感知及空间感的深层次的挖掘,是研究人与空间的关系,研究天空、建筑等要素对人的感受的影响。

在城市慢行环境导航这个案例中,城室科技团队使用了基于大众的感受进行人工智能训练打分的方法,根据大规模个体感知评分计算单张图片的安全感知评分,再将感知评分运用于城市街景进行重新打分,结合步行导航软件,为出行体验提供更为人性化的感知评价。

(图片说明:街道感知地图)

比如说给人展示以下两张图片,一张是底特律,一张是上海的人民广场,然后让人选择喜欢哪一张,或者说走哪一张会走起来感觉比较安全,当人做出选择之后就相当于完成了一次统计。

(图片说明:底特律VS上海的街道)

具体的操作实践中,城室团队将打分系统放到网上给大量人的人对城市图片进行打分,再将回收的数据用机器学习的方法映射组合起来,电脑就会学会鉴别城市图片给人的感受是怎样的。

这就是利用了机器学习的原理,让机器模仿人去给新的图片打分,在这个过程中,人就被解放出来了。机器可以给全城的所有图片打分,来判断每个地方给人的感受是怎样的。

(图片说明:人工智能城市图片打分系统)

环境要素跟人的感受的关系不一定是正相关,也不一定是负相关。比如说天空在画面当中的感受,天空非常窄的时候,安全感其实是不太好的,但是当天空特别宽的时候,它给人的安全感也不是特别好,这是一个比较复杂的关系。

在下图中,对比的是上海和东京的绿化率,黄色的点点代表的是照片里面拍到的建筑,绿色点点代表的是照片里面拍到的绿化。上海和东京,这两个城市的绿化率其实都是非常低的,基本上都不到5%,但是我们可以发现东京的照片其实看上去非常的绿,它的绿色视觉度可以占到53%。这其实是跟东京和上海两个城市的政策有关,上海的政策是每年要完成多少绿地建设指标,而东京是每年把公园做好规划,让更多的人去游玩。

整合多元数据分析

数据融合是指将不同城市的空间信息和数据跟影像数据进行融合。比如分析街道的高宽比,通过对18万幢北京市市区的建筑模型进行空间分析,叠合北京市14万条高德地图的路网数据后,综合分析得到全市街道高宽比数据。基于超过18万的城市街道空间取样点的分析数据,发现北京市的大马路太宽了,导致所有的高宽比都远远大于1:3。

依据原先的城市街道的高宽比数据,将城市街道中所有与之相关的城市街道影像资料作为标定数据的分割进行训练,综合建立全新的城市高宽比人工智能分析模型,通过数据的方式体察街道的整体空间感知。

(图片说明:测量街道高宽比)

城室科技将城市影像数据的分析结果放到了CITYFACE平台上,供更多人使用。

(图片说明:CITYFACE城市影像分析平台)

CITYFACE城市影像分析平台中有分析平台、计算平台和分析平台,包括了城市视觉要素分析、城市意象分析、城市色彩色谱分析、城市风貌相似度分析等功能。

城室科技还推出了千城一面指数,用于描述城市的个性和特征。千城一面指数涵盖了全国300多个城市的街道风貌影像,可以对比不同城市的风貌。

城室科技是一个年轻富有朝气的团队,团队背景来自于不同的专业,比如说GIS、人工智能、设计和城市规划,他们专注在城市影像分析领域,致力于提升环境品质,优化城市生活。

 

分享这篇文章到