基于贝叶斯逻辑回归模型研究百度街景图像微观建成环境因素对街面犯罪的影响

街面犯罪对公众的生活安全构成一定的威胁。以往对于公共盗窃和寻衅滋事等街面犯罪的研究往往停留在社区甚至更宏观的层面,难以向微观尺度深入,它们忽略了通过环境设计预防犯罪（Crime Prevention Through Environmental Design, CPTED）理论中所主张的地址级的建成环境的精确特征。地址级的微观建成环境被广泛认为对各类犯罪的发生有着直接或间接的影响,然而对微观建成环境的度量一直是一个挑战。先前的大多数研究都是通过调查样本来表征建成环境,会受到两方面的限制：① 建成环境特征描述不完整的限制;② 数据在空间覆盖方面具有稀疏性的限制。百度街景图像作为一个新的数据来源,可以被用来提取地址级的微型环境的建成特征,从而使犯罪研究可以聚焦在更微观的尺度中。本研究使用深度学习全卷积图像分割算法从百度街景图像中提取地理位置的环境变量,共选取树木、通车道路、人行道等8种变量来表现研究区微观建成环境的差异。在控制了与街面犯罪有关的其他因素后,采用贝叶斯逻辑回归模型来评估微观建成环境影响因素对公共盗窃和寻衅滋事案件的影响。结果表明加入了微观建成环境物理特征之后的模型表现更好。对比寻衅滋事案件,树木多的隐蔽地方更容易发生公共盗窃案件,通车道路、人行道多的地方更不易发公共盗窃案件,这也说明了更隐秘的地方公共盗窃案多发。总的来说,全卷积深度学习图像分割算法可以有效地提取街景衍生变量,这些变量为微观空间尺度的犯罪分析增加了新的维度。本研究不仅对于犯罪地理文献具有贡献,而且为基于CPTED原则的犯罪预防提供了新的视角。     

基于街景影像多特征融合的广州市越秀区街道空间品质评估

全面准确地描述街景影像的多层次特征在基于街景影像对街道空间品质进行评估的研究中具有重要意义。以广州市越秀区为例,获取前后左右各视角街景影像中手工设计的特征（SURF特征、HOG特征）和基于深度学习的特征（语义特征）,基于单一特征和多特征融合采用支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）训练各视角的评估模型。结果表明,以基于SVM建立的单特征模型为例,基于HOG特征（73.03%）、语义特征（72.28%）的模型平均精度优于SURF特征（56.00%）,基于SVM前后左右各视角模型的最优分类精度为82.8%（前）、81.7%（后）、76.6%（左）、76.6%（右）,而基于RF各视角模型的最优分类精度为82.8%（前）、85.0%（后）、78.1%（左）、70.3%（右）。前后视角的模型精度略优于左右视角。各视角最优模型均为多特征融合模型,最优模型平均分类精度和Kappa系数可达80.6%和0.62。利用街景影像评估街道空间品质时,各算法之间性能差异微弱,而特征选择及组合方式是提升精度的关键。越秀区街道空间品质存在明显空间分异,其西南部的街道空间品质亟待提升。本研究构建了基于街景影像多特征融合的大规模高精度街道空间品质测度方法,实现了对越秀区街道空间品质的评估,研究结果可为相关部门进行街道环境综合整治提供参考。     

基于潜在受害者动态时空分布的街面接触型犯罪研究

街面接触型犯罪是指犯罪者在街面通过采取与受害者身体接触的方式而实施的违反法律的行为,已有文献研究利用了不同类型的大数据代表的周遭人口表征街面接触型犯罪中“潜在受害者”因素,但由于数据的局限性,无法应用在微观的空间尺度上的街面接触型犯罪研究。微信热力图是具有高时空分辨率和高人口覆盖度,能动态地反映人流量热度的程序。因此,本文以经济发达的ZG市的XT街道为例,结合日常活动理论,并基于微信热力图数据代表的周遭人口表征的“潜在受害者”因素,首先定性地描述和识别街面接触型犯罪的时空分布特征,然后划分不同时段分析街道街面接触型犯罪的影响因素。研究发现：① 街面接触型犯罪案件存在时空的集聚性,街道街面接触型犯罪在晚上（18:00—23:59）是高发期,在白天（07:00—17:59）是低发期,在22:00—22:59数量达到最大值,主要聚集在城中村区域,且不同时期的影响因素存在一定的差异;② 微信人口数量在所有时期均对街面接触型犯罪存在显著的正向影响,其代表的周遭人口能很好地表征日常活动理论中的“潜在受害者”因素,且在凌晨—清晨（00:00—06:59）对街面接触型犯罪的影响最大;③ 不同场所对街面接触型犯罪的影响存在时间上的差异,餐饮点在晚上对街面接触型犯罪存在显著的正向影响,KTV、健身房和公交站点分别对应在凌晨—清晨、白天与晚上对街面接触型犯罪有显著的正向影响,而休闲会所在凌晨、清晨、晚上均有显著的影响,与最近巡逻驻点的距离仅在晚上时期显著影响街面接触型犯罪。本文的研究结论可为警方采用微信热力图来分析街面接触型犯罪和经济发达地区警方部署提供参考依据。     

基于街景图像的旅游地街道空间视觉品质评价方法

街道空间是旅游者在旅游地的主要接触空间,良好的街道视觉品质对旅游产业的可持续发展至关重要,而如何建构视觉品质评价方法则需要进一步探索。本文以厦门市鼓浪屿作为研究区域,首先建立街道空间视觉品质量化模型,采用人工模拟旅游者行进的方式采集街景数据,进行成像参数校正和图像编码;其次,采用全卷积网络进行图像语义分割和视觉要素提取,获得街道环境视觉参数;最后,根据量化模型将视觉参数聚合到地理要素中,建立地理信息数据库进行街道空间视觉品质评价。结果表明：(1)鼓浪屿街道空间视觉品质存在明显的空间分异性;(2)建筑密度、街道宽度与植被小品是塑造街道空间视觉品质的基础视觉要素;(3)植物类公园、主要交通枢纽、主要商业设施的分布对街道空间视觉品质产生显著影响。本文为街道视觉品质评价工作提供了可供迁移应用的数据采集方式和研究方法,基于全卷积网络的街景图像语义分割精度较高,能够为街景图像以及其他类型的图像数据分析提供参考。在管理实践上,本文可以为旅游地街道空间的管理与规划、资源整合与配置、人流引导与调控等工作提供有价值的借鉴。     

融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

基于对象BOW特征的高分辨率遥感影像变化检测方法

针对传统基于像素的变化检测方法的缺点,以及底层特征表现能力不足等问题,提出一种基于对象BOW特征的变化检测方法。首先,将经过预处理操作的两期影像进行波段组合得到组合后影像,再考虑地物光谱特征和几何空间信息对组合后影像进行多尺度分割,获得相对应的对象基元;同时,分别提取两幅影像的底层特征（包括影像各波段的均值和方差以及灰度图像的6种纹理特征）。其次,将对象视作文档,像素的特征向量视作单词,利用BOW模型构建影像对象的中层表达,即对象的BOW特征。最后,通过相似性度量算法比较相应对象的BOW特征,从而识别出影像上的变化区域。本文利用2组WorldView-2影像进行了检验,结果表明本文方法的变化检测结果较为完整,精度优于对比方法。本文方法基本能够满足变化检测的需求,为高分辨率遥感影像上的数据挖掘分析提供了有效的手段。     

超像素与主动学习相结合的遥感影像变化检测方法

针对高分辨率遥感影像变化检测结果较破碎,易产生椒盐噪声、监督训练过程中人工标注成本较高、训练样本冗余以及大量未标注样本信息未有效利用等问题,提出一种超像素与主动学习相结合的高分辨率遥感影像变化检测方法。利用超像素分割算法得到超像素对象,提取其光谱和纹理特征;引入并借助主动学习样本选择策略充分利用未标注样本信息,挖掘不确定性最大、最易错分的样本交由用户人工标注;为保证所选样本的多样性,加入基于余弦角距离的样本相似性度量,以减少样本间信息冗余,在减轻人工标注负担的同时获得良好的分类性能。通过对2组不同场景的遥感影像的实验,表明本文提出的2种方法能够在标注少量训练样本的情况下获得较好的变化检测结果,且加入样本相似性度量的变化检测方法在有效减少人工标注成本和训练样本冗余的同时,能够更快地达到收敛、提升检测质量。     

融合LiDAR数据与高分影像特征信息的建筑物提取方法

建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m ²的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。     

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。     

基于街景图像的“三生空间”识别方法研究

从生产-生活-生态功能角度划分城市空间格局,不仅是国土空间结构优化的基础,也能反映城市用地的内在功能形态和空间组合模式。然而,以往城市“三生空间”的识别主要利用遥感图像、兴趣点和土地利用数据进行,缺少城市内部的立体信息。街景图像可以体现城市内部街道特征,实现街道内部物理环境近距离大规模高分辨率的客观测量。因此,本文基于街景图像提取场景语义特征,提出一种中心城区“三生空间”的识别和特征重要性分析的方法。以成都市四环内为研究区,使用梯度极限提升算法识别城市“三生空间”,进行模型精度对比检验,从道路、格网和交通分析区3个尺度分析研究区“三生空间”的格局分布特征,并引入沙普利加和解释(SHAP)方法探索“三生空间”的特征重要性。结果显示：(1)本文提出的基于街景图像识别“三生空间”方法具有较好的效果,模型识别生产、生活和生态空间的R²均达到0.6,表明使用街景图像识别“三生空间”具有可行性;(2)分析研究区内的“三生空间”分布格局,研究区内以生产-生活空间为主,数量多且在区域内呈片状分布,以生态空间为主的单元数量少,主要分布在大型公园处;(3)分析7维场景层语义特征的重要...     

基于街景影像的城市道路空间舒适度研究

城市道路空间舒适度是综合刻画城市道路环境的量化指标之一,可为城市道路规划建设、城市交通优化、城市环境评估等提供参考。本文以街景影像为基础数据,从空间视角阐述了城市道路空间舒适度内涵,构建了城市道路空间舒适度量化指标,建立了以语义分割和等距采样为基础的城市道路空间舒适度测度方法和空间插值方法,最后以南京市局部城区为样区进行了实验,并分析了城市道路空间舒适度特征。实验结果表明：① 语义分割中主要要素的分割精度满足要求,分割总体精度为84.92%, Kappa系数为80.06%;② 综合考虑数据处理时间和舒适度量化表达程度, 200 m采样间距可以综合描述研究区道路空间舒适度状态;③ 本文提出的双向约束插值方法可消除突变点、梯形插值形态、花斑状纹理等异常插值现象,同时可有效保持道路空间舒适度方向特征;④ 本文提出的测度方法可以有效度量城市道路空间舒适度,测度等级精度达80%;⑤ 城市道路空间舒适度等级与道路等级整体上呈现正相关关系,且舒适度在实验区呈现南高北低、建邺区较高、鼓楼及历史老城区低的空间分布状态。     

高分辨率遥感影像特征分割及算法评价分析

图像分割一直是图像处理和计算机视觉领域中的一项关键技术。本文首先从遥感影像地学处理与应用的角度阐述了影像分割技术对于遥感信息提取和目标识别的重要性,然后提出了基于特征的高分辨率遥感影像信息提取技术框架,建立了一套基于特征的遥感影像分割方法及分类体系。同时,鉴于遥感影像分割方法评价的重要性, 阐述了一种高分辨率遥感影像分割方法评价的思路,并对几种典型的基于特征的遥感影像分割方法进行定性和定量的试验和评价,对其各自的性能和适用面进行对比分析。最后,指出了遥感影像特征分割方法所存在的问题及其发展趋势。     

街景图像与机器学习相结合的道路环境安全感知评价与影响因素分析

准确识别影响环境安全感知的视觉因素，对于改善城市交通环境与提升行人出行安全具有重要支撑作用。然而，既有研究难以对复杂场景下的环境安全感知进行大规模定量化研究。因此，本文利用图像语义分割和目标检测技术从街景图像中提取视觉要素，通过人工评分结合深度学习的方式构建道路安全感知数据集；再基于轻量梯度提升机和SHAP解释框架，识别出影响环境安全感知的视觉因素；最后，选取道路环境特殊的峡谷性城市兰州市安宁区高校聚集地为例进行实证研究。结果表明：(1)高校及商业街的安全感知评分较高，城市道路的普遍偏低；(2)天空、人行道、道路和树木的图像占比值是对环境安全感知影响最大的四类要素，其中，天空的图像占比值为线性关系，人行道和树木的图像占比值近似对数函数，道路的图像占比值则类似二次函数；(3)视觉要素占比和个数存在交互影响作用，合理的要素分布有助于形成良好的空间视线，以及营造合适的行为活动空间，从而提升环境安全感知。     

基于街景图像的城市环境评价研究综述

城市环境评价研究传统上采用基于现场调研的方法,难以在大范围、精细化的尺度上进行评估。街景图像具有覆盖面广、能提供街道层级景观信息,且数据采集成本低的优势,为城市环境评价研究提供了大样本数据源和新的研究思路。人工智能技术的不断突破和其在各领域的应用,使得在大范围空间尺度上,基于街景图像进行城市环境评价研究成为可能。本文首先对城市环境评价常用的3种数据源（街景图像、遥感影像和地理标记社交媒体数据）进行对比分析,归纳街景图像在城市环境评价中的优势;然后,从方法学的角度把基于街景图像进行城市环境评价过程中使用的方法分为4大类别（基于图像分析的方法、基于统计分析的方法、基于人工智能的方法和基于空间分析的方法）;接着,从城市物理环境、社会环境、经济环境、美学环境,综述了街景图像在城市环境评价中的应用研究进展;最后,对现有研究成果进行了总结并对未来研究方向提出展望。     

基于深度学习的城市建筑物阴影提取方法

城市建筑物阴影的存在增加了基于高分影像信息提取的复杂度,影响了高分影像的行业应用。以GF-2影像为数据源,以影像覆盖的两个典型阴影区域为实验区,设计了一种基于深度学习技术的城市建筑物阴影提取方法。借助于全卷积神经网络(FCN)对图像进行语义分割,获取阴影信息,通过建立光照方向相邻对象的空间关系,去除建筑物阴影信息中的干扰项。将提取的建筑物阴影结果与面向对象方法提取的结果进行对比,在实验区1和实验区2中,DBSE提取的总体精度分别为97.5%和98.1%,面向对象的总体精度分别为96.2%和97.2%。提升精度的同时,在视觉效果上,DBSE方法在阴影完整性与真实阴影一致性,以及减少阴影错分等方面明显优于OBSE方法。     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

城市街道景观色彩对游客情感感知影响——基于街景图像的研究

街道是城市旅游的重要吸引物,探讨街道景观色彩特征对游客情感感知的影响,对城市街道景观合理规划和布局具有重要的参考价值。本研究以西安市主要建成区为案例地,运用全卷积神经网络（FCN）和随机森林（RF）算法,构建街景图像情感感知数据集,基于街景图像利用机器学习对街道景观的色彩特征进行提取,构建色彩量化指标并将其进行空间可视化;最后,运用随机森林回归算法探讨街道景观色彩特征与游客情感感知之间的关系,并得出最佳色彩特征参数。结果表明：(1)游客情感感知具有明显的空间分布格局,美丽和活泼情感由中心区域向外逐渐增加,安全和富有在主城区外二环以内区域得分较高,无聊在该范围内则较低,压抑情感由中心区域向外逐渐降低,游客在非惯常环境中的情感感知与居民在惯常环境中的情感感知在空间分布上具有一定的同质性;(2)街道景观色彩特征与游客情感感知呈现出复杂的非线性关系。色彩复杂度对美丽和活泼的影响小于色彩协调度,对无聊、压抑、安全、富有的影响大于色彩协调度,当色彩复杂度取值为0.86,色彩协调度取值为0.84时,游客在六个维度可以获得较好的情感感知;(3)一般情况下,街道景观色彩特征越显著,越能够带给游客较好的情...     

面向对象的高空间分辨率遥感影像道路信息的提取

遥感影像的道路信息提取是构建及更新地理空间数据库的一个重要组成部分。针对高空间分辨率遥感影像丰富的地物细节信息和突出的结构、纹理信息的特点,采用一种面向对象技术,实现了高空间分辨率影像道路信息提取。首先,利用面向对象的影像分割技术得到道路均值对象,然后挖掘高空间分辨率遥感影像中描述道路的光谱特征、几何特征及纹理特征,构建道路对象的知识库,实现了城郊重要道路信息的提取。与最大似然法相比,提取结果充分利用道路形状和纹理信息,能克服光谱特征的噪声现象,提取道路准确率高,为高空间分辨率遥感影像道路信息提取提供了一种新的途径。     

利用视角转换的跨视角影像匹配方法

目前遥感影像跨视角匹配技术无法直接使用大幅卫星影像进行匹配,难以满足大范围复杂场景匹配的任务需求,且依赖大规模数据集,不具备良好的泛化能力。针对上述问题,本文在质量感知模板匹配方法的基础上结合多尺度特征融合算法,提出一种基于视角转换的跨视角遥感影像匹配方法。该方法首先利用手持摄影设备采集地面多视影像,经密集匹配生成点云数据,利用主成分分析法拟合最佳地平面并进行投影变换,以实现地面侧视视角到空视视角的转换;然后设计了特征融合模块对VGG19网络从遥感影像中提取的低、中、高尺度特征进行融合,以获取遥感影像丰富的空间信息和语义信息;最后利用质量感知模板匹配方法将从视角转换后的地面影像上提取的特征与遥感影像的融合特征进行匹配,获取匹配的软排名结果,并采用非极大值抑制算法从中筛选出高质量的匹配结果。实验结果表明,在不需要大规模数据集的情况下本文方法具有较高的准确性和较强的泛化能力,平均匹配成功率为64.6%,平均中心点偏移量为5.9像素,匹配结果准确完整,可为大场景跨视角影像匹配任务提供一种新的解决方案。