CN111060119B - 基于街景图视觉要素评分的城市慢行出行导航方法和系统 - Google Patents

Abstract

本发明公开了一种基于街景图视觉要素评分的城市慢行出行导航方法和系统，包括：构建街景图的基本视觉要素集合，计算街景图中各基本视觉要素对应的要素占比；结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数；获取路网数据，建立街景图‑路网数据库；获取起点和终点之间的所有导航路径，结合所述街景图‑路网数据库计算各导航路径中每一通路的评分，得到各导航路径对应的评分集，根据所述评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径。本发明综合考虑城市慢行出行的需求，得到安全性高、舒适性好的导航路径。

Description

基于街景图视觉要素评分的城市慢行出行导航方法和系统

技术领域

本申请属于路径导航技术领域，具体涉及一种基于街景图视觉要素评分的城市慢行出行导航方法和系统。

背景技术

随着定位技术和地理信息系统技术的发展，卫星导航、惯导等多种定位导航方式提供了定位的可能性；而地理信息系统技术则在空间数据标准化、空间数据表达与分析等方面，提供了导航路径的多样化分析与展示手段。

虽然当前以出行效率、花费等作为考虑因素的主流路径规划可以解决普通场景下的出行规划问题，但是，在人们出行更关注于安全和舒适度的场景下，如城市慢行出行，普通的路径规划无法解决对城市街道进行环境评价的问题。随着城市发展更关注其空间质量，慢行这一理念被越来越多的城市认可并付诸于实际。

城市慢行出行是一种主要以步行和自行车骑行为基础的交通模式，行驶速度低于20KM/h。城市建设和管理者通过对沿线设施的布置和土地的规划利用，来为行人和骑行人提供安全舒适的步行或骑行环境。不同于当前以出行效率为主要考量因素的传统导航方式，慢行出行体验与城市视觉环境密切相关，因此，需要考虑在出行方案中刻画城市视觉环境，引入一种基于街景图视觉要素评分的城市慢行出行导航方法。

安全性需求和舒适性需求是日常慢行过程中的人及其活动产生的本能需求，同时安全和轻松舒适的感受对人群决定是否选择该道路具有重要影响。根据马斯洛需求层次理论，人们对于安全的需求仅次于人能够生存下去的生理需求，在当今社会这已然成为最基础的需求，对于道路空间来说，道路环境中的各种要素都会影响实质性安全和感知性安全。人们对于包括自然环境在内的舒适度的基本需求优先于归属感、认知和审美等高层次需求。然而现有的导航路径以出行效率为主，得到的导航路线安全性低、舒适性差，无法满足城市慢行出行的用户的需求。

发明内容

本申请的目的在于提供一种基于街景图视觉要素评分的城市慢行出行导航方法和系统，综合考虑城市慢行出行的需求，得到安全性高、舒适性好的导航路径。

为实现上述目的，本申请所采取的技术方案为：

一种基于街景图视觉要素评分的城市慢行出行导航方法，所述基于街景图视觉要素评分的城市慢行出行导航方法，包括：

步骤S1、构建街景图的基本视觉要素集合，基于深度学习算法计算街景图中各基本视觉要素对应的要素占比；

步骤S2、结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数；

步骤S3、获取路网数据，建立街景图-路网数据库，所述街景图-路网数据库包含街景图集、街景图的品质分数、街景图与路网间的映射关系；

步骤S4、获取起点和终点之间的所有导航路径，结合所述街景图-路网数据库计算各导航路径中每一通路的评分，得到各导航路径对应的评分集，根据所述评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径。

作为优选，所述基于深度学习算法计算街景图中各基本视觉要素对应的要素占比，包括：

获取的导航涉及范围内的街景图总数为M，并且基本视觉要素为N类，采用

表示第m张街景图中的第n个基本视觉要素，n＝1,2,…,N， m＝1,2,…,M；

采用预训练好的深度卷积神经网络模型对照街景图的基本视觉要素集合中项目的语义，计算出街景图中每一个像素点所属的语义类别，获取街景图中所有像素点的类别标签；

计算第m张街景图中各基本视觉要素对应的要素占比：

其中，

为第m张街景图中第n个基本视觉要素对应的要素占比。

作为优选，所述基于深度学习算法计算街景图中各基本视觉要素对应的要素占比，所述结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数，包括：

取AHP层次分析法中目标层为街景图的品质分数，准则层为慢行安全性和慢行舒适性，方案层为各基本视觉要素；

构建判断矩阵，计算各基本视觉要素的权重系数，采用R_i表示第i个基本视觉要素对应的权重系数；

结合街景图中各基本视觉要素对应的要素占比，得到各街景图的品质分数，所述品质分数采用如下公式计算：

其中，

为第m张街景图中第n个基本视觉要素对应的权重系数，PQI^m为第m张街景图的品质分数。

作为优选，所述街景图与路网间的映射关系的构建，包括：

取路网数据中的一条通路，以该通路的路网线为轴，以d为距离作两侧平行线，在路网线的两端节点各构建一个半径为d的半圆弧段，以两半圆弧段和两平行线所围成的区域作为该通路的缓冲区；

遍历M张街景图，根据各街景图的地理坐标判断是否落于该通路的缓冲区内，若是则判定该街景图归属于当前通路，并建立两者的映射关系；

遍历路网数据中的所有通路，完成街景图与路网间的映射关系的建立。

作为优选，所述建立街景图-路网数据库，包括：

根据街景图与路网间的映射关系，建立每一条通路对应的街景图集，所述街景图集采用数据集合S表示，S＝{S₁,S₂,S₃,…,S_K}，K为与该通路存在映射关系的街景图的数量，并且每一街景图集中第k张街景图的信息集合S_k可表示为

L_k表示第k张街景图的经度，A_k表示第k张街景图的纬度，H_k表示第k张街景图的高程，

表示第k张街景图中各基本视觉要素对应的要素占比，PQI^k表示第k张街景图的品质分数，R_k表示第k张街景图与路网的映射关系，由此完成街景图-路网数据库的构建。

作为优选，所述结合所述街景图-路网数据库计算各导航路径中每一通路的评分，包括：

若获取的起点和终点之间的所有导航路径集合为P＝{P₁,P₂,P₃,…,P_I}，I为导航路径总数，并且第i条导航路径P_i涵盖了J条通路，P_i的通路集合为Q＝{Q₁,Q₂,Q₃,…,Q_J}，并且第j条通路Q_j映射有K个街景图，且K<M；

根据街景图-路网数据库中各街景图对应的信息集合，计算第j条通路的评分为第j条通路所包含的K个街景图的品质分数的均值，公式为：

其中，SQI_j为第j条通路Q_j的评分，则导航路径P_i涵盖的J条通路形成一个评分集合为{SQI₁,SQI₂,SQI₃,…,SQI_J}。

作为优选，所述根据评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径，包括：

计算一个评分集中所有通路的评分的均值作为该评分集对应的导航路径的综合评分；并依次计算得到所有导航路径的综合评分；

采用贪心启发式算法寻找所有导航路径中综合评分最高的路径作为慢行出行导航路径。

本申请还提供一种基于街景图视觉要素评分的城市慢行出行导航系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一技术方案所述的基于街景图视觉要素评分的城市慢行出行导航方法的步骤。

本申请提供的基于街景图视觉要素评分的城市慢行出行导航方法和系统，利用深度学习算法挖掘街景图中基本视觉要素，通过所得基本视觉要素对街景和道路进行评分，评估道路的安全性和舒适性，再从评分的角度给出城市慢行出行场景下的导航路径选择。本申请综合考虑城市慢行出行的需求，提高对于城市慢行出行方式的适用性，得到安全性高、舒适性好的导航路径。

附图说明

图1为本申请基于街景图视觉要素评分的城市慢行出行导航方法的流程图；

图2为本申请对街景图定量表达的流程图；

图3为根据通路建立缓冲区的一种实施例示意图；

图4为本申请街景图-路网数据库的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

其中一个实施例中，提供一种基于街景图视觉要素评分的城市慢行出行导航方法，综合考虑城市慢行出行的需求，得到安全性高、舒适性好的导航路径。

如图1所示，基于街景图视觉要素评分的城市慢行出行导航方法，包括：

步骤S1、构建街景图的基本视觉要素集合，基于深度学习算法计算街景图中各基本视觉要素对应的要素占比。

在构建街景图的基本视觉要素集合时，可以是直接获取现有的训练集，也可以是现场逐一获取街景图。为了降低人力成本，在一实施例中，提供一种直接获取现有训练集的方法：

收集用于场景感知、多物体识别和语义理解的免费训练数据集ADE20K，训练集中包含大量的街景图片及专家对每张图片内容的标注项，标注项例如建筑、天空、人行道等。通过合并相似概念或细分类别的方式整理标注项，将整理后的标注项按照出现频次进行排序，得到标注项排序表。参照进一步在排序表中选取属于城市街景元素且与安全性及舒适性有关的项目

本实施例中选取的项目为：交通工具(包括小轿车、公共汽车、厢式货车等)、道路设施(包括交通指示标识、行人座椅、电话亭、报刊亭、路边雕塑等)、沿街植被(包括花草、树木、草地等)、天空、水体(包括普通水体、河流、湖泊、瀑布、海洋等)，共计5大类，即本实施中选取的基本视觉要素为5类。

基于本实施例确定的5类基本视觉要素，本实施例中街景图的安全性和舒适性定义如下：

对于道路空间来说，交通工具和道路设施较多或集中的区域令使用者安全感降低，故本实施例定义街景图的安全性属性包含街景图基本视觉要素中交通工具与道路设施两个项目，且图中该两项占比越低，体现的安全性越高。

在影响空间舒适感的众多要素中，绿化植被、湖泊河流以及开阔的天空视觉环境对慢行的舒适性体验具有最为直接和普遍的影响。故本实施例定义街景图的舒适性属性包含街景图中沿街植被、天空、水体三个项目且图中该三项占比越高，体现的舒适性越高。

如图2所示，在利用深度学习算法时，采用上述获得的训练数据集ADE20K 利用现有的神经网络模型进行训练得到深度卷积神经网络模型，即街景图的基本视觉要素生成与深度卷积神经网络模型的生成是基于同一训练集的，以保证准确性。

在利用深度卷积神经网络模型得到街景图的基本视觉要素占比时，在一实施例中，包括以下步骤：

获取的导航涉及范围内的街景图总数为M，并且基本视觉要素为N类，采用

表示第m张街景图中的第n个基本视觉要素，n＝1,2,…,N， m＝1,2,…,M，由上述可知本实施例中的基本视觉要素为5类，即N＝5。

采用预训练好的深度卷积神经网络模型对照街景图的基本视觉要素集合中项目的语义，计算出街景图中每一个像素点所属的语义类别，获取街景图中所有像素的类别标签。

计算第m张街景图中各基本视觉要素对应的要素占比：

其中，

为第m张街景图中第n个基本视觉要素对应的要素占比，由此可得到第m张街景图中各基本视觉要素对应的要素占比为

从而实现街景图的定量表达。

本申请在计算各基本视觉要素占比时以像素点为单位，划分细致，所得到的要素占比准确性高，为后续得到高安全性和舒适性的导航路径奠定基础。

步骤S2、结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数。

AHP层次分析法能综合衡量各基本视觉要素对于城市慢行出行需求的权重，便于根据权重从城市慢行出行角度评价街景图。

具体的，在一实施例中提供的计算街景图的品质分数的过程，包括：

取AHP层次分析法中目标层为街景图的品质分数，准则层为慢行安全性和慢行舒适性，方案层为各基本视觉要素，对于本实施例而言，方案层为交通工具、道路设施、沿街植被、天空、水体，并设置交通工具、道路设施、沿街植被、天空、水体分别为第1、2、3、4、5个基本视觉要素。

构建判断矩阵，计算各基本视觉要素的权重系数，采用R_i表示第i个基本视觉要素对应的权重系数。

结合街景图中各基本视觉要素对应的要素占比，得到各街景图的品质分数(Photo Quality Index)，所述品质分数采用如下公式计算：

其中，

为第m张街景图中第n个基本视觉要素对应的权重系数，PQI^m为第m张街景图的品质分数。

步骤S3、获取路网数据，建立街景图-路网数据库，所述街景图-路网数据库包含街景图集、街景图的品质分数、街景图与路网间的映射关系。

由于导航路径为多条通路组成的一条路径，故本实施例结合路网数据对每一导航路径进行分析，所使用的路网数据为导航涉及范围内的免费路网数据，并且基于所获取的免费路网数据进行拓扑检查与微观数据重构调整，纠正免费路网数据中路网咬合点不合理等问题，得到修正后的路网数据进行使用。

通路基于街景图进行评价，故需要建议通路与街景图的映射关系，在一实施例中街景图与路网间的映射关系的构建，包括以下步骤：

如图3所示，取路网数据中的一条通路，例如图3中的路段一，以该通路的路网线为轴，以d为距离作两侧平行线，在路网线的两端节点各构建一个半径为d的半圆弧段，以两半圆弧段和两平行线所围成的区域作为该通路的缓冲区，并且本实施例中的半圆弧段为向通路外凸起。

遍历所采集的导航涉及范围中的M张街景图，根据各街景图的地理坐标判断是否落于该通路的缓冲区内，若是则判定该街景图归属于当前通路，并建立两者的映射关系，并且遍历路网数据中的所有通路，完成街景图与路网间的映射关系的建立。

本实施例中构建的街景图-路网数据库不仅包括街景图与路网间的映射关系，还包括街景图集、街景图的品质分数等，为了便于数据的调用，在一实施例中，如图4所示，街景图-路网数据库中数据存储结构如下所示：

根据街景图与路网间的映射关系，建立每一条通路对应的街景图集，所述街景图集采用数据集合S表示，S＝{S₁,S₂,S₃,…,S_K}，K为与该通路存在映射关系的街景图的数量，并且每一街景图集中第k张街景图的信息集合S_k可表示为

L_k表示第k张街景图的经度，A_k表示第k张街景图的纬度，H_k表示第k张街景图的高程，

表示第k张街景图中各基本视觉要素对应的要素占比，PQI^k表示第k张街景图的品质分数，R_k表示第k张街景图与路网的映射关系，由此完成街景图-路网数据库的构建。

依次建立每一条通路对应的街景图集，由此完成街景图-路网数据库的构建。根据实际情况可知路径中的各通路势必为首尾相连，即例如图3中的路段一和路段二，两者的一端相连，因此根据路段一所形成的缓冲区和根据路段二所形成的缓冲区存在重叠，则位于重叠区域中的街景图与路段一和路段二分别存在映射关系，即街景图与通路的映射关系可以是一对多。

步骤S4、获取起点和终点之间的所有导航路径，结合所述街景图-路网数据库计算各导航路径中每一通路的评分，得到各导航路径对应的评分集，根据所述评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径。

为了降低路径筛选工作量，首先获取每次导航的起点和终点之间的所有导航路径，排除其他通路，并依次计算每条导航路径的综合评分集：

若获取的起点和终点之间的所有导航路径集合为P＝{P₁,P₂,P₃,…,P_I}，I为导航路径总数，并且第i条导航路径P_i涵盖了J条通路，P_i的通路集合为 Q＝{Q₁,Q₂,Q₃,…,Q_J}，并且第j条通路Q_j映射有K个街景图，且K<M。

根据街景图-路网数据库中各街景图对应的信息集合，计算第j条通路的评分为第j条通路所包含的K个街景图的品质分数的均值，公式为：

其中，SQI_j为第j条通路的评分，则导航路径P_i涵盖的J条通路形成一个评分集合为{SQI₁,SQI₂,SQI₃,…,SQI_J}。

得到每条导航路径对应的评分集后，为了得到适合城市出现慢行的安全性和舒适性最高的导航路径，需计算一个评分集中所有通路的评分的均值作为该评分集对应的导航路径的综合评分；并依次计算得到所有导航路径的综合评分；后采用贪心启发式算法寻找所有导航路径中综合评分最高的路径作为慢行出行导航路径。

在另一实施例中，还提供一种基于街景图视觉要素评分的城市慢行出行导航系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中所述的基于街景图视觉要素评分的城市慢行出行导航方法的步骤。

本实施例的一种基于街景图视觉要素评分的城市慢行出行导航系统，即一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储街景图-路网数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于街景图视觉要素评分的城市慢行出行导航方法。

关于基于街景图视觉要素评分的城市慢行出行导航系统的进一步限定，可参见上述对于基于街景图视觉要素评分的城市慢行出行导航方法的限定，不再进行赘述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于街景图视觉要素评分的城市慢行出行导航方法，其特征在于，所述基于街景图视觉要素评分的城市慢行出行导航方法，包括：

步骤S1、构建街景图的基本视觉要素集合，基于深度学习算法计算街景图中各基本视觉要素对应的要素占比；

步骤S2、结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数；

步骤S3、获取路网数据，建立街景图-路网数据库，所述街景图-路网数据库包含街景图集、街景图的品质分数、街景图与路网间的映射关系；

步骤S4、获取起点和终点之间的所有导航路径，结合所述街景图-路网数据库计算各导航路径中每一通路的评分，得到各导航路径对应的评分集，根据所述评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径；

其中，所述基于深度学习算法计算街景图中各基本视觉要素对应的要素占比，包括：

获取的导航涉及范围内的街景图总数为M，并且基本视觉要素为N类，采用

表示第m张街景图中的第n个基本视觉要素，n＝1,2,…,N； m＝1,2，…，M；

采用预训练好的深度卷积神经网络模型对照街景图的基本视觉要素集合中项目的语义，计算出街景图中每一个像素点所属的语义类别，获取街景图中所有像素点的类别标签；

计算第m张街景图中各基本视觉要素对应的要素占比：

其中，

为第m张街景图中第n个基本视觉要素对应的要素占比；

其中，所述结合街景图中各基本视觉要素对应的要素占比，利用AHP层次分析法计算街景图的品质分数，包括：

取AHP层次分析法中目标层为街景图的品质分数，准则层为慢行安全性和慢行舒适性，方案层为各基本视觉要素；

构建判断矩阵，计算各基本视觉要素的权重系数，采用R_i表示第i个基本视觉要素对应的权重系数；

结合街景图中各基本视觉要素对应的要素占比，得到各街景图的品质分数，所述品质分数采用如下公式计算：

其中，

为第m张街景图中第n个基本视觉要素对应的权重系数，PQI^m为第m张街景图的品质分数；

其中，所述街景图与路网间的映射关系的构建，包括：

取路网数据中的一条通路，以该通路的路网线为轴，以d为距离作两侧平行线，在路网线的两端节点各构建一个半径为d的半圆弧段，以两半圆弧段和两平行线所围成的区域作为该通路的缓冲区；

遍历M张街景图，根据各街景图的地理坐标判断是否落于该通路的缓冲区内，若是则判定该街景图归属于当前通路，并建立两者的映射关系；

遍历路网数据中的所有通路，完成街景图与路网间的映射关系的建立。

2.如权利要求1所述的基于街景图视觉要素评分的城市慢行出行导航方法，其特征在于，所述建立街景图-路网数据库，包括：

根据街景图与路网间的映射关系，建立每一条通路对应的街景图集，所述街景图集采用数据集合S表示，S＝{S₁，S₂，S₃，…，S_K}，K为与该通路存在映射关系的街景图的数量，并且每一街景图集中第k张街景图的信息集合S_k可表示为

L_k表示第k张街景图的经度，A_k表示第k张街景图的纬度，H_k表示第k张街景图的高程，

表示第k张街景图中各基本视觉要素对应的要素占比，PQI^k表示第k张街景图的品质分数，R_k表示第k张街景图与路网的映射关系，由此完成街景图-路网数据库的构建。

3.如权利要求2所述的基于街景图视觉要素评分的城市慢行出行导航方法，其特征在于，所述结合所述街景图-路网数据库计算各导航路径中每一通路的评分，包括：

若获取的起点和终点之间的所有导航路径集合为P＝{P₁，P₂，P₃，…，P_I}，I为导航路径总数，并且第i条导航路径P_i涵盖了J条通路，P_i的通路集合为Q＝{Q₁，Q₂，Q₃，…，Q_J}，并且第j条通路Q_j映射有K个街景图，且K<M；

根据街景图-路网数据库中各街景图对应的信息集合，计算第j条通路的评分为第j条通路所包含的K个街景图的品质分数的均值，公式为：

其中，SQI_j为第j条通路Q_j的评分，则导航路径P_i涵盖的J条通路形成一个评分集合为{SQI₁，SQI₂，SQI₃，…，SQI_J}。

4.如权利要求3所述的基于街景图视觉要素评分的城市慢行出行导航方法，其特征在于，所述根据评分集筛选出所有导航路径中综合评分最高的路径作为慢行出行导航路径，包括：

计算一个评分集中所有通路的评分的均值作为该评分集对应的导航路径的综合评分；并依次计算得到所有导航路径的综合评分；

采用贪心启发式算法寻找所有导航路径中综合评分最高的路径作为慢行出行导航路径。

5.一种基于街景图视觉要素评分的城市慢行出行导航系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利 要求1至4中任一项所述的基于街景图视觉要素评分的城市慢行出行导航方法的步骤。

Images