基于视觉感知的城市滨河绿道智能化分析

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63.5km，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insta360onex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160cm，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20m拍摄一张全景图像。在完成照片采集后，使用Insta360Studio2020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1990张滨河全景图，以500m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，A2.2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，每组采集15位受试者的评分。在评分前，受试者先对照片进行整体浏览，对整体状况有了解后再进行试验，然后每个场景环视一周，采用李克特量表将分数分为5个等级进行美感度打分（得分1表示最差等级，得分5表示最佳等级）。各场景最终的得分是专家打分的平均值。在规划指导类研究中，多元线性回归模型能判断多种变量之间的亲密关系进而得出相关性判断式中：y为视觉感知评分，β3结果与分析3.1分割精度检测训练的SegNet语义分割构架下的图像语义分割模型可以有效地对滨河景观各类要素进行分割，结果如图3所示，分割精度达到了实验要求。在此精度下的图像语义分割对各类标签的识别准确率均较高（表2），且整体的像素准确率（PA）达到0.93，平均交并比（MIoU）为0.74，可以精准地对城市滨河绿道图像进行批量处理，具有普适性。3.2视觉感知的影响因素3.2.1景观感知指标回归分析对影响因素进行相关系数矩阵分析的结果（表3）显示：影响因素之间的相关系数的数值低，并不存在很强的线性相关关系，这也从侧面说明了所设定的指标在景观感知中起到了不同的影响。同时，计算自变量的方差膨胀系数，结果显示自变量不存在多重共线性。另外，依据不同指标的偏态分布情况，对部分指标进行了对数处理，使其更接近正态分布的指标数据，以加强回归的准确性。对因变量与自变量进行多元线性回归，结果见表4。整体的F检验的统计值为5.102，总的回归方程具备显著性。通过残差异方差检验，可认定为无异方差情况。3.2.2bvi与ifi、rtg的相关性从影响因素的系数统计结果（表4）可以看出，共有5项景观特征（GVI、BVI、WO、IFI和RTG）对视觉感知有显著影响。其中，有关河流的参数影响作用更强：（1)GVI、WO对视觉感知有极显著影响（P<0.01），呈正相关关系，BVI和IFI对视觉感知有显著影响（P<0.05），呈负相关关系；（2)RTG在P<0.10水平下对视觉感知的影响显著，呈负相关关系。其他影响因素不具有统计学意义。从表3中对BVI进行进一步分析发现，BVI与WG之间的相关系数为0.71（大于0.6），相关性强，且为正相关。当BVI高时，滨水的安全性与围护需求高，而现有围栏美观度较差，对整体的视觉美感有消极影响，呈现出BVI越大视觉体验感反而不佳的情况。在BVI<0.005的情况下，视觉对水体的感知程度极低，对BVI进一步划分为两类数据（BVI<0.005,BVI≥0.005），从图4的比较研究中可见，有水体的场景视觉感知评价明显高于近乎无水体的场景，水体的存在与否对视觉感知影响更重要。3.3城市公园滨河绿道景观空间特征根据各项指标的影响作用程度，对视觉感知有显著影响的5项景观特征进行视觉感知地图绘制，结果如图5所示。GVI：从整体而言，二环水系的北部比南部拥有更多滨河绿化，绿视率更高。南部的通惠河与护城河段滨河道路两侧以垂直驳岸为主，植物种植余地有限；京密引水渠段滨河道路上层为植物护坡，绿化余地充足，但现有植物层主要为草本植物，层次与植物种类单一，绿视率偏低，导致视觉效果差。WO：由于二环水系渠化河道宽度变化幅度较小，滨河自然开阔度较为统一，整体较佳，南部略优于北部。其中，北护城河和南长河段的滨水绿道与水体间有植物分割，体量大的灌木与小乔木对视线造成了遮挡，WO较低，增加了滨河步道空间的局促感与压迫感。BVI：二环水系的水体可见性呈现出均质状态，但局部点位出现水体不可见或水面在视线中占比过大的情况。北护城河、北土城沟和南长河由于滨河绿道与水体间有植物阻隔，出现少量不连续的水体可见性差的场景；京密引水渠与永定河引水渠段由于滨河绿道与水面的高差小，滨水护栏高度低，BVI占比高。IFI：研究区域河道治理情况良好，干扰因素占比整体较低。其中，复层式驳岸由于绿道和城市道路间的高差较大，可减少城市建设对滨水绿道的视线干扰，但北土城沟复层式驳岸地段高差小，视线受城市道路的车辆干扰；北护城河和南长河的单层式驳岸段，主要受城市道路上的机动车和停放在滨河绿道上的非机动车干扰。RTG：受城市滨河空间的限制与滨河场景连贯性的影响，滨水植物种植在一定距离内具有相似性，RTG呈现出按河道划分的特征。南护城河、北护城河、护城河段的RTG偏低，永定河引水渠段的RTG偏高。4讨论和结论4.1图像语义分割技术在滨河绿道景观中的应用现有开源的SegNet图像语义识别技术对滨河景观的图像识别有所缺陷。本文借鉴街道景观研究中利用街景图与SegNet处理图像进行景观特征分析的方法，结合深度学习算法中的图像语义分割技术训练适用于滨河绿道全景图像分割模型，准确率达到0.93,MIoU达0.74，可精准地对城市滨河绿道图像进行批量处理，具有普适性。图像分割结果可为设计师、规划师、公共环境研究者与其他更多领域的专家研究滨河景观提供行之有效的图像量化处理方法，为人本尺度的滨河景观规划设计与多方研究提供有力支持。4.2空间景观视觉影响本研究采用游人视角的全景图像，根据图像语义识别可测度内容制定评价指标体系，通过回归模型，确定5类对视觉感知有显著影响的因素。其中，绿视率、滨河自然开阔度呈正相关关系；蓝色视野指数、干扰因素指数、乔灌草比率呈负相关关系。因此，本文从影响显著的5项指标出发，根据影响作用的强弱进行权衡，提出其他地区中小尺度渠化滨河绿道也可以借鉴的视觉感知质量提升的多种策略。研究结果显示GVI和WO对景观视觉质量有积极影响，但在实际场景中，GVI的提升可能会因树木冠幅的遮挡而降低WO。为兼顾两者的积极影响，对视觉感知的效果提升可从水平和垂直两个方向进行改进：（1）水平方向，应尽量保证滨河道路临水侧天空与视线的开敞（图6a），在水流较平缓地段，通过生态驳岸施工技术对现有缓坡型硬质驳岸进行软化处理，滨水侧绿地以乔草和草本植物种植为主（图6b）；丰富远水侧的植物丰富度与种植层次，减少硬质元素的占比，远水侧采用乔灌草复层种植和针叶阔叶树搭配种植的形式，乔灌木种植于后方，丰富林冠线起伏变化和增强视线中的植物占比（图6c）。（2）垂直方向，当挡墙不具有座椅等功能（高于0.5m）时，可通过对挡墙前进行绿化的方式提升绿视率，增加窄的植物种植带，进行垂直绿化，从视觉上打破水平面与垂直面贯穿的连续硬质效果（图6d）。由于滨河空间要考虑防洪的功能需求，河道宽度不可变窄，且扩展余地有限，对BVI的调整尽量从其他景观要素入手。本文中发现水体对景观美景度的提升有促进作用，与前人的研究结果一致滨河环境中干扰元素占比虽少，但景观满意度与视觉吸引力高度相关乔灌木与地被的比重是影响RTG的关键。地被护坡是河道近自然化的体现，可缓解硬质河道的空间压迫感；乔灌草的种植模式优于乔灌式种植，有利于提升植物层次丰富度，增强了视觉开敞度与空间通透感。由于RTG受滨河种植空间的限制，只有水平方向的绿化种植余地较大或现有功能可置换为植物种植的河段才有机会调整RTG。应先对视觉影响作用大的要素进行调整，且RTG的调整不能与其他要素的调整相矛盾。处理手法主要为：（1）滨水驳岸在满足行洪与安全需求的情况下，做近自然化处理（图6b);(2）在植物护坡情况下，近滨水道路侧留出草坪与地被，乔灌木种植于绿地的后方，以提高空间的开敞性，增加植物层次感与丰富度（图6c）。在指导河道和周边空间的规划设计时，应优先考虑GVI和WO的提升，以增强河道自然景观的吸引力；通过调整水体可见性、滨水围栏、水面丰富度，调节BVI；在环境整洁的基础上，根据驳岸形式进行IFI的调整；对RTG调节时，注意不能与其他4项指标相冲突，在此基础上，调节植物种植结构。此结论适用于对城市大规模的硬质驳岸滨河图像进行区域景观特征分析，实现了大尺度下人本视角的全域特征识别，是滨河绿道景观规划设计分析技术的有效拓展。4.3．“视觉感知自适应”的