[發(fā)明專利]一種基于跨連CNN+SVR的街道空間品質(zhì)量化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910341553.6
• 申請(qǐng)日: 2019-04-26
• 公開（公告）號(hào): CN111860039B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 卿粼波;計(jì)浩浩;何小海;熊珊珊;王正勇;吳曉紅
• 申請(qǐng)（專利權(quán)）人: 四川大學(xué)
• 主分類號(hào): G06V10/80
• 分類號(hào): G06V10/80;G06V10/82;G06V10/766;G06V10/774;G06V20/00;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供了一種基于跨連CNN+SVR的街道空間品質(zhì)量化方法，主要涉及利用跨連卷積神經(jīng)網(wǎng)絡(luò)提取街景圖片特征，并將提取的特征作為支持向量回歸模型的輸入特征量化街道空間品質(zhì)。該方法包括：通過收集街景圖片并進(jìn)行處理，制作相應(yīng)的數(shù)據(jù)集，進(jìn)而訓(xùn)練跨連CNN+SVR網(wǎng)絡(luò)，得到網(wǎng)絡(luò)的參數(shù)模型，利用參數(shù)模型進(jìn)行街道空間品質(zhì)的量化。本發(fā)明充分發(fā)揮了機(jī)器學(xué)習(xí)的優(yōu)越性，減輕了研究人員在街道空間品質(zhì)調(diào)查中的巨大工作量，并為相關(guān)研究提供了重要的數(shù)據(jù)支撐，為城市規(guī)劃領(lǐng)域研究街道空間品質(zhì)提供了新思路。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分析領(lǐng)域中的街道空間品質(zhì)量化分析問題，尤其是涉及一種基于機(jī)器學(xué) 習(xí)的街道空間品質(zhì)量化方法。

背景技術(shù)

人工智能與醫(yī)療、教育、環(huán)境治理以及城市規(guī)劃等領(lǐng)域的結(jié)合，將極大促進(jìn)城市公共服 務(wù)精準(zhǔn)化，全面改善人民的生活質(zhì)量水平。目前，關(guān)注智慧城市的建設(shè)是我國(guó)目前的熱點(diǎn)方 向。城市公共空間主要包括街道、商場(chǎng)、廣場(chǎng)以及公園等多功能區(qū)域，而其中的街道，相當(dāng) 于城市的“骨骼”。街道作為展現(xiàn)城市經(jīng)濟(jì)、生活面貌的舞臺(tái)，也是凸顯地方特色的重要窗口。 良好的街道空間品質(zhì)不僅可以形成友好和諧的鄰里生活環(huán)境，增加人們生活的幸福感，同時(shí) 可以吸引外來游客，帶動(dòng)地方商業(yè)發(fā)展和旅游經(jīng)濟(jì)，提升城市的活力和經(jīng)濟(jì)價(jià)值。因此本發(fā) 明主要針對(duì)街道空間品質(zhì)進(jìn)行量化分析，對(duì)我國(guó)現(xiàn)階段的智慧城市發(fā)展具有一定的理論價(jià)值 和實(shí)踐意義。

近些年量化街道空間品質(zhì)的方法，主要是針對(duì)某一特定街道區(qū)域，采用問卷調(diào)查、現(xiàn)場(chǎng) 調(diào)研等人工主觀評(píng)分方式收集數(shù)據(jù)信息。傳統(tǒng)調(diào)研方法雖然可以獲得全面、詳細(xì)的街道環(huán)境 信息，但是完成一份調(diào)研非常費(fèi)時(shí)費(fèi)力，難以進(jìn)行大規(guī)模的客觀量化，因而無法用于大范圍 的城市定量研究，也難以精確到街道尺度。

街景圖片是對(duì)城市公共空間場(chǎng)景較為真實(shí)的展現(xiàn)，具有真實(shí)感豐富、信息度強(qiáng)等特點(diǎn)， 且獲取便利，為城市街道空間品質(zhì)的評(píng)價(jià)提供了新的機(jī)遇。在此背景下，本文就新興的街景 圖片大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)，對(duì)街道空間品質(zhì)量化研究進(jìn)行初步探討。本發(fā)明利用機(jī)器學(xué)習(xí) 技術(shù)，采用跨連卷積神經(jīng)網(wǎng)絡(luò)CNN+支持向量回歸SVR網(wǎng)絡(luò)量化街道空間品質(zhì)屬性。該發(fā)明 給城市規(guī)劃者調(diào)查街道空間品質(zhì)節(jié)省了巨大的工作量，提供了重要的數(shù)據(jù)支撐，并為調(diào)查領(lǐng) 域研究街道空間品質(zhì)提供了新思路。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于跨連CNN+SVR的街道空間品質(zhì)量化方法，將機(jī)器學(xué)習(xí)與 街道空間品質(zhì)屬性相結(jié)合，充分發(fā)揮機(jī)器學(xué)習(xí)自我學(xué)習(xí)的優(yōu)勢(shì)，可以解決目前研究人員調(diào)查 街道空間品質(zhì)工作量大的問題。

為了方便說明，首先引入如下概念：

卷積神經(jīng)網(wǎng)絡(luò)(CNN)：受視覺神經(jīng)機(jī)制的啟發(fā)而設(shè)計(jì)的，是為識(shí)別二維形狀而設(shè)計(jì)的一 種多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平移、比例縮放、傾斜或者其他形式的變形具有高度不變性。

AlexNet網(wǎng)絡(luò)：該網(wǎng)絡(luò)是一個(gè)8層的網(wǎng)絡(luò)，包含5個(gè)由卷積(Convolutional,Conv)層和3 個(gè)全連接(Fully Connected,FC)層。AlexNet主要具有如下新技術(shù)點(diǎn)：成功使用ReLU作為激活 函數(shù)，使用Dropout避免模型過擬合，數(shù)據(jù)增強(qiáng)，提出LRN(Local ResponseNormalization) 層以及使用GPU加速等。

支持向量回歸(SVR)：支持向量機(jī)(SVM)的一種，通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小函數(shù)來提高學(xué) 習(xí)機(jī)泛化能力，使其在輸入數(shù)據(jù)量較少的情況下，亦能獲得良好的統(tǒng)計(jì)規(guī)律。SVR非常擅長(zhǎng) 解決復(fù)雜的具有中小規(guī)模訓(xùn)練集的非線性問題，甚至在特征多于訓(xùn)練樣本時(shí)也能有非常好的 表現(xiàn)。

跨連CNN+SVR網(wǎng)絡(luò)：將跨連CNN與SVR結(jié)合，提取訓(xùn)練好的CNN特征作為SVR回 歸模型的輸入特征。

Caffe框架：一個(gè)清晰而高效的深度學(xué)習(xí)框架。Caffe中的網(wǎng)絡(luò)都是有向無環(huán)圖的集合， 數(shù)據(jù)及其導(dǎo)數(shù)以blobs的形式在層間流動(dòng)，主要應(yīng)用在視頻、圖像處理方面。

本發(fā)明具體采用如下技術(shù)方案：