作者 | 劉瀏
題圖 | ZCOOL
如果一座城市的樓房、街道、汽車、人、樹木、都可以被標記，並被轉化為可量化的評分體系，那麼人與空間的感知關係則會擁有更多可能。上週的數據俠實驗室，DT君邀請到城室科技的CEO劉瀏老師。他們基於人工智能的深度學習技術，將城市街景進行視覺感知評估，為我們認知城市提供了新的思考。
▍環境要素識別
要素識別，顧名思義就是對於影像資料當中的所有元素的確定。要素識別一般有三種方式：第一種是對象識別，比如識別一個人或者一輛車，在它上面會有一個邊界框顯示出來；第二種是場景切割，通過識別圖像當中屬於一個類別的像素點，計算出它在畫幅當中的所佔比例；第三種是場景識別，也就是識別出一個東西所在的場景。
圖片說明：對象識別
場景切割識別經常用在城市規劃相關的一些案例中，其中環境要素識別是很重要的一塊，包含了對街道建築開闊度、街道天空開闊度、街道空間綠視率、街道視覺場景開闊度的識別。要識別這些要素，首先要獲取城市所有的街道影像，接著把圖片上所有的像素點進行場景切割識別，最後識別出其中的建築面積、天空、綠化率等信息。
圖片說明：城市的環境要素識別
得到建築、街道等環境要素的數據以後，計算出建築在圖片畫幅中的佔比， 將數據加權平均之後，可以在地圖中渲染出建築視覺密度分佈3D圖，用到的地圖渲染工具是deck.gl。比如下圖的上海市建築視覺密度分佈3D圖，可以看到上海的中心區視覺建築比較密集，特別是浦西，雖然浦東的高建築比較多，但是建築的視覺密度跟道路的寬度有關，所以浦東的建築視覺密度沒有浦西那麼大。另外，一些上海各個郊區或者郊縣等城市節點都可以在圖中看出來。
圖片說明：上海市建築視覺密度分佈3D圖
接下來是交通要素識別的案例。城市街道物體要素識別是近年來較為先進的城市街道研發方案。2017年2月谷歌曾利用街道識別預測美國總統大選、人口統計等。
儘管拍攝時間相對靜止，但城市市區的街道影像基本的時間更新尺度一致，所以單個城市內部的要素可比性高。
北京市的街道行人、車輛、自行車的分佈具有空間規律，比如中關村的非機動車比例較高，而東單、朝陽大悅城地區的行人較多，街道活力更好。
圖片說明：交通要素識別
通過對城市街景進行分析，我們在102萬北京市街道影像的照片中識別出了215萬的行人，將這些數據放在城市中做出3D效果圖，可以直觀地反映出北京從二環到五環的人群分佈狀態。從下圖可以看到在中關村、西單、東單、世貿天街這些比較大型的商業綜合體周圍，街道上的步行行人數量明顯比其他地方多。
圖片說明：從102萬北京市街道影像的照片中識別出215萬的行人
圖片說明：北京市行人密度3D效果圖
通過對城市街景的分析，我們團隊在102萬北京市街道影像的照片中識別出了780多萬的車輛，以及34萬的大型貨車、29萬的自行車。
圖片說明：在102萬北京市街道影像的照片中識別出了780多萬的車輛
最後是品質要素識別的案例。我們將上海市的非正規流動攤販識別了出來，還可識別攤販在圖片中的區位。
圖片說明：識別上海市非正規流動攤販
圖片說明：上海街道攤販分佈地圖
品質要素識別的第二個案例是識別店招和廣告牌，在一些非一線城市有很多雜亂的店，它們的招牌對城市整體的風貌有一定的影響。從圖像信息中識別出廣告牌的信息是比較難的，因為廣告牌裡面會有很多東西。最終，我們團隊在上海市的主城區裡面找了大概1200多塊廣告牌。
圖片說明：識別店招和廣告牌
要素識別還包括了城市色彩風貌分析、江岸風貌分析、天際線分析等。基因色是城市視覺體驗的基礎，也是構成城市色彩的基本單元，基因色庫是城市色彩分析的顏色庫，由目標數據以360維構造高維度數組獲得。
圖片說明：360維色彩提取
圖片說明：城市色彩基因色庫
通過提取城市圖片中的色彩做成城市色彩基因庫，基因色是城市視覺體驗的基礎，也是構成城市色彩的基本單元。城市色彩分析的第一步就是對全域色彩基因構成的比例差異進行分析。
圖片說明：城市色彩基因分析
圖片說明：城市色彩基因
場景分割的方法除了應用在城市影像中，在自然環境中同樣可以使用。比如在一個項目中分析錢塘江的江景岸線風貌，把其中自然山水的要素提取了出來。通過視覺意象的抽稀提取，提取出天空、水、建築、植被、山體等自然山水要素。
圖片說明：錢塘江江景岸線分析
圖片說明：自然山水的視覺意象抽稀提取
通過分析發現，錢塘江岸線邊上的房地產開發商做得比較誇張，有一些局部岸線的自然山水風貌已經徹底被人工的高層建築遮蔽了。最後，我們將數據整合到了一個可交互的網頁中，將所有類別的數據做成波浪圖，其中黃色部分代表的是建築，通過拉動滾動條，可以看到整個錢塘江沿線的岸線比例變化，看到哪一段出現大量影響岸線風貌的建築。
▍感知評分
感知評分是針對情感類的感知及空間感的深層次的挖掘，是研究人與空間的關係，研究天空、建築等要素對人的感受的影響。
在城市慢行環境導航這個案例中，我們使用了基於大眾的感受進行人工智能訓練打分的方法，根據大規模個體感知評分計算單張圖片的安全感知評分，再將感知評分運用於城市街景進行重新打分，結合步行導航軟件，為出行體驗提供更為人性化的感知評價。
圖片說明：街道感知地圖
比如說給人展示以下兩張圖片，一張是底特律，一張是上海的人民廣場，然後讓人選擇喜歡哪一張，或者說走哪一張會走起來感覺比較安全，當人做出選擇之後就相當於完成了一次統計。
圖片說明：底特律VS上海的街道
具體的操作實踐中，我們會將打分系統放到網上給大量人的人對城市圖片進行打分，再將回收的數據用機器學習的方法映射組合起來，電腦就會學會鑑別城市圖片給人的感受是怎樣的。
這就是利用了機器學習的原理，讓機器模仿人去給新的圖片打分，在這個過程中，人就被解放出來了。機器可以給全城的所有圖片打分，來判斷每個地方給人的感受是怎樣的。
圖片說明：人工智能城市圖片打分系統
環境要素跟人的感受的關係不一定是正相關，也不一定是負相關。比如說天空在畫面當中的感受，天空非常窄的時候，安全感其實是不太好的，但是當天空特別寬的時候，它給人的安全感也不是特別好，這是一個比較複雜的關係。
在下圖中，對比的是上海和東京的綠化率，黃色的點點代表的是照片裡面拍到的建築，綠色點點代表的是照片裡面拍到的綠化。上海和東京，這兩個城市的綠化率其實都是非常低的，基本上都不到5%，但是我們可以發現東京的照片其實看上去非常的綠，它的綠色視覺度可以佔到53%。這其實是跟東京和上海兩個城市的政策有關，上海的政策是每年要完成多少綠地建設指標，而東京是每年把公園做好規劃，讓更多的人去遊玩。
▍整合多元數據分析
數據融合是指將不同城市的空間信息和數據跟影像數據進行融合。比如分析街道的高寬比，通過對18萬幢北京市市區的建築模型進行空間分析，疊合北京市14萬條高德地圖的路網數據後，綜合分析得到全市街道高寬比數據。基於超過18萬的城市街道空間取樣點的分析數據，發現北京市的大馬路太寬了，導致所有的高寬比都遠遠大於1：3。
依據原先的城市街道的高寬比數據，將城市街道中所有與之相關的城市街道影像資料作為標定數據的分割進行訓練，綜合建立全新的城市高寬比人工智能分析模型，通過數據的方式體察街道的整體空間感知。
圖片說明：測量街道高寬比
最後，我們團隊將城市影像數據的分析結果放到了CITYFACE平臺上，供更多人使用。
圖片說明：CITYFACE城市影像分析平臺
其中有分析平臺、計算平臺和分析平臺，包括了城市視覺要素分析、城市意象分析、城市色彩色譜分析、城市風貌相似度分析等功能。
另外，用於描述城市的個性和特徵的還有千城一面指數，其涵蓋了全國300多個城市的街道風貌影像，可以對比不同城市的風貌。
注：以上內容根據嘉賓劉瀏在數據俠線上實驗室的演講實錄整理。圖片來自其現場PPT，已經本人審閱。點擊“閱讀原文”，獲取作者直播回放。本文僅為作者觀點，不代表DT財經立場。
期待更多數據俠乾貨分享、話題討論、福利發放？在公眾號DT數據俠（ID：DTdatahero）後臺回覆“數據社群”，可申請加入DT數據社群。
▍數據俠門派
本文數據俠劉瀏，城室科技CEO&聯合創始人，麻省理工學院城市規劃碩士，同濟大學城市規劃本科，曾任中國城市規劃設計與研究院上海分院專業研究員，紐約MTA地鐵局數據分析員，擁有多年城市數據分析處理經驗。
▍加入數據俠
“數據俠計劃”是由第一財經旗下DT財經發起的數據社群，包含數據俠專欄、數據俠實驗室系列活動和數據俠聯盟，旨在聚集大數據領域精英，共同挖掘數據價值。瞭解數據俠計劃詳情請回復“數據俠計劃”，申請入群請添加DT君微信（dtcaijing003）並備註“數據社群”，投稿、合作請聯繫[email protected]。
閱讀更多 DT財經 的文章
