基于街景影像的交通护栏空间分布特征研究

杜 坤，宁津生，田 莉，闫 利，常 坤

（1.武汉大学 测绘学院，湖北 武汉 430079；2.清华大学 建筑学院，北京 100084）

交通护栏作为道路交通设施，是传递交通管理信息的道路语言，对交通安全和日常活动有显著作用和影响。基于传统的城市空间数据，研究交通护栏提取及其分布情况将面临较大挑战，相关研究也较少。近年来，随着以街景影像为代表的新兴数据和计算机视觉技术的快速发展，为更好地了解交通护栏分布提供了新的数据源和更好的处理办法。

本文主要研究利用街景影像获取交通护栏空间分布特征的方法，拟利用卷积神经网络（CNN）模型[1]对街景影像中是否包含护栏进行识别判定，并根据判定的包含护栏的街景位置信息，对护栏空间分布特征进行研究。本文选取的研究区域为北京五环内和上海外环内地区，它们分别作为我国的政治中心和经济中心，具有典型意义。

1 街景影像的获取与应用

街景地图作为实景地图，沿城市街道采集，具有覆盖范围广、数据量大的特点，可实现360°全景图像的浏览体验，解决了二维电子地图完整性和直观性欠缺的问题，在城市基础设施管理、景点展示、公众出行和安全应急等方面具有广泛的应用价值。地图供应商通常会提供API开发接口，供公众免费下载使用。街景影像移动测量系统主要包括在机动车上装载的全球定位系统、视频系统、惯导系统（INS）等传感设备。当车辆行驶时，采集系统可对车辆周围环境进行快速摄录，经过处理即可制作为采集点的全景地图，再通过采集点之间的无缝切换，展现街景地图[2]。

2007年谷歌街景地图诞生后，相关研究表明，与费时费力的实地考察相比，利用街景影像来审视建成环境具有很好的效果[3-4]。2012年以来深度学习极大地推动了图像识别的研究进展，突出体现在ILSVRC和人脸识别等方面，且正快速推广到城市空间研究领域，这不仅为研究街景影像内容提供了更有效的方法，而且促进了城市空间领域研究内容的拓展革新。Doersch C[5]等利用计算机视觉和深度学习等方法，基于街景影像分析了巴黎的视觉元素。Khosla A[6]等试图证明通过深度学习技术，电脑可以和人脑一样通过观察一张简单的街景图片来判断周边潜在的场所以及犯罪率。YIN L[7]等基于谷歌街景地图，运用机器学习方法自动识别了街道的行人数量。Naik N[8]等使用计算机识别技术对海量的街景图像进行了测算，将获得的数据与社会经济学指标相结合进行分析，探索城市在社会经济方面的演变与物质形态变化之间的关系。近年来，在城市空间领域，利用深度学习技术对街景影像的研究逐渐增多并日趋成熟，这将有助于提升该领域的研究深度和广度，为大范围高精度地刻画街道空间要素信息（交通护栏等）提供可能。

2 提取护栏分布道路的方法

基于街景影像，融合深度学习和GIS技术，可较为准确地提取护栏分布道路，具体步骤为爬取街景影像、识别交通护栏、道路数据处理和提取护栏分布道路4个阶段。

2.1 爬取街景影像

本文采用网络爬虫法，以ID查询的方式获取腾讯街景地图上北京五环、上海外环以内带有位置信息的街景影像。腾讯街景地图API提供的URL下载链接为：http://apis.map.qq.com/ws/steetview/v1/image?sieze=600*400&location=39.908,116.398&heading=328&pitch=0&key=AYRBZ-QA3WO-36QWM-SKS4H-T7VGE-7KBMD。其中，size为街景图片分辨率，单位为像素；location为腾讯街景地图使用的火星坐标系（GC-J-02）坐标，第一项为纬度，第二项为经度；heading为航向角，表示拍摄图片时相机镜头的水平朝向与正北向之间的夹角，取值范围为0～360°；pitch为俯仰角，表示拍摄时相机镜头与水平基准线的夹角。

水平视角下（pitch=0），在每个点位东西南北4个角度（heading=0、90、180、270）各抓取一张影像，图片大小为600像素×400像素。北京和上海分别累计采点193 549个和193 022个，共分别爬取街景774 180张和772 060张；各点位平均间隔距离分别为20.3 m和21.1 m；北京和上海街景采集日期主要集中在2015年10月和2014年7月。

2.2 识别交通护栏

CNN作为深度学习中的一种基本模型，是多层次结构的神经网络。它通过局部感知区域、下采样和权值共享等方式，减少了网络学习参数，提高了特征的鲁棒性和稳定性。CNN在处理复杂图像时具备一定优势，可自动完成特征提取，减少了人为干预[1,9]。ImageNet作为著名的计算机视觉系统识别项目，拥有目前世界上可供图像视觉训练最大的数据库。本文基于ImageNet模型提取预训练权重值，在已构建的随机人工选取的北京、上海各500张含有交通护栏街景影像的样本库中进行微调，进而得到影像中含有交通护栏的高维特征及其对应的权重参数（图1）；再利用该参数处理所有待匹配影像，结果（图2）表明识别含有交通护栏街景影像的准确率可达98%。本文随机选取北京和上海各250张模型中判断包含护栏概率大于50%的影像进行人工判读，结果表明，图像成功辨别率分别为92.8%和90.4%，其中路边围栏、斑马线、建筑立面等包含类似护栏的图像特征会对正确判别护栏有一定影响。

2.3 道路数据处理

本文选用Open Street Map（OSM）作为道路源数据。OSM作为开源地图，数据更新快，实用性强，在使用中影响因素较少，且在北京、上海等大城市的数据信息（包括道路等级信息）较为完善。考虑护栏主要分布的街道等级和后续拓扑处理工作，删除非道路类数据（河流水系等）以及快速交通路、街坊路和小区内部路等数据。根据道路等级将保留数据重新划分为主干路、次干路和支路3类（表1）。为提高研究精度，将保留数据进行拓扑处理，使得所有道路在相交处断开。

图1 基于ImageNet预训练模型的CNN识别判断结果示例

图2 识别出含交通护栏的街景位置点

表1 OSM保留的数据类型

2.4 提取护栏分布道路

在识别单张街景影像中是否含有交通护栏以及对道路进行拓扑处理的基础上，判断各条道路是否包含交通护栏，并进行提取。经多次比较试验，最终确定以统计主干路在27.5 m缓冲区范围内、次干路在22.5 m缓冲区范围内和支路在10 m缓冲区范围内含有的交通护栏影像次数作为判定结果较为理想。为提高判别护栏分布道路的精度，降低围栏等类似图像特征造成的影响，将包含交通护栏次数不小于两次且长度大于20 m的道路作为最终的护栏分布道路。通过上述步骤，可保证经确定的护栏分布道路有很高的准确性。

3 北京与上海护栏空间分布特征

3.1 护栏分布的长度与密度特征

因街景采集覆盖较为全面，经过上述处理能较全面地反映交通护栏在北京、上海不同圈层和不同等级道路的总体分布情况和细节特征（图3）。

北京五环内，设置护栏的道路总长度约为799.49 km，设置护栏的主干路、次干路和支路的总长度分别约为114.44 km、239.22 km和445.831 km，占对应等级道路总长度的比重约为58.53%、50.84%和13.68%。五环各圈层内，设置护栏的道路总长度呈由内环向外环逐渐增加的趋势（表2）；从不同道路等级来看，二环、三环内主干路上，三环、四环内次干路和支路上设置的护栏长度更长，其比重超过同等级道路的其他圈层。在护栏分布的密度方面，设置护栏的道路密度为0.001 19 m/m2，总体呈由内环向外环逐渐降低的趋势；各圈层内不同等级道路按道路密度大小排序依次为支路、次干路和主干路（表3）。

上海外环内，设置护栏的道路总长度约为889.35 km，主干路、次干路和支路的总长度分别约为293.84 km、270.47 km和325.04 km，占对应等级道路总长度的比重约为55.79%、48.08%和10.26%。不同圈层内，护栏分布在各等级道路的长度排序依次为中环、外环和内环（表2），其中内环、中环内主干路上，中环内次干路和支路上设置的护栏长度更长。在护栏分布的密度方面，设置护栏的道路密度为0.001 34 m/m2，总体呈由内环向外环逐渐降低的趋势（表3）。

综上所述，北京五环和上海外环内护栏分布较为一致的特征为：设置护栏的道路总长度由内环向外环逐渐增加，分布密度由内环向外环逐渐降低；道路等级越低，设置护栏的长度越长。比较而言，北京设置护栏的主干路和次干路总长度占对应等级道路的比重约高于上海5%，但支路比重高于上海33%。两地最主要的差异在于，北京各等级道路不仅在机动车道间、机动车道与非机动车道间设置交通护栏，而且在非机动车道与人行道间也设置了大量护栏，设置总长度超过370 km（图4），这也解释了为何北京与上海中心区域内在主干路与次干路上设置护栏的长度比重差异不十分显著的情况下，直观感觉北京交通护栏分布更多的原因。

图3 交通护栏分布图

表2 交通护栏在各等级道路上分布的长度情况

表3 交通护栏在各圈层内分布的密度情况

图4 北京街道上设置的多重交通护栏

3.2 护栏分布的空间集聚特征

为更好地展示护栏分布特点，在研究区域内建立渔网，设定渔网每个正方形网格边长为500 m，以每个网格内护栏分布长度之和为研究字段进行全局空间自相关分析。结果表明，北京、上海地区的Moran’s I指数均大于0且p值均为0，z值分别为20.67和17.38，在1%显著水平下可通过假设检验，说明北京五环内和上海外环内的交通护栏分布均存在空间正相关，即护栏分布存在较为明显的聚集趋势。通过热点分析（图5）可知，北京的热点区域主要分布在三环以内以及北四环的奥体中心和中关村区域，绝大部分冷点区域分布于五环圈层区域；上海的热点区域主要分布在内环的陆家嘴和上海火车站，中环的世博园、古北区和大宁商圈，大部分冷点区域分布于外环圈层。此外，北京的热点、冷点区域面积比重均明显高于上海，不显著面积比重低于上海（图6），表明北京交通护栏分布的聚集区域和零散区域均多于上海，不同于上海呈现的若干块区域护栏聚集的特征，北京三环以内已表现出连片的护栏聚集态势。

图5 护栏空间分布热点分析

图6 热点、冷点区域面积比重比较

4 结 语

本文基于街景影像，利用ImageNet预训练模型的CNN和GIS技术，提出了一种提取设置交通护栏道路分布的方法，并利用该方法对北京和上海中心城区的护栏空间分布特征进行了比较研究。结果表明，街景影像为研究城市街道空间提供了丰富的内容和位置信息，该方法能有效识别交通护栏，为研究护栏空间分布提供较为准确的位置信息。本文根据识别的护栏位置信息进一步研究表明，北京五环和上海外环内设置护栏的道路总长度分别约为799.45 km和889.35 km，设置护栏的道路密度分别为0.001 19 m/m2和0.001 34 m/m2。两地较为一致的空间特征包括设置护栏的道路总长度由内环向外环逐渐增加，分布密度由内环向外环逐渐降低；道路等级越低，设置护栏的长度越长。两地护栏分布的主要差异在于，尽管北京设置护栏道路的长度和密度均低于上海，但北京在各等级道路设置的多重护栏长度超过370 km。两地的护栏分布均存在较为明显的聚集趋势，北京交通护栏分布的聚集区域和零散区域均多于上海，不同于上海呈现的若干块区域护栏聚集的特征，北京三环以内已表现出连片的护栏聚集态势。

本文仍有相关问题有待关注和进一步完善：①虽然城市整体层面的护栏分布趋势较为稳定，但本文仅基于短期内的街景影像进行研究，是对城市的截面固态研究，而非连续动态研究，未包含对城市设置护栏存在变化以及因道路施工等原因而临时设置护栏的考虑；②研究中交通护栏在不同等级道路的分布、长度并不能保证完全精准，因为街景采集虽在北京、上海等大城市覆盖区域较广泛，但并未完全覆盖研究区域内的所有车行道路。