街景数据在城市专用自行车道的体检评估应用

彭婧麟 张澍

一、引言

随着中国城市化进程的发展，交通拥堵、住房紧张等“城市病”不断涌现，许多城市建立了实时监测、定期评估、动态维护的城市体检评估机制[1，2]。城市专用自行车道作为重要的体检指标，在绿色出行设施评估方面扮演着重要角色[3]。然而，由于部门获取渠道不畅、人工调研成本较高等问题，增加了该指标的获取难度。街景数据凭借其开放性等特征，广泛应用于街巷视角的城市问题分析中，为专用自行车道的提取提供可能[4，5]。本研究通过OSM道路交叉口设置采样点，爬取赣州市建成区百度街景数据，利用图像识别技术、特征提取算法和随机森林分类含有自行车道的图像，对采样点重新赋值，提取专用自行车道，应用于城市体检工作之中。本研究应用的方法能够应用于赣州专用自行车道的提取工作，有助于为城市专用自行车道等体检指标提供数据和方法支撑。

二、研究区与数据

本研究选择赣州市建成区作为研究区域。市辖区建成区范围为市辖区内实际已开发建设并集中连片、基本具备基础设施和服务设施的区域，截至2020年底，市辖区建成区面积为202.48平方公里，人口197.52万人。

本次研究选择OSM（OpenStreetMap）道路数据作为赣州市建成区路网数据，选择百度街景数据作为街景图像数据源。对OSM路网进行合并多车道、简化路网和拓扑处理，获取简化后的道路网数据。本研究选择道路端点采样采集街景数据，即在道路交叉口设置采样点，两个相邻交叉口均含有自行车道的，将两个交叉口之间的路段视为含有专用自行车道。因此在简化处理后的路网交叉口设置采样点。而后，基于百度开放平台街景API、采样点坐标采集赣州市建成区街景数据。

三、方法与结论

自行车道通常指地面划线或物理隔离的自行车独立路权的道路，不允许行人或其他车辆进入，通常包含划线自行车道、物理隔离的自行车道和混行自行车道。本研究主要针对地面划线或设置物理隔离的专用自行车道进行提取，这类自行车道具有颜色鲜艳或被花坛、栅栏等物理设施分隔的特征。Smith等人（2013）利用计算机图像识别技术和随机森林，分类街景图像中的人行道[6]。本研究从街景图像分类出专用自行车道的工作流程构建基于此框架：分别收集训练和测试数据，利用图像识别和特征提取算法分割每个街景图像，同时基于MATLAB半自动方式注释每个分割片段的真实标签。从图像中提取特征集，包括水平、垂直几何背景、RGB和HSV直方图以及分割片段位置信息等。采用随机森林对自行车片段进行学习，分类出含有专用自行车道的测试图像。最终，对采样点重新赋值，提取完整的专用自行车道。本流程基于MATLAB和ArcGIS实现，完成对专用自行车道的提取工作。

而后，通过人工检验方式，对机器学习的专用自行车道识别结果进行评价。通过图片识别正确率、节点识别正确率、路段识别正确率对评估精度进行评价，并采用路段识别正确率作为结果精度。进而，选择专用自行车道密度指标，对赣州专用自行车道建设情况进行评价。结果显示：（1）本研究所应用的方法针对专用自行车道提取的图片识别正确率为77.24%，道路识别正确率为83.56%，精度较高，能够应用于专用自行车道提取工作中。（2）赣州建成区整体专用自行车道密度达到1.51 km/km2，达到《城市道路交通规划设计规范》（GB502220-95）要求。

本研究通过对赣州建成区及各个组团专用自行车道密度进行计算，结合空间分布分析，分析其在城市体检工作中的应用。结果显示：（1）赣州各个组团专用自行车道建设情况存在较大差异，章贡区和蓉江新区相对较高，赣州经开区和赣县区相对较低。（2）章贡区、蓉江新区绿色出行设施和绿色出行占比较高，南康区、赣县区在公交站点覆盖率方面，赣州经开区、赣县区在专用自行车道方面相对薄弱，有待在城市建设中予以补足。

四、讨论

结果显示，本次研究中利用提取方法总体上能够很好地应用于提取专用自行车道。未来的自行车道的提取工作可以从合理利用多源数据、改善分类方法等方面进行优化。互联网地图在线标记功能为用户提供自愿分享和共享信息的接口，这类众包数据可以作为专用自行车道可靠、广泛的数据来源。无人机遥感数据也可以作為补充性数据汇入图像数据集。同时，在道路节点中间段位置增加采样点提高数据精准性。在算法方面，采用改进的图像识别和特征提取算法增加特征集精确度，加入更多提取特征如车道宽度等用于自行车道分类。

同时，针对结果应用方面，本研究在城市整体层面对专用自行车道密度进行计算外，从空间分布、指标关联两个角度对专用自行车道密度进行分析，分析各个组团绿色出行特征。由于本研究主要针对单个城市、单期数据进行分析，缺乏其他城市、其他年份的指标数据，有待从多时段、多城市对比等角度对赣州专用自行车道建设情况进行系统性的分析。

参考文献：

[1] 张文忠，何炬，谌丽.面向高质量发展的中国城市体检方法体系探讨[J].地理科学，2021，41（01）：1-12.

[2] 石晓冬，杨明，金忠民，等.更有效的城市体检评估[J].城市规划，2020，44（03）：65-73.

[3] 中华人民共和国住房和城乡建设部.住房和城乡建设部关于开展2021年城市体检工作的通知：建科函〔2021〕44号[A/OL]. （2021-04-30）[2022-01-07]. https：//www.mohurd.gov.cn/gongkai/fdzdgknr/tzgg/202104/20210430_250011.html.

[4] 叶宇，张昭希，张啸虎，等.人本尺度的街道空间品质测度—结合街景数据和新分析技术的大规模、高精度评价框架[J].国际城市规划，2019，34（1）：18-27.

[5] 李泽，关睿，李雪，等.基于多源数据的老城街区建成环境对居民BMI指数的影响研究[J].住区，2021（02）：47-55.

[6] Smith V， Malik J， Culler D. Classification of sidewalks in street view images[C]// International Green Computing Conference. IEEE Computer Society， 2013.