基于街景图像的城市景观与交通安全分析
2021-12-07鲁岳符锌砂
鲁岳 符锌砂
(华南理工大学 土木与交通学院，广东 广州 510640)
随着城市的建设规模和汽车的保有量显著增加，城市交通安全问题亟待解决。城市道路拥有更好的设计线形、更低的设计速度以及更复杂的视觉感知环境，因此驾驶员对行驶环境的感知与反馈会更容易影响城市的交通安全状况。同时，城市景观是驾驶员行驶环境的重要组成部分，驾驶员对城市景观的感知与交通安全的关系一直是领域内的研究方向[1-2]。因为缺乏城市景观的完善数据，并且对图像中视觉信息的量化提取一直是个挑战，研究者对城市景观的过往研究主要采用定性的方法，所得到的结果缺乏正确性和可靠性。
事实上，研究人类对一个地点或场景的感知一直以来是很多领域所关心的课题[3-5]。随着街景地图的完善，大量带有地理信息的街景图片被公开，为各种领域的研究提供了新的视角[6]。街景是赋予时间和空间信息的图片，这些图片可以覆盖城市内的所有视觉环境。因此，街景图片可以用来直观地表示城市景观，越来越多的研究利用街景图像探究人对社区设计和建筑环境的感知情况[7-8]。同时，得益于深度学习在计算机视觉方面的快速发展，其强大的特征提取能力帮助理解街景图像中各像素涵盖的语义信息，提升对城市场景信息的理解能力[9]，也提供了城市景观与交通安全的量化手段。通过不断增加的街景图像信息和高效率的图像分割手段来建立城市景观与交通安全之间的量化关系让高效率和大规模评估城市的交通安全状况成为一种可能。
鉴于此，本研究采用海量开放的街景图片作为城市景观的数据来源，并利用深度学习等方法从众源数据中提取不同的量化指标来构建基于街景图像和深度学习的城市景观与交通安全的量化框架，该框架被用于进一步探究城市景观与交通安全之间的联系。
1 数据来源
深圳市是中国最年轻的一线城市，其数据的采集和存储平台更加完善，有助于研究的数据采集工作。其次，深圳的老城区、郊区和商业区的街区设计差异性较大，有助于后续研究。图1展示了本研究的数据来源。其中，研究通过应用程序接口(API)从百度地图开放平台(http://lbsyun.baidu.com/)中收集到深圳市福田区、南山区和罗湖区共2 568幅街景图片，为了保证能尽可能模拟驾驶员行驶时的视觉变化，API调取参数的街景图片的宽度为1 024，高度为512，垂直视角为15°，水平视角跟随车辆行驶方向，水平方向范围为100°。
图1 研究数据的来源Fig.1 Sources of research data
交通事故数据为深圳市2015～2018年交通事故台账数据，共计237 256条，主要记载的内容有事故地点、事故时间和事故类型，事故数据按照道路名称进行统计。
交通量数据来源于GAIA Open Dataset平台(https://outreach.didichuxing.com/research/opendata/)，包括深圳市2018年滴滴平台服务车的浮点数据。该数据记录了服务车每个时间间隔内坐标点，数据库针对每一条道路给出了矩形统计范围并汇总不同道路的浮动点数。
2 基于深度学习的城市景观和交通安全的量化框架
2.1 交通事故率
交通事故率是交通事故数与交通量的比值，因为出租车是随机分散在交通流中，出租车浮点数在一定程度上可以间接表示街道单元的交通量，由于事故数据和交通量数据都是按照道路名称进行统计，可以用以下公式简单计算事故率：
(1)
式中，k表示街道单元的相对事故率，K表示街道单元的交通事故率，M表示街道单元的交通事故数，N表示统计得到的街道单元内的出租车浮点数，σ表示交通流中出租车的占比。本研究默认交通流中出租车的占比是固定的，在后期进行对比实验的过程中不会干扰实验结果。对事故数据进行白天和夜间的分类，根据深圳市的太阳起落时间确定6点至18点标注为白天数据，19点至次日5点标注为夜间数据。
2.2 图像的特征信息
图像语义分割是对场景元素语义理解的关键技术，其任务是将输入图像的每一个元素进行分类，该过程又被称为“像素预测”[10]。随着卷积神经网络的快速发展，越来越多的复杂图片可以用它来处理，但是卷积网络在进行图片处理的过程中使用下采样和池化来获取更抽象的特征，同时特征图的空间分辨率也会相应降低，导致场景元素空间结构信息的丢失，不利于模型对小型目标乃至目标之间关系的识别。
本研究采用DRN模型提取街景的图像特征，详细的模型网络配置见表1。模型以Resnet为基础并把顶层的下采样层移除，保证了特征图的空间分辨率。扩张卷积替换下采样并被合理应用于后续层，使得模型维持后续层感受野的分辨率，减少了图像细节的丢失。模型在传递中保留过多的图像信息会导致图像处理过程中内存消耗超过当前的硬件能力，因此DRN模型仅在第4组和第5组处移除下采样并设置扩张卷积。另外，网络的末端添加了第6组和第7组卷积核来降低模型扩张率增加而产生的网格效应，降低了网络的过度膨胀。该模型被证实在Cityscapes数据集(https://www.cityscapes-dataset.com/)上拥有比ResNet-101更高的精准度，最常用的DRN-C-26在使用仅为ResNet-101模型1/4层数的前提下性能提高了1.4%，而最高精度的DRN-C-42也在降低了2.4倍网络层数的前提下提高了4.3%的分割精度[11]。DRN-C-42被用于对采集到的2 568张街景进行图像分割处理，将图像中的像素点分为19种场景元素。图2展示了采用DRN模型对街景图像进行分割得到19种场景元素的过程。
图2 基于DRN模型对街景图像进行分割得到19种场景元素Fig.2 Segmentation of street view images based on DRN model to obtain 19 scene elements
表1 DRN模型的网络配置Table 1 Network configuration for DRN model
2.2.1 视觉场景元素的占比
城市景观是由不同场景元素组合而成，不同场景元素占比的变化是行驶环境改变的最直观的体现。对于城市区域而言，不同位置的城市景观之间差别很大，因此将视觉场景元素的占比作为量化的指标，采用以下公式对19种场景元素的占比信息进行量化。
(2)
式中，εi表示第i种场景元素的占比(i=1,2,3,…,19)，mij表示第i种场景元素中第j个元素。
2.2.2 可移动场景元素的种类数
得益于之前研究者对驾驶员在驾驶行为中干扰因素的研究，不同的场景元素对驾驶员的干扰程度是不同的，可以移动的场景元素对于驾驶员的干扰程度更大[12]。本研究筛选出城市区域内7种可移动场景元素的类别，其中包含行人、骑手、汽车、货车、公交车、摩托车和自行车。为了避免采样特殊性带来的误差，采用以下公式对指标进行量化。
(3)
(4)
式中，W为街道单元的可移动场景元素的种类数，ωr为第r种可移动场景元素的判定值(r=1,2,…,7)，n为街道单元街区的街景图片的提取数量，εrj为第j个街景图片中第r个可移动场景元素的占比。
2.3 街景图片的位置信息
因为城市发展过程中资金的投入是有限的，处于不同区域的道路其投入的资金和承担的功能是不同的。路段所处位置与城区中心的距离越近，其道路等级越高，照明设施和交通安全设施越完善，因此路段与城市中心的距离是影响交通安全状况的重要因素[13]。本研究选取研究区域内以下坐标点确定城市中心：(1)各商圈中心；(2)所有五星级酒店的位置；(3)主要行政机构的位置；(4)所有的地铁站点。考虑到城市的发展一般是多轴线和三角形的稳定性，将收集到的坐标点通过聚类的方法分为3个聚类点，找到由3个点组成的三角形的费马点即为城市的中心点位置。与城市中心的距离这一变量可以由下面公式量化：
(5)
式中，L为路段距离城市中心点的距离，xc和yc为城市中心点的坐标，n为聚类中心的个数，本研究取值为3，xi和yj为聚类中心的坐标，k为路段内收集的街景图片个数，xj和yj为采集街景图片地点的坐标。图3展示了寻找区域中心点的方法。
图3 确定研究区域中心点位置的方法Fig.3 Method of determining the position of the center point in the study area
2.4 街景图像的感知信息
交通事故不是街道单元的单一作用下产生的，而与路段周围的空间布局有着密切的联系，已有研究者证实交通安全与社区设计乃至城市设计之间存在联系[14]。本研究以街道单元的交通事故率为依据，对街景图片进行分类汇总，研究发现交通事故率与街道单元所处的城市区域有明显的相关性，这也证实了上述的结论。图4展示了从街景图片集中选取的部分图片，图片从左到右依次为低事故率街道图片(k≤0.02)、中等事故率街道图片(0.02
图4 不同事故率的街道图片Fig.4 Images of streets with different accident rates
(6)
式中，P为街道单元的指标量化值，pi为第i个参与者针对街道单元的评价(结果为郊区时p=0，结果为商业区时p=1,结果为老城区时p=2)。
2.5 量化指标的确定
街景的图像特征信息、位置信息和感官信息分别被提取后，利用皮尔逊相关系数分析量化指标与交通安全之间的相关性，并利用岭回归方法分析各量化指标之间的相关性，最终筛选出与事故率存在相关性的指标并杜绝量化指标共线性的可能性。具体的评价公式如下。
Xθ=y
(7)
S=‖Xθ-y‖2
(8)
θ=(XTX)-1XTy
(9)
式中，X表示量化指标矩阵，y表示交通事故率的向量，S为模型的损失函数，θ为岭回归估计参数。
当某些变量之间的相关性比较大的时候，XTX的行列式会接近于0。综合皮尔逊相关系数和岭回归两者的结果，并兼顾之前的研究和自身驾驶的直观感受，筛选确定基于城市景观的交通安全的影响因素如下：
(1)不同场景元素(道路、人行道、建筑、围墙、护栏、植物、天空、行人、汽车)的占比情况；
(2)街区类型；
(3)与城市中心的距离；
(4)可移动场景元素种类数。
3 结果
3.1 城市景观与交通安全的相关性
本研究在确定了12种城市交通安全状况影响因素的基础上，采用多元回归分析的方法分析了影响因素和交通事故率之间的关系。图5中，展示了事故率与12种影响因素之间的多元回归分析结果。其中标注的颜色用来区别影响因素的正相关与负相关，对应格子的颜色表示Bete标准化系数值的大小，*表示显著性水平。如图所示，发现不同的影响因素与不同时段的交通事故率的相关性各不相同。其中，“道路”、“人行道”、“建筑”、“围墙”、“护栏”、“天空”、“行人”和“汽车”与事故率成负相关。相反,“植物”、“路段类型”、“与城市中心的距离”和“可移动场景元素的种类数”与事故率成正相关。
图5 事故率与12种影响因素之间的多元回归分析结果Fig.5 Results of multiple regression analysis between accident rates and 12 influencing factors
研究结果显示位于城市中心的商业区会比与城市中心距离较远的郊区更为安全，这一发现早已被证实[14]。在郊区，较少的可移动场景元素导致行车速度较快，加上交通设施的不完善，交通事故率较高。相比之下，商业区的行车速度较慢，标志标线和栅栏等交通设施的铺设导致交通事故率偏低。另外，行人和车辆的占比对交通安全状况的提高有积极的效果，并且白天的敏感程度比夜间偏高，但可移动场景元素种类这一因素对交通安全状况有消极影响。“行人”和“汽车”占比的增加在一定程度上会降低交通流的速度并且降低事故率，但可移动场景元素种类的增加会分散驾驶员注意力从而提高事故率。还有一个有趣的结论，“植物”的占比与交通事故率成正相关，可能的原因是白天阳光透过树叶产生光斑会导致驾驶员炫目，夜晚过多植物会降低照明效果，这需要进一步的研究。与高速公路不同，城市道路中“道路”的占比与事故率成负相关，并且Beta标准化系数很低，说明城市道路中车道数与交通事故率之间并不存在很显著的关系。最后，“护栏”和“人行道”元素对提高城市交通安全状况有积极效果，两个因素均可降低道路交通要素之间的干扰从而减低交通事故率，不同的是“护栏”对白天事故率的敏感程度更高，而“人行道”恰恰相反。
城市道路的交通安全状况被证实不仅仅与街道单元有关系，与道路附近社区的设计存在密切的联系。此外，城市的物理外观被广泛认为在空间上存在发展和演变[5]，并且上文已证实交通事故率与“路段类型”存在明显的相关性。因此，将“路段类型”作为控制变量获取在不同街区类型下各影响因素对交通安全影响的敏感程度，进而探究城市发展演变过程中道路交通安全状况影响因素的变化情况。图6 展示了不同街区类型在不同时段影响因素与事故率的多元回归分析结果。其中根据不同的街区类型展示出不同影响因素对于事故率的正相关(红色)和负相关(蓝色)关系，并对其进行排序。条的长度表示Beta标准化系数的数值大小，*表示显著水平。从图中可以简单看到，对于不同的街道类型，同一个影响因素对事故率的相关性的大小和正负均不同。
图6 不同街区类型的道路在不同时段影响因素与事故率的多元回归分析结果Fig.6 Results of multiple regression analysis on influencing factors and accident rates of different types of blocks in different time periods
另外，商业区和郊区的街道单元的事故率对于“道路”的敏感程度要大于老城区的街道单元。就像Marine Millot提到的城市更新带来了路网结构以及道路布局的改变，引起了新的交通安全问题[15]。从道路布局方面，郊区和商业区在道路设计理念和原则方面是相近的，即拥有更高规格的道路横断面设计、更为完善的机非分离和人车分离措施。而老城区与它们相比稍微落后一点，“道路”的占比似乎对老城区的交通安全状况没有影响。其次，“可移动场景元素的种类数”的因素对事故率的影响均为正相关，并且位于商业区的街道的敏感程度最小，老城区次之，影响最大的是位于郊区的街道。这可能与商业区内道路中完善的人车分离措施和郊区街道上较快的行车速度有关。在上一个结论的基础上研究发现商业区和老城区的街道事故率与“植物”元素占比呈负相关，而郊区的街道却恰恰相反。这说明视野范围内适当的植物占比会降低事故率，而如果植物过于繁茂遮挡视野、交通标志或者照明，则会增加事故率，因此对街道的植物周期性的养护可以提高道路安全状况。
“天空”和“建筑”元素的占比对郊区的街道事故率敏感程度远高于其他区域，这可能与行车疲劳有关。有研究表明驾驶员在视觉元素较少的道路行驶，其警惕性会降低并产生行驶疲劳感[16]。郊区的街道往往场景元素种类较少，驾驶员视野过于单调而导致视觉疲劳，视野范围内不影响驾驶安全性的场景元素占比的增加会提高行车安全性。
3.2 城市景观的空间规律
Marc Antrop在研究城市景观生态学时指出，城市化的进程在以不同的时间和空间发展，并且不同类型的区域其变化模式是不尽相同的，城市景观具有动态性、复杂性和多功能性，了解城市景观的变化情况有助于理解城市深层次的性质[17]。
表2显示了街道单元所处不同街道单元类型与街景信息之间的关系。从表中可以看到随着街道单元与区域中心距离的增加，郊区的道路中“道路”元素占比显著增加，商业区的道路中“道路”元素占比稍微增加，而老城区的道路中“道路”元素占比并没有显著相关性。除此之外，郊区的道路中“植物”元素的占比与距离之间有显著负相关关系，商业区的道路则呈负相关关系，但老城区的道路呈正相关关系。该结果可能由于商业区的道路修建年代较晚，靠近区域中心的街道单元较其他街道绿化率高，位于老城区的道路修建年代较早，靠近区域中心的街道单元除草、修剪等绿化养护措施较完善，而远离区域中心的街道单元植物过于茂盛。关于郊区道路呈现显著负相关这一现象的原因可能为随着远离区域中心，道路的车道数的增加导致驾驶员视野范围内绿化占比的减少。另外，“建筑”和“天空”元素的占比情况与“植物”恰恰相关，两方面存在此消彼长的关系。
表2 街道单元所处不同街道单元类型与街景信息之间的关系1)Table 2 Relationship between the different street unit types in which the street unit is located and the streetscape information
另外，随着街道单元远离区域中心，郊区和商业区的道路中所有视觉元素占比的变化情况大致相同，相较之下，郊区比商业区拥有更大的相关性系数。然而，老城区的道路情况与前两者会有明显的区别。随着城市的发展，主要的城市更新方式是由郊区发展为商业区然后变为老城区。其中，郊区和商业区道路的场景元素空间分布规律相似，因为郊区与商业区相比区域较大，场景元素的占比二者差异性较大，所以郊区道路的相关性系数会比商业区的大。简单来说，郊区在场景元素空间分布规律上可以视为商业区的放大版。但当城市更新到老城区阶段，某些场景元素空间分布规律会与前两个阶段有所不同，需要对此阶段单独考虑。
1)皮尔逊系数(*p<0.01，**p<0.005，***p<0.001)
4 结论
本文采用丰富的、易提取的和不断增长的街景图像作为研究城市景观的数据来源，并以此为基础提出了一个研究城市景观的量化框架，试图从数量上探究城市景观与交通安全之间的联系。
一方面，研究确定了基于城市景观的不同影响因素对不同城区事故率的贡献差异性，例如商业区和老城区内“植物”占比的增加会对交通安全有积极影响，但在郊区却恰恰相反。这一结论将支持城市的设计理论和成果，可以通过适当增减某些场景元素的占比和交通安全设施的铺设来达到增加交通安全的目的。另一方面，还发现了可能会推动城市规划理论发展的规律。例如：1)越靠近市中心的道路单元其交通状况越安全；2)郊区和商业区的城市景观分布规律极其相似，但老城区却有较大区别。这些潜在的或反直觉的规律可能会引导研究者挖掘城市景观的更深层的规律。
