基于街景图片与语义分割技术的徐州市老城区街道安全感知评价研究

万传玮 王荣华 孙欣琨

(江苏师范大学地理测绘与城乡规划学院，江苏 徐州 221116)

引言

城市街道是居民日常活动和通行的重要公共空间。但随着机动交通的飞速发展，带来了部分城市街道空间失序、街区配套设施不足、机动车过多、绿化景观缺乏等一系列问题，导致居民在街道空间的安全感知下降。塑造舒适安全的城市街道空间，提升居民对城市的安全感知是建设安全健康城市的基础。

已有研究表明，街道客观环境与街道的安全性有着密切的联系。苏俊伊等研究了北京的街道景观要素和安全之间的关系，发现街道环境复杂度、空间密闭度和植被密度与街道安全呈负相关[1]；而徐磊青等研究发现,提高街道绿视率、管理水平和沿街建筑美感可以有效提升街道的安全感知，非机动车则降低了安全感知[2]。江文津等以2个美国城市街景图片为例探索了影响街道安全感知的因素，发现管理程度与界面透明度对街道安全感知的提升影响显著，而绿色植被、机动车与安全感知评价之间没有显著相关的关系[3]；周丽则从街道底界面、街道侧界面以及2个界面相互作用形成的空间出发，发现植物绿化、功能设施、建筑立面及附属设施的设置和空间尺度等是影响街道景观安全的主要方面[4]。前人关于街道客观环境与其安全性之间的关系的研究结论并不一致，需要进行深入研究。

随着大数据及计算机语义分割技术的发展，越来越多的学者将其应用到城市公共空间问题的研究领域当中，并在城市街道空间品质、街道活力、街道景观等方面进行了一系列的论证研究。如唐静娴利用多时相、多角度的街景图片数据，对北京更新类居住区外围街道空间品质水平进行测度评价[5]。徐磊青等基于虚拟街道模型探究了建筑界面与绿视率对街道体验的影响[6]。叶宇则运用python程序对街景数据进行大规模的抓取，并结合机器学习算法SegNet提取街景图像中绿视率、天空可见度、建筑界面、道路机动化程度、步行空间、多样性6个关键空间特征对上海市的街道品质进行评估[7]。但借助街景数据并结合计算机图像识别技术，对街道客观物质要素对居民的安全感知影响的研究还不够深入。为此，本研究基于百度街景数据与计算机语义分割技术，在对徐州市老城区街道安全感知进行定量分析的基础上，深入探讨街道安全性与街道景观要素之间的关系，为提升城市街道安全提供借鉴参考。

1 研究区域概况及数据来源

1.1 研究区域

选取徐州市老城区内的9条主要街道作为研究案例：淮海路、和平路、建国路、青年路、苏堤路、民主路、西安路、中山路、解放路,这些道路均为生活性商业街道且功能性质基本一致，见图1。淮海路、青年路、和平路和建国路为东西走向，其他5条道路为南北走向。徐州市作为淮海经济区中心城市，省域副中心城市，拥有908.38万常住人口；承担着重要的经济、交通、科技、医疗等职能。其老城区是发展最为成熟的中心区域，居住、商业气息浓厚，更是代表着徐州市未来发展“门面”；在新时代城市更新的背景下，街道空间安全感的提升对徐州市建设高质量健康城市有着重要的现实需求及意义。

图1 研究案例道路示意图

1.2 百度街景图片的获取

路网数据通过OSM(开放街道地图)获取，经过QGIS和ArcMap进行矢量化、地理配准和简化处理，以50m为间距确定每个街景采样点地理坐标。编写Python数据采集程序，设置街景图片采样点参数，批量输入地理坐标，通过百度地图全景静态图API获取相关的街景图片。经过反复调试、实验与筛选，最终确定获取垂直视角为15°、水平方向为0°(前)，水平视角为120°且分辨率为1024×512的街景图片，如图2。9条街道共选取街景图片480张。

图2 百度街景图片示例

2 研究方法

2.1 安全感知评价方法

通过问卷调查的方式，采用李克特7级量表法，对获取的百度街景图片进行主观安全感知评价，1分代表极不安全，7分代表极安全。为保证每条道路街景图片出现的随机性，将480张街景图片随机打乱并匿名编号为1～480，按等差数列每30个为1组，分16组。如，第1组问卷图片集为1、31、61、91…451。共设置16份问卷，通过问卷星进行线上发放，每份问卷以回收至少30份有效样本量为最低标准。问卷填写人在进行问卷街景图片打分前，需对图片进行整体预览后，对所有街景图片有所了解后再进行评价。道路街景图片最终得分均采用取平均值的方式进行处理。

2.2 街景要素识别

本文使用目前最新一代神经网络DeepLab-V3+算法对480张街景图片进行语义分割，DeepLab-V3+是2018年由谷歌技术团队基于卷积神经网络系统开发出的进一步优化版的算法，其算法识别综合了像素的局部光谱信息和像素的全局整体结构信息来提取图像特征，可以较为精准(82.1%)地识别各种形式的照片。选用CityScapes数据集对街景图片中车行道、人行道、建筑物、围墙、栅栏、杆、信号灯、指示牌、植被、地形山体、天空、行人、汽车等19类较为常见的要素进行识别分割。如图3所示。在得到语义分割图后，对各景观要素进行提取，并测算各类景观要素在要素分割图中的占比。

图3 街景图片要素分割示意图

2.3 街景要素指标测度

通过对公共空间安全感[2]及街道空间品质[8]的相关研究分析，结合本实验街景图片的特征，最终将19类街道景观元素合并为6个客观要素指标。

2.3.1 绿视率

绿视率是指街景图片中绿色植被所占的比例，其计算公式：

绿视率=绿化植被面积/图像总面积×100%

2.3.2 天空开敞度

天空开敞度是反映街道空间开阔程度一个重要指标，其计算公式：

天空占比=天空面积/图像总面积×100%

2.3.3 界面围合度

界面围合度是指街道两侧界面建筑物及围墙或其他构筑物围合街道空间的程度，其计算公式：

界面围合度=(建筑+围墙)面积/图像总面积×100%

2.3.4 机动化程度

机动化程度是用来反映街道交通通行的状况，其计算公式：

机动化程度=(车行道+机动车)面积/图像总面积×100%

2.3.5 道路附属设施率

道路交通附属设施率是指交通信号灯、指示牌等设施占总图像面积的比例，其计算公式：

道路附属设施率=(信号灯+指示牌+杆+围栏)面积/图像总面积×100%

2.3.6 行人慢行交通率

行人慢行交通率对建立步行友好型街道，缓解道路交通拥挤现象具有重要意义。其计算公式：

行人慢行交通安全性=(人行道+行人+非机动车)面积/图像总面积×100%

3 结果分析

本次调查共发放问卷601份，回收问卷601份，剔除选项相同的无效问卷74份，最终有效问卷527份，有效问卷率87.7%。通过问卷信度分析可以得出，本次调查问卷Cronbach’s(克隆巴赫)系数值均大于0.9，具有较高的可信度。

3.1 居民主观安全感知评价分析

根据居民对徐州市老城区内9条街道安全感知评价计算得出，9条街道的安全感知评价得分分布在4～5分区间，其中6分以上以及3分以下得分较少，可见9条街道的安全性水平一般，见图4。

图4 不同分值区间分布

通过单因素方差分析发现，不同道路之间的街道安全感知评价得分是具有显著差异的，见表1。9条街道的安全感知评价排序依次为建国路>淮海路>和平路>中山路>西安路>苏堤路>解放路>民主路>青年路；其中建国路街道的安全感知评价最高(5.007)，而青年路的安全感知评价最低(3.736)，见图5。

表1 不同街道的安全感知评价差异性

图5 徐州市不同街道安全感知评价均值

3.2 客观要素指标对比分析

9条街道的平均绿视率为21.4%；结合江苏省城镇化和城乡规划研究中心相关研究实践表明，9条街道的总体绿视率较好，但不同道路的绿视率差异较大，部分道路绿视率水平普遍偏低，如和平路(12.3%)、淮海路(12.3%)、中山路(15.1%)；天空占比与界面围合度平均值分别为20.5%、22.2%，其中青年路的天空占比最低(2.9%)，可能是由于道路狭窄且街道树木较多，遮挡了天空，导致街道视野不开阔。除苏堤路界面围合度较低(13.8)外，其他街道界面围合度相似；9条街道的机动化程度差异不大，道路附属设施率建国路最好(7.0)，青年路最差(1.3)，行人慢行交通率苏堤路最高(6.2)，和平路、淮海路和中山路均较低(2.5)，如表2所示。

表2 徐州市老城区主要街道客观指标要素对比

3.3 居民主观安全感知评价与客观指标要素的关系分析

3.3.1 相关性分析

通过SPSS统计分析软件对街道空间主观安全感知与街道空间客观要素的关系进行相关性分析得出，街道安全感知与天空占比、道路附属设施率的Pearson相关系数分别为0.148、0.563，呈现显著正相关关系(p<0.01)；与机动化率、行人慢行交通率及界面围合度的Pearson相关系数分别为-0.324、-0.231、-0.148，呈显著负相关关系(p<0.01)；与绿视率的Pearson相关系数为0.055，相关性不显著，见表3。说明增加天空占比和道路附属设施或降低机动车、行人慢行交通和界面密度能提升居民对街道的安全感知评价。

表3 相关性分析结果

3.3.2 逐步线性回归分析

相关性分析只能说明两者之间的关系，但各景观要素之间也存在相互影响，即自变量之间存在着混杂干扰，从而影响回归模型运算结果的准确性，因此需进一步使用逐步线性回归分析。由表4可以得出，道路附属设施率、绿视率、天空占比、行人慢行交通率与机动化率依次进入回归模型，而界面围合度并未进入模型；调整后的R2为0.367，显著性均小于0.05水平，说明道路附属设施、绿视率、天空占比、行人慢行交通率与机动化率这5个客观指标能够解释徐州市老城区街道安全感知评价的36.7%。VIF全部小于5，意味着5个自变量之间不存在多重共线性，本次的运算结果准确可靠。

表4 逐步线性回归分析结果

道路附属设施率、绿视率、天空占比与安全感知呈显著正相关的关系，说明道路附属设施率、绿视率与天空占比越高，街道的安全感知就越高。而行人慢行交通安全性和机动化程度与街道安全感知呈显著负相关的关系，即行人慢行交通安全性和机动化程度越高，街道的安全感知评价也就越低；反之亦然。基于以上分析，得出自变量与因变量之间的回归方程：

街道空间安全感=4.324+9.360×道路附属设施率+0.838×绿视率+0.823×天空占比-4.116×行人慢行交通安全性-1.207×机动化程度

街道景观要素对徐州市老城区内9条街道安全感知的影响程度依次为道路附属设施率>行人慢行交通率>机动化程度>绿视率>天空占比。

4 讨论与结论

4.1 街道安全感知评价的影响因素

本研究从居民主观安全感知评价角度出发，探究影响街道安全感知评价的影响因素，以徐州市老城区部分街街景照片为例进行相关实验，通过回归分析发现：道路附属设施对街道安全感知评价具有重要意义，说明完善的道路设施设计可以对街道使用者起到警示或提醒的作用，对街道安全发挥着不可或缺的作用[9]；绿视率对街道安全感知的提升影响显著，可能是由于绿视率能够提高街道的美学偏好，从而提升了安全感知；行人慢行交通率及机动化程度会降低了街道安全感知，这些结论在一定程度上印证了徐磊青[2,6]、葛亚军[10]等的研究结论。

4.2 提升街道安全感知的优化策略

为创建更安全的城市街道，提高居民的安全感知。笔者结合本文对影响街道安全因素的分析，对今后城市街道的设计和改造工作提出一些建议与参考。

本研究发现道路附属设施与街道安全之间呈正相关的关系，是影响街道安全性的最大因素；因此，在设计街道空间时，应注重道路设施的合理配置。如道路标识设施的设置需突出醒目、容易辨别，规范并维护好交通标志、交通信号灯、护栏和其他设施；人行横道可以进行彩色涂色，通过改变地面色彩变化提高过街空间可识别性；另外可以采取高品质的路面铺装和足够数量的垃圾桶等措施来提升街道整洁度，从而提升居民的街道安全感知。

多维度营造绿地空间，提升街道绿视率。绿地作为提升城市街道安全的重要载体，可以利用栏杆、围墙、建筑外立面等增设垂直绿化；鼓励街道空间与社区花园、口袋公园等参与式绿地的融合衔接进行街道绿化提升。由此，在弥补破旧建筑立面增加建筑美感，提升街道绿视率的同时还起到了加强街道空间的活力的作用。

在街道空间设计中应注意街道与树木以及周围建筑的关系，创造适当的空间尺度。控制好街道宽高比，保证一定的视野开阔度，增加天空占比，增强街道安全性。

尽管本研究发现机动交通及慢性交通均降低了街道的安全感知，但街道承载着城市道路的主要交通功能，因此不可盲目限制机动车出行，造成城市道路交通压力。可以通过设置减速带、限速、改变交通路线等措施，改善道路交通环境，降低机动车速度，以确保交通通行安全，提升街道安全。

4.3 结论与不足

本文利用街景图像数据与计算机语义分割技术，以徐州市老城区9条主要街道为对象，研究了城市街道安全感知与街道客观景观要素之间的关联性。研究发现：9条街道的安全感知评价整体一般，且不同道路的安全感知评价差异显著，建国路的总体评价最高，青年路最低，安全性有待提升。9条道路的客观景观要素中，绿视率、天空占比、道路附属设施占比和行人慢性交通占比差异较大；而界面围合度，机动化程度差异不大。街道安全感知评价与道路附属设施、行人慢行交通、机动车、天空占比、绿视率高度相关，道路附属设施影响最大。在未来的城市街道规划设计中，应把握好影响城市街道空间安全的主要要素，综合考虑街道的生态、安全、功能等多方面，有效提高街道安全性，建设健康宜居城市。

依托大数据和计算机技术，能够进行大规模的街道空间分析并有效提升研究的客观性。本文中对街景图片中道路、山体、树木、人行道、天空等要素进行了分割识别，但由于百度开放平台提供的街景图片数据来自不同年份，因此不同年份、季节的街景图片可能会造成结论的偏差；街道两旁的建筑门窗、底层商铺形式可能也会影响街道安全感知评价，街道的宽度、形式、长度等也可能会影响安全感知评价，因此后续会对影响街道安全感知的景观要素进行深入分析。