基于街景图像和计算机视觉技术的可骑行性评价研究动态

研究背景

自行车交通在促进城市环境可持续发展、提升居民健康水平和经济活力等方面发挥着重要作用。为评价和改善城市环境中的自行车出行条件，相关研究引入了可骑行性(bikeability)概念，随着研究深入又逐步形成了评价可骑行性的指标体系。然而，既有研究数据面临收集过程缓慢、主客观数据的平衡、街道层面信息缺失、空间粒度标准化等问题。近年来，街景图像(Street View Image, SVI)技术被广泛应用于众多领域，可从行人和骑行者角度提供丰富的街景图像来评价可步行性和可骑行性，为城市环境研究提供了新思路。同时，以计算机视觉(Computer Vision, CV)为代表的前沿人工智能技术的发展为相关领域研究提供了强大的技术支持。

该论文验证了应用街景图像和计算机视觉技术有助于解决传统方法在评价城市街道对骑行者友好程度时面临的问题。此外，随着街景图像技术普及，应开展多个城市的比较研究。该论文旨在回答以下问题：是否可以利用计算机视觉和街景图像技术全面评价城市内部和城市之间的可骑行性？如果可以，街景图像和计算机视觉技术是否可以完全取代传统方法进行可骑行性评价？为了回答这些问题，该论文提出包含5类(道路连通性、城市环境、道路基础设施、骑行者感知、骑行者与机动车的交互)34个指标的可骑行性指数，并在新加坡和东京进行了实证研究。

研究思路

该论文以新加坡和东京为例，首先，构建了评价可骑行性的指标体系，涵盖5类34个指标，其中骑行者感知类别下的7个指标为主观指标，其余4类27个指标为客观指标。其次，进行数据收集和指标提取，使用街景图像、开放街道地图(OpenStreetMap, OSM)、土地利用(Land Use, LU)、数字高程模型(Digital Elevation Model, DEM)、空气质量指数(Air Quality Index, AQI)和基于街景图像的骑行感知调查6类数据，通过街景图像数据提取21个指标，通过开放街道地图数据提取10个指标，通过土地利用数据、数字高程模型数据和空气质量指数数据各提取1个指标。其中，在使用街景图像数据时，对于非主观感知类SVI指标，通过语义分割和目标检测两类计算机视觉技术进行提取；对于主观感知类SVI指标，选取志愿者对少量街景图像进行骑行感知调查，即人工对指标进行打分，再基于这些调查数据进行预测建模，以实现自动化确定分数。随后，将所有指标进行标准化，结果均为0~1的数值，避免单一指标对最终结果产生过大影响；再对各个类别的指标进行平均加权，得到可骑行性指数结果。最后，除使用6类数据提取的指标共同构建综合指标外，还构建了仅由SVI指标和仅由非SVI指标构成的指标，通过指标间比较以检验SVI指标和非SVI指标对可骑行性指数计算的影响程度。

研究结论

1）5类指标。

道路连通性类别包含信号控制交叉口数量、无信号控制交叉口数量，以及断头路的数量3个指标，均可通过开放街道地图提取。分析结果显示，东京这一类别指标的平均得分高于新加坡。

城市环境包含道路坡度、兴趣点(Point of Interest, POI)数量、土地混合利用指数、空气质量指数，以及绿化、建筑和水资源的像素比7个指标。其中，道路坡度通过数字高程模型提取，POI数量通过开放街道地图提取，绿化、建筑和水资源像素比通过街景图像提取。分析结果显示，与新加坡相比，东京这一类别指标的平均得分更高。

道路基础设施类别包含道路等级、道路宽度、路面铺装类型、公共交通设施数量、有无坑洞、有无路灯、有无自行车道、有无街道便利设施、有无灯杆、有无自行车停车设施、有无人行道、有无人行横道，以及有无缘石坡道13个指标。其中，道路等级、道路宽度、路面铺装类型、公共交通设施数量4个指标通过开放街道地图提取，其余指标通过街景图像提取。分析结果显示，与东京相比，新加坡这一类别指标的平均得分更高。

骑行者感知类别包含街道美观性、宽敞性和清洁度，自行车出行吸引力，建筑设计吸引力，居住吸引力，以及骑行安全性7个指标，均通过基于街景图像的骑行感知调查数据构建模型进行预测提取。分析结果显示，这一类别各指标得分之间存在很强的正相关性，R²为0.58~0.79，数据分布没有明显偏态；新加坡这一类别的各项指标得分普遍较高。

骑行者与机动车的交互类别包含机动车数量、减速带数量、有无路内停车位、有无交通信号灯或停车让行指示牌4个指标。减速带数量、有无路内停车位2个指标通过开放街道地图提取，其余指标通过街景图像提取。这一类别指标旨在评价骑行者与机动车交互的安全性，分析结果显示，新加坡与东京这一类别指标的得分差异较小且分布类似。

2）  可骑行性指数。

整合所有类别指标得分后，该论文在精细空间尺度上计算可骑行性指数。除少数异常值外，新加坡不同地区可骑行性指数总体上分布均匀；东京中心城区和外围地区得分较低，而二者的中间地区得分较高。可骑行性指数结果分布表明数据不存在偏态，新加坡可骑行性指数均值略高于东京、标准差略低于东京。

3）  SVI指标与非SVI指标比较。

道路连通性和骑行者感知类别只涉及1种类型指标，前者只有非SVI指标、后者只有SVI指标，因此二者不在这部分分析范畴内。将其余类别指标重新计算分别得到SVI指标和非SVI指标两类结果，对相同样本点的SVI指标和非SVI指标结果进行比较。结果表明，SVI指标与可骑行性指数相关性更强，R²= 0.85，检验结果优于非SVI指标(R²= 0.4)。虽然仅用SVI指标即可评价可骑行性，但一些相关的非SVI指标例如兴趣点数量、土地混合利用指数、道路坡度、空气质量指数等通常更容易从其他常用数据源中获取数据，因此无法被SVI指标替代。综上，城市规划者和研究人员应充分利用SVI指标和非SVI指标的优势，结合两类指标对可骑行性进行综合评价。

研究总结

该论文的研究结果表明，将街景图像和计算机视觉技术相结合能够有效评价可骑行性，且SVI指标显著优于非SVI指标。然而，非SVI指标的有用性不容忽视，最好的方法是结合SVI指标和非SVI指标实现对可骑行性的全面评价。

未来考虑从以下方向开展进一步研究：1)文中基于自行车车辆视角进行SVI数据采集，不能完全代表骑行者的视角，需要进一步探讨视角差异可能带来的偏差；2)扩大样本范围，在更多的城市进行调查和验证，以全面了解不同地区和不同文化背景下的可骑行性；3)开发图形用户界面(Graphical User Interface, GUI)软件和应用程序编程接口(Application Programming Interface, API)，以便用户输入数据；4)利用计算机视觉技术提取更多与可骑行性相关的指标，例如道路等级、土地混合利用指数、路面铺装类型等，从而更全面地评价自行车出行环境；5)根据骑行者的偏好确定影响自行车出行因素的权重，从而更好地根据目标区域的人口统计数据进行规划决策。

资料来源：ITO K, BILJECKI F. Assessing bikeability with street view imagery and computer vision[J]. Transportation research part C: emerging technologies, 2021, 132: 103371.

《城市交通》2024年第3期刊载文章

作者：杨晰涵