[发明专利]一种基于跨连CNN+SVR的街道空间品质量化方法

说明书

本发明提供了一种基于跨连CNN+SVR的街道空间品质量化方法，主要涉及利用跨连卷积神经网络提取街景图片特征，并将提取的特征作为支持向量回归模型的输入特征量化街道空间品质。该方法包括：通过收集街景图片并进行处理，制作相应的数据集，进而训练跨连CNN+SVR网络，得到网络的参数模型，利用参数模型进行街道空间品质的量化。本发明充分发挥了机器学习的优越性，减轻了研究人员在街道空间品质调查中的巨大工作量，并为相关研究提供了重要的数据支撑，为城市规划领域研究街道空间品质提供了新思路。

技术领域

本发明涉及图像分析领域中的街道空间品质量化分析问题，尤其是涉及一种基于机器学 习的街道空间品质量化方法。

背景技术

人工智能与医疗、教育、环境治理以及城市规划等领域的结合，将极大促进城市公共服 务精准化，全面改善人民的生活质量水平。目前，关注智慧城市的建设是我国目前的热点方 向。城市公共空间主要包括街道、商场、广场以及公园等多功能区域，而其中的街道，相当 于城市的“骨骼”。街道作为展现城市经济、生活面貌的舞台，也是凸显地方特色的重要窗口。 良好的街道空间品质不仅可以形成友好和谐的邻里生活环境，增加人们生活的幸福感，同时 可以吸引外来游客，带动地方商业发展和旅游经济，提升城市的活力和经济价值。因此本发 明主要针对街道空间品质进行量化分析，对我国现阶段的智慧城市发展具有一定的理论价值 和实践意义。

近些年量化街道空间品质的方法，主要是针对某一特定街道区域，采用问卷调查、现场 调研等人工主观评分方式收集数据信息。传统调研方法虽然可以获得全面、详细的街道环境 信息，但是完成一份调研非常费时费力，难以进行大规模的客观量化，因而无法用于大范围 的城市定量研究，也难以精确到街道尺度。

街景图片是对城市公共空间场景较为真实的展现，具有真实感丰富、信息度强等特点， 且获取便利，为城市街道空间品质的评价提供了新的机遇。在此背景下，本文就新兴的街景 图片大数据和机器学习技术，对街道空间品质量化研究进行初步探讨。本发明利用机器学习 技术，采用跨连卷积神经网络CNN+支持向量回归SVR网络量化街道空间品质属性。该发明 给城市规划者调查街道空间品质节省了巨大的工作量，提供了重要的数据支撑，并为调查领 域研究街道空间品质提供了新思路。

发明内容

本发明的目的是提供一种基于跨连CNN+SVR的街道空间品质量化方法，将机器学习与 街道空间品质属性相结合，充分发挥机器学习自我学习的优势，可以解决目前研究人员调查 街道空间品质工作量大的问题。

为了方便说明，首先引入如下概念：

卷积神经网络(CNN)：受视觉神经机制的启发而设计的，是为识别二维形状而设计的一 种多层感知器，这种网络结构对平移、比例缩放、倾斜或者其他形式的变形具有高度不变性。

AlexNet网络：该网络是一个8层的网络，包含5个由卷积(Convolutional,Conv)层和3 个全连接(Fully Connected,FC)层。AlexNet主要具有如下新技术点：成功使用ReLU作为激活 函数，使用Dropout避免模型过拟合，数据增强，提出LRN(Local ResponseNormalization) 层以及使用GPU加速等。

支持向量回归(SVR)：支持向量机(SVM)的一种，通过寻求结构化风险最小函数来提高学 习机泛化能力，使其在输入数据量较少的情况下，亦能获得良好的统计规律。SVR非常擅长 解决复杂的具有中小规模训练集的非线性问题，甚至在特征多于训练样本时也能有非常好的 表现。

跨连CNN+SVR网络：将跨连CNN与SVR结合，提取训练好的CNN特征作为SVR回 归模型的输入特征。

Caffe框架：一个清晰而高效的深度学习框架。Caffe中的网络都是有向无环图的集合， 数据及其导数以blobs的形式在层间流动，主要应用在视频、图像处理方面。

本发明具体采用如下技术方案：