李 渊

（华中科技大学 武汉 430074）

1 引言

传统的城市环境评价研究通常采用基于现场调研的方法，这类方法难以在大范围、精细化的尺度上对城市环境进行有效的评估。随着信息技术的发展，街景图像成为城市环境评价研究中新的重要数据源，街景图像具有覆盖面广、信息量涵盖丰富、采集成本低等优势，基于街景图像理解的城市环境评价方法逐渐成为城市环境评价的重要手段［1］。早在1990年，Jack L等就提出用计算机视觉的方法来量化街景的质量［2］。2001年，Oliva A等通过区域生长的方法分割出街景图像“街道”、“天空”等区域，并人为设定规则，实现对街景图像的评价［3］。2012年，Goel A等综合了Geometric Texton、GIST和Color Histograms等特征［4］，改进了Kmeans聚类，实现了不同城市街景图像风格的分类。这类街景图像评价方法基于人工设定规则，利用人对街景图像评价时会考虑的因素如“绿化率”、“整洁度”等，通过对街景图像内容进行相应的分析得出评价。然而这类方法评价规则上带有规则设计者的主观色彩，评价方法不客观且效果不理想。2014年，MIT Media Lab的Nikhil Naik等提出“streetscore”项目［5］，Naik等人收集了1万多张美国的街景图像，以0到10为安全感的打分范围，进行了人工标签，首次通过监督学习的方法实现了对街景图像的评价。带有数据监督的方法能从数据中学习到潜在的联系，相较于传统方法而言较为客观，也更有说服力［6～8］，使用评分来量化对街景图像的评价会更加直观，让人们更容易接受。

卷积神经网络在图像领域的发展带来了更好的图像全局特征提取方法，相比传统的特征提取方法，深度卷积神经网络提取的特征具有信息损失更少、鲁棒性高和泛化性等优点［11］。……