(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(65)同一申請的已公布的文獻號陳桂宇王昊演(74)專利代理機構(gòu)廣州市華學知識產(chǎn)權(quán)代理有限公司44245專利代理師李君審查員謝艷花(54)發(fā)明名稱生活性街道空間品質(zhì)測度方法、系統(tǒng)、計算機設備及介質(zhì)本發(fā)明公開了一種生活性街道空間品質(zhì)測度方法、系統(tǒng)、計算機設備及介質(zhì)，所述方法包括：獲取目標區(qū)域的街景圖像數(shù)據(jù)；根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。本發(fā)明可以精準測度城市生活性街道空間品質(zhì)，具有高效率、易于推廣運用21.一種生活性街道空間品質(zhì)測度方法，其特征在于，所述方法包括：獲取目標區(qū)域的街景圖像數(shù)據(jù)；根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果；所述根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫；對街景圖像數(shù)據(jù)庫隨機抽取預設百分比的街景圖像作為打分樣本，獲取目標區(qū)域所在地居民對打分樣本的多級評分；通過隨機森林機器學習模型對打分樣本的結(jié)果進行機器深度學習，對隨機森林機器學習模型進行參數(shù)調(diào)整，得到訓練好的隨機森林機器學習模型；利用訓練好的隨機森林機器學習模型對街景圖像數(shù)據(jù)庫的剩余街景圖像進行打分，計算每個采樣點前后左右四個方向上的街景圖像得分的平均值，作為打分結(jié)果；所述環(huán)境評價指標包括綠視率、山視率、圍合度、開闊度、招牌密度、天空視率和色彩通過視覺影像語義分割對街景圖像進行街景識別，獲得多類街景要素在街景圖像中的選取各類街景要素識別結(jié)果中的植物、山、建筑、道路、招牌和天空六類要素的占比結(jié)計算每個采樣點前后左右四個方向上的綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的平均值；所述色彩熵的獲取方式如下：通過removebg算法去除語義分割后的街景圖像中的天空和道路部分，保留影響街道立面混亂程度的要素；通過K-means聚類算法提取去除天空和道路部分后的街景圖像中的七個主要色彩，并分別計算七個主要色彩的顏色占比；計算每個采樣點前后左右四個方向上的色彩熵的平均值，所述色彩熵的計算公式如其中，S;表示j采樣點的色彩混亂度，X表示j采樣點各種建筑元素第i種主導顏色的像素點數(shù)量，X;表示街景中建筑元素的像素點數(shù)量。32.根據(jù)權(quán)利要求1所述的生活性街道空間品質(zhì)測度方法，其特征在于，所述獲取目標區(qū)以預設間距劃分目標區(qū)域內(nèi)街道的采樣點，獲取采樣點前后左右四個方向上的街景圖3.根據(jù)權(quán)利要求1所述的生活性街道空間品質(zhì)測度方法，其特征在于，所述根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)根據(jù)層次分析法，賦予街景圖像打分評價結(jié)果0.5的權(quán)重，賦予綠視率和色彩熵各0.1標并進行歸一化，計算街道綜合評價的測度結(jié)果。4.一種生活性街道空間品質(zhì)測度系統(tǒng)，其特征在于，所述系統(tǒng)包括：獲取模塊，用于獲取目標區(qū)域的街景圖像數(shù)據(jù)；主觀感知模塊，用于根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像客觀環(huán)境評價模塊，用于通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；測度模塊，用于根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)所述根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫；對街景圖像數(shù)據(jù)庫隨機抽取預設百分比的街景圖像作為打分樣本，獲取目標區(qū)域所在地居民對打分樣本的多級評分；通過隨機森林機器學習模型對打分樣本的結(jié)果進行機器深度學習，對隨機森林機器學習模型進行參數(shù)調(diào)整，得到訓練好的隨機森林機器學習模型；利用訓練好的隨機森林機器學習模型對街景圖像數(shù)據(jù)庫的剩余街景圖像進行打分，計算每個采樣點前后左右四個方向上的街景圖像得分的平均值，作為打分結(jié)果；所述環(huán)境評價指標包括綠視率、山視率、圍合度、開闊度、招牌密度、天空視率和色彩通過視覺影像語義分割對街景圖像進行街景識別，獲得多類街景要素在街景圖像中的選取各類街景要素識別結(jié)果中的植物、山、建筑、道路、招牌和天空六類要素的占比結(jié)計算每個采樣點前后左右四個方向上的綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的平均值；所述色彩熵的獲取方式如下：通過removebg算法去除語義分割后的街景圖像中的天空和道路部分，保留影響街道立面混亂程度的要素；4通過K-means聚類算法提取去除天空和道路部分后的街景圖像中的七個主要色彩，并分別計算七個主要色彩的顏色占比；計算每個采樣點前后左右四個方向上的色彩熵的平均值，所述色彩熵的計算公式如其中，S;表示j采樣點的色彩混亂度，X:;表示j采樣點各種建筑元素第i種主導顏色的像素點數(shù)量，X表示街景中建筑元素的像素點數(shù)量。5.一種計算機設備，包括處理器以及用于存儲處理器可執(zhí)行程序的存儲器，其特征在于，所述處理器執(zhí)行存儲器存儲的程序時，實現(xiàn)權(quán)利要求1-3任一項所述的生活性街道空間品質(zhì)測度方法。6.一種存儲介質(zhì)，存儲有程序，其特征在于，所述程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求1-3任一項所述的生活性街道空間品質(zhì)測度方法。5技術(shù)領域[0001]本發(fā)明涉及一種生活性街道空間品質(zhì)測度方法、系統(tǒng)、計算機設備及介質(zhì)，屬于城鄉(xiāng)規(guī)劃領域。背景技術(shù)[0002]街道空間是城市的“毛細血管”,觸及市民生活與游客出行的方方面面。生活性街道一般位于居住社區(qū)中，是最常見的街道類型，其車行道寬度通常不超過雙向四車道，兼具交通和承載居民日常生活的功能，對于人們?nèi)粘Ｉ詈袜徖锝煌兄豢珊鲆暤闹匾浴Ｔ谌吮局髁x視角的街道研究中，人與街道是兩個不能忽視的主體，人對街道的空間感知和在街道中的活動是人與街道產(chǎn)生聯(lián)系的兩種主要方式，這種方式在生活性街道中尤為重[0003]既有街道空間品質(zhì)的測度評估方法主要是基于實地調(diào)查數(shù)據(jù)、基于基礎地理信息數(shù)據(jù)和基于街景圖片的測度。然而，大量街道空間品質(zhì)研究所構(gòu)建的評價體系仍聚焦于單一指標(如綠視率)或由多個普適性指標組成，未納入特定地域環(huán)境下的特色性指標，缺乏一定在地性。發(fā)明內(nèi)容[0004]有鑒于此，本發(fā)明提供了一種生活性街道空間品質(zhì)測度方法、系統(tǒng)、計算機設備及存儲介質(zhì)，其針對城市的建成環(huán)境，選取對應指標構(gòu)建評價體系，同時結(jié)合主觀感知和客觀環(huán)境評價的方法，實現(xiàn)對生活性街道空間品質(zhì)的深入綜合評估，以精準測度城市生活性街道空間品質(zhì)，具有高效率、易于推廣運用的優(yōu)勢，可廣泛應用于城市規(guī)劃生活性街道空間品質(zhì)調(diào)查測度領域。[0005]本發(fā)明的第一個目的在于提供一種生活性街道空間品質(zhì)測度方法[0006]本發(fā)明的第二個目的在于提供一種生活性街道空間品質(zhì)測度系統(tǒng)。[0007]本發(fā)明的第三個目的在于提供一種計算機設備。[0008]本發(fā)明的第四個目的在于提供一種存儲介質(zhì)。[0009]本發(fā)明的第一個目的可以通過采取如下技術(shù)方案達到：[0011]獲取目標區(qū)域的街景圖像數(shù)據(jù)；[0012]根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；[0013]通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；[0014]根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。6[0016]以預設間距劃分目標區(qū)域內(nèi)街道的采樣點，獲取采樣點前后左右四個方向上的街景圖像。[0017]進一步的，所述根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知，具體包括：[0018]根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫；[0019]對街景圖像數(shù)據(jù)庫隨機抽取預設百分比的街景圖像作為打分樣本，獲取目標區(qū)域所在地居民對打分樣本的多級評分；[0020]通過隨機森林機器學習模型對打分樣本的結(jié)果進行機器深度學習，對隨機森林機器學習模型進行參數(shù)調(diào)整，得到訓練好的隨機森林機器學習模型；[0021]利用訓練好的隨機森林機器學習模型對街景圖像數(shù)據(jù)庫的剩余街景圖像進行打分，計算每個采樣點前后左右四個方向上的街景圖像得分的平均值，作為打分結(jié)果。[0022]進一步的，所述環(huán)境評價指標包括綠視率、山視率、圍合度、開闊度、招牌密度、天空視率和色彩熵。[0023]進一步的，所述綠視率、山視率、圍合度、開闊度、招牌密度和天空視率的獲取方式如下：[0024]通過視覺影像語義分割對街景圖像進行街景識別，獲得多類街景要素在街景圖像中的占比結(jié)果；[0025]選取各類街景要素識別結(jié)果中的植物、山、建筑、道路、招牌和天空六類要素的占比結(jié)果，分別作為綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的值；[0026]計算每個采樣點前后左右四個方向上的綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的平均值。[0027]進一步的，所述色彩熵的獲取方式如下：[0028]通過removebg算法去除語義分割后的街景圖像中的天空和道路部分，保留影響街道立面混亂程度的要素；[0029]通過K-means聚類算法提取去除天空和道路部分后的街景圖像中的七個主要色彩，并分別計算七個主要色彩的顏色占比；[0030]計算每個采樣點前后左右四個方向上的色彩熵的平均值，所述色彩熵的計算公式如下：[0032]其中，S;表示j采樣點的色彩混亂度，X;表示j采樣點各種建筑元素第i種主導顏色的像素點數(shù)量，X;表示街景中建筑元素的像素點數(shù)量。[0033]進一步的，所述根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果，具體包括：[0034]根據(jù)層次分析法，賦予街景圖像打分評價結(jié)果0.5的權(quán)重，賦予綠視率和色彩熵各0.1的權(quán)重，賦予山視率、圍合度、開闊度、招牌密度和天空視率各0.06的權(quán)重，通過融合這些指標并進行歸一化，計算街道綜合評價的測度結(jié)果。[0035]本發(fā)明的第二個目的可以通過采取如下技術(shù)方案達到：7[0036]一種生活性街道空間品質(zhì)測度系統(tǒng)，所述系統(tǒng)包括：[0037]獲取模塊，用于獲取目標區(qū)域的街景圖像數(shù)據(jù)；[0038]主觀感知模塊，用于根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；[0039]客觀環(huán)境評價模塊，用于通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；[0040]測度模塊，用于根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。[0041]本發(fā)明的第三個目的可以通過采取如下技術(shù)方案達到：[0042]一種計算機設備，包括處理器以及用于存儲處理器可執(zhí)行程序的存儲器，其特征在于，所述處理器執(zhí)行存儲器存儲的程序時，實現(xiàn)上述的生活性街道空間品質(zhì)測度方法。[0043]本發(fā)明的第四個目的可以通過采取如下技術(shù)方案達到：[0044]一種存儲介質(zhì)，存儲有程序，所述程序被處理器執(zhí)行時，實現(xiàn)上述的生活性街道空間品質(zhì)測度方法。[0045]本發(fā)明相對于現(xiàn)有技術(shù)具有如下的有益效果：[0046]本發(fā)明基于街景圖像數(shù)據(jù)，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知，并通過視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價，將主觀感知與客觀環(huán)境指標相結(jié)合，精準測度城市生活性街道空間品質(zhì)，具有高效率、易于推廣運用的優(yōu)勢，可廣泛應用于城市規(guī)劃生活性街道空間品質(zhì)調(diào)查測度領域。附圖說明[0047]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖示出的結(jié)構(gòu)獲得其他的附圖。[0048]圖1為本發(fā)明實施例1的生活性街道空間品質(zhì)測度方法的簡易流程圖。[0049]圖2為本發(fā)明實施例1的生活性街道空間品質(zhì)測度方法的詳細流程圖。[0050]圖3為本發(fā)明實施例1的街道圖像評價圖。[0051]圖4為本發(fā)明實施例1的街道綠視率圖。[0052]圖5為本發(fā)明實施例1的街道山視率圖。[0053]圖6為本發(fā)明實施例1的街道圍合度圖。[0054]圖7為本發(fā)明實施例1的街道開闊度圖。[0055]圖8為本發(fā)明實施例1的街道招牌密度圖。[0056]圖9為本發(fā)明實施例1的街道天空視率圖。[0057]圖10為本發(fā)明實施例1的色彩熵圖。[0058]圖11為本發(fā)明實施例1的街道綜合評價測度結(jié)果圖。[0059]圖12為本發(fā)明實施例2的生活性街道空間品質(zhì)測度系統(tǒng)的結(jié)構(gòu)框圖。[0060]圖13為本發(fā)明實施例3的計算機設備的結(jié)構(gòu)框圖。8具體實施方式[0061]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部的實施例，基于本發(fā)明中的實施例，本領域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0063]本實施例以廈門市思明區(qū)中山路片區(qū)為例，提供了一種生活性街道空間品質(zhì)測度方法，中山路片區(qū)是廈門現(xiàn)近代歷史風貌舊城街區(qū)的典型代表，與鼓浪嶼風景名勝區(qū)隔海相望，生活氣息濃郁，建筑風貌富有老廈門城市特色和品位，本實施例的范圍東起思明北[0064]如圖1和圖2所示，本實施例的生活性街道空間品質(zhì)測度方法包括以下步驟：[0065]S201、獲取目標區(qū)域的街景圖像數(shù)據(jù)。[0066]本實施例通過批量獲取網(wǎng)絡開源街景圖像數(shù)據(jù)，具體為：編寫Python網(wǎng)絡爬蟲，通過騰訊地圖開放平臺中的API接口批量獲取，以50m為預設間距劃分街道獲得采樣點，獲取采樣點前后左右四個方向上的街景圖像，共計5356張；此外，為了在可視化時顯示道路數(shù)據(jù)，還可以通過openstreetmap網(wǎng)站開放平臺的API接口批量獲取中山路片區(qū)內(nèi)的路網(wǎng)矢量[0067]S202、根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像[0068]該步驟S202具體包括：[0070]S2022、對街景圖像數(shù)據(jù)庫隨機抽取預設百分比的街景圖像作為打分樣本，獲取目標區(qū)域所在地居民對打分樣本的多級評分。[0071]本實施例的預設百分比為15%,對街景數(shù)據(jù)庫隨機抽取688張街景圖像作為打分樣本，并平均分配給八位目標區(qū)域所在地對樣本進行五級評分，從差到好依次為1到5分。[0072]S2023、通過隨機森林機器學習模型對打分樣本的結(jié)果進行機器深度學習，對隨機森林機器學習模型進行參數(shù)調(diào)整，得到訓練好的隨機森林機器學習模型。[0073]本實施例將打分樣本隨機抽取80%作為訓練集，20%作為測試集，通過基于Python語言的隨機森林模型對打分樣本的結(jié)果進行機器深度學習，對隨機森林機器學習模型進行參數(shù)調(diào)整，使隨機森林機器學習模型在測試集上模型得分較高，獲得較精確的機器打分值，最終得到訓練好的隨機森林機器學習模型。[0074]S2024、利用訓練好的隨機森林機器學習模型對街景圖像數(shù)據(jù)庫的剩余街景圖像進行打分，計算每個采樣點前后左右四個方向上的街景圖像得分的平均值，作為打分結(jié)果。[0075]本實施例中，計算每個采樣點前后左右四個方向上的街景圖像得分的平均值，獲[0076]S203、通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價。9[0078]1)通過視覺影像語義分割對街景圖像進行街景識別，獲得多類街景要素在街景圖像中的占比結(jié)果。[0079]具體地，通過視覺影像語義分割軟件，對步驟S201獲得的街景圖像進行街景識別，獲得150類街景要素在街景圖像中的占比結(jié)果，得到CSV表格文件和語義分割后的街景圖像。[0080]語義分割的原理是基于場景表達向量分析框架，場景表達向量由視覺要素組成，用來測度表達特定的城市場景?；谏疃葘W習的場景語義分割方法，計算出圖片中每一個像素點所屬的語義類別，獲取場景中的視覺要素(例如建筑物、車輛、天空等)。形成一個多維向量，向量中的每個維度代表一個特定類別的物體(例如建筑物)在圖像中占比。[0081]2)選取各類街景要素識別結(jié)果中的植物、山、建筑、道路、招牌和天空六類要素的占比結(jié)果，分別作為綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的[0082]3)計算每個采樣點前后左右四個方向上的綠視率、山視率、圍合度、開闊度、招牌密度和天空視率這六個指標的平均值，并置入ArcGIS中進行可視化，如圖4～圖9所示。[0083]色彩熵的獲取方式如下：[0084]1)通過基于Python的removebg算法去除語義分割后的街景圖像中對顏色聚類有較大影響的天空和道路部分，保留建筑、植物等影響街道立面混亂程度的要素。[0085]2)通過基于Python的K-means聚類算法提取去除天空和道路部分后的街景圖像中的七個主要色彩，并分別計算七個主要色彩的顏色占比。[0086]K-Means聚類算法的原理是在給定K值和K個初始類簇中心點的情況下，把每個點(數(shù)據(jù)記錄)分到離其最近的類簇中心點所代表的類簇中，所有點分配完畢之后，根據(jù)類簇內(nèi)的所有點重新計算該類簇的中心點(取平均值),然后再迭代的進行分配點和更新類簇中心點，直至類簇中心點的變化很小或達到指定的迭代次數(shù)。[0087]假定給定數(shù)據(jù)樣本X,包括了n個對象X={X1,X2,X3,…,Xn},其中每個對象都具有m個維度的屬性，K均值聚類算法的目標是將n個對象依據(jù)對象間的相似性聚集到指定的k個類簇中，每個對象屬于且僅屬于一個其到類簇中心距離最小的類簇中。[0088]2.1)初始化k個聚類中心{C?,C?,C?,…,C},1<k≤n,進一步地，通過計算每一個對象到聚類中心的歐式距離，計算公式如下： [0090]其中，X,表示第i個對象1≤i≤n,C;表示第j個聚類中心的1≤j≤k,X?,表示第i個對象的第t個屬性，1≤t≤m,Cj表示第j個聚類中心的第t個屬性。[0091]2.2)依次比較每個對象距離聚類中心的距離，將對象分配到距離最近的聚類中心[0092]2.3)K均值聚類中心即為類簇內(nèi)所有對象的均值，其計算公式如下：[0095]3)計算每個采樣點前后左右四個方向上的色彩熵的平均值，并置入ArcGIS中進行[0098]其中，S;表示j采樣點的色彩混亂度，X,;表示j采樣點各種建筑元素第i種主導顏色的像素點數(shù)量，X;表示街景中建筑元素的像素點數(shù)量；色彩熵值越大，代表街景圖片中缺乏主導色，即色彩混亂度越高，街道立面也越混亂；色彩熵值越小，代表街景照片中存在主導[0099]S204、根據(jù)層次分析法(AnalyticHierarchyProcess,簡稱AHP)賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。[0100]根據(jù)層次分析法，賦予街景圖像打分評價結(jié)果0.5的權(quán)重，賦予綠視率和色彩熵各0.1的權(quán)重，賦予山視率、圍合度、開闊度、招牌密度和天空視率各0些指標并進行歸一化，計算街道綜合評價的測度結(jié)果，如下式：@?=0.5,為街景圖像打分評價結(jié)果的權(quán)重，@?=0.1,為綠視率和色彩熵的權(quán)重，@?=[0103]將街道綜合評價的測度結(jié)果置入ArcGIS中進行可視化，如圖11所示。[0104]應當注意，盡管以特定順序描述了上述實施例的方法操作，但是這并非要求或者暗示必須按照該特定順序來執(zhí)行這些操作，或是必須執(zhí)行全部所示的操作才能實現(xiàn)期望的驟合并為一個步驟執(zhí)行，和/或?qū)⒁粋€步驟分解為多個步驟執(zhí)行。[0105]實施例2:[0106]如圖12所示，本實施例提供了一種生活性街道空間品質(zhì)測度系統(tǒng)，該系統(tǒng)包括獲取模塊1201、主觀感知模塊1202、客觀環(huán)境評價模塊1203和測度模塊1204,各個模塊的具體功能如下：[0107]獲取模塊1201,用于獲取目標區(qū)域的街景圖像數(shù)據(jù)。[0108]主觀感知模塊1202,用于根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知。[0109]客觀環(huán)境評價模塊1203,用于通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價。[0110]測度模塊1204,用于根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。[0111]需要說明的是，本實施例提供的系統(tǒng)僅以上述各功能模塊的劃分進行舉例說明，在實際應用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將內(nèi)部結(jié)構(gòu)劃11分成不同的功能模塊，以完成以上描述的全部或者部分功能。[0112]實施例3:[0113]本實施例提供了一種計算機設備，該計算機設備可以是計算機，如圖13所示，其包括通過系統(tǒng)總線1301連接的處理器1302、存儲器、輸入裝置1303、顯示器1304和網(wǎng)絡接口1305,該處理器用于提供計算和控制能力，該存儲器包括非易失性存儲介質(zhì)1306和內(nèi)存儲器1307,該非易失性存儲介質(zhì)1306存儲有操作系統(tǒng)、計算機程序和數(shù)據(jù)庫，該內(nèi)存儲器1307為非易失性存儲介質(zhì)中的操作系統(tǒng)和計算機程序的運行提供環(huán)境，處理器1302執(zhí)行存儲器存儲的計算機程序時，實現(xiàn)上述實施例1的生活性街道空間品質(zhì)測度方法，如下：[0114]獲取目標區(qū)域的街景圖像數(shù)據(jù)；[0115]根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；[0116]通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；[0117]根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。[0118]實施例4:[0119]本實施例提供了一種存儲介質(zhì)，該存儲介質(zhì)為計算機可讀存儲介質(zhì)，其存儲有計算機程序，計算機程序被處理器執(zhí)行時，實現(xiàn)上述實施例1的生活性街道空間品質(zhì)測度方[0120]獲取目標區(qū)域的街景圖像數(shù)據(jù)；[0121]根據(jù)街景圖像數(shù)據(jù)，建立街景圖像數(shù)據(jù)庫，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知；[0122]通過基于深度學習全卷積網(wǎng)絡的視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖像進行客觀環(huán)境評價；[0123]根據(jù)層次分析法賦予街景圖像的主觀感知和客觀環(huán)境評價的各結(jié)果權(quán)重，計算街道綜合評價的測度結(jié)果。[0124]需要說明的是，本實施例的計算機可讀存儲介質(zhì)可以是計算機可讀信號介質(zhì)或者計算機可讀存儲介質(zhì)或者是上述兩者的任意組合。計算機可讀存儲介質(zhì)例如可以是但不限讀存儲介質(zhì)的更具體的例子可以包括但不限于：具有一個或多個導線的電連接、便攜式計算機磁盤、硬盤、隨機訪問存儲器(RAM)、只讀存儲器(ROM)、可擦式可編程只讀存儲器者上述的任意合適的組合。[0125]在本實施例中，計算機可讀存儲介質(zhì)可以是任何包含或存儲程序的有形介質(zhì)，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用。而在本實施例中，計算機可讀信號介質(zhì)可以包括在基帶中或者作為載波一部分傳播的數(shù)據(jù)信號，其中承載了計算機可讀的程序。這種傳播的數(shù)據(jù)信號可以采用多種形式，包括但不限于電磁信號、光信號或上述的任意合適的組合。計算機可讀信號介質(zhì)還可以是計算機可讀存儲介質(zhì)以外的任何計算機可讀存儲介質(zhì)，該計算機可讀信號介質(zhì)可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用的程序。計算機可讀存儲介質(zhì)上包含的計算機程序可以組合。[0126]上述計算機可讀存儲介質(zhì)可以以一種或多種程序設計語言或其組合來編寫用于執(zhí)行本實施例的計算機程序，上述程序設計語言包括面向?qū)ο蟮某绦蛟O計語言一諸如Java、Python、C++,還包括常規(guī)的過程式程序設計語言一諸如C語言或類似的程序設計語言。程序可以完全地在用戶計算機上執(zhí)行、部分地在用戶計算機上執(zhí)行、作為一個獨立的軟件包執(zhí)行、部分在用戶計算機上部分在遠程計算機上執(zhí)行、或者完全在遠程計算機或服務器上執(zhí)行。在涉及遠程計算機的情形中，遠程計算機可以通過任意種類的網(wǎng)絡，包括局域網(wǎng)務提供商來通過因特網(wǎng)連接)。[0127]綜上所述，本發(fā)明基于街景圖像數(shù)據(jù)，通過訓練好的隨機森林機器學習模型，對街景圖像進行打分，實現(xiàn)對街景圖像的主觀感知，并通過視覺影像語義分割和K-means聚類算法，獲取街道的多個環(huán)境評價指標，對街景圖