基于街景与计算机视觉方法的城市建筑更新自动识别研究

Against the backdrop of shift from urban sprawling toward urban renovation, research on urban renovation becomes increasingly important. Since urban buildings are the overriding part of city, automatic identification of the urban building renovation can provide crucial data for the relevant research of urban renovation. However, previous research combining street view and computer vision methods depends on manual rating or ranking, which could be labor-intensive and subjective. Moreover, it is difficult to calculate the uncertainties of manual rating or ranking. Hence, using Wuhan as a study area, this research proposes a method to automatically extract and identify the urban building renovation from Baidu Street View via Convolutional Neural Networks (CNN) and structured texture similarity, respectively. The uncertainties of this approach are also computed. This project is potential to bridge two research gaps: first, the structured texture similarity is substituted for the manual rating or ranking, aiming to improve automation and objectivity of the identification process; second, by observation and/or survey etc., the uncertainties of automatic identification of the urban building renovation are calculated via two proxies: algorithm error and data error. Based on both errors, corresponding suggestions (including model enhancement and auxiliary datasets) to improve the identification accuracy are made in this project. This study aims to explore and develop an approach for automatic identification of long-term urban building renovation at fine spatial resolutions across large extents. This approach is potential to furnish more objective data for subsequent relevant research of urban renovation, therefore contributing to its theoretical development.

在我国城市逐渐由外延扩张向内涵提升转变的背景下，城市更新研究重要性日益突出。建筑作为城市最重要的外部载体，其更新的自动识别能为城市更新及相关研究提供重要的数据。现有基于街景与计算机视觉方法的建筑更新识别均需借助人工评分或评级，不仅工作量、主观性较大，也难以直接计算结果的不确定度。为此本项目拟以武汉市为研究区，基于百度街景，通过卷积神经网络和结构化纹理相似度分别自动提取和识别建筑更新，并评估该识别方法的不确定度。项目创新点在于：第一，探索利用结构化纹理相似度代替人工评分或评级，提高识别过程自动化程度与客观性；第二，由于建筑更新可直接通过目视或调查等方法检验，项目从算法误差以及数据误差两方面直接计算识别结果不确定度，并从模型和数据两方面提出相应改进对策。本研究旨在探索与构建一种长时间序列、大空间范围、微观尺度的城市建筑更新自动识别方法，为后续城市更新及相关研究提供更客观的数据，推动其学科发展。

在我国城市逐渐由外延扩张向内涵提升转变的背景下，城市更新研究重要性日益突出。建筑作为城市最重要的外部载体，其更新的自动识别能为城市更新及相关研究提供重要的数据。现有基于街景与计算机视觉方法的建筑更新识别没有将建筑物变化与其他街景变化分离，从而影响建筑更新识别精度。为此，项目利用深度语义分割模型“HRNet + OCR”，提取了建筑物图像块。针对建筑物图像块不规则问题，基于结构化相似度指数，提出了一种孪生掩膜深度卷积神经网络，实现了不规则建筑物图像块卷积及相似度对比，从而达到了建筑物更新分类判别的目的。经验证，模型分类精度优于80%。该研究较好解决了城市建筑更新数据获取问题，尤其是通过图像语义分割最大程度减少了无关变化（如街道车辆、植物变化）对判别的影响，为后期基于街景大规模识别城市更新奠定了技术基础。..基于该技术，获取了新西兰奥克兰市四个时期城市建筑更新时空分布。分析发现研究区内大部分城市建筑更新热点位置随着时间变化而转移，这一现象符合Neil Smith的“跷跷板”理论：资本在城市建成环境逐利的过程中，总是通过城市更新不断流向有利可图的区域，直至找到下一个更加有利可图的区域，最终形成空间非均衡发展（uneven development）。同时，奥克兰市特定地区存在持续热点，如市中心。这些地段一般靠近主要交通干线，如公路或铁路。该现象无法通过“跷跷板”理论给出完美解释。该发现不仅进一步明确了交通对城市更新的重要驱动作用，更为城市更新相关理论完善提供了重要的实证证据，有助于推动学科发展。