本发明涉及城市街道品质评价技术领域，尤其涉及一种街道品质评价方法、装置、系统及存储介质。
背景技术：
城市街道品质是反映城市人群对城市空间综合需求而形成的评价概念，反映了城市空间基本组成要素在“量”和“质”两方面对城市人群和城市社会经济发展的适宜程度。街道作为慢行交通的主要载体和重要的城市公共空间，其品质评价在建筑设计、城市规划与设计、城市活力测度等领域广受关注，为研究城市建成环境提供了新思路。传统的街道品质评价方法多采取社会学、统计学常用的问卷调研、实地调查法，通过与城市规划师交流座谈、对城市居民调查访问，采集街道空间要素特征及其服务水平的信息，通过被采访者的反馈，总结街道的特征、环境、使用效率，还可开展设计前需求评估和设计后的效果反馈采集，是一种应用较为普遍的方法。但多体现在对小范围的街道研究中，难以通过实地调研获取大范围街道空间的属性数据，无法系统全面评价街道品质。
随着信息技术的飞速发展，新数据、新技术、新方法的涌现有助于解决以往街道品质评价相对模糊、主观的问题，有助于改变以往研究尺度偏小、指标不细的现状。应用poi数据、点评数据、手机信令、道路属性数据等对街道活力、道路可步行性、街道绿化等多种品质进行测度，突破了以往的认知局限性。但仍对微观环境的重视程度不足，常以粒度较粗的社区地块研究来代表原本内涵丰富的微观环境，侧重于空间的社会属性，缺乏人本视角下对街道品质与活力的针对性科学解读。街景图片正成为多源城市数据的重要补充，由于街景图像更贴近个人视角，以人视为基准视角的街景图片为街道研究提供了一个重要的数据源。研究者可以基于图像分割和大规模图像数据的深度学习技术自动识别出街道要素，继而开展研究，如利用行人、汽车、建筑、绿化和天空等要素比例，测度大规模样本的街道的空间构成，根据各类要素的比例及混合度分析城市街道品质，为城市街道品质研究提供了新思路。
然而，上述方法仍有其自身的局限性，街道作为城市功能的重要体现，没有考虑城市功能，尚未通过城市功能视角评价街道品质。
技术实现要素：
本发明实施例提供一种街道品质评价方法、装置、系统及存储介质，能有效解决现有技术无法通过城市功能视角评价街道品质的问题，能有效提高评价的准确性和效率。
本发明一实施例提供一种街道品质评价方法，包括：
获取待评价街道的街景图像及poi数据；
提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标；
将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果；
基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
作为上述方案的改进，所述提取所述poi数据的城市功能语义信息，具体包括：
将所述待评价街道划分为同一预设分辨率的栅格单元，并将落入同一所述栅格单元的poi文本词语作为一个输入文档，获取所有所述输入文档；
根据所述输入文档及其poi文本词语，计算不同主题数量下每个主题的文本语义归类情况，并根据所述文本语义归类情况，确定所述待评价街道的主题数量；
计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率，并构建主题模型；
基于所述主题模型提取所述poi数据中的城市功能语义信息。
作为上述方案的改进，所述提取所述poi数据的城市功能语义信息，还包括：
根据公式(1)计算不同主题数量下每个主题的文本语义归类情况：
其中，perplexity(d)为输入文档d的文本语义归类情况，wd为输入文档d的poi文本词语，p(wd)为poi文本词语wd属于输入文档d的概率，m为输入文档d的总数量，nd为输入文档d的poi文本词语的数量；
根据公式(2)和(3)计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率：
其中，θ为输入文档中主题z的分布概率，α、β为主题模型的超参数，
作为上述方案的改进，所述构建所述街景图像的空间特性指标，具体包括：
采用预设的语义分割模型对所述街景图像进行语义分割；
提取语义分割后的街景图像中的街景图像目标像素；其中，所述街景图像目标像素包括植被像素、道路像素、建筑像素、汽车像素及天空像素；
基于所述街景图像目标像素构建所述街景图像的空间特性指标。
作为上述方案的改进，所述将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果，具体包括：
将预先获取的街道的城市功能语义信息及空间特性指标组织成训练样本，并基于所述训练样本对预设的多层感知器进行训练，得到自适应城市功能预测模型；
将所述待评价街道的城市功能语义信息和空间特性指标输入到所述自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果。
作为上述方案的改进，所述基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价，具体包括：
将所述待评价街道划分为网格，计算包含商业、生活城市功能主题的网格内poi的核密度，并对每个所述poi的核密度进行分级评分，得到每个所述poi的评分值；
构建所述待评价街道中的交通测算指标，并对所述交通测算指标进行分级评分，得到公交站点评分值；
根据所述道路像素及所述汽车像素，构建道路覆被完整度指标，并对所述道路覆被完整度指标进行分级评分，得到道路覆被完整度评分值；
根据每个所述poi的评分值、所述公交站点评分值及所述道路覆被完整度评分值，计算商业、生活、交通城市功能评分值；
根据所述街道城市功能预测结果，计算商业、生活、交通城市功能的权重；
根据所述商业、生活、交通城市功能评分值及权重，获得所述待评价街道的街道品质评价结果。
作为上述方案的改进，在所述基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价之后，还包括：
确定所述待评价街道的抽样区域；
结合所述抽样区域所在的街景图像，获取所述抽样区域的街道品质人工评价值；
基于所述抽样区域的街道品质人工评价值对所述待评价街道的街道品质评价结果进行对比验证。
本发明另一实施例对应提供了一种街道品质评价装置，包括：
街景图像及poi数据获取模块，用于获取待评价街道的街景图像及poi数据；
特征提取模块，用于提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标；
街道城市功能预测模块，用于将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果；
街道品质评价模块，用于基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
本发明另一实施例提供了一种街道品质评价系统，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的街道品质评价方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的街道品质评价方法。
与现有技术相比，本发明实施例公开的一种街道品质评价方法、装置、系统及存储介质，通过获取待评价街道的街景图像及poi数据，提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标，其中，所述空间特性指标包括开敞度指标及围合度指标，将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果，基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价，这样采用poi数据可以实现对微观环境的准确解读，同时融合街景图像能提高评价的社会切合度。并且，通过考虑城市功能，能有效解决现有技术无法通过城市功能视角评价街道品质的问题，从而能有效提高评价的准确性、全面性和效率，具有较强的适用性。
附图说明
图1是本发明实施例一提供的一种街道品质评价方法的流程示意图；
图2是本发明实施例二提供的一种街道品质评价装置的结构示意图；
图3是本发明实施例三提供的一种街道品质评价系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1，是本发明实施例一提供的一种街道品质评价方法的流程示意图。
本实施例提供的街道品质评价方法可以由计算机处理端执行。其中，在本实施例中，该计算机处理端优选为街道品质评价系统(甚至还可以是云端服务器等)，该评价系统可以通过软件和/或硬件的方式实现，该评价系统可以是两个或多个物理实体构成，也可以是一个物理实体构成。
具体的，请参见图1，所述街道品质评价方法包括步骤s101至步骤s104。
s101、获取待评价街道的街景图像及poi数据。
s102、提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标。
需要说明的是，城市功能包括商业城市功能、生活城市功能及交通城市功能，所述城市功能语义信息包括与商业、生活、交通城市功能相关主题与词汇，及主题分布概率。本实施例中，所述街道品质评价系统在获取到待评价街道的街景图像及poi数据后，提取poi数据中与商业、生活、交通城市功能相关主题与词汇，即城市功能语义信息；同时，提取街景图片中建筑物、道路、天空等目标，并获取该目标像素，由此构建开敞度、围合度指标。
在上述实施例的基础上，所述提取所述poi数据的城市功能语义信息，优选为：
将所述待评价街道划分为同一预设分辨率的栅格单元，并将落入同一所述栅格单元的poi文本词语作为一个输入文档，获取所有所述输入文档；
根据所述输入文档及其poi文本词语，计算不同主题数量下每个主题的文本语义归类情况，并根据所述文本语义归类情况，确定所述待评价街道的主题数量；
计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率，并构建主题模型；
基于所述主题模型提取所述poi数据中的城市功能语义信息。
本实施例中，街道品质评价系统优选地构建基于poi文本词语的主题模型，以实现将poi文本词语按照相似语义进行主题归类，并计算归类后的poi文本词语的主题分布，后提取poi城市功能语义信息。首先，街道品质评价系统构建用于主题模型输入的输入文档，考虑到距离相近的poi可能包含相同或相似的文本语义，将待评价街道划分为相同分辨率的栅格单元，后将所有落入同一个所述栅格单元的poi文本词语作为一个输入文档。进一步，依据poi文本词语的语义，确定主题数k。优选的，街道品质评价系统运用衡量文本混合度的指标perplexity来计算不同主题数下各主题的文本语义归类情况，因此，指标perplexity值表示文档属于某个主题的不确定性，perplexity值越小，表示计算结果中该主题的可信度越高。更进一步，街道品质评价系统将输入文档应用于lda主题模型，计算输入文档中主题的分布概率和每个主题中poi文本词语的分布概率。由此，城市功能语义信息中主题分布概率包括输入文档中每个主题的分布概率及每个主题中poi文本词语的分布概率，由此构建主题模型，并基于该主题模型提取poi数据中的城市功能语义信息。
在上述实施例的基础上，优选的，根据公式(1)计算不同主题数量下每个主题的文本语义归类情况：
其中，perplexity(d)为输入文档d的文本语义归类情况，wd为输入文档d的poi文本词语，p(wd)为poi文本词语wd属于输入文档d的概率，m为输入文档d的总数量，nd为输入文档d的poi文本词语的数量；
根据公式(2)和(3)计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率：
其中，θ为输入文档中主题z的分布概率，α、β为主题模型的超参数，
优选的，根据上述分布概率，构建如下公式(4)和(5)的主题模型矩阵：
其中，i，j，k，l分别为第i，j，k，l个主题、输入文档或poi文本词语的类型。例如，θ＝pij第j个输入文档下第i个主题的分布概率θ，φ＝pjk表示第j个主题下第k个poi文本词语的分布概率φ。可见，poi文本词语w的分布概率φ反映了主题归类的可信度，输入文档中主题z的分布概率θ反映了poi城市功能的分布。
在上述实施例的基础上，所述构建所述街景图像的空间特性指标，优选为：
采用预设的语义分割模型对所述街景图像进行语义分割；
提取语义分割后的街景图像中的街景图像目标像素；其中，所述街景图像目标像素包括植被像素、道路像素、建筑像素、汽车像素及天空像素；
基于所述街景图像目标像素构建所述街景图像的空间特性指标。
需要说明的是，街道品质评价系统基于深度学习语义分割网络提取街景图像中建筑物、植被、道路等目标，构建开敞度、围合度指标，即空间特性指标。具体的，街道品质评价系统基于预设的语义分割模型对街景图片进行语义分割，其中，语义分割模型优选为pspnet模型。继而，街道品质评价系统提取语义分割后的街景图像目标及其像素。从而，基于提取的街景图像目标像素构建围合度、开敞度指标。
在一种优选的实施例中，上述街景图像目标提取方法如下公式(6)至(10)：
式中，pi,greenery,pi,road,pi,building,pi,car,pi,sky指的是第i个采集点街景图像中植被、道路、建筑、汽车、天空的像素总数，j为街景采集点图像的张数，分别为90°，180°，270°，360°四个视角下的四张街景图像，pixelj,type表示采集点第j张图片中植被、道路、建筑、汽车、天空的像素数。
进一步，优选的，空间特性指标构建方法如下公式(11)至(13)：
pi,buildingenclosing＝(pi,building pi,car pi,road)/n(11)
pi,greeneryenclosing＝(pi,greenery pi,building)/n(12)
pi,openspaces＝(pi,sky pi,road pi,car)/n(13)
其中，pi,buildingenclosing为建筑围合度指标,pi,greeneryenclosing为植被围合度指标,pi,openspaces为开敞度指标，n为该采集点的总像素数。
s103、将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果。
在上述实施例中，步骤s103优选为：
将预先获取的街道的城市功能语义信息及空间特性指标组织成训练样本，并基于所述训练样本对预设的多层感知器进行训练，得到自适应城市功能预测模型；
将所述待评价街道的城市功能语义信息和空间特性指标输入到所述自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果。
需要说明的是，街道品质评价系统预先获取待预设街道的街景图像及poi数据，继而提取poi数据的城市功能语义信息，以及构建街景图像的空间特性指标。进一步，将预设街道的城市功能语义信息的主题分布概率和空间特性指标作为多层感知器的城市功能预测指标，即训练样本，基于训练样本对多层感知器进行训练，得到自适应城市功能预测模型。更进一步，将待评价街道的城市功能语义信息的主题分布概率和空间特性指标输入到自适应城市功能预测模型，得到待评价街道的街道城市功能预测结果，实现道路城市功能类别提取。
s104、基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
在上述实施例中，步骤s104优选为：
将所述待评价街道划分为网格，计算包含商业、生活城市功能主题的网格内poi的核密度，并对每个所述poi的核密度进行分级评分，得到每个所述poi的评分值；
构建所述待评价街道中的交通测算指标，并对所述交通测算指标进行分级评分，得到公交站点评分值；
根据所述道路像素及所述汽车像素，构建道路覆被完整度指标，并对所述道路覆被完整度指标进行分级评分，得到道路覆被完整度评分值；
根据每个所述poi的评分值、所述公交站点评分值及所述道路覆被完整度评分值，计算商业、生活、交通城市功能评分值；
根据所述街道城市功能预测结果，计算商业、生活、交通城市功能的权重；
根据所述商业、生活、交通城市功能评分值及权重，获得所述待评价街道的街道品质评价结果。
需要说明的是，基于城市功能预测结果自适应评价街道品质。首先，将待评价街道划分为格网，计算每个格网内poi的核密度，后对核密度进行分级评分。其中，核密度优选地由公式(14)得到：
其中，dn为poi的核密度，xi为每一个poi，n为poi的总个数，xi，xj分别表示第i,j个poi，n代表平滑指数，k为权重。
示例性的，将待评价街道划分成50m*50m的格网；选择包含购物商场和住宅小区的格网计算格网内poi核密度。进而，核密度的分级评分可以具体为：对核密度指标采用自然间断法分为四级，密度最高的等级打4分，依次递减。
进一步，构建交通测算指标，后对所述交通测算指标进行分级评分。示例性的，交通测算指标可以是道路的公交站点密度，为计算道路的公交站点密度，构建公交站点密度指标。首先，计算每条道路段的公交站点密度。继而，交通测算指标的分级评分可以具体为：将公交站点密度分为四级；公交站点数为0的路段打分为1分，公交站点密度大于1000m的打分2分，500m-1000m的打分为3分，公交站密度小于500m的打分为4分。优选的，可由公式(15)计算每条道路段的公交站点密度：
其中，ci为第i条道路段的公交站点密度，leni为第i条道路段的长度，ni为第i条道路段的公交站点数目。
进一步，基于上述提取的目标像素构建道路覆被完整度指标，测算道路的交通城市功能指标。按如下公式(16)计算道路覆被完整度指标：
其中，itraffic代表了道路覆被完整度指标，pj,car代表第j个采集点的车辆像素数，pj,road代表第j个采集点的道路像素数，n代表该路段全部街景采集点。进一步，示例性的，道路覆被完整度的分级评分可以具体为将道路覆被完整度分为四级：itraffic>70％打分为4分，70％>itraffic>50％打分为3分，50％>itraffic>30％打分为2分，30％>itraffic打分为1分。
更进一步，自适应街道品质评价。为了自适应街道品质评价，首先，对道路各项评分值按照城市功能进行加和求各城市功能得分；继而，基于层次分析法针对上述的街道城市功能预测结果对每一类道路的不同城市功能赋予不同的权重；进而，基于上述权重和各种功能类型的得分计算道路的总体得分；最后，对上述街道品质评价得分基于自然间断法进行分级，获得最终的城市街道品质评价等级。
示例性的，第i条道路中的poi包括住宅小区、学校、公交站点、购物商场及停车场，即城市功能评分值如下公式(17)至(19)：
fi,residential＝r(di(residential)) r(ci) r(di(education))(17)
fi,commercial＝r(di(commercial)) r(ci) r(di(parkinglot))(18)
fi,traffic＝r(ii,traffic) r(ci)(19)
其中，fi,residential为第i条道路中生活城市功能评分值，r(di(residential))为第i条道路中住宅小区的评分值，r(ci)为第i条道路中公交站点的评分值，r(di(education))为第i条道路中学校的评分值；fi,commercial为第i条道路中商业城市功能评分值，r(di(commercial))为第i条道路中购物商场的评分值，r(di(parkinglot))为第i条道路中停车场的评分值；fi,traffic为第i条道路中交通城市功能评分值，r(ii,traffic)为第i条道路中道路覆被完整度的评分值；r代表评分值。
更进一步，优选的，由如下公式(20)计算待评价街道的街道品质评价结果，即街道品质评价值：
si＝r(fi,commercial)*wcommercial r(fi,residential)*wresidential r(fi,traffic)*wtraffic(20)
其中，si代表第i条道路的街道品质评价值，wcommercial为第i条道路的商业城市功能的权重，wresidential为第i条道路的生活城市功能的权重，wtraffic为第i条道路的交通城市功能的权重；w代表每种城市功能的权重。
在上述实施例的基础上，优选的，在步骤s104之后还包括：
确定所述待评价街道的抽样区域；
结合所述抽样区域所在的街景图像，获取所述抽样区域的街道品质人工评价值；
基于所述抽样区域的街道品质人工评价值对所述待评价街道的街道品质评价结果进行对比验证。
需要说明的是，基于街景图像抽样验证。示例性的，采用随机抽样方式确定待评价街道的抽样点，进而结合街景图像，获取该抽样点地区街道品质的人工评价，从而与步骤s104中得到的待评价街道的街道品质评价结果进行对比，以验证本发明方法的可靠性。
在上述实施例的基础上，将所述街道品质评价方法应用于实际街道，以某地区21条道路段的1604张街景图片和21条路段100米范围内32273个poi数据为例，
首先，街道品质评价系统需构建用于模型输入的输入文档d，本实施例中把每条道路段100米范围内的poi文本词语作为一个输入文档；继而，根据所述输入文档及其poi文本词语的语义，运用文本混合度的指标perplexity计算不同主题数量下每个主题的文本语义归类情况，并确定主题数k＝10。进而，所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率，并构建主题模型。从而，通过lda主题模型提取poi中与商业、生活居住、交通城市功能相关主题与词汇。示例性的，poi部分主题分布概率结果如表1所示。其中，词语“便利店”、“临街院门”、“住宅小区”等词语反映了该道路段的生活城市功能；词语“商场”、“专卖店”、“购物中心”等词语反映了该道路段的商业城市功能。
进一步，基于pspnet提取街景图片中建筑物、植被、道路、天空、车辆目标，构建开敞度、围合度指标作为城市功能预测指标。首先，基于pspnet对1604张街景图片进行语义分割；继而，提取语义分割后的街景图片的建筑物、道路、植被、天空、车辆目标像素；最后，基于提取的街景图片目标像素构建围合度、开敞度指标。
进一步，基于spss软件构建训练多层感知器。首先，基于spss软件“分析”功能，构建多层感知器；继而，将训练样本中城市功能语义信息的主题概率和开敞度、围合度指标作为多层感知器的因变量分为70％训练数据，30％验证数据来训练多层感知器。最后，输入21条道路的主题概率和开敞度、围合度指标，实现道路城市功能类别提取。本实施例中多层感知器精度如表2所示。
表2多层感知器分类精度
进一步，基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。首先，基于arcgis生成渔网工具将道路划分为50m*50m的格网，计算每个格网内poi的核密度；继而，计算每条道路公交站点的密度，基于上述提取的街景天空、道路、车辆要素构建道路覆被完整度指标；进而，基于街道城市功能预测结果利用层次分析法给出不同道路的商业、生活、交通城市功能的权重，结合权重计算道路商业、生活居住、交通城市功能的得分；最后，将商业、生活居住、交通城市功能权重进行相加，采用自然间断法得到自适应的街道品质评价结果。其中，上述层次分析法权重方案如表3所示。
表3权重分配方案
更进一步，基于街景图像抽样验证：首先，采用随机抽样方式每500m确定1个抽样点确定72个抽样点；继而，结合街景图像，获取对抽样点地区街道品质的人工评价；最后，与上述的街道品质评价结果进行对比，以验证方法的可靠性和准确性。
本发明实施例提供的一种街道品质评价方法，通过获取待评价街道的街景图像及poi数据，提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标，其中，所述空间特性指标包括开敞度指标及围合度指标，将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果，基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价，这样采用poi数据可以实现对微观环境的准确解读，同时融合街景图像能提高评价的社会切合度。并且，通过考虑城市功能，能有效解决现有技术无法通过城市功能视角评价街道品质的问题，从而能有效提高评价的准确性、全面性和效率，具有较强的适用性。
实施例二
参见图2，是本发明实施例二提供的一种街道品质评价装置的结构示意图，包括：
街景图像及poi数据获取模块201，用于获取待评价街道的街景图像及poi数据；
特征提取模块202，用于提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标；
街道城市功能预测模块203，用于将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果；
街道品质评价模块204，用于基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
优选的，所述特征提取模块202包括：
输入文档获取单元，用于将所述待评价街道划分为同一预设分辨率的栅格单元，并将落入同一所述栅格单元的poi文本词语作为一个输入文档，获取所有所述输入文档；
主题数量确定单元，用于根据所述输入文档及其poi文本词语，计算不同主题数量下每个主题的文本语义归类情况，并根据所述文本语义归类情况，确定所述待评价街道的主题数量；
主题模型构建单元，用于计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率，并构建主题模型；
城市功能语义信息提取单元，用于基于所述主题模型提取所述poi数据中的城市功能语义信息。
优选的，所述特征提取模块202还包括：
文本语义归类情况计算单元，用于根据公式(1)计算不同主题数量下每个主题的文本语义归类情况：
其中，perplexity(d)为输入文档d的文本语义归类情况，wd为输入文档d的poi文本词语，p(wd)为poi文本词语wd属于输入文档d的概率，m为输入文档d的总数量，nd为输入文档d的poi文本词语的数量；
主题分布概率计算单元，用于根据公式(2)和(3)计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率：
其中，θ为输入文档中主题z的分布概率，α、β为主题模型的超参数，
优选的，所述特征提取模块202还包括：
街景图像语义分割单元，用于采用预设的语义分割模型对所述街景图像进行语义分割；
街景图像目标提取单元，用于提取语义分割后的街景图像中的街景图像目标像素；其中，所述街景图像目标像素包括植被像素、道路像素、建筑像素、汽车像素及天空像素；
空间特性指标构建单元，用于基于所述街景图像目标像素构建所述街景图像的空间特性指标。
优选的，所述街道城市功能预测模块203包括：
多层感知器训练单元，用于将预先获取的街道的城市功能语义信息及空间特性指标组织成训练样本，并基于所述训练样本对预设的多层感知器进行训练，得到自适应城市功能预测模型；
城市功能预测单元，用于将所述待评价街道的城市功能语义信息和空间特性指标输入到所述自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果。
优选的，所述街道品质评价模块204包括：
划分网格单元，用于将所述待评价街道划分为网格，计算包含商业、生活城市功能主题的网格内poi的核密度，并对每个所述poi的核密度进行分级评分，得到每个所述poi的评分值；
交通测算指标构建单元，用于构建所述待评价街道中的交通测算指标，并对所述交通测算指标进行分级评分，得到公交站点评分值；
道路覆被完整度指标构建单元，用于根据所述道路像素及所述汽车像素，构建道路覆被完整度指标，并对所述道路覆被完整度指标进行分级评分，得到道路覆被完整度评分值；
城市功能评分单元，用于根据每个所述poi的评分值、所述公交站点评分值及所述道路覆被完整度评分值，计算商业、生活、交通城市功能评分值；
城市功能权重计算单元，用于根据所述街道城市功能预测结果，计算商业、生活、交通城市功能的权重；
街道品质评价单元，用于根据所述商业、生活、交通城市功能评分值及权重，获得所述待评价街道的街道品质评价结果。
优选的，所述街道品质评价装置还包括：
区域抽样单元，用于确定所述待评价街道的抽样区域；
人工评价获取单元，用于结合所述抽样区域所在的街景图像，获取所述抽样区域的街道品质人工评价值；
验证单元，用于基于所述抽样区域的街道品质人工评价值对所述待评价街道的街道品质评价结果进行对比验证。
本实施例二提供的所述街道品质评价装置用于执行上述实施例一任意一项所述街道品质评价方法的步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
实施例三
参见图3，是本发明实施例三提供的一种街道品质评价系统的结构示意图。该实施例的街道品质评价系统包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序，例如街道品质评价程序。所述处理器301执行所述计算机程序时实现上述各个街道品质评价方法实施例中的步骤。或者，所述处理器301执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述街道品质评价系统中的执行过程。
所述街道品质评价系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述街道品质评价系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是街道品质评价系统的示例，并不构成对街道品质评价系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述街道品质评价系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述街道品质评价系统的控制中心，利用各种接口和线路连接整个街道品质评价系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述街道品质评价系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述街道品质评价系统集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
1.一种街道品质评价方法，其特征在于，包括：
获取待评价街道的街景图像及poi数据；
提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标；
将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果；
基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
2.如权利要求1所述的街道品质评价方法，其特征在于，所述提取所述poi数据的城市功能语义信息，具体包括：
将所述待评价街道划分为同一预设分辨率的栅格单元，并将落入同一所述栅格单元的poi文本词语作为一个输入文档，获取所有所述输入文档；
根据所述输入文档及其poi文本词语，计算不同主题数量下每个主题的文本语义归类情况，并根据所述文本语义归类情况，确定所述待评价街道的主题数量；
计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率，并构建主题模型；
基于所述主题模型提取所述poi数据中的城市功能语义信息。
3.如权利要求2所述的街道品质评价方法，其特征在于，所述提取所述poi数据的城市功能语义信息，还包括：
根据公式(1)计算不同主题数量下每个主题的文本语义归类情况：
其中，perplexity(d)为输入文档d的文本语义归类情况，wd为输入文档d的poi文本词语，p(wd)为poi文本词语wd属于输入文档d的概率，m为输入文档d的总数量，nd为输入文档d的poi文本词语的数量；
根据公式(2)和(3)计算所述输入文档中每个主题的分布概率，及每个主题中poi文本词语的分布概率：
其中，θ为输入文档中主题z的分布概率，α、β为主题模型的超参数，
4.如权利要求1所述的街道品质评价方法，其特征在于，所述构建所述街景图像的空间特性指标，具体包括：
采用预设的语义分割模型对所述街景图像进行语义分割；
提取语义分割后的街景图像中的街景图像目标像素；其中，所述街景图像目标像素包括植被像素、道路像素、建筑像素、汽车像素及天空像素；
基于所述街景图像目标像素构建所述街景图像的空间特性指标。
5.如权利要求1所述的街道品质评价方法，其特征在于，所述将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果，具体包括：
将预先获取的街道的城市功能语义信息及空间特性指标组织成训练样本，并基于所述训练样本对预设的多层感知器进行训练，得到自适应城市功能预测模型；
将所述待评价街道的城市功能语义信息和空间特性指标输入到所述自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果。
6.如权利要求4所述的街道品质评价方法，其特征在于，所述基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价，具体包括：
将所述待评价街道划分为网格，计算包含商业、生活城市功能主题的网格内poi的核密度，并对每个所述poi的核密度进行分级评分，得到每个所述poi的评分值；
构建所述待评价街道中的交通测算指标，并对所述交通测算指标进行分级评分，得到公交站点评分值；
根据所述道路像素及所述汽车像素，构建道路覆被完整度指标，并对所述道路覆被完整度指标进行分级评分，得到道路覆被完整度评分值；
根据每个所述poi的评分值、所述公交站点评分值及所述道路覆被完整度评分值，计算商业、生活、交通城市功能评分值；
根据所述街道城市功能预测结果，计算商业、生活、交通城市功能的权重；
根据所述商业、生活、交通城市功能评分值及权重，获得所述待评价街道的街道品质评价结果。
7.如权利要求6所述的街道品质评价方法，其特征在于，在所述基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价之后，还包括：
确定所述待评价街道的抽样区域；
结合所述抽样区域所在的街景图像，获取所述抽样区域的街道品质人工评价值；
基于所述抽样区域的街道品质人工评价值对所述待评价街道的街道品质评价结果进行对比验证。
8.一种街道品质评价装置，其特征在于，包括：
街景图像及poi数据获取模块，用于获取待评价街道的街景图像及poi数据；
特征提取模块，用于提取所述poi数据的城市功能语义信息，以及构建所述街景图像的空间特性指标；其中，所述空间特性指标包括开敞度指标及围合度指标；
街道城市功能预测模块，用于将所述城市功能语义信息和所述空间特性指标输入到预先建立的自适应城市功能预测模型，得到所述待评价街道的街道城市功能预测结果；
街道品质评价模块，用于基于所述街道城市功能预测结果对所述待评价街道的街道品质进行评价。
9.一种街道品质评价系统，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的街道品质评价方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的街道品质评价方法。
技术总结