标题：
捕捉人眼感知：一种基于视觉注意显著性的格网状城市道路网分层方法
Capturing What Human Eyes Perceive: A Visual Hierarchy Generation Approach to Emulating Saliency-based Visual Attention for Grid-like Urban Street Networks
成果信息：
Zhen, W., Yang, L., Kwan, M.-P., Zuo, Z., Wan, B., Zhou, S., Li, S., Ye, Y., Qian, H., & Pan, X., 2020. Capturing What Human Eyes Perceive: A Visual Hierarchy Generation Approach to Emulating Saliency-based Visual Attention for Grid-like Urban Street Networks. Computers, Environment and Urban Systems, Volume 80, 101454.
Doi: https://doi.org/10.1016/j.compenvurbsys.2019.101454
Url: http://www.sciencedirect.com/science/article/pii/S0198971519303072
成果团队成员：
甄文杰1, 杨林 1*,关美宝2，左泽均1，万波1，周顺平1，李圣文1，叶亚琴1，钱颢月1，潘晓芳3
1华人策略研究论坛，中国地质大学（武汉）, 湖北武汉，430074
2太空与地球信息科学研究所，香港中文大学, 中国香港
3城市与环境科学学院，信阳师范学院, 河南信阳，464000
第一作者：甄文杰
学历：博士在读
单位：中国地质大学（武汉）
职称：无
研究方向：道路网层次化，室内行人导航
通讯作者：杨林
学历：博士
单位：中国地质大学（武汉）
职称：副教授
研究方向： 时空数据挖掘与智慧交通
成果介绍：
研究背景：视觉层次是城市研究中的一个重要概念，它能够极大地帮助人们理解城市形态。作为城市的骨架，城市街道受到居民更多的关注，并被Lynch视为城市的五大要素之一。从视觉感知的角度来看，城市中那些独特且容易吸引人们视觉注意的街道首先被人的大脑所识别。这些突出的街道可以在不同的层次上提取出来，形成一种视觉层次，这个层次影响着人眼感知城市道路的顺序。因此，街道的视觉层次是理解和感知城市的重要因素。然而，由于格网状道路网过度规则化的特点，人们往往难以区分不同格网状道路的视觉显著性。现有的方法通常通过功能指标或视觉指标（主要为长度）来评估街道的显著性。这些显著性指标通常为只关注街道自身的特征的“自显著性”指标，忽略了街道之间的视觉竞争关系。这导致了格网状街道的视觉差异程度较低，街道的视觉层次难以被捕捉，且与人眼感知到的视觉层次不一致。因此，本文提出一种基于“互显著性”的视觉指标模型，并对道路网进行层次化。
研究方法：本文提出一种新的模型来量化街道吸引人类注意的程度，该模型通过模拟视觉注意机制，在不同的感知层次上计算街道的相对视觉显著性。方法以路划为感知单元，结合局部尺度下路划的几何竞争因素（包括方向，长度，连通性与距离四个要素）和全局尺度下的心理竞争因素（包括尺寸效应，中心效应与路网密集度三个要素），设计了综合视觉显著性指数（CVS）。最后根据CVS评分对城市路划的视觉显著性进行排序，并使用“头尾分割”框架得出视觉层次。
结果与讨论：在实验中，使用曼哈顿、盐湖城、旧金山、芝加哥、布法罗、圣地亚哥等八个格网状道路验证所提方法的可用性。使用两个传统模型CCVS模型、LVS模型与CVS模型进行对比。两种模型分别通过功能性指标（连通性）和常用的视觉指标（长度）来评价城市街道的视觉重要性。本文所提CVS模型与这两种传统模型的分层结果在街道的重要性程度上展现出了显著的差异。图1展示了CCVS(左)、LVS（中）与CVS（右）模型分层结果。
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
图1. CCVS(左)、LVS（中）与CVS（右）模型分层结果对比
(a) Manhattan, (b) Salt Lake City, (c) San Francisco, (d) Chicago_ LS, (e) Chicago_ MS, (f) Chicago_ SS, (g) Buffalo, (h) Santiago.
为了进一步验证CVS模型的有效性，本文以人工提取的实际显著的街道作为比较对象。如图2所示，通过对比实际显著的街道与三种模型在不同比例下的高等级街道，研究发现本文所提CVS模型能够较好地捕获格网状道路网的视觉显著特征，与人眼所感知到的显著道路更为一致。在CVS模型下，八个格网状道路网不同比例下的相似度呈现一种先快速升高、再缓慢降低的变化规律。同一城市不同尺度的道路网在实验中也展现出了尺度越大，比例越小的特征。
(a) CCVS 模型 (b) LVS 模型
(c) CVS 模型
图2. CCVS模型、LVS模型和CVS模型中人类感知的显著街道与不同比例下路划的相似性比较
另外，研究发现CVS指标的尺度特征遵循重尾分布的特征（图3），这表明该指标可以帮助人类在大脑中形成城市的层次图像。也正因如此，本文使用了一种适合重尾分布的分割框架“头尾分割”来对实验道路网分层，并根据相似度的变化规律合并高等级街道以趋近于人眼识别的结果（图3）。图4展示了使用“头尾分割”得到的试验区的分层结果。本文所提出的视觉显著性模型与结论有助于理解与认知城市形态，亦可应用于城市道路网其他方面的研究，如路径指引、制图综合、路网匹配等。
图3. CVS分布与一种典型的重尾分布的比较
(a) (b) (c) (d)
(e) (f) (g) (h)
图4. 基于CVS模型生成的城市街道网络层次结构
