留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

室内地标提取的POI显著度定量评价模型

朱海红 温雅 毛凯 李霖 李国忠 李宇琪

朱海红, 温雅, 毛凯, 李霖, 李国忠, 李宇琪. 室内地标提取的POI显著度定量评价模型[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
引用本文: 朱海红, 温雅, 毛凯, 李霖, 李国忠, 李宇琪. 室内地标提取的POI显著度定量评价模型[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
ZHU Haihong, WEN Ya, MAO Kai, LI Lin, LI Guozhong, LI Yuqi. A Quantitative POI Salience Model for Indoor Landmark Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
Citation: ZHU Haihong, WEN Ya, MAO Kai, LI Lin, LI Guozhong, LI Yuqi. A Quantitative POI Salience Model for Indoor Landmark Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149

室内地标提取的POI显著度定量评价模型

doi: 10.13203/j.whugis20150149
基金项目: 

国家自然科学基金 41271458

国家高技术研究发展计划(863计划) 2013AA12A202

详细信息
    作者简介:

    朱海红, 博士, 教授, 研究方向为地图设计、电子导航地图和地理信息语义等。hhzhu@whu.edu.cn

    通讯作者: 温雅, 硕士。wenya@whu.edu.cn
  • 中图分类号: P208

A Quantitative POI Salience Model for Indoor Landmark Extraction

Funds: 

The National Natural Science Foundation of China 41271458

the National High-Technology Research and Development Program of China(863 Program) 2013AA12A202

More Information
    Author Bio:

    ZHU Haihong, PhD, professor, specializes in map design, electronic navigation maps, geographical information semantics. E-mail:hhzhu@whu.edu.cn

    Corresponding author: WEN Ya, master. E-mail: wenya@whu.edu.cn
  • 摘要: 室内地标在室内位置信息服务(location based service,LBS)中发挥着重要作用。针对室外地标提取方法不能完全适用于更为复杂的室内环境的问题,提出了一种显著度定量评价模型用于在室内环境中提取地标。以大型商场的室内环境为研究对象,从视觉、认知、空间3个方面分析影响室内兴趣点(point of interest,POI)显著性的主要因素,并用这些因素构建了室内POI整体显著度评价模型。选择武汉市群光购物中心室内的POI数据进行显著度计算,依据显著度的差异性提取了多层地标,反映不同粒度的室内区域空间知识。提取的多层地标可以作为室内智能导航系统中的重要标识,为在复杂的大型商场内实现快速寻路、多粒度路径导引提供关键线索。
  • 图  1  商场内某层部分商铺示例

    Figure  1.  A Sample of Several Shops Within the Mall

    图  2  实验区室内地标分层提取结果图

    Figure  2.  Landmark Hierarchical Extraction Result Maps in Experimental Area

    表  1  视觉显著度各特征属性度量标准

    Table  1.   Properties for Sv and How they are Measured

    Sv属性 举例 度量标准
    外观面积(α) 23 m×10 m α=长×宽
    招牌特征(β) β=1 β∈{1, 2, 3}
    设计特色(γ) γ=1 γ∈{T:1,F:0}
    下载: 导出CSV

    表  2  认知显著度各特征属性度量标准

    Table  2.   Properties for Sc and How they are Measured

    Sc属性 举例 度量标准
    知名度(π) π=4 π∈{1, 2, 3, 4}
    功能差异性(δ) δ=0 δ∈{T:1,F:0}
    唯一性(ε) ε= 1 ε∈{T:1,F:0}
    下载: 导出CSV

    表  3  空间显著度各特征属性度量标准

    Table  3.   Properties for Ss and How they are Measured

    Ss属性 举例 度量标准
    空间位置(θ) θ=1 θ∈{1, 2, 3, 4}
    结构特征(λ) λ=1 λ∈{1, 2, 3}
    独立性(μ) μ= 2 μ∈{1, 2, 3, 4}
    距离(ξ) ξ=4 m ξ=距最近交汇口距离
    下载: 导出CSV

    表  4  室内POI对象的显著度计算结果

    Table  4.   Significance Calculation Results of Several Indoor POI Objects

    编号 名称 类别 视觉显著度 认知显著度 空间显著度 整体显著度
    α β1 β2 γ δ ε θ λ μ ξ
    1-57 星巴克 餐饮 230 2 1 4 1 1 4 2 3 0 0.900 3
    B1-8 必胜客 主题餐厅 540 3 1 4 0 1 4 2 4 0 0.791 2
    B1-1 新生活超市 超市 2 200 3 0 2 1 1 3 2 4 0 0.766 7
    2-24 ONLY 女装 115 3 0 4 0 1 1 3 4 0 0.725 0
    1-55 Coodoo 3C数码 77 3 0 3 1 1 3 2 3 0 0.722 5
    2-75 宝岛眼镜 眼镜 60 3 0 3 1 1 3 1 3 0 0.710 5
    1-13 ESCADA 国际精品 250 2 0 4 0 1 4 2 3 0 0.708 3
    B1-9 味千 主题餐厅 195 3 1 3 0 1 3 2 3 0 0.700 5
    2-20 Snidel 女装 90 3 0 4 0 1 4 1 3 0 0.686 6
    B1-10 茶港 主题餐厅 170 3 1 2 0 1 3 2 2 0 0.674 4
    下载: 导出CSV
  • [1] 朱欣焰, 周成虎.全息位置地图概念内涵及其关键技术初探[J].武汉大学学报·信息科学版, 2015, 40(3):285-295 http://ch.whu.edu.cn/CN/abstract/abstract3199.shtml

    Zhu Xinyan, Zhou Chenghu. Preliminary Study on Conception and Key Technologies of the Location-based Pan-Information Map[J]. Geomatics and Information Science of Wuhan University, 2015, 40(3):285-295 http://ch.whu.edu.cn/CN/abstract/abstract3199.shtml
    [2] Siegel A W, White S H. The Development of Spatial Representations of Large-Scale Environments[M]//Reese H W. Advances in Child Development And Behaviour. London: Elsevier, 1975
    [3] Deakin A K. Landmarks as Navigational Aids on Street Maps[J]. Cartography and Geographic Information Systems, 1996, 23(1):21-36 doi:  10.1559/152304096782512159
    [4] May A J, Ross T, Bayer S H, et al. Pedestrian Navigation Aids:Information Requirements and Design Implications[J]. Personal and Ubiquitous Computing, 2003, 7(6):331-338 doi:  10.1007/s00779-003-0248-5
    [5] Millonig A, Schechtner K. Decision Loads and Route Qualities for Pedestrians: Key Requirements for the Design of Pedestrian Navigation Services[M]//Waldau N. Pedestrian and Evacuation Dynamics. Berlin, Heidelberg: Springer, 2007
    [6] 赵卫锋. 基于空间认知的智能导航方法研究[D]. 武汉: 武汉大学, 2011 http://cdmd.cnki.com.cn/Article/CDMD-10486-1014169253.htm

    Zhao Weifeng. Intelligent Navigation Method Research based on Spatial Cognition[D]. Wuhan: Wuhan University, 2011 http://cdmd.cnki.com.cn/Article/CDMD-10486-1014169253.htm
    [7] Millonig A, Schechtner K. Developing Landmark-based Pedestrian-navigation Systems[J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8(1):43-49 doi:  10.1109/TITS.2006.889439
    [8] Gartner G. A Computational Method for Indoor Landmark Extraction[M]//Gartner G, Huang H. Progress in Location-Based Services. Switzerland: Springer International Publishing, 2015
    [9] Sorrows M E, Hirtle S C. The Nature of Landmarks for real and Electronic Spaces[M]//Freksa C. Spatial Information Theory: Cognitive and Computational Foundations of Geographic Information Science. Berlin, Heidelberg: Springer, 1999
    [10] Nothegger C, Winter S, Raubal M. Selection of Salient Features for Route Directions[J]. Spatial Cognition and Computation, 2004, 4(2):113-136 doi:  10.1207/s15427633scc0402_1
    [11] Raubal M, Winter S. Enriching Wayfinding Instructions with Local Landmarks[M]//Egenhofer J. Geographic Information Science. Berlin, Heidelberg: Springer, 2002
    [12] Klippel A, Winter S. Structural Salience of Landmarks for Route Directions[M]//Cohn G. Spatial Information Theory. Berlin, Heidelberg: Springer, 2005
    [13] Burnett G, Smith D, May A. Supporting the Navigation Task: Characteristics of "Good" Landmarks[M]//Hanson M A. Contemporary Ergonomics. New York: Taylor and Francis, 2001
    [14] Elias B. Extracting Landmarks with Data Mining Methods[M]//Kuhn W. Spatial Information Theory: Foundations of Geographic Information Science. Berlin, Heidelberg: Springer, 2003
    [15] Tezuka T, Tanaka K. Landmark Extraction: A Web Mining Approach[M]//Cohn G. Spatial Information Theory. Berlin, Heidelberg: Springer, 2005
    [16] Caduff D, Timpf S. On the Assessment of Landmark Salience for Human Navigation[J]. Cognitive Processing, 2008, 9(4):249-267 doi:  10.1007/s10339-007-0199-2
    [17] Presson C C, Montello D R. Points of Reference in Spatial Cognition:Stalking the Elusive Landmark[J]. British Journal of Developmental Psychology, 1988, 6(4):378-381 doi:  10.1111/bjdp.1988.6.issue-4
    [18] 邓晨, 夏青.基于空间认知的移动室内地图设计新模式[J].系统仿真学报, 2014, 26(9):2097-2103 https://mall.cnki.net/lunwen-1014135125.nh.html

    Deng Chen, Xia Qing. New Patterns for Mobile Indoor Maps Designing Based on Spatial Cognitive[J]. Journal of System Simulation, 2014, 26(9):2097-2103 https://mall.cnki.net/lunwen-1014135125.nh.html
    [19] Lynch K. Good City Form[M]. Cambridge:The MIT Press, 1984
  • [1] 柳景斌, 赵智博, 胡宁松, 黄格格, 龚晓东, 杨盛.  室内高精度定位技术总结与展望 . 武汉大学学报 ● 信息科学版, 2022, 47(7): 997-1008. doi: 10.13203/j.whugis20220029
    [2] 赵文晔, 高井祥, 李增科, 姚一飞.  地图匹配辅助的KF-PF室内定位算法模型 . 武汉大学学报 ● 信息科学版, 2018, 43(5): 806-812. doi: 10.13203/j.whugis20150707
    [3] 陈锐志, 叶锋.  基于Wi-Fi信道状态信息的室内定位技术现状综述 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2064-2070. doi: 10.13203/j.whugis20180176
    [4] 熊汉江, 郭胜, 郑先伟, 周妍.  室内行人移动行为识别及轨迹追踪 . 武汉大学学报 ● 信息科学版, 2018, 43(11): 1696-1703. doi: 10.13203/j.whugis20170066
    [5] 危双丰, 刘明蕾, 赵江洪, 黄帅.  利用点云检测室内导航元素的方法综述 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2003-2011. doi: 10.13203/j.whugis20180144
    [6] 孙卫新, 王光霞, 吕晓华, 张锦明, 游天.  基于过渡投影面的室内地图统一数学基础转换方法 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 509-515. doi: 10.13203/j.whugis20160034
    [7] 黄志勇, 赵冬青, 张爽娜, 吴昊, 田翌君.  基于粗时段导航与RAIM算法的A-GNSS室内定位 . 武汉大学学报 ● 信息科学版, 2017, 42(3): 321-327. doi: 10.13203/j.whugis20140941
    [8] 王行风, 汪云甲.  一种顾及拓扑关系的室内三维模型组织和调度方法 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 35-42. doi: 10.13203/j.whugis20140798
    [9] 刘涛, 张星, 李清泉, 方志祥.  顾及地标可视性的室内导航路径优化算法 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 43-48. doi: 10.13203/j.whugis20150387
    [10] 闫金金, 尚建嘎, 余芳文, 汤欣怡, 周智勇.  面向实时定位的室内空间结构分析及制图方法 . 武汉大学学报 ● 信息科学版, 2016, 41(8): 1079-1086. doi: 10.13203/j.whugis20140836
    [11] 周宝定, 李清泉, 毛庆洲, 张星.  用户行为感知辅助的室内行人定位 . 武汉大学学报 ● 信息科学版, 2014, 39(6): 719-723. doi: 10.13203/j.whugis20140100
    [12] 刘春燕, 王坚.  基于几何聚类指纹库的约束KNN室内定位模型 . 武汉大学学报 ● 信息科学版, 2014, 39(11): 1287-1292.
    [13] 田辉, 夏林元, 莫志明, 吴东金.  泛在无线信号辅助的室内外无缝定位方法与关键技术 . 武汉大学学报 ● 信息科学版, 2009, 34(11): 1372-1376.
    [14] 刘峻宁, 翟传润, 宋嫡儿, 胡华.  基于改进时星差分的室内伪卫星精密单点定位研究 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 105-108.
    [15] 刘经南, 许晓东, 张小红, 程世来.  机载激光扫描测高数据分层迭代选权滤波方法及其质量评价 . 武汉大学学报 ● 信息科学版, 2008, 33(6): 551-555.
    [16] 杨卫军, 龚建华, 徐智勇.  Cell-Portal技术在数码城市GIS室内场景管理中的应用 . 武汉大学学报 ● 信息科学版, 2007, 32(3): 271-274.
    [17] 李志才, 许才军, 赵少荣, 温扬茂.  基于地壳分层的震后变形分析 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 203-208.
    [18] 尹章才, 李霖, 龙毅, 张园玉.  基于分层的面状地图符号设计 . 武汉大学学报 ● 信息科学版, 2004, 29(12): 1111-1114.
    [19] 史宣庭, 唐务浩.  水准仪综合误差室内检定的研究 . 武汉大学学报 ● 信息科学版, 1996, 21(2): 183-185.
    [20] 邓朝晖, 贾华.  矢量数据的一种分层动态组织方法 . 武汉大学学报 ● 信息科学版, 1995, 20(2): 118-122.
  • 加载中
图(2) / 表(4)
计量
  • 文章访问数:  1585
  • HTML全文浏览量:  137
  • PDF下载量:  576
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-09-10
  • 刊出日期:  2018-03-05

室内地标提取的POI显著度定量评价模型

doi: 10.13203/j.whugis20150149
    基金项目:

    国家自然科学基金 41271458

    国家高技术研究发展计划(863计划) 2013AA12A202

    作者简介:

    朱海红, 博士, 教授, 研究方向为地图设计、电子导航地图和地理信息语义等。hhzhu@whu.edu.cn

    通讯作者: 温雅, 硕士。wenya@whu.edu.cn
  • 中图分类号: P208

摘要: 室内地标在室内位置信息服务(location based service,LBS)中发挥着重要作用。针对室外地标提取方法不能完全适用于更为复杂的室内环境的问题,提出了一种显著度定量评价模型用于在室内环境中提取地标。以大型商场的室内环境为研究对象,从视觉、认知、空间3个方面分析影响室内兴趣点(point of interest,POI)显著性的主要因素,并用这些因素构建了室内POI整体显著度评价模型。选择武汉市群光购物中心室内的POI数据进行显著度计算,依据显著度的差异性提取了多层地标,反映不同粒度的室内区域空间知识。提取的多层地标可以作为室内智能导航系统中的重要标识,为在复杂的大型商场内实现快速寻路、多粒度路径导引提供关键线索。

English Abstract

朱海红, 温雅, 毛凯, 李霖, 李国忠, 李宇琪. 室内地标提取的POI显著度定量评价模型[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
引用本文: 朱海红, 温雅, 毛凯, 李霖, 李国忠, 李宇琪. 室内地标提取的POI显著度定量评价模型[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
ZHU Haihong, WEN Ya, MAO Kai, LI Lin, LI Guozhong, LI Yuqi. A Quantitative POI Salience Model for Indoor Landmark Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
Citation: ZHU Haihong, WEN Ya, MAO Kai, LI Lin, LI Guozhong, LI Yuqi. A Quantitative POI Salience Model for Indoor Landmark Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 336-341. doi: 10.13203/j.whugis20150149
  • 现有的位置信息服务(location based service,LBS)大多是针对室外区域的,随着更多十万平方米以上的大型建筑的出现,形态各异的建筑物内部空间更加精细,基于大型复杂场馆的室内LBS受到越来越多的关注[1]。室内LBS需要实现室内定位、路径导引、寻路等更多功能,室内地标作为室内空间认知中最基础、最重要的空间要素[2],是寻路的参考,能够辅助视觉正常的行人在复杂的室内空间中完成寻路决策[3]。在室内智能导航系统中,地标是重要的导航线索,连续的地标序列能够增强行人对路径选择的信心[4],降低认知负担[5]。距离行人位置较近的室内地标可用于位置标识与辅助决策,较远的能用于方向标识[6]。从室内环境中提取合适的室内地标已成为室内LBS领域的重要研究内容之一。

    大型商场中逐渐出现的室内索引地图,大多选用人工主观抽取的地标,缺乏一定的理论依据。文献[7]强调了室内地标视觉特征的重要性,并指出室内地标的提取才刚起步,还缺少一个定量化的评价模型。文献[8]提出了一种针对学校等办公学习场所的地标显著度计算方法,其对商场这种半开放、开放空间格局不完全适用。目前关于地标提取具体方法的研究主要针对室外环境,通常定义兴趣点(point of interest,POI)对象的显著性度量模型并计算其显著度,选择显著度较高的POI对象作为地标[9-16]。POI泛指一切可被抽象为点的地理实体[6],独立于空间的地理参考元素都可以作为POI,POI的显著程度作为其空间特征的内在属性,是判断其适合作为地标的程度并对其进行分层的主要依据。文献[9]提出地标的显著性主要体现在视觉、结构和语义等方面,一些学者提出和发展了由这些指标构成的显著性度量模型[10-12],用不同的数据源计算空间对象的显著度,以判断其是否适合作为地标,上述文献发展了面积、颜色、高度、设计特色等视觉特征作为POI显著程度的评价指标,但对于室内空间,高度、颜色等特征要素在同一室内环境具有统一的风格,不具备很高的辨识度。文献[13]通过调查问卷,要求受试者描述一条街道内熟悉和不熟的地物,由此提取出重要地标,得到其显著性的影响因素,包括持久性、可视性、空间位置和唯一性等特征。室外POI可通过其是否是教堂、政府等不容易发生变动的建筑来衡量其持久性,但室内大型商场店铺的持久性很难作出判断。文献[14]从建筑用途和其方位朝向等方面获得空间上显著的对象,但室内店铺几乎都朝向商场通道,方位朝向不适合作为室内地标显著度评价的影响因素。综上,面对复杂的室内环境,有些对室外POI的显著性影响突出的因素在室内不再具有可靠性。

    建立一个适合室内POI的显著度定量评价模型是室内地标提取的关键。因此,本文以大型商场的室内环境为研究对象,分析了影响室内环境POI显著性的主要因素,提出了一种室内POI显著度评价模型,并以一所大型商场为例, 利用本文提出的模型分层提取了其室内地标。

    • 良好的室内地标通常具有较明显的外观特征、易于识别的位置及不易被混淆等显著性特征。为了较全面地反映室内POI对象的显著程度,本文以大型商场复杂的室内环境为研究对象,将商场中店铺作为室内POI对象,参考现有的室外地标提取方法,结合室内地标的特征分别根据视觉显著度、认知显著度和空间显著度3个一级指标讨论影响室内POI显著度的主要因素,并在此基础上构建了一个室内POI整体显著度评价模型。

    • 视觉显著度Sv反映室内POI在视觉上与邻近特征体相比的鲜明和突出程度。可以从很多方面衡量视觉显著度,通常的视觉属性包括面积、颜色、可见性和照明等内容[10-11],对于室内地物的特有属性,颜色及亮度对比度通过店铺招牌特征体现,而附属的指示标志可统称为店铺的设计特色。因此,本文选取外观面积、招牌特征、设计特色3个二级指标进行考量。

      1) 外观面积。在大型商场内,人们通常很容易注意到外观面积明显大于周围特征体的POI,如大型商场中的超市。外观面积可直接测量,对于规则的矩形外观,面积由长度乘以宽度计算,对于拐角处的POI,将其剖分成规则形状进行计算。

      2) 招牌特征。在室内商铺门前的招牌,特征不同也会产生不同的视觉效果,比如有灯箱的招牌其亮度突出,可使店铺明亮醒目,一定程度上影响POI的显著度。招牌特征的评价可用定序量表法[6],依据醒目程度,将招牌特征(记为β)等级由高到低划分为:招牌有LED灯箱、与周围墙壁有显著的对比色差,招牌有LED灯箱、与周围墙壁无明显对比色差或招牌是普通印刷、与周围墙壁有显著的对比色差,招牌是普通印刷、与周围墙壁无明显对比色差3个层次,用定序量表分别赋分为3、2、1。

      3) 设计特色。室内店铺的设计特色主要指POI除广告招牌之外附属的参照物或指示标志,如“麦当劳”门前的“M”字、“必胜客”主题餐厅突出的屋顶都是帮助室内行人寻路的显著标志,因此有无设计特色也是影响POI显著程度的因素。本文采取布尔变量[11]为其赋属性。表 1以“星巴克咖啡”为例,显示了对象视觉显著度的各个属性及赋分标准,并分别给出一个示例,介绍如何度量计算。

      表 1  视觉显著度各特征属性度量标准

      Table 1.  Properties for Sv and How they are Measured

      Sv属性 举例 度量标准
      外观面积(α) 23 m×10 m α=长×宽
      招牌特征(β) β=1 β∈{1, 2, 3}
      设计特色(γ) γ=1 γ∈{T:1,F:0}
    • 认知显著度Sc作为内源性因素,表示地物的语义特征[16]。在选择地标的过程中,观察者对特征体的语义认知度发挥一定的作用[17]。本文的认知显著度类似于语义显著度,主要是对地物的文化内涵、建筑用途、名称辨识度和唯一性等内部功能特征的度量[9, 11, 13]。在室内商场,店铺名称认知度和唯一性同样是重要的认知属性,行人在寻路过程中更容易注意到熟知的、与周围POI具有不同功能的店铺。因此,本文设计室内店铺POI认知显著度的特征属性包括知名度、功能差异性和唯一性3个二级指标。

      1) 知名度。店铺POI的知名度表示公众对其品牌认知和了解的程度、社会影响的广度和深度,表明品牌为多大比例的消费者所知晓。在其他特征属性相似时,品牌认知度高的POI更容易被大众作为寻路的路径参考点。尽管每个人的认知能力不尽相同,通过广泛的调查能够发现大众对品牌有个统一的认知和划分标准,品牌的知名度可划分为“国际品牌”“全国连锁”“本地品牌”“其他”4个等级,用定序量表法分别赋分为4、3、2、1。

      2) 功能差异性。在功能上明显不同于其他相邻建筑的地物较突出。大型商场室内POI的功能依据商品类别划分包括化妆品、数码产品、服装、美食、服务等。依据功能的差异性可帮助从很多杂乱的店铺中快速找到线索,如周围全是服装店的饮品店,可作为功能上比较显著的POI。将相对于周围POI有不同功能的店铺赋值为T,与周围店铺功能相似度高的POI对象赋值为F。

      3) 唯一性。地标的唯一性体现在区域范围内其名称不会被混淆或产生歧义[13]。在同一商场若有两个或多个POI的品牌名称相同会降低其认知显著性,将同一商场内名称唯一的店铺赋值为T,不唯一赋值为F。以“必胜客”主题餐厅为例,度量赋分标准如表 2所示。

      表 2  认知显著度各特征属性度量标准

      Table 2.  Properties for Sc and How they are Measured

      Sc属性 举例 度量标准
      知名度(π) π=4 π∈{1, 2, 3, 4}
      功能差异性(δ) δ=0 δ∈{T:1,F:0}
      唯一性(ε) ε= 1 ε∈{T:1,F:0}
    • 空间显著度Ss主要反映室内POI在空间环境中具有的空间角色或位置的重要程度。文献[13, 15, 18]中对地标的讨论都将其空间结构特征包括空间位置、邻域特征、距离可达性、方向朝向等要素考虑在内。本文针对室内环境,考虑了空间位置、结构特征、邻域特征及距离4个方面的影响因素。

      1) 空间位置。城市中心区具有高可及性,并对人们的各种活动具有较强的吸引力[19]。根据位置可及性,将位置特征属性划分为“出入口”(包括电梯楼梯口)、“交汇口”“商场布局中心”“其他”4个等级,采取定序量表分别赋分为4、3、2、1。

      2) 结构特征。大型商场室内POI的结构特征主要包含封闭式、半开放式、开放式3种风格。封闭式是指独立存在于无密集地物遮挡的道路中间,如客服中心;半开放式指商场内部用墙隔开的完整商铺;开放式是处于中间用纸板隔开且可移动的小格子经营区。一般地,封闭式店铺位于主通道中间,突出程度最高;半开放式店铺空间构造比较整齐有序,处于主通道两边且容易识别;而开放式店铺大多位于次通道,容易移动,持久性较差,且比较密集和混乱。综上,将3种结构特征的店铺采取定序量表分别赋以3到1的分值。

      3) 独立性。独立性表征连续相邻特征体的存在情况,与其直接相连的相邻特征体越少,其独立程度越高,越显著[14]。店铺A相邻特征体的个数按A被重叠面衡量。将室内POI以独立程度由高到低分为4个等级:没有相邻特征体(如图 1中点填充的店铺)、有一个相邻特征体(如图 1中斜线填充的店铺)、有两个相邻特征体(如图 1中纯色简单填充的店铺)、有3个相邻特征体(如图 1中横线填充的店铺),分别被赋值为4、3、2、1。

      图  1  商场内某层部分商铺示例

      Figure 1.  A Sample of Several Shops Within the Mall

      4) 距离。POI距最近的商场通道交汇口远近程度的度量,在室内空间面向行人导航,距离交汇口越近的POI空间特征越高;反之,空间显著程度越低。以图 1中POI编号为32的店铺为例,度量赋值标准如表 3所示。

      表 3  空间显著度各特征属性度量标准

      Table 3.  Properties for Ss and How they are Measured

      Ss属性 举例 度量标准
      空间位置(θ) θ=1 θ∈{1, 2, 3, 4}
      结构特征(λ) λ=1 λ∈{1, 2, 3}
      独立性(μ) μ= 2 μ∈{1, 2, 3, 4}
      距离(ξ) ξ=4 m ξ=距最近交汇口距离
    • 将室内POI的视觉显著度(Sv)、认知显著度(Sc)和空间显著度(Ss)综合起来能够全面反映其整体显著度(St)。基于上述分析,本文提出一个由这些指标构成的室内POI显著度评价模型:

      $$ {S_t} = {w_v}{S_v} + {w_c}{S_c} + {w_s}{S_s} $$ (1)

      式中,wvwcws>0且∑w=1;wvwcws分别表示视觉、认知、空间显著性的权重系数。权重系数的设定可根据具体的应用场合在不同的实验中进行调整,以使显著性评价结果基本符合公众认知和特定需要。三大特征的显著度的计算公式为:

      $$ \left\{ \begin{array}{l} {S_v} = {w_\alpha }{S_\alpha } + {w_\beta }{S_\beta } + {w_\gamma }{S_\gamma }\\ {S_c} = {w_\pi }{S_\pi } + {w_\delta }{S_\delta } + {w_\varepsilon }{S_\varepsilon }\\ {S_s} = {w_\theta }{S_\theta } + {w_\lambda }{S_\lambda } + {w_\mu }{S_\mu } + {w_\xi }{S_\xi } \end{array} \right. $$ (2)

      式中,SαSβSγSπSδSεSθSλSμSξ等表示各属性的显著度;wαwβwγwπwδwεwθwλwμwξ等分别为各属性的权重系数且各公式中权重系数和为1。在不同场合中可根据具体目标群体设定权重系数。特征属性参考文献[18]的赋值方法,并进行极差正规化处理,将特征属性值变换到相同区间([0, 1])内。此法消除了特征属性值的量纲并实现了定量和定性数值的混合应用,以统一的方式反映不同POI对象的显著性差异。特别地,距离属性的显著度$ {S_\xi } = \left\{ \begin{array}{l} \frac{1}{\xi }, \xi \ne 0\\ 1, \xi = 0 \end{array} \right.$。

    • 不同显著度的室内POI对象可以作为不同层级的地标被提取出来,以表达多粒度的空间认知信息。POI显著度越高,越可能作为高层次地标,在整个室内空间发挥作用;反之,显著度较低的POI对象,通常作为低层次地标在室内局部范围内发挥作用。

      根据室内POI整体显著度计算模型计算POI的显著度并对其由高到低进行排序,按照POI显著度的差异将地标组织成层次结构,即可实现室内地标的多层次提取。用于分层的显著度阈值需根据实际需要,在具体应用环境中设置。

    • 本文选择群光购物中心(武汉店)作为实验区。武汉群光购物中心位于湖北省武汉市洪山区,总占地面积约1.6万m2,总建筑面积约19万集国际精品、时尚百货、休闲娱乐、餐饮美食于一体的综合购物中心。对实验区地图数m2,是一个据源进行实地店铺采集并实例化,采集POI共计193个,以此作为实验样本数据。

      首先,按照第2节构建的室内地标显著性度量模型,采取互联网搜索和实地考察相结合的方法统计了实验区域中B1、1F和2F所有POI要素及其名称、类别、营业面积、所在楼层等特征属性信息并赋值;然后对各特征属性值进行标准化处理,本文据特征显著度式(2)等权计算分别获取各室内POI对象的视觉、认知和空间显著度。

      确定了各室内POI对象的3方面特征显著度,利用式(1)提出的整体显著度评价模型对模型中各特征向量赋以对应的权重系数,即可计算出其整体显著度。合适的权重系数可以使计算结果基本符合大众对各室内POI对象显著度的认知。本文实验选用专家评分法确定3个特征向量的权重,对采用若干组具有代表性的权重系数得到的计算结果进行合理性分析和比较,最终将视觉显著度、认知显著度和空间显著度的权重系数分别设定为0.3、0.3、0.4。表 4列举了显著度较高的若干个POI对象各自的评价因子计算结果以及整体显著度。

      表 4  室内POI对象的显著度计算结果

      Table 4.  Significance Calculation Results of Several Indoor POI Objects

      编号 名称 类别 视觉显著度 认知显著度 空间显著度 整体显著度
      α β1 β2 γ δ ε θ λ μ ξ
      1-57 星巴克 餐饮 230 2 1 4 1 1 4 2 3 0 0.900 3
      B1-8 必胜客 主题餐厅 540 3 1 4 0 1 4 2 4 0 0.791 2
      B1-1 新生活超市 超市 2 200 3 0 2 1 1 3 2 4 0 0.766 7
      2-24 ONLY 女装 115 3 0 4 0 1 1 3 4 0 0.725 0
      1-55 Coodoo 3C数码 77 3 0 3 1 1 3 2 3 0 0.722 5
      2-75 宝岛眼镜 眼镜 60 3 0 3 1 1 3 1 3 0 0.710 5
      1-13 ESCADA 国际精品 250 2 0 4 0 1 4 2 3 0 0.708 3
      B1-9 味千 主题餐厅 195 3 1 3 0 1 3 2 3 0 0.700 5
      2-20 Snidel 女装 90 3 0 4 0 1 4 1 3 0 0.686 6
      B1-10 茶港 主题餐厅 170 3 1 2 0 1 3 2 2 0 0.674 4

      根据对群光室内POI显著度的计算结果,分别将B1、1F和2F的室内POI对象构成3个层次的地标。其中B1各层次地标的数量分别为7个、22个和48个;1F各层次地标数量分别为10个、29个和57个;2F各层次地标数量分别为13个、40个和88个(如图 2中用斜线填充的店铺)。其中较低层次地标包含高层次地标。

      图  2  实验区室内地标分层提取结果图

      Figure 2.  Landmark Hierarchical Extraction Result Maps in Experimental Area

      经过多人实地行走测试,实验结果中单个室内地标在视域范围内可辨识度及各室内地标之间承接的连贯性等方面效果良好。以2F的分层结果为例,第一层地标“ONLY”(St:0.725 0)、“宝岛眼镜”(St:0.710 6)、“TEENIE WEENIE”(St:0.677 5)、“PRICH”(St:0.660 1)等主要分布在外围,外围通道宽,是人员流动的主要路线,可形成室内路径导引的整体态势;第二层地标补充表达了“贝玲妃”(St:0.642 4)、“江南布衣”(St:0.639 9)、“MISSS OPHIE”(St:0.613 7)、“CASIO”(St:0.609 4)等处于通道交汇口的地标,路径导引信息得到进一步细化;第三层地标包括了所有室内POI对象,最为详细地表达了所有途经信息。多粒度的描述方式符合从简单到详细的空间认知规律,满足不同详细程度信息的应用需求。

      为了进一步验证实验结果,本文采取问卷调查的方式,测试选取的室内地标是否贴近人们的认知结果。本次问卷以中青年为主要调查对象,请受访者在2F所有店铺(88个)中认为印象较深的店铺名后打勾。本次共回收73份有效问卷,职业分布广泛,且其中57份为商场新顾客,对室内环境不甚熟悉。统计调查结果,“ONLY”“宝岛眼镜”“VERO MODA”“ENC”等店铺出现率均超过84.9%;“百丽”“ROME”“周大福”“美宝莲”等店铺出现率为53.4%~84.3%;其余店铺出现率均低于53.4%。除“周大福”等个别使人印象深刻的店铺未被选为室内地标外,调查结果与实验结果基本一致。

      本文实验利用POI显著度评价方法分层提取室内地标在一定程度上改善了当前室内地图设计方面的不足[20],为室内地图分层次设计提供了一种可参考的方法,并满足行人在室内由简洁到详细不同粒度路径导引的需要,可支持符合公众空间认知规律的区域空间知识表达。比如在室内导航应用中,可从多个尺度的地标集中选择与用户实时位置关联度最高的一系列地标,并将其准确地描述给用户,实现简洁、高效和灵活的路径导引。

    • 本文建立了一个适合大型商场的POI显著度定量评价的模型,选取室内POI多个属性特征作为显著性度量要素,全面衡量了室内POI对象在视觉、认知和空间方面的整体显著性。利用室内POI显著度评价模型以及完善的室内POI数据库属性数据,可提取多层次、符合公众认知结果的室内地标,满足不同详细程度信息的应用需求,对于室内导航和室内LBS应用具有重要的实际意义。本文显著度评价指标的选取考虑较多的是在易于量化评价的基础上尽量全面,一些指标涉及到人类的认知方面,赋值的标准性和客观性还有待进一步的研究和改进。

参考文献 (19)

目录

    /

    返回文章
    返回