딥러닝과 구글 Street View API를 활용한 가로이미지의 보행만족도 분석

Abstract

도시에서 보행활동의 중요성은 계속해서 강조되어 왔다. 보행은 단순히 이동수단 의 목적 뿐 아니라 인간성 회복과 건강 증진, 더 나아가 지속가능한 도시를 조성하 는 데 필수적인 요소이다. 이러한 보행활동은 가로의 다양한 물리적 환경에 영향을 받으며, 특히 보행만족도는 보행활동의 개인적인 선호를 측정할 수 있는 중요한 척 도라고 할 수 있다. 선행연구는 보행만족도에 영향을 미치는 물리적 환경으로 가로 의 설계요소, 보행량, 토지이용 등을 제시하고 있으며 본 연구는 가로이미지를 중심 으로 보행만족도에 대한 연구를 진행한다. 가로의 시각적 자료는 건물의 외관, 보행 환경, 자동차 통행량, 가로설계요소 등 다양한 정보를 담고 있다. 하지만 그 동안 시 각적 자료는 DB구축과 정량적 분석에 있어 어려움이 존재하였다. 하지만 최근 구글 및 네이버 그리고 다음과 같은 IT기업에서 가로의 이미지 구축 과 함께 데이터를 공개하고 있고, 이와 더불어 분석방법에 있어 컴퓨터 비젼분야의 발전으로 이미지를 분석할 수 있는 딥러닝 모형이 공개되고 있어 이러한 문제점이 해결되고 있다. 이미지 분석을 위한 딥러닝 모형은 다양한 분야에서 활용되고 있으 며, 도시설계 및 계획 분야에서도 점차 그 활용도가 늘어나고 있는 추세이지만 국내 에서는 아직 딥러닝의 적용에 대한 논의가 활발하게 이루어지지 않는 실정이다. 따라서 본 연구는 서울시 2012-2015년 보행환경 만족도 조사자료를 활용하여 조사지점의 가로이미지와 해당 지점의 보행만족도를 통해 딥러닝 모형을 학습한다. 분석방법은 다음과 같다. 서울시 보행환경 만족도 조사는 각 연도별로 총 1,000 지점, 20,000명의 보행자를 대상으로 설문하였으며 조사지점의 좌표를 제공한다. 본 연구에서는 조사지점들의 좌표에 해당하는 가로이미지를 구글 Street View API를 통해 구득하고 보행만족도 예측 딥러닝 모형을 학습한다. 그리고 학습된 모형을 통 해 예측한 보행만족도와 실제 보행만족도 사이의 선형적인 관계로 모형을 검증한다. 본 연구의 기대효과는 다음과 같다. 첫째, 보행만족도 예측모형의 예측력을 검증하 여 딥러닝 모형의 도시분야로의 적용가능성을 확인한다. 둘째, 예측모형으로 조사가 이루어지지 않은 지역의 보행만족도를 측정하여 현장조사를 보조할 수 있음을 확인 한다. 셋째, 예측모형을 통해 보행만족도가 낮은 지역을 도출하여 정책 결정에 활용 할 수 있다.; The importance of walking activity in the city has been emphasized. Walking is an essential element not only for the purpose of transportation, but also for the restoration of humanity, the promotion of health, and the creation of sustainable cities. The walking activities are influenced by the various physical environments of streets, and also walking satisfaction is an important measure of personal preference for walking activities. The previous research suggests the design factors of the street, the amount of walking, and the land use as the physical environment affecting the pedestrian satisfaction. The results show that main factors are related to openness of the space such as building heights, width of pedestrian passage, signboards and street furniture. These kind of street level physical environments are affecting walking satisfaction via human perception. In this study, we focus on the streetscape image. The visual data of the streetscape contains various information such as the appearance of the building, the walking environment, the traffic volume of the car, and the design elements. In this study, we use Google street view image to predict walking satisfaction and examine impacting factors. There have been difficulties in constructing and quantitative analysis of visual data. However, Google and Naver and the following IT companies are publishing data along with the image of the cityscape, in addition, the deep learning model is available analyzing the image as the computer vision technology has been developed. The deep learning model for image analysis has been used in various fields and it is increasingly utilized in urban design and planning. However, there is no active debate about the application of deep learning in Korea. Therefore, this study uses deep learning model to predict walking satisfaction through the streetscape image and also parsing objects form image to find factors affecting walking satisfaction in street level for extension of the research. The prediction model are trained using fine-tune method and we use semantic segmentation method to parse objects in image. The image data is acquired through the Google Street View API and Seoul City Walking Satisfaction 2012-2015 based on the coordinates of survey points. The survey data contains walking satisfaction of 80,000 pedestrians from 3,000 survey points. The main results of the study as follows. Firstly, the prediction model is verified by the linear relation between the machine rating walking satisfaction and the human rating walking satisfaction. The result shows that the performance of trained model is suitable for predicting average walking satisfaction about street. However, there are differences among pre-trained models and further studies are needed to validate result. Secondly, we conduct correlation analysis between walking satisfaction and parsed objects from streetscape. The result indicates that building, signboard, bench and awning are negatively significant and sky, road, sidewalk, streetlight, tree, grass, plant and hill are positively significant. The result is consistent with preceding studies and it is shown that the impacting factors are related to openness and comfortability. Lastly, These results suggest that deep learning technique can be useful for analyzing the complex data such as streetscape.