基于计算机视觉的夜间户外环境情绪感知特征研究

陈崇贤

李海薇

林晓玲

陈婉静

夏 宇*

现代生活方式的转变，促使城市居民的活动时间从白天向夜晚不断延伸。在夜经济和夜生活不断繁荣发展的背景下，城市户外环境承载的居民夜间活动也越来越丰富。相关调查显示，近年来，城市夜间户外活动如锻炼、社交、休闲及消费等的人数和频率呈现出显著增长趋势[1-2]。与此同时，大众对夜间户外环境的品质要求也不断提高。建设高质量城市夜间户外环境已经成为当下提升居民生活质量和健康福祉的重要环节。

情绪感知是通过环境或事件刺激而产生的主观体验，包括积极情绪与消极情绪感知，与人的生理、心理健康和社会适应密切相关[3-4]。已有大量的研究表明，户外环境特征如绿化[5]、天空可视率[6]、可步行性[7]等与不同情绪感知之间存在关联。例如，自然环境及绿化品质较高的城市绿地更有利于产生积极愉悦感，并且在促进注意力恢复及压力缓解方面有重要作用[8-9]。相反，天空可视率较低且缺少绿地的居住环境更容易给人带来压力、焦虑及精神疲倦[10]。另有一些研究发现，可步行性高且休息设施完备的街道和公园，能够给人带来舒适安全的体验，并促进户外社交、锻炼及休闲等活动[11-12]。此外，也有研究探究围合度[13-14]、拥挤度[15]等指标与心理感知的关系，但主要聚焦在日间环境中这些因素的作用。近年来，虽然已有许多学者探明了城市夜间照明与恐惧、紧张[16]、抑郁[17]等情绪的关联，然而鲜有研究关注夜间其他户外环境要素对情绪的影响。同时，由于人对同一环境在日、夜2种状况下的情绪感知往往存在差异[18]，因此，探究更多维度的夜间环境要素与不同情绪感知之间的关系具有重要意义。

目前，探究环境对情绪影响的测量方法主要包括主观测量、生理测量和行为测量[19-20]。主观测量包括采用正负情绪量表(PANAS)[21]、感知恢复性量表(PRS)[22]和焦虑自评量表(SAS)[23]等对被试者的主观感受进行评价。生理测量则通过可穿戴传感器监测皮电(SC)[23-24]和脑电活动(EEG)[25]等反映情绪状态的生理指标，进而准确快速测量实时环境的情绪感知。行为测量将VR和眼动追踪技术[16]等结合，以此诱发被试者情绪并检测其注视场景的方向、时长等数据，探究其关注点和偏好，从而评估人的情绪变化。然而，上述测量方法常有研究尺度受限、耗时较长及成本高等弊端，不利于大范围研究与应用。同时，基于遥感数据、健康统计和问卷数据，虽然有学者开始研究大尺度城市夜间光环境对睡睡眠节律[26]、疾病风险[27]、情绪状态[17]等的影响，但是以上研究方法难以精细化测度具体环境要素对情绪感知的影响。随着计算机视觉技术的发展，Urban Gems[28]、Scenic-Or-Not[29]和Place Pulse[30]等众包平台出现，使快速、精确地测度人对城市环境的感知成为现实。已有研究团队开发了如Night City[31]、Dark Zurich[32]等夜景数据集，能实现对夜间环境要素的快速、精确识别与目标检测，为快速、精确、大规模分析夜间户外环境的公众情绪感知特征提供了可能。

综上可见，目前夜间户外环境与情绪感知的关联仍不明确，已有研究还存在耗时费力、精确性和尺度性受限等欠缺。基于此，本研究基于计算机视觉技术，通过采集夜间户外环境的图像数据，结合公众的情绪感知评价，并利用空间自相关与空间回归分析方法探究情绪感知在夜间户外环境的空间分布特征及其影响因素，以期为城市夜间户外环境的建设提供参考。

1 研究区域

1.1 数据收集

选取位于广州市天河区五山街道的华南农业大学为研究范围，总面积约293.8hm2。如图1所示，研究范围内用地类型多样，分布有多个水体空间、中心绿地、生活区、教学区等。截至2022年3月，华南农业大学在校师生共4.8万余人，人口密度较高，白天科研、教学及学习任务重、强度大，因此在夜间进行校园户外活动的人数较多。此外，由于该处属南亚热带季风气候，温暖舒适的气候环境能帮助人体释放焦虑情绪，降低空气污染程度，也间接提高了人群夜间外出意愿[33-34]。

图1 广州市天河区华南农业大学用地类型分布情况

1.1.1 夜间户外环境图像采集

图像采集于2022年9月12—28日19：00—23：00的非阴雨天进行。图像采集范围以高德地图路网为基础，包括主干路、次级路及宅旁道路等。受过培训的实验员用Insta360 ONE X2全景相机收集全景图像，并确保相机在1.6～1.65m的高度垂直拍摄，以模拟行人水平视线的效果(图2)。沿着道路前进，每隔10m进行一次拍摄。再将采集的图像转换为4个方向(0°、90°、180°和270°)的图片，最终得到共计4 067个观测点的16 268张夜景图像。每张图片的大小为512×512像素，并含有WGS84坐标中的地理位置信息。

图2 全景图像拍摄示意

1.1.2 夜间户外环境情绪感知评价

本研究搭建了基于夜景图像的情绪感知评分系统，以收集人们在夜间户外环境的情绪感知。已有研究表明，昏暗的夜间环境与抑郁、恐惧等消极情绪感知密切相关，而明亮的照明环境有利于提高夜间安全感和愉悦感等情绪[22-35]。因此，本研究基于情绪二维理论和相关情绪测度量表[25]，选取恐慌感、焦虑感作为消极情绪评价指标，舒畅感和放松感作为积极情绪评价指标(表1)。基于各区块观测点在研究区域所占比例，本研究采用简单随机抽样方法，借助ArcGIS的随机采样模块，按片区确定各区块的采样点，最终共产生了1 000个随机样本。同时，本次实验邀请了30名参与者(男女比例1:1，18～50岁，在广州的居住时间至少6个月)对随机抽取的1 000张图片进行评分。4项情绪指标对应问题与抽取的夜景图像随机配对出现，评分范围为0～100分。其中，0分代表最低程度，100分代表最高程度。

表1 人在夜间户外环境的常见情绪感知

评分系统引入了“人机对抗-迭代反馈”的情绪感知评估方法[36]，嵌入了随机森林算法迭代反馈机制，有利于高效、准确地辅助情绪感知评估。随着参与者评分图像的增加，系统会借助算法提供图像的推荐分，并判断推荐分与实际评分之间的差异程度。同时，参与者也可以对每张图像的推荐分进行校正。最终用30名参与者对1 000张照片的评分均值作为预测研究区域情绪感知评价的基础数据集。

1.2 夜间户外环境图像数据预处理

利用语义分割及目标检测技术对数据开展预处理工作，计算出不同环境要素的面积占比或物体数量，以进一步分析夜间户外环境要素对情绪感知的影响。首先，基于NightCity数据集[31]，本研究利用全卷积神经网络(Fully Convolutional Networks，FCN)[37]对夜景图像进行语义分割，提取了夜景环境要素在图像中的百分比。然后，采用PP-YOLOE对图像中的行人、自行车、汽车等进行目标检测[38]。在本研究中，经过训练后的FCN模型和PP-YOLOE模型精度分别达到了85.8%和75.9%。

为了分析夜间户外环境特征对情绪感知的影响，基于图像语义分割及目标检测技术处理后进一步计算获得简化的5个视觉特征指标，分别以各元素和整体之间的比例来定义。其中，将图像中可见的绿色植物所占的比例代表绿视率；将可见的天空面积用于代表天空可视率；将环境中自行车和行人的数量代表视觉拥挤度；将环境中垂直界面要素(包括植被、建筑、墙体、栅栏等)所占的比例代表围合度；将人行道占整个道路的比例代表可步行性。

1.3 数据分析

基于Python语言对获得的夜间街景图像进行语义分割和目标检测，并训练用以模拟人类夜间情绪感知得分的残差神经网络模型(Residual Neural Network50，Resnet50)。采用GeoDa 1.20.0.8软件进行空间探索性分析，从总体上探讨情绪感知的空间分布规律及夜间户外环境要素与情绪感知之间的关联性。最后，通过利用ArcGIS 10.6构建地理加权回归(GWR)模型，进一步探究两者关系的空间差异性及其原因。

2 研究结果

2.1 夜间户外环境情绪感知的空间分布特征

为了进一步探究夜间户外环境情绪感知的空间分布特征，本研究计算了全局莫兰指数(Moran'sI)和局域莫兰指数(Local Moran'sI，LISA)[39]。在0.01的显著水平下，恐惧感、焦虑感、舒畅感和放松感得分的全局莫兰指数I分别为0.183、0.239、0.213、0.333，且Z值显著为正，远高于临界值2.58，表明夜间户外环境情绪感知在研究区域内存在空间正相关性，整体表现出较为显著的空间聚集性。

如图3所示，研究范围内的情绪感知局域空间自相关具有显著性结果，主要表现“高-高”聚集和“低-低”聚集。恐惧感的“高-高”聚集主要分布在南部、西北部及东北部低维护的蓝绿空间，如树木园、靠近西湖片区及启林学生宿舍区内的绿地等。“低-低”聚集区则主要分布在南部、中部和北部的高品质绿色空间和低密度教学区或居住区的户外空间，如湿地公园、行政楼附近和燕山区研究生宿舍的周边环境。相比之下，焦虑感的空间聚类形式以“低-低”为主，且集中在如树木园和湿地公园等南部的绿色空间。北部和东北部低密度住宅区包括启林学生宿舍区与六一教职工宿舍区等整体表现为舒畅感的高值聚类，而舒畅感低值则主要集中在中部的高密度建筑区，如嵩山教职工宿舍区等。此外，放松感的高值显著聚集于中部的低密度教学区，如行政楼附近的周边环境，而远离南部和西北部的低维护蓝绿空间及中部的高密度居住区。总体而言，从整体空间特征来看，低维护的绿色和蓝色空间能使人产生更强烈的恐惧感，但焦虑感较弱，高品质的绿色空间则使人感到较不恐惧和焦虑。此外，高密度建筑区的户外环境则表现出较低值的舒畅感聚集，而低密度建筑区的户外环境整体呈现较低值的恐惧感和较高值的舒畅、放松感聚集。

图3 不同情绪感知的局域空间自相关聚集性地图

2.2 夜间户外环境要素与情绪感知的空间关系

由拟合优度(R2)和校正R2可以看出，OLS模型(R2＝0.028～0.060，Adj.R2＝0.027～0.059)的总体拟合效果不如SLM(R2＝0.125～0.272)、SEM(R2＝0.121～0.269)和GWR(R2＝0.156～0.255，Adj.R2＝0.129～0.231)模型，因此有必要进一步考虑变量之间的空间依赖性。此外，OLS模型的Koenker(BP)统计量和Jarque-Bera统计量均呈现显著性非稳态(P=0.000)，表明需进一步进行空间回归分析。与OLS模型及SLM、SEM模型相比，GWR模型的R2和残差平方和(RSS)最小，优势较为显著。SLM模型的R2均稍大于SEM模型的R2，且其AIC值均稍小于SEM的AIC值，证明SLM模型的拟合效果较SEM模型好。在OLS、SLM与SEM模型中，部分环境要素与情绪感知的关系不显著，但在GWR模型中仍显示其存在局域性的显著关联，证明GWR模型能检测到更多细节。综合考虑模型拟合精度、复杂程度及对复杂空间的解释效果，GWR模型效果最优，SLM次之。5类夜间户外环境要素的方差膨胀系数(VIF)区间在[1.002，1.652]，远小于10，表明要素之间不存在明显的共线性，不需要进行剔除。

通过对比表2中在不同模型中的系数均为同号(均为正或负)且GWR模型中该号系数占主导的环境要素，可知不同情绪感知的最稳健预测因子。其中，恐惧感的最稳健影响因子是围合度和拥挤度，均为显著正相关，即围合度与拥挤度越高，恐惧感越强。对焦虑感影响最稳健的是绿视率、围合度和视觉可步行性，焦虑感与绿视率、围合度呈显著负相关，与视觉可步行性则呈显著正相关。这证明绿视率与围合度越高，焦虑感往往越弱；视觉可步行性越高，焦虑感则越强。绿视率、天空可视率、围合度、视觉可步行性对舒畅感的影响亦较稳健，除视觉可步行性外，其他稳健因子均呈现显著的负向影响，说明视觉可步行性越高及绿视率、天空可视率和围合度越低，舒畅感觉越强。此外，放松感的较稳健因子则包括了绿视率、拥挤度、围合度和视觉可步行性，除绿视率外，其他环境要素均与放松感呈显著负相关。这表明绿视率越高，拥挤度、围合度和视觉可步行性越低，放松感越强。尽管天空可视率与放松感整体呈负相关关系，但是GWR模型表明，在大部分区域(73.6%)其与放松感是正相关的。

表2 基于夜间户外环境要素与情绪感知的OLS、SLM、SEM与GWR模型分析结果

图4为基于5种环境因素与4种情绪感知的GWR模型的局域R2分布及回归系数分布，白色的点表示自变量的回归系数不具备显著性。在南部和西部低维护的蓝绿空间如树木园、靠近工程学院与西湖片区等中，恐惧感(局域R2＝0.140～0.402)和放松感(局域R2＝0.175～0.590)受到夜间户外环境要素的影响较强。恐惧感主要受到绿视率、天空可视率和围合度的正向影响，即绿视率、天空可视率和围合度越高，恐惧感越强烈。放松感则受到拥挤度、围合度、视觉可步行性的负向影响和绿视率、天空可视率的正向影响。特别的是，树木园内的焦虑感(局域R2＝0.122～0.382)与天空可视率、拥挤度和围合度呈显著负相关，而与绿视率呈显著正相关。在南部高品质的绿色空间如湿地公园等中，舒畅感(局域R2＝0.100～0.184)和放松感(局域R2＝0.175～0.590)易受到环境要素的影响。舒畅感易受到绿视率的负向影响和视觉可步行性的正向影响，放松感与环境要素的关联性则与低维护的绿色与蓝色空间相似。在中部的高密度居住区如嵩山教职工宿舍中，恐惧感受到环境要素的影响较强(局域R2＝0.140～0.402)，主要包括拥挤度、围合度和视觉可步行性的正向影响，以及绿视率的负向影响。在中部和南部的低密度教学区或居住区的户外环境，如第3教学楼附近的校园主干道、泰山学生宿舍区等，积极情绪受到环境的影响较强。舒畅感(局域R2＝0.100～0.184)主要受到绿视率、天空可视率和围合度的负向影响，放松感(局域R2＝0.175～0.590)则受到绿视率和天空可视率的正向影响，以及拥挤度、围合度、视觉可步行性的负向影响。

图4 夜间户外环境要素与情绪感知的GWR模型显著的回归系数空间分布

3 结论与讨论

综合空间自相关与空间回归模型的结果，本研究分析得出以下结论。

1)从空间分布特征来看，情绪感知在不同夜间户外环境的分布有显著性差异。其中，低维护的蓝绿空间能使人具有更强烈的恐惧感但焦虑感较弱，而高品质的绿色空间使人产生的恐惧感和焦虑感均较弱。此结果验证了管理不当、秩序性差的公共空间及不恰当的植物配置在夜间会让人产生如恐惧[40]等消极情绪。可能是由于杂乱的环境使前方可预见性变低、神秘感增加，具有潜在的交通、犯罪等安全风险[22]，从而引起恐惧感。此外，此2类空间可能因为均有自然化程度高的共同特征，有利于压力缓解和积极情绪的产生，所以焦虑感较弱。

同时发现，高密度建筑区的户外环境往往使人感到不舒畅，低密度建筑区的户外环境则能使人感到较不恐惧、舒畅和放松。这与Yan等在白天的研究结果类似[41]。可能是由于高密度空间的密闭性及视线受阻给人产生了不舒适的体验，低密度建筑区的情况则恰恰与之相反。

2)从影响因素来看，影响情绪感知的不同夜间户外环境的视觉环境要素不同。绿视率越高，在大部分空间中，放松感越强，说明植被舒缓压力的作用不仅在白天能产生，夜间也依旧能发挥。同时，较高的绿视率在低维护的蓝绿空间使人产生的恐惧感、焦虑感越强，在高密度建筑区的恐惧感则越弱、舒畅感越强。这进一步印证了杂乱的植物环境在夜间可能会诱发消极情绪，而在高密度建筑区下适当引入植物则能引发积极情绪。由此可见，即使植被已被证实对人的情绪健康有益，但绿视率越高并不意味着其效益更高。

与白天相关研究的结论类似[6]，天空可视率越高，情绪感知越积极，如放松感越强、焦虑感越弱。但是，在低维护的蓝绿空间中，高的天空可视率能使人产生强烈的恐惧感；在低密度建筑区则能使人产生较强的不舒畅感。这可能是由于高的天空可视率代表着环境较为开阔，加上杂乱环境的低能见度降低了人对环境的控制感，从而产生恐惧。此外，可能是低密度建筑区中的漆黑夜空给人的压抑感[42]使人产生了视觉上的不舒畅。

拥挤度、围合度越高，恐惧感越强，该结果在高密度建筑区最为显著。可能由于拥挤的人群会使人产生社会压力[43]，夜间高密度建筑环境的幽闭更是加剧了压抑情绪，从而产生了恐惧感。与之相反，在低维护的蓝绿空间中，拥挤度和围合度低易引发焦虑感。这一定程度上说明，在夜间，不是所有环境都人越少、越开阔给人的体验感就越好，在自然化程度高、缺少管理的地方，人越多、围合度越高反而才能使人感到放松。

视觉可步行性越高，即人行道越宽且车行道越窄，尽管在高品质绿色空间能让人感到更舒畅，但是在大部分空间会让人感到紧张，与许多已有研究结果相违背[44]。这可能是由于适当尺度的人行道更能使人有安全感，也可能是由于语义切割对人行道与车行道的识别准确性较低，从而影响了结果的准确性。

综上，本研究提出了以下基于情绪感知的夜间户外环境提升策略。

1)在规划层面，可以重点关注低维护的蓝绿空间与高密度建筑区的夜间照明或夜间步行专项规划设计，尤其关注户外环境在夜间的可辨识性和秩序感、提升夜间出行的安全性、利用环境设计预防犯罪等。对于高密度建筑区，可以合理控制建筑密度、增加夜间通透性强的社区绿地等。

2)在设计层面，在不同环境使用针对性设计策略。例如，提高绿视率的同时考虑其在夜间可能会产生的负面影响。在消极情绪感知较强的地方，在不影响视觉通透性的情况下合理配置规整式的植物，同时配以柔和的灯光以增强可视性，达到提升安全感同时舒缓压力的效果。在低维护的蓝绿空间与低密度建筑区，可以适当植入空中灯光装置以降低夜间天空可视率，增加能提升围合度的如景墙等设施。在高密度建筑区，使用有利于控制人流的种植池、地面识别互动装置等，以降低视觉拥挤度。设置合理尺度的人行道，如设置在白天和黑夜可以动态调整的路障，使其能满足出行要求的同时，在夜间也能起到缓解消极情绪的作用。

3)在管理层面，加强对使用频率高但缺乏维护的蓝绿空间的管理，如定期对植被进行修剪、整理杂乱的环境设施和增加安全监测与可视化基础设施等，进而提升人们对环境的控制感，减少恐惧感。对高密度建筑区公共空间进行人流量的动态监测，并在相应出入口放置人流量提示或智能导航指引以减少人群聚集，促进人们在夜间能放松使用的同时减少恐惧和焦虑感。

4 总结与展望

基于计算机视觉技术，本研究快速、精准地测度了夜间户外环境对情绪感知的影响。研究发现，情绪感知在不同夜间户外环境的分布有显著性差异，影响情绪感知的不同夜间户外环境的视觉环境要素不同。基于分析结论，城市夜间户外环境可以从规划、设计和管理层面进行优化提升，以提升居民在夜间户外环境中的积极情绪感知，减少消极情绪感知，进而提升居民的健康与福祉。

但是，本研究仍存在一些不足之处，待后续解决：1)本研究为横断面调查研究，无法判断情绪感知与夜间户外环境要素之间的因果关系，未来可以进一步开展相关纵向研究；2)限于夜间户外环境图像数据质量和算法精度局限，FCN和PP-YOLOE模型在图像特征提取过程中可能存在错误分类现象，且无法识别照明、色彩等更加精细的环境变量，未来应进一步提升模型的准确性和精密度，并考虑采集照明强度、色温等与夜间环境密切相关的变量，拓展研究数据的多样性，提升研究的可信度；3)目前的研究结果仅停留在变量之间的相对重要性层面，未来可以进一步分析变量间的非线性关系，探究夜间户外环境要素的配比与情绪感知之间的关联性。

注：文中图片均由作者绘制或拍摄。