基于街景数据的
北京市历史文化风貌区识别

Jin Y、Du S H、Zhao H Y、等 Journal of Geo-information Science · 2026 · 28(7): 2141-2158 DOI: 10.12082/dqxxkx.2026.260023 Street View Imagery / Co-DETR / MCS / 历史风貌识别

本文面向城市更新和历史文化遗产保护中历史风貌识别效率低、主观性强、难以大范围推广的问题，提出一种基于街景图像与机器学习的传统建筑元素自动识别框架。研究以北京市中心城区为对象，构建包含 15 类传统建筑构件与结构的分类体系，利用众源网络图像建立 1,200 张人工标注训练数据，并以百度街景图像作为城市尺度识别数据源。针对网络图像多为近景、街景图像多为远景导致的尺度域差异，论文提出多尺度一致性策略 MCS，并与 Co-DETR 目标检测模型结合形成 MCS-Co-DETR。最终模型在北京市识别出 62,860 个传统建筑元素实例，揭示了“核心聚集、外围分散”的历史风貌空间格局，并准确反映北京中轴线的历史地标秩序。

街景图像 历史区域识别 传统建筑元素 目标检测 MCS-Co-DETR 北京中轴线
↓ 向下滚动阅读
01 · 研究背景与数据基础

用城市街景把历史风貌识别从人工踏勘推向自动化制图

城市历史风貌是文化遗产与集体记忆的重要表达。传统历史建筑元素的识别通常依赖人工普查，成本高、周期长、主观性强。街景图像具有高覆盖、近地视角和可重复采集等优势，为大范围、精细化、可更新的城市历史风貌识别提供了数据基础。

研究区域：北京中心城区

覆盖东城、西城、朝阳、海淀、丰台、石景山六区，总面积约 1,378 km²，包含北京 80% 以上已划定历史文化街区及二环内老城。

街景图像：城市尺度识别

基于百度地图 API 获取约 863,885 张街景图像，沿道路每 50 m 采样，每点以 90° 间隔获取四方向图像，形成 360° 近地观察。

网络图像：高质量训练样本

由于街景中传统建筑目标稀疏，研究从“北京文物地图”众源数据库获取 1,200 张高质量传统建筑图像，人工标注后用于模型训练。

1,378 km²
研究区面积
863,885
百度街景图像数量
1,200
人工标注训练图像
15 类
传统建筑元素类别
02 · 分类体系与 MCS-Co-DETR 方法

从“屋顶形制—建筑构件—独立结构”识别历史风貌线索

论文依据北京传统建筑视觉特征与历史风貌保护导则，将识别对象划分为屋顶形制、建筑构件和独立结构三类，共 15 个细分类别。方法上采用 Transformer 目标检测模型 Co-DETR，并通过多尺度一致性策略 MCS 缓解训练图像与街景图像之间的尺度差异。

类别组 元素类型 识别意义
屋顶形制 重檐顶、庑殿顶、歇山顶、攒尖顶、硬山 / 悬山 / 卷棚、其他传统屋顶 反映建筑等级、礼制秩序和城市历史地标格局。
建筑构件 压顶瓦、门楼、街门、传统窗、牌匾 适合识别胡同、四合院、街巷风貌与传统建筑界面。
独立结构 牌楼、塔、碑、雕塑 多与宗教、纪念、公共空间和城市景观节点相关。
C1
Co-DETR 作为基础检测模型

Co-DETR 利用 Transformer 架构与自注意力机制捕捉全局上下文关系，适合处理复杂街景背景、遮挡干扰和多尺度目标。相比仅依赖局部卷积特征的检测模型，Co-DETR 更有利于识别传统建筑元素之间的结构关系。

Co-DETR Transformer Object Detection Global Context
A2
Grounding-DINO 辅助预标注

为降低人工标注成本，研究先使用开放词汇目标检测模型 Grounding-DINO 对网络图像进行启发式预标注，再由人工在 Roboflow 平台进行校正与精细化标注，从而形成高质量训练集。

Grounding-DINO Open-set Detection Roboflow Human Correction
M3
MCS：多尺度一致性策略

网络训练图像多为近景特写，而街景图像中的传统建筑元素往往较远且尺度更小。MCS 通过对街景图像随机裁剪生成“伪近景”，并要求模型在原始街景与伪近景上的定位框和类别概率保持一致，以缩小尺度域差异。

Multi-scale Consistency Pseudo-close-up Domain Gap Scale Adaptation
L4
一致性损失：定位与类别双约束

MCS 同时使用 IoU 一致性损失约束不同尺度下的检测框定位一致性，并使用 KL 散度损失约束类别概率分布一致性，从而提升模型对小目标、远距离目标和尺度变化目标的识别稳定性。

IoU Loss KL Divergence Localization Class Consistency

MCS 解决的关键矛盾

  • 网络训练样本更像“建筑构件近景照片”。
  • 街景测试样本更像“道路视角远距离观察”。
  • 传统建筑小构件在街景中尺度很小，容易漏检。
  • 多尺度一致性可增强模型跨尺度检测能力。

三层尺度理解

  • 大尺度：屋顶形制，代表独立建筑单元与等级秩序。
  • 中尺度：牌楼、塔、雕塑等城市景观结构。
  • 小尺度：街门、窗、牌匾、压顶瓦等街巷界面元素。
  • 不同尺度共同构成城市历史风貌识别网络。
03 · 模型性能与北京空间格局

识别出 62,860 个传统建筑元素，揭示“核心聚集、外围分散”格局

MCS-Co-DETR 在主流目标检测模型对比中取得最高 mAP、Recall 和 F1-score。空间识别结果显示，北京传统建筑元素高度集中于二环内老城及历史文化街区，同时在外围呈点状分散分布。模型还捕捉到北京中轴线上关键地标的等级化屋顶形制分布。

0.554
mAP@[0.5:0.95]
0.773
Recall
0.646
F1-score
62,860
识别实例总数
模型 mAP@[0.5:0.95] Recall F1-score
YOLOv11 0.483 0.671 0.562
Co-DETR 原始模型 0.522 0.720 0.602
DA-DETR 0.528 0.735 0.615
MCS-Co-DETR 0.554 0.773 0.646

空间分布发现

  • 整体呈现“核心聚集、外围分散”格局。
  • 高密度区显著重叠于二环内老城和历史文化街区。
  • 街门、窗、门楼空间相关性强，常共同出现于四合院街巷环境。
  • 碑、塔、雕塑等独立结构分布更离散。

北京中轴线识别

  • 模型捕捉到中轴线关键历史地标的空间秩序。
  • 重檐顶聚集于钟鼓楼、故宫、天安门、神武门等节点。
  • 南部正阳门、永定门等区域也呈现高等级屋顶形制分布。
  • 说明模型不仅识别元素，也能反映城市历史身份的地标结构。

压顶瓦最常见

压顶瓦识别实例达到 33,752 个，主要分布于内城胡同街巷，是北京传统街巷界面的高频风貌元素。

小目标检测增强

MCS 相比原始 Co-DETR 明显提升 F1-score，尤其改善传统窗、牌匾等小尺度构件识别效果。

结果吻合保护区

识别结果与北京已划定历史文化街区具有较高空间重合度，可为保护范围更新和街区风貌监测提供参考。

核心发现：街景图像不仅能识别单个传统建筑构件，还能通过海量近地视角数据揭示城市历史风貌的空间秩序。MCS-Co-DETR 将“构件级识别”进一步转化为“城市级历史风貌制图”。
04 · 应用价值、局限与未来方向

为城市更新、风貌管控和文化旅游提供自动化识别底图

该研究提供了一种可扩展的城市历史风貌自动识别方案。通过将街景图像与 Transformer 目标检测模型结合，可大范围提取传统建筑元素，为历史文化街区保护、城市更新决策、风貌协调管控和文化旅游线路设计提供数据支撑。

城市更新

可为识别需要保护、修缮或风貌协调更新的建筑提供客观依据，减少单纯依赖人工踏勘的成本。

文化旅游

可生成“胡同漫步”、传统建筑元素打卡、历史风貌游线等数字地图，辅助文化遗产传播。

政策监管

可帮助划定建筑高度、色彩、材料和界面风貌控制区域，避免现代建筑破坏历史街区整体风貌。

研究贡献

  • 建立包含 15 类传统建筑元素的北京历史风貌识别体系。
  • 构建 1,200 张人工标注传统建筑图像训练集。
  • 提出 MCS 缓解网络近景样本与街景远景样本的尺度差异。
  • 在北京中心城区识别 62,860 个历史建筑元素实例。

局限与展望

  • 模型主要面向北京官式建筑和四合院风格，对南方地域建筑需补充训练。
  • 当前目标位置主要近似为街景采样点 GPS，未来可结合摄影测量估算实体精确坐标。
  • 50 m 采样间隔兼顾成本与覆盖，但高密度历史街区可进一步优化采样策略。
  • 未来可结合多时相街景，实现历史风貌变化监测和保护成效评估。