我国人口老龄化现象日益严重，引起了社会的广泛关注。传统的老龄人口研究主要依赖于人口普查数据，存在人力物力成本较高，采集周期长，更新频率低，不能及时反映老龄人口比例变化的局限性。街景图像则具有覆盖范围广、数据规模大、更新频率快、经济成本低的特点，近年来已经迅速成为地理空间数据收集和城市分析的重要数据来源，越来越多的研究利用街景图像来探索城市的各种问题。本文以百度街景图像作为研究数据来源，通过深度学习模型对街景图像进行特征提取和信息分析，实现对老龄人口比例的预测与估计。具体研究工作包括：首先根据路网数据随机生成街景采样点，并通过Python脚本爬虫批量获取全国范围内的百度街景图像，然后利用百度地图的逆地理编码服务将街景图像的经纬度坐标转换为位置信息，并与所属区域内的老龄人口比例数据进行匹配对应，得到完整的用于模型训练的数据集；其次，本文构建了基于街景图像的老龄人口比例预测模型，使用ResNet18网络结构从街景图像中提取特征，并用于老龄人口比例的预测。模型结果显示，预测模型在测试集上达到了约60%的准确率，在验证集杭州市的数据上表现良好。本文为老龄人口比例的研究提供了一种新的思路，也可以为老龄化社会的城市规划和社会政策制定提供一定的信息和参考。

[1]王朝辉,王润哲,郭震冬,黄亮.基于YOLO的街景影像中行人车辆检测方法[J].北京测绘,2021,35(11):1452-1455.

[2]鲁岳,符锌砂.基于街景图像的城市景观与交通安全分析[J].华南理工大学学报(自然科学版),2021,49(10):22-30.

[3]张丽英,裴韬,陈宜金,宋辞,刘小茜.基于街景图像的城市环境评价研究综述[J].地球信息科学学报, 2019, 21(01): 46-58.

[4]魏越,杨东峰.基于街景图片的邻里目的地建成环境适老性评价——以大连市为例[J].建筑学何同辉.基于街景图像视觉影像语义分割的街区绿视率研究[J].河南科技,2022,41(08):16-19.

[5]彭巍,唐丽玉,胡颖,陈晓玲,冯先超.基于街景图像的福州城区主要道路绿视率研究[J].测绘与空间地理信息,2022,45(01):62-66.

[6]万瑶欣. 基于百度街景的城市富有感研究[D].东华理工大学,2021.

[7]郭金函,马子迎,边经卫,江楚钶.基于街景图像的厦门本岛环境特征对住宅价格的影响研究[J].地球信息科学学报,2022,24(11):2128-2140.

[8]李心雨,闫浩文,王卓,王炳瑄.街景图像与机器学习相结合的道路环境安全感知评价与影响因素分析[J].地球信息科学学报,2023,25(04):852-865.

[9]叶洋,贾超智.基于街景图像的老城区生活街道步行空间特征对失序感知影响研究——以哈尔滨市安字片区为例[J].当代建筑,2022(11):72-75.

[10]乔谷阳,乔家君,邵留长.河南省老龄人口的空间分异及其变化研究[J].河南大学学报（自然科学版）,2016,46(5):522-530,552.

[11]Biljecki, Filip and Koichi Ito. “Street view imagery in urban analytics and GIS: A review.” Landscape and Urban Planning 215 (2021): 104217.

[12]Lee, Jihyeon et al. “Predicting Livelihood Indicators from Community-Generated Street-Level Imagery.” AAAI Conference on Artificial Intelligence (2021).

[13]Arietta, Sean M. et al. “City Forensics: Using Visual Elements to Predict Non-Visual City Attributes.” IEEE Transactions on Visualization and Computer Graphics 20 (2014): 2624-2633.

[14]Deng, Yuyang et al. “Exploring The Effects Of local Environment On Population Distribution: Using Imagery Segmentation Technology And Street View.” 2020 Asia-Pacific Conference on Image Processing, Electronics and Computers (IPEC) (2020): 310-315.

[15]Li, Xiaojiang and Carlo Ratti. “Mapping the spatial distribution of shade provision of street trees in Boston using Google Street View panoramas.” Urban Forestry & Urban Greening 31 (2018): 109-119.

[16]He, Kaiming et al. “Deep Residual Learning for Image Recognition.” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2015): 770-778.