互联网街景照片地理位置识别定位方法、存储介质及设备技术

本发明专利技术提供了一种互联网街景照片的地理位置识别定位方法、存储介质、计算机设备，方法包括：S1，获取大规模街景图像数据，提取大规模街景图像数据的特征，形成大规模街景图像特征索引库；S2，采用与S1中相同的特征提取方法提取互联网街景照片的特征，与大规模街景图像特征库进行相似性度量计算，快速检索出匹配的候选街景图像；S3，将互联网街景照片与快速检索出的候选街景图像进行特征匹配，获取候选图像与互联网街景照片的同名匹配点对，筛选出匹配质量最好的互联网街景照片与候选街景影像对；S4，通过候选街景影像与互联网街景图片的同名匹配点对，计算影像的仿射变换参数，从而计算出互联网街景图片的地理坐标。出互联网街景图片的地理坐标。出互联网街景图片的地理坐标。

【技术实现步骤摘要】
互联网街景照片地理位置识别定位方法、存储介质及设备


[0001]本专利技术涉及遥感领域，特别地，涉及遥感影像定位


技术介绍

[0002]随着智慧城市建设的发展，获取空间位置信息的途径不断增加。据统计，人类百分之八十的社会经济活动跟空间地理位置信息有关。当前，人类对地理空间信息的应用也越来越广泛，常常运用地理位置数据进行分析和利用，进而带来巨大的经济效益。近年来，街景地图已进入公众的生活，为生活提供了更多的便利，街景影像具有覆盖范围广、覆盖密度高、表达内容详尽、获取效率高等特点：在覆盖范围方面，街景图片已经覆盖了全球大部分的城市。在覆盖密度方面，街景图片已经高密度地覆盖了城市的各级别路网，相邻采样点之间构成的视觉图片可以无缝衔接，构成了城市街道物质空间的完整表达。在表达内容方面，街景图片详尽、精细地表达了在人的视角下城市物质空间的实际状态。例如，谷歌街景的最高尺寸可达6656
×
13312像素，较高清的图片保证了街景图片对城市物质空间表达的精细程度，并且在相关人工智能技术的进一步支持下，实现对场景语义目标的精确提取和对场景内容的高效理解。近两年来街景图像覆盖范围更是越来越丰富，而且均可以通过开源途径进行获取。但目前使用的街景图像搜索地理位置识别方法效率低，识别准确度不佳。

技术实现思路

[0003]为此，因此本专利技术基于大规模街景数据作为参考，实现互联网街景照片的地理位置识别定位方法。对大规模街景数据进行离线特征提取，利用相似性检索工具建立索引库，进行大规模候选街景图像检索，提升图像检索效率；对检索获取的候选街景图像与互联网街景照片进行特征匹配，获取匹配质量最高的影像对，利用最相似的候选街景影像坐标计算互联网街景照片每个像素的精确地理坐标，实现任意互联网街景照片的地理位置识别。
[0004]本专利技术实施例提供了一种互联网街景照片的地理位置识别定位方法，该方法包括：
[0005]S1，获取大规模街景图像数据，提取大规模街景图像数据的特征，采用相似性索引工具建立高效索引文件，建立相似性索引文件，形成大规模街景图像特征索引库；
[0006]S2，采用与S1中相同的特征提取方法提取互联网街景照片的特征，与大规模街景图像特征库进行相似性度量计算，快速检索出匹配的候选街景图像；
[0007]S3，将互联网街景照片与快速检索出的候选街景图像进行特征匹配，获取候选图像与互联网街景照片的同名匹配点对，筛选出匹配质量最好的互联网街景照片与候选街景影像对；
[0008]S4，通过候选街景影像与互联网街景图片的同名匹配点对，计算影像的仿射变换参数，从而计算出互联网街景图片的地理坐标。
[0009]在可选的实施例中，在S4中还包括：采用内插的方法计算每一个像素点的地理坐标，实现互联网街景照片的精确定位。
[0010]在可选的实施例中，在S1中，利用爬虫技术从地图服务商的街景API获取，将获取的街景图像和元数据信息按照统一的命名规则入库存储。
[0011]在可选的实施例中，在S2中：调用索引API快速检索出匹配的候选街景图像。
[0012]在可选的实施例中，密集特征提取采用resnet
‑
50网络进行微调。
[0013]在可选的实施例中，所述提取大规模街景图像数据的特征包括：对街景图像构建离散尺度金字塔，对每个尺度影像进行特征提取，获取描述不同大小区域、不同感受野的特征。
[0014]在可选的实施例中，相似性索引工具包括：
[0015]采用矢量量化方法进行向量压缩与查询计算，对全空间向量进行感兴趣区域定位，定位到向量子空间。
[0016]在可选的实施例中，所述内插方法为双线性内插方法。
[0017]本专利技术实施例另一方面还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序代码，当所述计算机程序代码被计算机设备执行时，所述计算机设备执行上述任一项所述的识别定位方法。
[0018]本专利技术实施例另一方面还提供了一种计算机设备，包括：存储器和处理器；
[0019]所述存储器用于存储计算机指令；
[0020]所述处理器执行所述存储器存储的计算机指令，以使所述计算机设备执行任一项上述的识别定位方法。
[0021]本专利技术的专利技术点和技术效果：
[0022]1、本专利技术基于对大规模街景数据进行离线特征提取，利用相似性检索工具建立索引库，进行大规模候选街景图像检索，提升图像检索效率；对检索获取的候选街景图像与互联网街景照片进行特征匹配，获取匹配质量最高的影像对，利用最相似的候选街景影像坐标计算互联网街景照片每个像素的精确地理坐标，实现任意互联网街景照片的地理位置识别。
[0023]2、本专利技术中密集特征提取采用resnet
‑
50网络进行微调，通过微调来提升局部表达的判别能力，获取深层次特征。利用已经配对的数据对网络进行训练。同时为了应对较大尺度差异，对街景图像构建离散尺度金字塔，对每个尺度影像进行特征提取，获取描述不同大小区域、不同感受野的特征。能够使特征点既有足够抽象性、也可以获得较高的定位精度。
[0024]3、本专利技术中采用相似性索引工具：首先采用矢量量化方法进行向量压缩与查询计算，提升距离计算的效率，其次对全空间向量进行感兴趣区域定位，定位到向量子空间，从而实现待搜索向量只在感兴趣的几个子空间进行向量计算，不用对空间的全部向量计算距离，进一步加快搜索效率。
[0025]4、对于参考街景图像分辨率低于互联网街景图像的情况，由于图像分辨率不一致，匹配方式无法计算出每个像素点的地理坐标，通过内插的方式可以计算，即可计算出每个像素点的地理坐标。
附图说明
[0026]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通
技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0027]图1是本专利技术实施例中的互联网街景照片地理位置识别流程图；
[0028]图2是本专利技术实施例中的密集特征提取网络示意图；
[0029]图3是本专利技术实施例中的索引构建数据流示意图；
[0030]图4是本专利技术实施例中的索引api封装流程图；
[0031]图5是本专利技术实施例中的双插值法示意图。
具体实施方式
[0032]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0033]本专利技术中的大规模街景图像指的是大量带有地理坐标信息的街景图像。
[0034]本专利技术中的互联网街景图像指的是互联网上获取到的带有明显地物的街景图像，不一定带有地理坐标。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种互联网街景照片的地理位置识别定位方法，其特征在于，包括：S1，获取大规模街景图像数据，提取大规模街景图像数据的特征，采用相似性索引工具建立高效索引文件，建立相似性索引文件，形成大规模街景图像特征索引库；S2，采用与S1中相同的特征提取方法提取互联网街景照片的特征，与大规模街景图像特征索引库进行相似性度量计算，快速检索出匹配的候选街景图像；S3，将互联网街景照片与候选街景图像进行特征匹配，获取候选图像与互联网街景照片的同名匹配点对，筛选出匹配质量最好的互联网街景照片与候选街景影像对；S4，通过候选街景影像与互联网街景图片的同名匹配点对，计算影像的仿射变换参数，从而计算出互联网街景图片的地理坐标。2.如权利要求1所述的识别定位方法，其特征在于，在S4中还包括：采用内插的方法计算每一个像素点的地理坐标，完成互联网街景照片的精确定位。3.如权利要求1所述的识别定位方法，其特征在于，在S1中还包括：利用爬虫技术从地图服务商的街景API获取街景图像，将获取的街景图像和元数据信息按照统一的命名规则入库存储。4.如权利要求3所述的识别定位方法，其特征在于，在S2中：调用索引API快速检索出匹配的候...

【专利技术属性】
技术研发人员：李传广，喻金桃，李道纪，闫丽阳，宋科，宋瑞丽，
申请(专利权)人：感知天下北京信息科技有限公司，
类型：发明
国别省市：