CN116758150B - 位置信息确定方法及装置 - Google Patents
位置信息确定方法及装置 Download PDFInfo
- Publication number
- CN116758150B CN116758150B CN202310559838.3A CN202310559838A CN116758150B CN 116758150 B CN116758150 B CN 116758150B CN 202310559838 A CN202310559838 A CN 202310559838A CN 116758150 B CN116758150 B CN 116758150B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- determining
- coordinates
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 115
- 238000009434 installation Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供位置信息确定方法及装置，其中所述位置信息确定方法包括：确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率。
Description
技术领域
本说明书实施例涉及计算机技术领域，特别涉及位置信息确定方法。
背景技术
随着互联网技术的发展，在大规模城市场景的感知理解中，拍摄设备是最广泛的传感器之一，被广泛的应用在交通、导航等城市理解场景中，用于实现交通检测、事件事故检测等。但目前城市街道中安装的拍摄设备点位数量众多，体量庞大，每个拍摄设备的安装与运维存在不规范不统一的问题，导致拍摄设备的管理和维护需要耗费大量的人力。在拍摄设备安装时，以及拍摄设备的运行过程中容易出现拍摄设备位置信息的变化，此时需要记录拍摄设别实际的位置信息。
现有技术中，一般采取人工定位的方式进行位置信息的确定和记录，需要工作人员到每个拍摄设备的安装位置采集位置信息。这种方式将会耗费大量的人力资源，且采集到的位置信息准确度较低，信息采集效率也较低。因此，亟需一种较为有效的位置信息确定方法以解决上述问题。
发明内容
有鉴于此，本说明书实施例提供了位置信息确定方法。本说明书一个或者多个实施例同时涉及位置信息确定装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了第一种位置信息确定方法，包括：
确定目标对象在当前位置，获取的参照对象的目标图像；
根据所述目标对象的安装位置以及预设坐标算法，确定所述目标对象在世界坐标系中的初始坐标以及关联区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象的当前位置的位置信息。
根据本说明书实施例的第二方面，提供了第一种位置信息确定装置，包括：
目标图像获取模块，被配置为确定目标对象在当前位置，获取的参照对象的目标图像；
信息确定模块，被配置为根据所述目标对象的安装位置以及预设坐标算法，确定所述目标对象在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块，被配置为根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象的当前位置的位置信息。
根据本说明书实施例的第三方面，提供了第二种位置信息确定方法，包括：
确定拍摄装置在当前位置，获取的参照对象的目标图像；
根据所述拍摄装置的安装位置以及预设坐标算法，确定所述拍摄装置在世界坐标系中的初始坐标以及关联区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
根据所述拍摄装置的初始坐标、所述关联图像的采集坐标，确定所述拍摄装置的当前位置的位置信息。
根据本说明书实施例的第四方面，提供了第二种位置信息确定装置，包括：
目标图像获取模块，被配置为确定拍摄装置在当前位置，获取的参照对象的目标图像；
信息确定模块，被配置为根据所述拍摄装置的安装位置以及预设坐标算法，确定所述拍摄装置在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块，被配置为根据所述拍摄装置的初始坐标、所述关联图像的采集坐标，确定所述拍摄装置的当前位置的位置信息。
根据本说明书实施例的第五方面，提供了第三种位置信息确定方法，应用于城市管理平台，包括：
确定图像采集设备在当前位置，获取的参照对象的目标图像；
根据所述图像采集设备的安装位置以及预设坐标算法，确定所述图像采集设备在世界坐标系中的初始坐标以及关联区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
根据所述图像采集设备的初始坐标、所述关联图像的采集坐标，确定所述图像采集设备的当前位置的位置信息。
根据本说明书实施例的第六方面，提供了第三种位置信息确定装置，应用于城市管理平台，包括：
目标图像获取模块，被配置为确定图像采集设备在当前位置，获取的参照对象的目标图像；
信息确定模块，被配置为根据所述图像采集设备的安装位置以及预设坐标算法，确定所述图像采集设备在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块，被配置为根据所述图像采集设备的初始坐标、所述关联图像的采集坐标，确定所述图像采集设备的当前位置的位置信息。
根据本说明书实施例的第七方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述位置信息确定方法的步骤。
根据本说明书实施例的第八方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述位置信息确定方法的步骤。
根据本说明书实施例的第九方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述位置信息确定方法的步骤。
本说明书一个实施例通过确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对目标对象的初始坐标进行纠偏，进而提高纠偏效率。
附图说明
图1是本说明书一个实施例提供的一种位置信息确定方法的结构示意图
图2是本说明书一个实施例提供的第一种位置信息确定方法的流程图；
图3是本说明书一个实施例提供的一种位置信息确定方法的图像坐标系构建示意图；
图4是本说明书一个实施例提供的一种位置信息确定方法的处理过程流程图；
图5是本说明书一个实施例提供的第一种位置信息确定装置的结构示意图；
图6是本说明书一个实施例提供的第二种位置信息确定方法的流程图；
图7是本说明书一个实施例提供的第二种位置信息确定装置的结构示意图；
图8是本说明书一个实施例提供的第三种位置信息确定方法的流程图；
图9是本说明书一个实施例提供的第三种位置信息确定装置的结构示意图；
图10是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外，需要说明的是，本说明书一个或多个实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
经纬度坐标：经纬度坐标是经度与纬度的合称组成一个坐标***，称为地理坐标***。本发明使用WGS84(World Geodetic System 1984)坐标系，与街景图片的坐标系一致。
街景图片：基于自助采集或互联网公开的城市街道图像，图像信息中包括采集的经纬度坐标，来源包括手机、行车记录仪、地图采集车等采集的图片等。
全局描述子：全局描述子以一个一维的特征向量1×M描述一帧图片数据的全局特征信息，其中M为特征向量的长度。其一般包括VLAD特征、BoW特征、深度学习算法特征等。
图像匹配：图像匹配指的是利用全局描述子或局部特征的相似度描述两张图片之间的距离关系。通常采用最近邻特征向量匹配法或基于深度学习的匹配算法。通过全局描述子匹配的方法也可以叫做图像检索。
稀疏重建：利用同一场景的拍摄点位图像与街景图像，进行局部的稀疏重建，得到拍摄点位的经纬度位置信息。稀疏重建方式主要包括运动恢复结构算法。
相机标定：为确定物体表面某点的三维几何位置与其在图像上对应点之间的相对变换关系，必须建立相机成像的几何模型，这些几何模型参数包含相机内参和相机外参。求解参数的过程称即为相机标定。
AOI：获取感兴趣的区域(Area Of Interest)的算法。
POI：获取感兴趣的区域(Point Of Interest)的算法。
VLAD：(Vector of locally aggregated descriptors)，是一种图像的特征表示方法，被广泛应用在了图像检索和图像分类领域。
CNN：(Convolutional Neural Network)，卷积神经网络，是一种专门用来处理具有类似网格结构的数据的神经网络。卷积网络是指那些至少在网络的一层中使用卷积运算来替代一般的矩阵乘法运算的神经网络。
VGG：(Visual Geometry Group)，深度卷积神经网络，VGG是指VGG-16(13层卷积层+3层全连接层)。
FCN：(Fully Convolutional Networks)，全卷积网络。网络结构主要分为两个部分：全卷积部分和反卷积部分。其中全卷积部分为一些经典的CNN网络(如VGG，ResNet等)，用于提取特征；反卷积部分则是通过上采样得到原尺寸的语义分割图像。
SuperPoint算法：一种用于特征检测和匹配的算法。它能够快速、精确地检测图像中的关键点，并将它们用来匹配不同的图像。这种算法在许多计算机视觉任务中得到了广泛应用，包括图像拼接、相机定位和三维建模。
SIFT特征：(Scale-Invariant Feature Transform)特征，尺度不变特征变换，是一种计算机视觉的特征提取算法，用来侦测与描述图像中的局部性特征。RANSAC算法：Random Sample Consensus，是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。
ORB特征：(Oriented FAST and Rotated BRIEF)，具有尺度和旋转不变性，对于噪声及其透视变换也具有不变性，良好的性能是的利用ORB在进行特征描述时的应用场景十分广泛。ORB特征检测主要分为以下两个步骤:(1)方向FAST特征点检测(2)BRIEF特征描述。
K-means算法：k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心。计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。
随着互联网技术的发展，在大规模城市场景的感知理解中，拍摄设备是最广泛的传感器之一，被广泛的应用在交通、导航等城市理解场景中，用于实现交通检测、事件事故检测等。但目前城市街道中安装的拍摄设备点位数量众多，体量庞大，每个拍摄设备的安装与运维存在不规范不统一的问题，导致拍摄设备的管理和维护需要耗费大量的人力。在拍摄设备安装时，以及拍摄设备的运行过程中容易出现拍摄设备位置信息的变化，此时需要记录拍摄设别实际的位置信息。
现有技术中，一般采取人工定位的方式进行位置信息的确定和记录，需要工作人员到每个拍摄设备的安装位置采集位置信息。这种方式将会耗费大量的人力资源，且采集到的位置信息准确度较低，信息采集效率也较低。因此，亟需一种较为有效的位置信息确定方法以解决上述问题。
图1是本说明书一个实施例提供的一种位置信息确定方法的结构示意图，如图1所示，确定目标对象，以及确定目标对象在当前位置，获取的参照对象的目标图像。根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域。根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标。根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。
通过确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对目标对象的初始坐标进行纠偏，进而提高纠偏效率。
在城市管理场景下，目标对象可以是任意位置安装的图像采集设备。通过图像采集设备确定城市街景中出现异常事件的情况下，若记录的图像采集设备的点位坐标不准确，那么无法快速到达事件发生的地点。通过对图像采集设备进行位置信息纠偏，能够获取图像采集设备准确的点位位置坐标，在发生异常事件时，即可基于点位位置坐标快速对异常事件的发生地点进行准确的定位，以便于事件处理人员快速到达现场处理。其中，目标图像可以为任意包含参照对象的图像，参照对象可以是建筑物、道路布局结构等元素。在目标对象为任意包含参照对象的图像时，可以通过目标对象确定采集目标对象的图像采集位置。
在本说明书中，提供了位置信息确定方法，本说明书同时涉及位置信息确定装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
参见图2，图2示出了根据本说明书一个实施例提供的第一种位置信息确定方法的流程图，具体包括以下步骤。
步骤S202：确定目标对象在当前位置，获取的参照对象的目标图像。
具体的，目标对象可以是拍摄设备，目标对象可以安装在街道中的拍摄设备，用于拍摄街景中的建筑物、景点、道路、等街景中包含的物体；当前位置即为目标对象的安装位置；目标图像是指目标对象拍摄的图像，相应的，参照对象是指目标图像中包含的建筑物等物体。
基于此，在街景中确定目标对象，获取目标对象在当前位置，拍摄的包含参照对象的目标图像。将目标图像作为后续确定目标对象的位置信息的参考图像。
实际应用中，目标对象可以是街景中安装的摄像头等能够拍摄视频或图像的拍摄设备；目标图像可以是目标对象拍摄的图像，也可以是在目标对象拍摄的视频中确定的图像帧，将包含参照对象的图像帧作为目标图像。
进一步的，考虑到在目标对象为拍摄设备时，能够实时的记录拍摄范围的图像或视频，考虑到目标图像中包含的参照对象需要清晰可见，因此可以在目标对象拍摄的目标视频中选择包含参照对象的图像帧，作为目标图像，具体实现如下：
确定目标对象在当前位置，获取的目标视频；将所述目标视频中包含参照对象的图像帧，作为目标图像。
基于此，目标视频即为目标对象拍摄的视频，图像帧即为目标视频中包含的视频帧。确定目标对象，以及目标对象在当前位置获取的一段时间内的目标视频。在目标视频对应的图像帧中选择包含参照对象的图像帧作为目标图像，在选择图像帧时，图像帧中包含的参照对象的清晰度大于预设清晰度阈值。
举例说明，在目标对象为安装在A学校北门的拍摄设备的情况下，通过拍摄设备拍摄包含A学校的教学楼的图像，或者拍摄包含A学校的教学楼的目标视频，在目标视频中选择包含A学校的教学楼的图像帧作为目标图像。
综上所述，确定目标对象在当前位置拍摄的目标视频，进而在目标视频中选择包含参照对象的图像帧作为目标图像，从而便于后续基于目标图像确定目标对象的位置信息。
步骤S204：根据所述目标对象的安装位置以及预设坐标算法，确定所述目标对象在世界坐标系中的初始坐标以及关联区域。
具体的，在上述确定目标对象在当前位置，获取的参照对象的目标图像之后，即可根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域，其中，安装位置是指在目标对象安装在当前位置时，由目标对象的安装者记录的目标对象位置；预设坐标算法可以是兴趣点关联算法，包含兴趣区域算法和兴趣点算法；世界坐标系可以是WGS84(World Geodetic System 1984)坐标系；初始坐标即为基于兴趣点算法和目标对象的安装位置确定的，目标对象在世界坐标系中的经纬度坐标；相应的，关联区域即为基于兴趣区域算法和目标对象的安装位置确定的，目标对象在世界坐标系中所辖区域，关联区域可以是不规则图形也可以是多边形。
基于此，在确定目标对象在当前位置，获取的参照对象的目标图像后，确定目标对象的安装位置，根据预设坐标算法以及安装位置，确定目标对象在世界坐标系中的初始坐标，根据预设坐标算法以及安装位置，确定目标对象在世界坐标系中关联区域，关联区域中包含初始坐标对应的坐标点。
实际应用中，在目标对象为拍摄设备的情况下，安装位置是指在拍摄设备的安装者在街道中安装目标对象时，记录的安装地址信息，例如：A街道中的B小学北门。在确定目标对象在世界坐标系中的初始坐标以及关联区域时，可以通过预设坐标算法对目标对象的安装地址信息进行处理，确定与安装地址信息关联度较高的初始坐标。
进一步的，在确定目标对象的安装位置后，可以在世界坐标系中确定目标对象的坐标，以及目标对象的关联区域，考虑到目标对象为安装在固定位置的拍摄设备，因此可以分别基于预设坐标点算法以及预设区域算法确定目标对象在世界坐标系中的初始坐标以及关联区域，具体实现如下：
所述预设坐标算法包括预设坐标点算法以及预设区域算法；相应地，所述根据所述目标对象的安装位置以及预设坐标算法，确定所述目标对象在世界坐标系中的初始坐标以及关联区域，包括：根据所述目标对象的安装位置以及所述预设坐标点算法，确定所述目标对象在所述世界坐标系中的初始坐标；根据所述初始坐标以及所述预设区域算法，确定所述目标对象在所述世界坐标系中的关联区域。
具体的，预设坐标算法可以是兴趣点算法；预设区域算法可以是兴趣区域算法。
基于此，在预设坐标算法包括预设坐标点算法以及预设区域算法的情况下，根据目标对象的安装位置以及预设坐标点算法，确定目标对象关联的参考坐标，并在参考坐标中确定与目标对象的安装位置关联度较高的初始坐标，作为目标对象在世界坐标系中的初始坐标。根据初始坐标以及预设区域算法，确定目标对象在世界坐标系中的关联区域，关联区域可以表示目标对象的拍摄区域。
举例说明，在确定安装在A学校北门的拍摄设备的安装位置为“A学校北门”的情况下，基于兴趣点算法确定与“A学校北门”关联的位置信息“A学校停车场”、“A学校北1门”、“A学校南门”等位置信息，在上述位置信息中选择与安装位置“A学校北门”关联度较高的“A学校北1门”，并将“A学校北1门”的坐标作为目标对象的初始坐标。基于兴趣区域算法和初始坐标确定目标对象的多边形或不规则形状的拍摄区域。
综上所述，分别基于预设坐标点算法以及预设区域算法确定目标对象在世界坐标系中的初始坐标以及关联区域，从而提高目标对象的初始坐标以及关联区域确定的准确性，使得初始坐标以及关联区域更具参考价值。
步骤S206：根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标。
具体的，在上述根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域之后，即可根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标，其中，关联图像是指包含参照对象的图像，关联图像可以是利用手机相机、行车记录仪、全景相机等进行图像采集获得的图像；采集坐标是指采集关联图像的图像采集设备的坐标。
基于此，在根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域后，在初始坐标和关联区域对应的初始图像集中，根据初始坐标以及关联区域，选择与目标图像中参照对象关联的关联图像，并确定关联图像的采集坐标。
实际应用中，关联图像中包含参照对象。在确定目标对象在世界坐标系中的初始坐标以及关联区域后，可以利用手机相机、行车记录仪、全景相机等，在关联区域进行图像采集，获得初始图像集，进而在初始图像集中选择包含参照对象的图像作为关联图像。
进一步的，考虑到目标对象对应初始坐标以及关联区域，且目标对象中包含参考对象，为了能够较为全面的确定与关联区域相关的图像集，可以通过以初始坐标为起点，在关联区域内进行图像采集的方式确定初始图像集，进而在初始图像集中选择关联图像，具体实现如下：
获取以所述初始坐标为起点、在所述关联区域内确定的初始图像集；在所述初始图像集中选择与所述目标图像中参照对象关联的关联图像，并确定所述关联图像的采集坐标。
具体的，初始图像集的获取可以利用手机相机、行车记录仪、全景相机等，在关联区域进行图像采集，对采集到的图像进行组合，获得初始图像集；或者在关联区域进行视频采集，对视频进行图像帧的截取，将每个图像帧对应的图像作为初始图像，并对初始图像进行组合，获得初始图像集。
基于此，获取以初始坐标为起点、在关联区域内确定的至少两个初始图像，由至少两个初始图像组成初始图像集；或者，以初始坐标为起点、在关联区域内确定的初始视频，将初始视频中包含的图像帧作为初始图像，由初始图像组成初始图像集。在初始图像集中选择与目标图像中的参照对象关联的关联图像，并将采集关联图像的采集设备的坐标作为关联图像的采集坐标。
举例说明，在将“A学校北1门”的坐标作为目标对象的初始坐标，以及基于兴趣区域算法和初始坐标确定目标对象的多边形或不规则形状的拍摄区域后，以A学校北1门为起点，，利用图像采集设备采集拍摄区域相关的图像，获得拍摄区域对应的各拍摄角度以及拍摄方位对应的图像，并组成初始图像集。在初始图像集中选择包含参照对象A学校的教学楼的初始图像，作为关联图像，将采集关联图像的图像采集点的坐标作为关联图像的采集坐标。
综上所述，通过在初始图像集中选择与目标图像中参照对象关联的关联图像，从而确保每个关联图像中均包含参照对象，进而提高目标对象的位置信息确定的准确性。
进一步的，考虑到采集到的初始图像集中的初始图像可能不包含参照对象，因此需要对初始图像集中包含的初始图像进行初步筛选，选择与参照对象关联的初始图像作为关联图像，具体实现如下：
确定所述初始图像集中初始图像的初始特征向量，以及确定所述目标图像的目标特征向量；将所述初始图像的初始特征向量，与所述目标图像的目标特征向量进行比对，根据比对结果，选择与所述目标图像中参照对象关联的关联图像。
具体的，初始特征向量是指初始图像的向量表达，可以是初始图像对应的全局描述子特征，也可以通过特征提取模型确定初始图像的初始特征向量；相应的，目标特征向量是指目标图像的向量表达，可以是目标图像对应的全局描述子特征，也可以通过特征提取模型确定初始图像的初始特征向量；比对结果是指将初始图像的初始特征向量，与目标图像的目标特征向量进行比对后，确定的目标图像与初始图像之间的特征相关度。
基于此，基于全局描述子算法或特征提取模型确定初始图像集中初始图像的初始特征向量，以及基于全局描述子算法或特征提取模型确定目标图像的目标特征向量。将初始图像集中的各初始图像的初始特征向量，分别与目标图像的目标特征向量进行比对，根据比对结果，在初始图像集中选择与目标图像中参照对象关联的关联图像。
举例说明，确定包含A学校教学楼的目标图像的全局描述子特征，以及确定初始图像集中每个初始图像的全局描述子向量特征。通过将包含A学校教学楼的目标图像的全局描述子特征，分别与每个初始图像的全局描述子向量特征进行特征比对，在初始图像集中选择特征相似度高的初始图像作为关联图像。可以通过特征向量间的直线距离为依据找出与目标对象相似度较高的关联图像。可以采用VLAD(Vector of locally aggregateddescriptors)等相关全局描述子算法确定包含A学校教学楼的目标图像的全局描述子特征，以及初始图像集中每个初始图像的全局描述子向量特征。
综上所述，通过对初始图像集中包含的初始图像进行初步筛选，选择与参照对象关联的初始图像作为关联图像，进而在后续确定目标对象的位置信息时，可以参照目标图像中的参照对象，以及关联图像中的参照对象确定，进而提高位置信息的准确度。
进一步的，在初始图像集中选择关联图像时，考虑到初始图像中参照对象的拍摄角度不同初始图像中包含的参照对象的对象区域也不同，为了在初始图像中选择包含尽可能完整的参照对象，可以通过判断候选图像中是否包含与目标图像中参照对象的参照特征点重合的候选特征点的方式在初始图像集中选择关联图像，具体实现如下：
根据比对结果在所述初始图像中确定候选图像；确定所述候选图像中的候选特征点，以及所述目标图像中所述参照对象的参照特征点；将与所述参照特征点具有特征点重合关系的候选图像,作为与所述目标图像中参照对象关联的关联图像。
具体的，候选图像是指与目标图像中的参照对象关联的图像；候选特征点是指候选图像中包含的特征点，将候选图像中建筑物、道路等事物的顶点作为候选特征点；参照特征点是指目标图像中参照对象对应的特征点，在参照对象为建筑物的情况下，参照特征点即为建筑物对应的各特征点，图像的特征点包括角点、SIFT特征点、ORB特征点、深度学习算法特征点等。
基于此，根据比对结果在初始图像中确定与目标图像中参照对象关联的候选图像。确定候选图像中包含的各候选特征点，以及目标图像中参照对象的参照特征点。在候选图像中确定与目标图像中参照特征点具有特征点重合关系的候选图像,作为与目标图像中参照对象关联的关联图像。
举例说明，在通过图像采集设备采集A学校北门安装的拍摄设备这一目标对象，以及拍摄设备的拍摄区域关联的初始图像时，初始图像中可能包含A学校的教学楼这一建筑物，也可能不包含。在初始图像集中选择包含A学校的教学楼这一建筑物的候选图像后，确定候选图像中的全部特征点，并确定目标图像中A学校的教学楼这一建筑物的全部特征点。将目标图像分别与候选图像进行比对，在目标图像中A学校的教学楼这一建筑物的特征点与候选图像中的特征点有重合时，则将候选图像作为关联图像。
综上所述，通过判断候选图像中是否包含与目标图像中参照对象的参照特征点重合的候选特征点的方式在初始图像集中选择关联图像，从而确定关联图像均与目标对象中的参照对象关联。
进一步的，在初始图像集中选择关联图像时，考虑到初始图像中参照对象的拍摄角度不同初始图像中包含的参照对象的对象区域也不同，为了在初始图像中选择包含尽可能完整的参照对象，可以通过计算目标图像与初始图像中特征点重合的数量的方式在初始图像集中选择关联图像，具体实现如下：
在所述候选图像中，确定与所述参照特征点具有特征点重合关系的目标候选图像，并在所述目标候选图像中确定重合特征点数量；在所述重合特征点数量大于预设数量阈值的情况下，将所述目标候选图像作为与所述目标图像中参照对象关联的关联图像。
基于此，在候选图像中，确定与参照特征点具有特征点重合关系的候选图像作为目标候选图像。在目标候选图像中确定与目标图像中参照对象的参照特征点重合的特征点的重合特征点数量。判断重合特征点数量是否大于预设数量阈值，在重合特征点数量大于预设数量阈值的情况下，表示候选图像包含的参照对象和目标图像包含的参照对象之间相似度较高，将目标候选图像作为与目标图像中参照对象关联的关联图像。
举例说明，在通过图像采集设备采集A学校北门安装的拍摄设备这一目标对象，以及拍摄设备的拍摄区域关联的初始图像时，初始图像中可能包含A学校的教学楼这一建筑物，也可能不包含。在初始图像集中选择包含A学校的教学楼这一建筑物的候选图像后，确定候选图像中的全部特征点，并确定目标图像中A学校的教学楼这一建筑物的全部特征点。将目标图像分别与候选图像进行比对，在目标图像中A学校的教学楼这一建筑物的特征点与候选图像中的特征点有重合时，确定特征点重合数量，在重合数量大于预设数量阈值的情况下，将候选图像作为关联图像。
综上所述，通过计算目标图像与初始图像中特征点重合的数量的方式在初始图像集中选择关联图像，从而在候选图像中选择与目标图像相似度较高的关联图像，进而提高目标对象的位置信息确定的准确性。
步骤S208：根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象的当前位置的位置信息。
具体的，在上述根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标之后，即可根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息，其中，位置信息包括目标对象的经纬度坐标，以及目标对象的相机参数，相机参数可以是目标对象的全量相机参数，包括但不限于焦距、偏航角(Yaw)，横滚角(Roll)，俯仰角(Pitch)等参数。
基于此，在根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标后，根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的经纬度坐标和全量相机参数，并将当前位置的经纬度坐标和全量相机参数作为目标对象的当前位置的位置信息。
进一步的，考虑到目标图像以及各关联图像均与参照对象关联，且目标图像对应初始坐标，各关联图像均对应采集坐标，因此可以确定任意两个图像之间的相对位置信息，进而根据相对位置信息确定目标对象的当前位置的位置信息，具体实现如下：
所述关联图像为至少两个；相应地，所述根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象的当前位置的位置信息，包括：根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象分别与各关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息；根据所述目标对象分别与各关联图像的目标位置信息，以及所述任意两个关联图像之间的关联位置信息，确定所述目标对象的当前位置的位置信息。
具体的，目标位置信息是指根据目标对象的初始坐标，以及关联图像的采集坐标确定的目标图像和关联图像之间的位置关系信息；相应的，关联位置信息是指根据关联图像的采集坐标，确定的关联图像之间的位置关系信息。
基于此，在关联图像为至少两个的情况下，根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象分别与各关联图像的目标位置信息，以及根据关联图像的采集坐标，确定任意两个关联图像之间的关联位置信息。根据目标对象分别与各关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息，确定目标对象的当前位置的位置信息。
举例说明，根据目标对象的初始坐标，以及关联图像的采集坐标确定目标对象与关联图像之间，以及任意两个关联图像之间的空间位置关系，进而基于空间位置关系和世界坐标系计算目标对象的位置信息。从而对目标对象进行相机标定，即，为确定物体表面某点的三维几何位置与其在图像上对应点之间的相对变换关系，建立相机成像的几何模型，这些几何模型参数包含相机内参和相机外参。求解参数的过程即为相机标定。
综上所述，基于目标图像与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，确定目标对象的当前位置的位置信息，从而根据目标图像、关联图像的相对位置信息确定目标对象的当前位置的位置信息，提高位置信息的确定效率。
进一步的，考虑到目标图像以及关联图像均与参照对象关联，且目标图像中的参照特征点与关联图像中的特征点重合，因此可以确定目标图像和关联图像之间，以及任意两个关联图像之间的空间位置关系，进而构建图像坐标系，再将图像坐标系映射至世界坐标系，即可确定目标对象的当前位置的位置信息，具体实现如下：
根据所述当前位置、所述采集坐标、所述目标对象分别与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，构建图像坐标系；将所述图像坐标系映射至所述世界坐标系，并在所述世界坐标系中确定所述目标对象的当前位置的位置信息。
具体的，图像坐标系是指基于目标对象与关联图像之间的位置关系，以及任意两个关联图像之间的位置关系构建的坐标系。
基于此，根据当前位置、采集坐标、目标对象分别与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，构建图像坐标系，以坐标点的形式表示目标对象、以及关联图像。将图像坐标系映射至世界坐标系，并在世界坐标系中确定目标对象的当前位置的位置信息。
举例说明，图3是本说明书一个实施例提供的一种位置信息确定方法的坐标系示意图，如图3所示，图3中(a)表示世界坐标系，图3中(b)表示图像坐标系。图像坐标系中 表示关联图像，■表示目标对象，还包括参照对象，基于关联图像的采集坐标，目标对象的当前位置，以及目标对象与关联图像之间的相对位置关系，任意两个关联图像之间的相对位置关系构建如图3中(b)所示的图像坐标系。将图像坐标系映射至世界坐标系，根据图像坐标系中各个关联图像之间，关联图像与目标对象之间的相对位置关系，以及各个关联图像的实际经纬度坐标计算目标对象的经纬度坐标以及相机内参和相机外参，将目标对象的经纬度坐标以及相机内参和相机外参作为目标对象的当前位置的位置信息。
综上所述，本说明书一个实施例通过确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对目标对象的初始坐标进行纠偏，进而提高纠偏效率。
下述结合附图4，以本说明书提供的位置信息确定方法在位置信息确定的应用为例，对所述位置信息确定方法进行进一步说明。其中，图4示出了本说明书一个实施例提供的一种位置信息确定方法的处理过程流程图。
随着信息技术的飞速创新与发展，城市大规模数字孪生***通过对物理世界的人、物、事等所有要素进行数字化处理，建立数字城市，实现城市全状态的实时化和可视化，推动城市规划、管理、运营的协同化和智能化，提升城市决策的高效性和准确性。其中，拍摄相机作为一种普遍和高效的视频图像采集设备，被广泛应用在交通领域。为了拍摄相机拍摄的图片中的二维的语义信息可以准确地投影到真实的三维空间中，建立图像空间与地理空间的关联，拍摄相机点位的经纬度坐标至关重要。当前城市的拍摄相机具有时间跨度大，分布范围广，硬件厂商多等问题，非常依赖人力对点位的经纬度坐标进行更新，这种方式耗费大量的人力资源，且存在更新不准确，更新效率低的问题，针对上述问题，本说明书一个实施例提供的一种位置信息确定方法，具体包括以下步骤：
步骤S402：确定目标对象在当前位置，获取的目标视频，将目标视频中包含参照对象的图像帧，作为目标图像。
目标对象可以是相机、摄像头等具有图像采集功能的拍摄设备。在进行拍摄设备的点位标定，即，确定拍摄设备安装位置的经纬度坐标，以及拍摄设备的相机内外参时，可以通过自动标定的方式实现，进而降低人工标定的人力成本，实现自动、高效、轻量化的点位标定，在拍摄设备的安装记录中，存储的位置信息不准确，或未进行存储时，还可以实现点位位置信息的纠偏或计算。
具体实施时，获取拍摄设备拍摄的一张包含参照对象的图像作为目标图像，其中，目标图像可以是拍摄设备直接拍摄的一张图像，也可以是在拍摄设备拍摄的视频中，截取图像帧作为目标图像。
步骤S404：预设坐标算法包括预设坐标点算法以及预设区域算法，根据目标对象的安装位置以及预设坐标点算法，确定目标对象在世界坐标系中的初始坐标。
步骤S406：根据初始坐标以及预设区域算法，确定目标对象在世界坐标系中的关联区域。
通过兴趣点关联算法搜索拍摄设备的点位的大致经纬度坐标即，初始坐标，以及拍摄设备所辖范围即，关联区域。兴趣点关联算法一般参考AoI(兴趣区域)算法和PoI(兴趣点)算法。AoI算法提供与拍摄设备的点位名称关联度较高的K1个地标的经纬度坐标，K1一般为3-5个，进而在世界坐标系中确定拍摄设备的所辖区域。PoI算法提供拍摄设备的点位的大致经纬度坐标。
步骤S408：获取以初始坐标为起点、在关联区域内确定的初始图像集。
同过图像采集确定与关联区域相关的所有街景图像，组成初始图像集，或者获取互联网公开的街景图像，组成初始图像集。将初始图像集作为拍摄设备点位的关联街景图像集。
步骤S410：确定初始图像集中初始图像的初始特征向量，以及确定目标图像的目标特征向量。
步骤S412：将初始图像的初始特征向量，与目标图像的目标特征向量进行比对，根据比对结果在初始图像中确定候选图像。
构建关联街景图像集中每张关联街景图像的全局描述子特征，以及构建目标图像的全局描述子特征。对关联街景图像和目标图像进行全局描述子向量间的比较，以两个全局描述子向量间的相似度为依据，在关联街景图像集中选择与目标图像较为接近的至少两个图像作为候选图像。实际应用中，候选图像可以选择500-1500张。具体实施时，对目标图像和关联街景图像生成一个尺寸为1×4096维的全局特征向量，一般通过特征向量间的L2距离，即，直线距离，为依据在关联街景图像集中选择与目标图像最接近的K2个街景图片(K2可以为500-1500)，作为目标图像的候选图像，组成候选图像集。在确定图像的全局描述子特征时，一般采用VLAD(Vector of locally aggregated descriptors)等相关全局描述子算法。
步骤S414：在候选图像中，确定与参照特征点具有特征点重合关系的目标候选图像，并在目标候选图像中确定重合特征点数量。
步骤S416：在重合特征点数量大于预设数量阈值的情况下，将目标候选图像作为与目标图像中参照对象关联的关联图像。
对候选图像集，进一步通过精细的图像匹配确认其是否与目标图像之间具有相关重叠区域。可以通过基于CNN和Transformer构建的图像特征提取和匹配网络，实现特征提取与匹配。特征提取网络的主干一般为VGG16或类FCN的全卷积网络，通过两个分支生成特征点和特征向量。特征匹配网络的主干一般为Transformer，通过对图像进行划分，并构建特征分数矩阵来表示不同图像特征点的几何匹配关系。特征提取网络参考SuperPoint算法构建网络模型，也可以使用SIFT特征，ORB特征等传统特征或其他深度学习的图像特征提取算法。
此外，为了提升低纹理区域的匹配结果，加入了检测匹配一体化分支和多尺度分支。检测匹配一体化分支能够构建特征匹配结果，提升图像中特征点数量；多尺度分支加入了多尺度特征分析的算法，联合不同尺度下的匹配结果进行综合分析，提升了弱纹理区域的匹配能力和抗干扰性。
具体实施时，对目标图像和其对应的K2张候选图像，通过特征提取算法生成一个尺寸为2048×256维的局部特征点向量，并通过特征匹配算法对全局特征向量进行匹配。结合随机抽样一致性算法(RANSAC)和单应变换模型对误匹配进行剔除，得到匹配结果M×2维的局部特征点匹配结果。认为匹配特征点数量大于预设数量阈值的候选图像为匹配成功，作为目标图像的关联图像。
步骤S418：根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象分别与各关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息。
步骤S420：根据当前位置、采集坐标、目标对象分别与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，构建图像坐标系。
步骤S422：将图像坐标系映射至世界坐标系，并在世界坐标系中确定目标对象的当前位置的位置信息。
对目标图像和关联图像利用图像特征点匹配关系和经纬度坐标进行位置的联合优化和全量参数的估计。可以通过特征提取和匹配算法计算任意两个图像之间的局部特征以及几何匹配关系，构建2D-3D匹配的约束来优化整体几何结构，从而得到相对坐标系下的拍摄设备位置与姿态。为了得到世界坐标系下的精细定位坐标，利用关联图像的经纬度坐标，将相对坐标系对齐到世界坐标系，得到拍摄设备的点位的精确的经纬度坐标，同时也能够得到拍摄设备的相机全量参数。可以通过最近邻算法或K-means算法通过街景的经纬度坐标进行简单的点位坐标估计，得到拍摄设备的精确经纬度坐标。
综上所述，充分利用拍摄设备拍摄的目标图像，引入空间兴趣面算法和大规模街景数据作为支持，对目标图像与街景图像进行异源的特征匹配，包括全局描述子粗筛匹配和局部特征点精筛匹配，筛选出候选图像，进而对目标图像和候选图像进行稀疏重建，得到点位的经纬度坐标和全量相机参数，完成点位定位与纠偏工作。其优势是自动、高效、轻量、抗干扰，且易与各类相机标定算法和感知应用算法相结合，构建端到端的相机三维分析链路。可以全自动地完成拍摄设备的精确定位，由于进行稀疏重建得到了相机位姿，还可以实现对拍摄设备的自动标定，大大缩短了拍摄设备手工标定的时间。
本说明书一个实施例通过确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对目标对象的初始坐标进行纠偏，进而提高纠偏效率。
与上述方法实施例相对应，本说明书还提供了位置信息确定装置实施例，图5示出了本说明书一个实施例提供的第一种位置信息确定装置的结构示意图。如图5所示，该装置包括：
目标图像获取模块502，被配置为确定目标对象在当前位置，获取的参照对象的目标图像；
信息确定模块504，被配置为根据所述目标对象的安装位置以及预设坐标算法，确定所述目标对象在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块506，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块508，被配置为根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象的当前位置的位置信息。
一个可选地实施例中，所述信息确定模块504，进一步被配置为：
所述预设坐标算法包括预设坐标点算法以及预设区域算法；根据所述目标对象的安装位置以及所述预设坐标点算法，确定所述目标对象在所述世界坐标系中的初始坐标；根据所述初始坐标以及所述预设区域算法，确定所述目标对象在所述世界坐标系中的关联区域。
一个可选地实施例中，所述关联图像确定模块506，进一步被配置为：
获取以所述初始坐标为起点、在所述关联区域内确定的初始图像集；在所述初始图像集中选择与所述目标图像中参照对象关联的关联图像，并确定所述关联图像的采集坐标。
一个可选地实施例中，所述关联图像确定模块506，进一步被配置为：
确定所述初始图像集中初始图像的初始特征向量，以及确定所述目标图像的目标特征向量；将所述初始图像的初始特征向量，与所述目标图像的目标特征向量进行比对，根据比对结果，选择与所述目标图像中参照对象关联的关联图像。
一个可选地实施例中，所述关联图像确定模块506，进一步被配置为：
根据比对结果在所述初始图像中确定候选图像；确定所述候选图像中的候选特征点，以及所述目标图像中所述参照对象的参照特征点；将与所述参照特征点具有特征点重合关系的候选图像,作为与所述目标图像中参照对象关联的关联图像。
一个可选地实施例中，所述关联图像确定模块506，还被配置为：
在所述候选图像中，确定与所述参照特征点具有特征点重合关系的目标候选图像，并在所述目标候选图像中确定重合特征点数量；在所述重合特征点数量大于预设数量阈值的情况下，将所述目标候选图像作为与所述目标图像中参照对象关联的关联图像。
一个可选地实施例中，所述位置信息确定模块508，进一步被配置为：
所述关联图像为至少两个；根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象分别与各关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息；根据所述目标对象分别与各关联图像的目标位置信息，以及所述任意两个关联图像之间的关联位置信息，确定所述目标对象的当前位置的位置信息。
一个可选地实施例中，所述位置信息确定模块508，进一步被配置为：
根据所述当前位置、所述采集坐标、所述目标对象分别与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，构建图像坐标系；将所述图像坐标系映射至所述世界坐标系，并在所述世界坐标系中确定所述目标对象的当前位置的位置信息。
一个可选地实施例中，所述目标图像获取模块502，进一步被配置为：
确定目标对象在当前位置，获取的目标视频；将所述目标视频中包含参照对象的图像帧，作为目标图像。
综上所述，本说明书一个实施例通过确定目标对象在当前位置，获取的参照对象的目标图像；根据目标对象的安装位置以及预设坐标算法，确定目标对象在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据目标对象的初始坐标、关联图像的采集坐标，确定目标对象的当前位置的位置信息。实现了基于目标对象在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定目标对象的当前位置的位置信息，实现对目标对象的定位，从而无需人工参与，提高目标对象的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对目标对象的初始坐标进行纠偏，进而提高纠偏效率。
上述为本实施例的一种位置信息确定装置的示意性方案。需要说明的是，该位置信息确定装置的技术方案与上述的位置信息确定方法的技术方案属于同一构思，位置信息确定装置的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
参见图6，图6示出了根据本说明书一个实施例提供的第二种位置信息确定方法的流程图，具体包括以下步骤。
步骤S602：确定拍摄装置在当前位置，获取的参照对象的目标图像；
步骤S604：根据所述拍摄装置的安装位置以及预设坐标算法，确定所述拍摄装置在世界坐标系中的初始坐标以及关联区域；
步骤S606：根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
步骤S608：根据所述拍摄装置的初始坐标、所述关联图像的采集坐标，确定所述拍摄装置的当前位置的位置信息。
实际应用中，确定实际街道中安装的拍摄设备，通过拍摄设备在当前位置采集包含参照对象的目标图像。根据拍摄设备的安装位置确定拍摄设备的安装地址，基于安装地址以及预设坐标算法，确定拍摄设备在世界坐标系中的初始坐标，以及拍摄设备的拍摄区域。根据拍摄设备的初始坐标以及拍摄区域，确定与拍摄设备的初始坐标以及拍摄区域关联的初始图像，组成初始图像集合。在初始图像集合中确定与目标图像中参照对象关联的关联图像，并将采集关联图像的图像采集设备的坐标作为关联图像的采集坐标。根据拍摄设备的初始坐标、关联图像的采集坐标，确定拍摄设备的当前位置的位置信息，位置信息包括拍摄设备的经纬度坐标，以及拍摄设备的相机内参和相机外参。
综上所述，本说明书一个实施例通过确定拍摄装置在当前位置，获取的参照对象的目标图像；根据拍摄装置的安装位置以及预设坐标算法，确定拍摄装置在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据拍摄装置的初始坐标、关联图像的采集坐标，确定拍摄装置的当前位置的位置信息。实现了基于拍摄装置在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定拍摄装置的当前位置的位置信息，实现对拍摄装置的定位，从而无需人工参与，提高拍摄装置的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对拍摄装置的初始坐标进行纠偏，进而提高纠偏效率。
与上述方法实施例相对应，本说明书还提供了位置信息确定装置实施例，图7示出了本说明书一个实施例提供的第二种位置信息确定装置的结构示意图。如图7所示，该装置包括：
目标图像获取模块702，被配置为确定拍摄装置在当前位置，获取的参照对象的目标图像；
信息确定模块704，被配置为根据所述拍摄装置的安装位置以及预设坐标算法，确定所述拍摄装置在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块706，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块708，被配置为根据所述拍摄装置的初始坐标、所述关联图像的采集坐标，确定所述拍摄装置的当前位置的位置信息。
综上所述，本说明书一个实施例通过确定拍摄装置在当前位置，获取的参照对象的目标图像；根据拍摄装置的安装位置以及预设坐标算法，确定拍摄装置在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据拍摄装置的初始坐标、关联图像的采集坐标，确定拍摄装置的当前位置的位置信息。实现了基于拍摄装置在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定拍摄装置的当前位置的位置信息，实现对拍摄装置的定位，从而无需人工参与，提高拍摄装置的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对拍摄装置的初始坐标进行纠偏，进而提高纠偏效率。
上述为本实施例的第二种位置信息确定装置的示意性方案。需要说明的是，该位置信息确定装置的技术方案与上述的位置信息确定方法的技术方案属于同一构思，位置信息确定装置的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
参见图8，图8示出了根据本说明书一个实施例提供的第三种位置信息确定方法的流程图，第三种位置信息确定方法，应用于城市管理平台，具体包括以下步骤。
步骤S802：确定图像采集设备在当前位置，获取的参照对象的目标图像；
步骤S804：根据所述图像采集设备的安装位置以及预设坐标算法，确定所述图像采集设备在世界坐标系中的初始坐标以及关联区域；
步骤S806：根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
步骤S808：根据所述图像采集设备的初始坐标、所述关联图像的采集坐标，确定所述图像采集设备的当前位置的位置信息。
实际应用中，确定实际街道中安装的拍摄设备，通过拍摄设备在当前位置采集包含参照对象的目标图像。根据拍摄设备的安装位置确定拍摄设备的安装地址，基于安装地址以及预设坐标算法，确定拍摄设备在世界坐标系中的初始坐标，以及拍摄设备的拍摄区域。根据拍摄设备的初始坐标以及拍摄区域，确定与拍摄设备的初始坐标以及拍摄区域关联的初始图像，组成初始图像集合。在初始图像集合中确定与目标图像中参照对象关联的关联图像，并将采集关联图像的图像采集设备的坐标作为关联图像的采集坐标。根据拍摄设备的初始坐标、关联图像的采集坐标，确定拍摄设备的当前位置的位置信息，位置信息包括拍摄设备的经纬度坐标，以及拍摄设备的相机内参和相机外参。
在城市管理场景下，城市管理平台可以对城市环境中安装的图像采集设备进行管理。目标对象可以是任意位置安装的图像采集设备。通过图像采集设备确定城市街景中出现异常事件的情况下，若记录的图像采集设备的点位坐标不准确，那么无法快速到达事件发生的地点。通过对图像采集设备进行位置信息纠偏，能够获取图像采集设备准确的点位位置坐标，在发生异常事件时，即可基于点位位置坐标快速对异常事件的发生地点进行准确的定位，以便于事件处理人员快速到达现场处理。其中，目标图像可以为任意包含参照对象的图像，参照对象可以是建筑物、道路布局结构等元素。在目标对象为任意包含参照对象的图像时，可以通过目标对象确定采集目标对象的图像采集位置。
在目标对象为任意包含参照对象的图像时，可以通过目标对象确定采集目标对象的图像采集位置。确定目标对象的位置信息后，由城市管理平台对目标对象的位置信息进行更新，实现对目标对象的位置信息的实时更新和维护，从而在通过目标对象确定事故发生时，能够基于城市管理平台中记录的目标对象的位置信息对事故位置进行准确的定位，从而便于事故处理人员能够快速达到事故现场。
综上所述，本说明书一个实施例通过确定拍摄装置在当前位置，获取的参照对象的目标图像；根据拍摄装置的安装位置以及预设坐标算法，确定拍摄装置在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据拍摄装置的初始坐标、关联图像的采集坐标，确定拍摄装置的当前位置的位置信息。实现了基于拍摄装置在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定拍摄装置的当前位置的位置信息，实现对拍摄装置的定位，从而无需人工参与，提高拍摄装置的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对拍摄装置的初始坐标进行纠偏，进而提高纠偏效率。
与上述方法实施例相对应，本说明书还提供了位置信息确定装置实施例，图9示出了本说明书一个实施例提供的第三种位置信息确定装置的结构示意图。第三种位置信息确定装置，应用于城市管理平台，如图9所示，该装置包括：
目标图像获取模块902，被配置为确定图像采集设备在当前位置，获取的参照对象的目标图像；
信息确定模块904，被配置为根据所述图像采集设备的安装位置以及预设坐标算法，确定所述图像采集设备在世界坐标系中的初始坐标以及关联区域；
关联图像确定模块906，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标；
位置信息确定模块908，被配置为根据所述图像采集设备的初始坐标、所述关联图像的采集坐标，确定所述图像采集设备的当前位置的位置信息。
综上所述，本说明书一个实施例通过确定拍摄装置在当前位置，获取的参照对象的目标图像；根据拍摄装置的安装位置以及预设坐标算法，确定拍摄装置在世界坐标系中的初始坐标以及关联区域；根据初始坐标以及关联区域，确定与目标图像中参照对象关联的关联图像，以及关联图像的采集坐标；根据拍摄装置的初始坐标、关联图像的采集坐标，确定拍摄装置的当前位置的位置信息。实现了基于拍摄装置在当前位置获取的包含参照对象的目标图像，以及关联参照对象的关联图像确定拍摄装置的当前位置的位置信息，实现对拍摄装置的定位，从而无需人工参与，提高拍摄装置的当前位置的位置信息确定的准确性和效率；还可以根据位置信息对拍摄装置的初始坐标进行纠偏，进而提高纠偏效率。
上述为本实施例的第三种位置信息确定装置的示意性方案。需要说明的是，该位置信息确定装置的技术方案与上述的位置信息确定方法的技术方案属于同一构思，位置信息确定装置的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
图10示出了根据本说明书一个实施例提供的一种计算设备1000的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接，数据库1050用于保存数据。
计算设备1000还包括接入设备1040，接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN，Public SwitchedTelephone Network)、局域网(LAN，Local Area Network)、广域网(WAN，Wide AreaNetwork)、个域网(PAN，Personal Area Network)或诸如因特网的通信网络的组合。接入设备1040可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC，networkinterface controller))中的一个或多个，诸如IEEE802.11无线局域网(WLAN，WirelessLocal Area Network)无线接口、全球微波互联接入(Wi-MAX，WorldwideInteroperability for Microwave Access)接口、以太网接口、通用串行总线(USB，Universal Serial Bus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC，Near FieldCommunication)。
在本说明书的一个实施例中，计算设备1000的上述部件以及图10中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图10所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备1000可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或个人计算机(PC，Personal Computer)的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。
其中，处理器1020用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述位置信息确定方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的位置信息确定方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述位置信息确定方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的位置信息确定方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述位置信息确定方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的位置信息确定方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述位置信息确定方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据专利实践的要求进行适当的增减，例如在某些地区，根据专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (13)
1.一种位置信息确定方法，包括：
确定目标对象在当前位置，获取的参照对象的目标图像；
根据所述目标对象的安装位置以及预设坐标点算法，确定所述目标对象在世界坐标系中的初始坐标；
根据所述初始坐标以及预设区域算法，确定所述目标对象在所述世界坐标系中的关联区域，其中，所述关联区域为所述目标对象的拍摄区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标，其中，所述关联图像为包含所述参照对象的图像，所述采集坐标为采集所述关联图像的图像采集设备的坐标；
根据所述目标对象的初始坐标、所述关联图像的采集坐标确定任意两个图像之间的相对位置信息，并基于所述相对位置信息确定所述目标对象的当前位置的位置信息。
2.根据权利要求1所述的方法，所述根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标，包括：
获取以所述初始坐标为起点、在所述关联区域内确定的初始图像集；
在所述初始图像集中选择与所述目标图像中参照对象关联的关联图像，并确定所述关联图像的采集坐标。
3.根据权利要求2所述的方法，所述在所述初始图像集中选择与所述目标图像中参照对象关联的关联图像，包括：
确定所述初始图像集中初始图像的初始特征向量，以及确定所述目标图像的目标特征向量；
将所述初始图像的初始特征向量，与所述目标图像的目标特征向量进行比对，根据比对结果，选择与所述目标图像中参照对象关联的关联图像。
4.根据权利要求3所述的方法，所述根据比对结果，选择与所述目标图像中参照对象关联的关联图像，包括：
根据比对结果在所述初始图像中确定候选图像；
确定所述候选图像中的候选特征点，以及所述目标图像中所述参照对象的参照特征点；
将与所述参照特征点具有特征点重合关系的候选图像,作为与所述目标图像中参照对象关联的关联图像。
5.根据权利要求4所述的方法，所述确定所述候选图像中的候选特征点，以及所述目标图像中所述参照对象的参照特征点之后，还包括：
在所述候选图像中，确定与所述参照特征点具有特征点重合关系的目标候选图像，并在所述目标候选图像中确定重合特征点数量；
在所述重合特征点数量大于预设数量阈值的情况下，将所述目标候选图像作为与所述目标图像中参照对象关联的关联图像。
6.根据权利要求1所述的方法，所述关联图像为至少两个；
相应地，所述根据所述目标对象的初始坐标、所述关联图像的采集坐标确定任意两个图像之间的相对位置信息，并基于所述相对位置信息确定所述目标对象的当前位置的位置信息，包括：
根据所述目标对象的初始坐标、所述关联图像的采集坐标，确定所述目标对象分别与各关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息；
根据所述目标对象分别与各关联图像的目标位置信息，以及所述任意两个关联图像之间的关联位置信息，确定所述目标对象的当前位置的位置信息。
7.根据权利要求6所述的方法，所述根据所述目标对象分别与每个关联图像的目标位置信息，以及任意两个关联图像之间的关联位置信息，确定所述目标对象的当前位置的位置信息，包括：
根据所述当前位置、所述采集坐标、所述目标对象分别与各关联图像之间的目标位置信息，以及任意两个关联图像之间的关联位置信息，构建图像坐标系；
将所述图像坐标系映射至所述世界坐标系，并在所述世界坐标系中确定所述目标对象的当前位置的位置信息。
8.根据权利要求1所述的方法，所述确定目标对象在当前位置，获取的参照对象的目标图像，包括：
确定目标对象在当前位置，获取的目标视频；
将所述目标视频中包含参照对象的图像帧，作为目标图像。
9.一种位置信息确定方法，包括：
确定拍摄装置在当前位置，获取的参照对象的目标图像；
根据所述拍摄装置的安装位置以及预设坐标点算法，确定所述拍摄装置在世界坐标系中的初始坐标；
根据所述初始坐标以及预设区域算法，确定所述拍摄装置在所述世界坐标系中的关联区域，其中，所述关联区域为所述拍摄装置的拍摄区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标，其中，所述关联图像为通过所述拍摄装置采集的包含所述参照对象的图像，所述采集坐标为所述拍摄装置的坐标；
根据所述拍摄装置的初始坐标、所述关联图像的采集坐标确定任意两个图像之间的相对位置信息，并基于所述相对位置信息确定所述拍摄装置的当前位置的位置信息。
10.一种位置信息确定方法，应用于城市管理平台，包括：
确定图像采集设备在当前位置，获取的参照对象的目标图像；
根据所述图像采集设备的安装位置以及预设坐标点算法，确定所述图像采集设备在世界坐标系中的初始坐标；
根据所述初始坐标以及预设区域算法，确定所述图像采集设备在所述世界坐标系中的关联区域，其中，所述关联区域为所述图像采集设备的拍摄区域；
根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标，其中，所述关联图像为包含所述参照对象的图像，所述采集坐标为采集所述关联图像的图像采集设备的坐标；
根据所述图像采集设备的初始坐标、所述关联图像的采集坐标确定任意两个图像之间的相对位置信息，并基于所述相对位置信息确定所述图像采集设备的当前位置的位置信息。
11.一种位置信息确定装置，包括：
目标图像获取模块，被配置为确定目标对象在当前位置，获取的参照对象的目标图像；
信息确定模块，被配置为根据所述目标对象的安装位置以及预设坐标点算法，确定所述目标对象在世界坐标系中的初始坐标；根据所述初始坐标以及预设区域算法，确定所述目标对象在所述世界坐标系中的关联区域，其中，所述关联区域为所述目标对象的拍摄区域；
关联图像确定模块，被配置为根据所述初始坐标以及所述关联区域，确定与所述目标图像中参照对象关联的关联图像，以及所述关联图像的采集坐标，其中，所述关联图像为包含所述参照对象的图像，所述采集坐标为采集所述关联图像的图像采集设备的坐标；
位置信息确定模块，被配置为根据所述目标对象的初始坐标、所述关联图像的采集坐标确定任意两个图像之间的相对位置信息，并基于所述相对位置信息确定所述目标对象的当前位置的位置信息。
12.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述位置信息确定方法的步骤。
13.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述位置信息确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559838.3A CN116758150B (zh) | 2023-05-15 | 2023-05-15 | 位置信息确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310559838.3A CN116758150B (zh) | 2023-05-15 | 2023-05-15 | 位置信息确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116758150A CN116758150A (zh) | 2023-09-15 |
| CN116758150B true CN116758150B (zh) | 2024-04-30 |
Family
ID=87946821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310559838.3A Active CN116758150B (zh) | 2023-05-15 | 2023-05-15 | 位置信息确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758150B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960453A (zh) * | 2017-03-22 | 2017-07-18 | 海南职业技术学院 | 照片拍摄方位定位方法及装置 |
| CN108965687A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 拍摄方向识别方法、服务器及监控方法、***及摄像设备 |
| CN110517325A (zh) * | 2019-08-29 | 2019-11-29 | 的卢技术有限公司 | 一种坐标变换及坐标变换的车身周围物体定位方法和*** |
| CN113409405A (zh) * | 2021-07-19 | 2021-09-17 | 北京百度网讯科技有限公司 | 评估相机标定位置的方法、装置、设备和存储介质 |
| EP3922005A1 (de) * | 2020-01-22 | 2021-12-15 | Audi AG | Verfahren zum erzeugen von reproduzierbaren perspektiven von fotografien eines objekts sowie mobiles gerät mit integrierter kamera |
| CN114119389A (zh) * | 2021-10-18 | 2022-03-01 | 中国人民解放军陆军炮兵防空兵学院 | 一种图像复原方法、***和存储模块 |
| CN115222819A (zh) * | 2022-06-30 | 2022-10-21 | 北京航空航天大学 | 一种基于机场大范围场景下多模信息参照的相机自标定和目标追踪方法 |
| CN115965694A (zh) * | 2022-12-13 | 2023-04-14 | 宁德卓宁科技有限公司 | 一种双相机的定位方法 |
| CN116012428A (zh) * | 2022-12-23 | 2023-04-25 | 北京信息科技大学 | 一种雷视联合定位方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2022012562A (es) * | 2020-04-07 | 2022-11-07 | Huawei Tech Co Ltd | Metodo y sistema de posicionamiento, y aparato. |
-
2023
- 2023-05-15 CN CN202310559838.3A patent/CN116758150B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960453A (zh) * | 2017-03-22 | 2017-07-18 | 海南职业技术学院 | 照片拍摄方位定位方法及装置 |
| CN108965687A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 拍摄方向识别方法、服务器及监控方法、***及摄像设备 |
| CN110517325A (zh) * | 2019-08-29 | 2019-11-29 | 的卢技术有限公司 | 一种坐标变换及坐标变换的车身周围物体定位方法和*** |
| EP3922005A1 (de) * | 2020-01-22 | 2021-12-15 | Audi AG | Verfahren zum erzeugen von reproduzierbaren perspektiven von fotografien eines objekts sowie mobiles gerät mit integrierter kamera |
| CN113409405A (zh) * | 2021-07-19 | 2021-09-17 | 北京百度网讯科技有限公司 | 评估相机标定位置的方法、装置、设备和存储介质 |
| CN114119389A (zh) * | 2021-10-18 | 2022-03-01 | 中国人民解放军陆军炮兵防空兵学院 | 一种图像复原方法、***和存储模块 |
| CN115222819A (zh) * | 2022-06-30 | 2022-10-21 | 北京航空航天大学 | 一种基于机场大范围场景下多模信息参照的相机自标定和目标追踪方法 |
| CN115965694A (zh) * | 2022-12-13 | 2023-04-14 | 宁德卓宁科技有限公司 | 一种双相机的定位方法 |
| CN116012428A (zh) * | 2022-12-23 | 2023-04-25 | 北京信息科技大学 | 一种雷视联合定位方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Jidong Liu等.Non-scanning measurement of position and attitude using two linear cameras.《Optics and Lasers in Engineering》.2019,第112卷第46-52页. * |
| Mai Bui等.Scene Coordinate and Correspondence Learning for Image-Based Localization.《arXiv - Computer Vision and Pattern Recognition》.2018,第1-8页. * |
| 王伟等.跨相机交通场景下的车辆空间定位方法.《计算机辅助设计与图形学学报》.2021,第33卷(第6期),第873-882页. * |
| 鲁亚楠等.一种无公共视场相机位置关系的求解方法.《应用光学》.2017,第38卷(第3期),第400-405页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116758150A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11094123B2 (en) | Visual localisation | |
| US20200401617A1 (en) | Visual positioning system | |
| CN109520500B (zh) | 一种基于终端拍摄图像匹配的精确定位及街景库采集方法 | |
| Chen et al. | City-scale landmark identification on mobile devices | |
| US10043097B2 (en) | Image abstraction system | |
| CN109598794B (zh) | 三维gis动态模型的构建方法 | |
| CN111652934A (zh) | 定位方法及地图构建方法、装置、设备、存储介质 | |
| CN111028358B (zh) | 室内环境的增强现实显示方法、装置及终端设备 | |
| KR102200299B1 (ko) | 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법 | |
| CN109596121B (zh) | 一种机动站自动目标检测与空间定位方法 | |
| CN102959946A (zh) | 基于相关3d点云数据来扩充图像数据的技术 | |
| US20170039450A1 (en) | Identifying Entities to be Investigated Using Storefront Recognition | |
| Son et al. | A multi-vision sensor-based fast localization system with image matching for challenging outdoor environments | |
| CN113920263A (zh) | 地图构建方法、装置、设备及存储介质 | |
| CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
| CN116485856A (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
| CN114743139A (zh) | 视频场景检索方法、装置、电子设备及可读存储介质 | |
| Park et al. | Estimating the camera direction of a geotagged image using reference images | |
| CN116758150B (zh) | 位置信息确定方法及装置 | |
| CN116823966A (zh) | 相机的内参标定方法、装置、计算机设备和存储介质 | |
| CN113673288A (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
| CN112818837B (zh) | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 | |
| KR20220062709A (ko) | 모바일 디바이스 영상에 기반한 공간 정보 클러스터링에 의한 재난 상황 인지 시스템 및 방법 | |
| Bal et al. | Image‐based locating and guiding for unmanned aerial vehicles using scale invariant feature transform, speeded‐up robust features, and oriented fast and rotated brief algorithms | |
| KR102249380B1 (ko) | 기준 영상 정보를 이용한 cctv 장치의 공간 정보 생성 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |