CN111194015A - 基于建筑物的室外定位方法、装置及移动设备 - Google Patents

基于建筑物的室外定位方法、装置及移动设备 Download PDF

Info

Publication number
CN111194015A
CN111194015A CN201911348363.3A CN201911348363A CN111194015A CN 111194015 A CN111194015 A CN 111194015A CN 201911348363 A CN201911348363 A CN 201911348363A CN 111194015 A CN111194015 A CN 111194015A
Authority
CN
China
Prior art keywords
feature vector
building
contour
image
line
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.)
Pending
Application number
CN201911348363.3A
Other languages
English (en)
Inventor
崔倚瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201911348363.3A priority Critical patent/CN111194015A/zh
Publication of CN111194015A publication Critical patent/CN111194015A/zh
Priority to PCT/CN2020/125210 priority patent/WO2021129142A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请属于人工智能领域，实现了用计算机视觉的方法辅助室外定位。该申请针对移动设备在建筑物密集区域存在定位误差的问题，提出基于建筑物轮廓线的视觉特征定位移动设备的方法。具体来说，先提出一种建筑物结构线提取和修复方法；再提出一种用于表示建筑物结构线特征的描述子以解决传统描述子对光照和遮挡不鲁棒的问题；接着以该描述子为视觉指纹，提出了基于渲染三维模型的指纹地图构建算法，解决了构建指纹地图费时费力的问题；最后提出了一种多传感器协同的定位方法以提高定位效率。用户在使用时，只需要对任意建筑物拍照，移动设备将提取该建筑物的结构线并计算结构线的视觉特征，通过与指纹地图匹配并结合多传感器求解出用户的精确位置。

Description

基于建筑物的室外定位方法、装置及移动设备
技术领域
本申请属于人工智能(Artificial Intelligence，AI)领域，具体和室外定位领域相关，尤其涉及基于建筑物的室外定位方法、装置、移动设备及计算机可读存储介质信息。
背景技术
在一个城市的建筑物密集区域，如城市的CBD中，GPS信号经过建筑物的多次反弹会造成多径效应(Multipath Effect)，该效应导致手机等移动设备存在很大的定位误差，相关研究表明该误差在60米到300米之间。对于手机用户来说，在市中心用手机定位是一个频繁使用的操作，而较大的定位误差则会严重影响使用体验，为用户出行造成不便。
发明内容
本申请实施例提供了基于建筑物的室外定位方法、装置、移动设备及计算机可读存储介质信息，可以提高移动设备室外定位的精准度。
第一方面，本申请实施例提供了一种基于建筑物的室外定位方法，包括：
在第一方面的第一种可能的实现方式中，获取包含第一建筑物的第一图像；
基于所述第一图像提取所述第一建筑物的第一轮廓
对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
示例性的，所述第一图像为用户通过移动设备对其周围的任意建筑物进行拍摄得到的图像。
所述第一轮廓由至少两条第一结构线组成。
应理解，通过提取建筑物图像中的结构线得到相应的特征向量，将其与第二特征向量进行匹配，从而根据所匹配的第二特征向量确定用户的当前位置，使得能够在某一地区或城市的建筑物密集区域对用户的当前位置进行精确定位。
在第一方面的第二种可能的实现方式中，根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置包括：
通过定位传感器获取所述用户的定位信息；
以所述定位信息为中心，确定距离所述中心预定范围内的建筑物的候选集；
从特征向量数据库中获取与所述候选集对应的第二特征向量；
从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置。
应理解，通过缩小所要匹配的建筑物的范围，即根据用户的定位信息比如GPS定位信息确定用户所在区域内的建筑物的候选集，可以减少所要匹配的第二特征向量的数据量，大大提高了特征向量匹配的效率，相应地提高了定位效率。
在第一方面的第三种可能的实现方式中，所述从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置包括：
获取第一方向角α；
以所述第一方向角α为基准，查找在第二方向角α±β范围内的第二特征向量；
从查找到的所述第二方向角α±β范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置。
应理解，通过第一方向角α进一步缩小所要匹配的第二特征向量的数据量，对特征向量的匹配效率进行了再次提升，相应的，定位效率也提高了。
在第一方面的第四种可能的实现方式中，在所述从查找到的所述第二方向角范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置之前，还包括：
滤除所述第二方向角α±β范围内的无效第二特征向量。
应理解，通过滤除无效第二特征向量，可以进一步提高定位信息的精确度。
示例性的，所述预设融合条件为所述至少两条第一结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第一结构线之间的垂直距离小于第二数值，且斜率差小于第三数值
示例性的，所述基于所述第一图像提取所述第一建筑物的第一轮廓包括：
通过直线检测算法，从所述第一图像中提取所述第一建筑物的第一结构线，所述第一结构线组成所述第一建筑物的第一轮廓。
示例性的，所述对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由第二结构线组成的第二轮廓包括：
将满足预设融合条件的至少两条第一结构线融合连接成一条第二结构线。
应理解，将明显存在间断问题的结构线进行融合处理，使得其能够准确的反映建筑物的结构，相应地提高特征向量的提取准确率，进一步降低定位误差的累积率，从而达到获得精确的定位信息的目的。
在第一方面的第五种可能的实现方式中，在所述基于所述第二结构线，获取所述第二轮廓对应的第一特征向量之前，还包括：
对所述第二结构线进行归一化处理，以使得归一化处理后的所述第二结构线的线条宽度为固定像素个数。
应理解，通过将第二结构线的线条宽度为固定像素个数，可以进一步降低定位误差的累积率。
示例性的，所述基于所述第二结构线，获取所述第二轮廓对应的第一特征向量包括：获取基于不同方向的第二结构线所做出的第一响应图像；
使用方向梯度直方图HOG描述子对所述第一响应图进行特征描述，获得所述第二轮廓对应的第一特征向量。
应理解，使用HOG描述子对响应图像进行特征描述，可以减少光照以及遮挡物的影响，提高特征向量的准确率，从而降低定位误差的累积率，提高定位的精确度。
第二方面，本申请实施例提供了一种特征向量数据库的构建方法，包括：
在第二方面的第一种可能的实现方式中，获取目标建筑物的三维模型；
对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
应理解，每一组第二图像中包含至少两张图像，不同的三维模型渲染得到不同组数的第二图像。每一个三维模型渲染所得第二图像越多，对应的第二特征向量越多，使得所匹配的特征向量能够确定精确的位置信息，为用户提供精确的定位信息。
示例性的，所述对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓包括：
将满足预设融合条件的至少两条第三结构线融合连接成一条第四结构线。
在第二方面的第二种可能的实现方式中，在所述基于所述第四结构线，获取所述第四轮廓对应的第二特征向量之前，还包括：
对所述第四结构线进行归一化处理，以使得归一化处理后的所述第四结构线的线条宽度为固定像素个数。
示例性的，所述基于所述第四结构线，获取所述第四轮廓对应的第二特征向量包括：
获取基于不同方向的第四结构线所做出的第二响应图像。
使用HOG描述子对所述第二响应图进行特征描述，获得所述第四轮廓对应的第二特征向量。
示例性的，所述预设融合条件为所述至少两条第三结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第三结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
示例性的，所述基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库包括：
获取每一个所述第二图像对应的位置信息和第三方向角γ；
建立每一个所述第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，得到所述一组第二图像对应的映射关系；
基于所述一组第二图像对应的映射关系构建特征向量数据库。
第三方面，本申请实施例提供了一种基于建筑物的室外定位装置，包括：
第一图像获取单元，用于获取包含第一建筑物的第一图像，所述第一建筑物为用户当前所在位置附近的任意建筑物；
第一轮廓提取单元，用于基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
第一融合单元，用于对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
第一特征向量获取单元，用于基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
定位单元，用于根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
第四方面，本申请实施例提供了一种特征向量数据库的构建装置，包括：
三维模型获取单元，用于获取目标建筑物的三维模型；
第二图像获取单元，用于对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
第三轮廓提取单元，用于从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
第二融合单元，用于对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
第二特征向量获取单元，用于基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
特征向量数据库构建单元，用于基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
第五方面，本申请实施例提供了一种移动设备，包括：
第一图像获取单元，用于获取包含第一建筑物的第一图像，所述第一建筑物为用户当前所在位置附近的任意建筑物；
第一轮廓提取单元，用于基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
第一融合单元，用于对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
第一特征向量获取单元，用于基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
定位单元，用于根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
第六方面，本申请实施例提供了一种云服务器，包括：
三维模型获取单元，用于获取目标建筑物的三维模型；
第二图像获取单元，用于对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
第三轮廓提取单元，用于从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
第二融合单元，用于对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
第二特征向量获取单元，用于基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
特征向量数据库构建单元，用于基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
示例性的，所述特征向量数据库构建单元具体用于：
获取每一个所述第二图像对应的位置信息和第三方向角γ，建立每一个所述第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，得到所述一组第二图像对应的映射关系；
基于所述一组第二图像对应的映射关系构建特征向量数据库。
第七方面，本申请实施例提供了一种计算机可读存储介质，包括：
第一图像获取单元，用于获取包含第一建筑物的第一图像，所述第一建筑物为用户当前所在位置附近的任意建筑物；
第一轮廓提取单元，用于基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
第一融合单元，用于对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓，所述预设融合条件为所述至少两条第一结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第一结构线之间的垂直距离小于第二数值，且斜率差小于第三数值；
第一特征向量获取单元，用于基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
定位单元，用于根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
以及：
三维模型获取单元，用于获取目标建筑物的三维模型；
第二图像获取单元，用于对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
第三轮廓提取单元，用于从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
第二融合单元，用于对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
第二特征向量获取单元，用于基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
特征向量数据库构建单元，用于基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
第八方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动设备上运行时，使得移动设备执行上述第一方面中任一项所述的基于建筑物的室外定位方法。当计算机程序产品在云服务器上运行时，使得云服务器执行上述第二方面中任一项所述的特征向量数据库的构建方法
可以理解的是，上述第三方面至第八方面的有益效果可以参见上述第一方面和第二方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：通过获取包含建筑物的图像，并从该包含建筑物的图像中提取该建筑物对应的结构线，在对满足预设融合条件的结构线进行融合处理后，从进行融合处理后的得到的建筑物的轮廓中，提取该建筑物的轮廓对应的特征向量，根据与该特征向量相匹配的第二特征向量确定用户的位置，提高了用户在建筑物密集区域的定位精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种存在明显的间断问题的结构线的示意图；
图2是本申请实施例提供的一种满足预设融合条件的两条结构线的示意图；
图3是本申请实施例提供的一种对轮廓中不同方向的结构线做出响应得到的响应图像；
图4是本申请实施例一提供的一种基于建筑物的室外定位方法的具体实现流程图；
图5是本申请实施例一提供的一种特征向量数据库的示意图；
图6是本申请实施例一提供的一种查找与第一特征向量相匹配的第二特征向量的方法的具体实现流程图；
图7是本申请实施例一提供的一种在第二方向角α±β范围内查找与第一特征向量匹配的第二特征向量的示意图；
图8是本申请实施例二提供的一种特征向量数据库的构建方法的实现流程图；
图9是本申请实施例二提供的一种对三维模型进行等距离渲染，获得一组第二图像的示意图；
图10是本申请实施例三提供的一种定位交互示意图；
图11是本申请实施例三提供的一种建筑物的三维模型的示意图；
图12是本申请实施例三提供的一组三维模型的渲染图像的示意图；
图13是本申请实施例三提供的一组从不同角度、不同距离和不同光照下的定位结果的示意图；
图14是本申请实施例三提供的四组在不同光照条件下使用不同的定位方法的所得到平均误差的示意图
图15是本申请实施例四提供的一种基于建筑物的室外定位装置的结构示意图；
图16是本申请实施例五提供的一种特征向量数据库的构建装置的结构示意图；
图17是本申请实施例六提供的一种移动设备的结构示意图；
图18是本申请实施例七提供的一种云服务器的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的基于建筑物的室外定位方法可以应用于移动设备。该移动设备可以是任意具有图像采集、传感器数据采集等功能的设备，包括但不限于智能手机、智能家电、平板电脑、车载设备、可穿戴设备以及增强现实(Augmented Reality，AR)/虚拟现实设备(virtual reality，VR)等。本申请提供的基于建筑物的室外定位方法具体可以以应用程序或软件的形式存储于移动设备，移动设备通过执行该应用程序或软件，实现本申请提供的基于建筑物的室外定位方法。
在本申请实施中，建筑物中的线段可以反映其结构，可以通过直线检测算法比如霍夫直线检测算法、LSD(a Line Segment Detector)直线检测算法、FLD(Fast LineDetector)直线检测算法等,从包含建筑物的图像中检测该建筑物中的线段，根据检测结果提取出来线段即称为建筑物的结构线，所提取出来的线段构成了建筑物的轮廓，也即建筑物的轮廓由至少两条结构线组成。
然而，由于图像中轻微的梯度变化，导致被检测出并被提取的线段存在如图1所示的明显的间断问题(虚框选中部分)。对于建筑物来说，间断的线段并不能反映其结构，因此需要对建筑物的轮廓中被确认为存在明显的间断问题的结构线进行融合处理，以得到修复后的没有存在明显的间断问题的轮廓，比如将明显存在间断问题的两条结构线融合连接在一起。
本申请实施例通过将满足预设融合条件的至少两条结构线融合连接成一条结构线以修复明显存在间断问题的结构线，这里所指的预设融合条件为所述至少两条结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条结构线之间的垂直距离小于第二数值，且斜率差小于第三数值，比如，在明显存在间断问题的两条结构线之间，如果满足相邻的两个端点之间的距离小于第一数值比如5mm，相邻的两条结构线之间的垂直距离小于第二数值比如1mm或5个像素，相邻的两条结构线的斜率的差的绝对值小于第三数值中的至少一个，则将该相邻的两条结构线融合连接在一起形成一条结构线。也即本申请实施例将同时满足距离相近、端点相近，斜率相近的至少两条结构线融合连接成一条结构线。
需要说明的是，这里所指的垂直距离为以存在明显间断问题的相邻两条结构线中的任意一条结构线的端点为垂点，作与另外一条结构线的延长线相交的垂线，并以其中距离值最大的一条垂线的距离作为垂直距离。如图2所示，li和lj为端点相近、距离相近的两条结构线比如在建筑物的轮廓中存在的相邻的两条结构线，其中，li和lj相邻的两个端点之间的距离为d1，d1小于第一数值，li和lj之间的垂直距离为d2，d2小于第二数值，两者的斜率相等，即li和lj的斜率差为零，也即li和lj满足预设融合条件，这时，可以将li和lj融合连接成一条结构线。
在本申请实施例中，当轮廓中存在多条连续且明显存在间断问题的结构线时，如果相邻的两条结构线满足预设融合条件，则可以将相邻的两条结构线融合成一条结构线，再确定融合后的结构线与相邻的结构线是否满足预设融合条件，如果满足，则再次融合；否则，该相邻的两条第一结构线被视为不存在明显间断问题的结构线，不需要进行融合处理。作为示例而非限定，具体的融合操作是指把第一条结构线的起点与第二条结构线的终点相连接，形成一条新的结构线，融合成新的结构线后删除原有的两条结构线。
需要说明的是，由于拍摄角度的问题，建筑物的轮廓中的结构线基本都能计算得到其斜率，这里所指的斜率是表示一条直线关于横坐标轴比如地面倾斜程度的量。如果无法计算得到某一结构线的斜率，则相应的预设融合条件为所述至少两条结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条结构线之间的垂直距离小于第二数值。
还需要说明的是，提取到的建筑物的结构线在轮廓图像中表现为不同方向的线段，从不同的角度拍摄的图像中，这些线段在不同方向上的分布是不同，因此，需要提取线段的方向特征，得到对应方向的响应图像，使用预设的特征描述子对该响应图像进行描述得到对应的特征向量。
本申请实施例通过Gabor滤波器对轮廓中不同方向的结构线做出响应，从而得到不同方向对应的响应图像。比如，使用四个方向(0°、45°、90°、135°)的Gabor滤波器提取结构线的方向特征，得到如图3所示的四张响应图像，不同的方向对应不同的响应图像。
如图3所示，第一行图像为所使用的方向，第二行图像为对应的响应图像，在该响应图像中，对应方向的像素的亮度最大，如图中3中显示的高亮白色部分的特征线。
由于响应图像是特定方向上的直线，其方向性可以用分布特征描述，本申请实施例使用方向梯度直方图(Histogram of oriented gradients，HOG)描述子对如图3所示的四张响应图像进行特征描述，得到对应的特征向量。该特征向量表示具有相同方向特征的线段在一个图像中的分布特征。
在本申请实施例中，还可以通过神经网络模型对轮廓中不同方向的结构线做出响应，从而得到不同方向对应的响应图像。这里所指的神经网络模型包括但不限于卷积神经网络。
下面结合具体的实施例对本申请进行详细的说明。
实施例一
请参考图4，图4示出了本申请实施例提供的一种基于建筑物的室外定位方法的实现流程，详述如下：
在步骤S401中，获取包含第一建筑物的第一图像。
在本申请实施例中，第一建筑物为用户当前所在位置附近(距离用户当前所在位置预定范围内)的任意建筑物。第一图像为用户在当前所在位置通过其使用的移动设备的摄像头对周围的任意建筑物进行拍摄得到的图像。在本申请的一个具体实施例中，当用户在的CBD中使用移动设备定位时，通过移动设备的摄像头对周围环境进行拍摄得到一张或若干张图像，这一张或若干张图像中包含有至少一个从任意角度拍摄的建筑物。
需要说明的是，对第一图像的拍摄需对准建筑物的中心，除此外对拍摄的方向角不做限制，也不要求拍摄到特定建筑物的特征比如天际线、因拍摄角度而出现的相交线比如建筑物的三条数值边缘线等。
还需要说明的是，对第一图像拍摄的建筑物没有任何限制，建筑可以是常见的四面体结构(如图12)，也可以是不常见的不规则的结构(如图13)。
在步骤S402中，基于所述第一图像提取所述第一建筑物的第一轮廓。
在本申请实施例中，第一轮廓由至少两条第一结构线组成，所述第一结构线为具有相同或不同方向的线段。
作为示例而非限定，步骤S402具体包括：
通过直线检测算法，从所述第一图像中提取所述第一建筑物的第一结构线，所述第一结构线组成所述第一建筑物的第一轮廓。
在本申请实施例中，直线检测算法包括但不限于霍夫直线检测算法、LSD直线检测算法、FLD直线检测算法。
在步骤S403中，对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由第二结构线组成的第二轮廓。
在本申请实施例中，所述预设融合条件为所述至少两条第一结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第一结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
通过将第一轮廓中满足预设融合条件的至少两条第一结构线即明显存在间断问题的结构线进行融合处理，从而达到修复第一轮廓的目的，获得由第二结构线组成的第二轮廓即修复明显存在间断问题后的建筑物的轮廓。
需要说明的是，第二结构线包括但不限于融合处理后得到结构线，也即第二结构线中包括有第一结构线。由于在第一轮廓中，并不是所有的第一结构线都满足预设融合条件，也即存在部分不需要进行融合处理的结构线，因此，第二轮廓为由融合处理后的结构线以及第一轮廓中不需要进行融合处理的结构线组成。为便于说明，本申请实施例将第二轮廓中的所有结构线统称为第二结构线。
作为示例而非限定，步骤S403具体包括：
将满足预设融合条件的至少两条第一结构线融合连接成一条第二结构线。
在本申请实施例中，第二结构线为融合处理后得到的结构线，在此之前，不管第二结构线进行了几次融合处理，最终融合处理得到的结构线均设定为第二结构线，在融合处理完成后，同时将第一轮廓中不需要融合连接的第一结构线也设定为第二结构线，所有的第二结构线构成了建筑的第二轮廓。
在步骤S404中，基于所述第二结构线，获取所述第二轮廓对应的第一特征向量。
在本申请实施例中，通过Gabor滤波器对第二轮廓中不同方向的结构线做出响应，得到不同方向对应的响应图像，比如，使用四个方向(0°、45°、90°、135°)的Gabor滤波器提取第二结构线的方向特征。或者，通过卷积神经网络模型对第二轮廓中不同方向的结构线做出响应，从而得到不同方向对应的响应图像。
需要说明的是，这里的不同方向不仅仅限于0°、45°、90°、135°这四个方向，还可以是其他角度的方向，也即不同方向对应的响应图像的个数并不做具体限制。
在本申请的一个具体实施例中，在步骤S404之前，还包括：
对所述第二结构线进行归一化处理，以使得归一化处理后的所述第二结构线的线条宽度为固定像素个数。
在本申请实施例中，通过直线检测算法得到的结构线的宽带不一，直接基于宽度不一的结构线获取到的第一特征向量，有可能会造成不必要的误差，也就无法通过该第一特征向量精确地描述该建筑物的结构线，因此在获取第二轮廓对应的第一特征向量之前，对第二结构线的线条像素进行归一化处理，以使得归一化处理后的第二结构线的线条宽度为固定像素个数。
在本申请的另一个具体实施例中，步骤S404具体包括：
步骤S4041，获取基于不同方向的第二结构线所做出的第一响应图像。
在本申请实施例中，通过Gabor算子或者卷积神经网络模型，可以对轮廓中不同方向的结构线做出响应，从而得到该方向对应的响应图像。
步骤S4042，使用HOG描述子对所述第一响应图进行特征描述，获得所述第二轮廓对应的第一特征向量。
在本申请实施例中，第一特征向量的个数与响应图像的个数相同，存在多少个不同方向的响应图像，对应有多少个第一特征向量，即最终的第一特征向量为多个响应图对应的第一特征向量拼接的结果。
在步骤S405中，根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
在本申请实施例中，第二特征向量为存储在特征向量数据库中的数据，请参考图5，图5示出了一种特征向量数据库的相关数据。
从图5中可以看出，特征向量数据库中存储有第二特征向量以及该第二特征向量对应的位置信息，该位置信息由经纬度信息组成。在获得第二轮廓对应的第一特征向量后，从特征向量数据库中可以查找到与该特征向量相匹配的第二特征向量，从而可以确定移动设备的位置信息也即根据匹配的第二特征向量获取移动设备的定位结果。
需要说明的是，特征向量数据库可以存储于移动设备这一侧，还可以存储于云服务器一侧。由于特征向量数据库的创建或更新需要大量的定位数据支持以及大量的运算，因此一般是在云服务器这一侧创建特征向量数据库，或者对特征向量数据库进行更新。云服务器将所创建或更新的特征向量数据库同步发送至移动设备这一侧进行保存，以方便移动设备这一侧调用特征向量数据库中的第二特征向量确定移动设备的定位结果。
还需要说明的是，由于特征向量数据库中存在大量的第二特征向量，如果使用全局搜索的方法查找与第一特征向量匹配的第二特征向量，将会导致效率低下，为了提高查找与第一特征向量相匹配的第二特征向量的效率，本申请实施例提供了如图6所示的一种查找与第一特征向量相匹配的第二特征向量的方法的具体实现步骤，详述如下：
在步骤S601中，通过定位传感器获取所述用户的定位信息。
在本申请实施例中，用户在使用移动设备拍摄第一建筑物获得包含第一建筑物的第一图像时，同时通过移动设备的定位传感器比如GPS定位传感器，获取的GPS定位信息即用户的定位信息。
需要说明的是，在建筑物密集区域，GPS信号经过建筑物的多次反射后会造成多径效应，从而导致移动设备获取到的GPS定位信息存在很大的定位误差，并且该定位误差一般在60米到100米之间，这将为用户的出行带来极大的不变，因此所获取的GPS定位信息仅能作为粗略的位置信息，需要对其进行修正得到更为准确的定位结果。
在步骤S602中，以所述定位信息为中心，确定距离所述中心预定范围内的建筑物的候选集。
在本申请实施例中，在获取到GPS定位信息后，以GPS定位信息为中心，获取距离所述中心预定范围内的建筑物作为移动设备所在区域内的建筑物的候选集。
比如，以GPS定位信息为圆心，将预定半径范围内的建筑物作为移动设备所在区域内的建筑物的候选集。又比如，以GPS定位信息为中心，获取预定形状比如正方形范围内的建筑物。
在步骤S603中，从特征向量数据库中获取与所述候选集对应的第二特征向量。
在本申请实施例中，通过确定移动设备所在区域内的建筑物的候选集，相应地确定了特征向量数据库中的区域第二特征向量，从而减少了第二特征向量的搜索量，大大提高了查找与第一特征向量匹配的第二特征向量的效率，从而相应地提高了定位效率。
在步骤S604中，从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置。
在本申请实施例中，将第一特征向量与候选集中每个建筑物的任意一个第二特征向量比如第一个第二特征向量进行匹配，从而确定所述第一图像对应的建筑物，也即确定移动设备所拍摄的建筑物，再根据该建筑物进一步确定移动设备的定位结果。
请参考图7，图7为本申请实施例提供的一种在第二方向角α±β范围内查找与第一特征向量匹配的第二特征向量的示意图，为了进一步减少第二特征向量的搜索量，精确地获取移动设备的定位结果，结合图7，对步骤S604进行详细的描述，具体如下：
步骤S6041，获取第一方向角α。
在本申请实施例中，用户在拍摄第一建筑物获得包含第一建筑物的第一图像时，同时通过所述移动设备的内置传感器比如姿态传感器或陀螺仪获取第一方向角α。
步骤S6042，以所述第一方向角α为基准，查找在第二方向角α±β范围内的第二特征向量。
在本申请实施例中，第二方向角α±β为第一方向角α和预设角度β的和/差。通过将候选集范围内对应的第二特征向量进一步减少为在第二方向角α±β范围内的第二特征向量，减少第二特征向量的搜索量，从而提高了查找与第一特征向量匹配的第二特征向量的效率，提高了定位的效率。
步骤S6043，从查找到的所述第二方向角α±β范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置。
在本申请实施例中，从图6中可以看出，图6所示的建筑物模型为GPS定位信息的中心，四边形为移动设备所在区域内的建筑物的候选集，在四边形上的黑点和五角星为该位置对应的第二特征向量，其中五角星为在第二方向角α±β范围内的第二特征向量，显然，从在第二方向角α±β范围内的第二特征向量内查找与第一特征向量相匹配的第二特征向量，搜索量大大减少了。
为了进一步获取更为精确的第二特征向量，从而获得移动设备的精确定位，在步骤S6043之前，还包括：
滤除所述第二方向角α±β范围内的无效第二特征向量。
在本申请实施例中，无效第二特征向量具体为人或车辆不能到达的区域比如禁止行人通行或禁止车辆通行的道路、又比如湖泊、水池等，通过移动设备的地图数据，可以滤除所述第二方向角α±β范围内的无效第二特征向量，该地图数据的获取可以通过移动设备的内置地图来获取。
在本申请实施例中，通过综合GPS定位信息、第一方向角α以及移动设备的内置地图等，实现了对移动设备的高效且精准的定位，提高了用户在建筑物密集区域的定位精度，具有较高的实用性和易用性。
在本申请的一个具体实施例中，在步骤S405之后，还包括：
将确定的所述用户的当前位置推送给用户。
在本申请实施例中，通过获取包含建筑物的图像，并从该包含建筑物的图像中提取该建筑物对应的结构线，在对满足预设融合条件的结构线进行融合处理后，从进行融合处理后的得到的建筑物的轮廓中，提取该建筑物对应的第一特征向量，根据与该第一特征向量相匹配的第二特征向量确定用户的位置，通过第一特征向量与第二特征向量，实现在某一地区或城市的建筑物密集区域中对用户当前位置的精确定位，提高了用户在某一地区或城市的建筑物密集区域的定位精度。
实施例二
请参考图8，图8示出了本申请实施例提供的一种特征向量数据库的构建方法的实现流程，详述如下：
在步骤S801中，获取目标建筑物的三维模型。
在本申请实施例中，三维模型可以快速渲染大量图像，从而获得足够的第二特征向量构建特征向量数据库。
对于三维模型，本申请实施例中选用谷歌地球(Google Earth，GE)中的三维模型，主要基于下述考虑：
1)Google Earth的三维模型完全开源；
2)移动设备定位误差大的区域仅限于一个城市的高层建筑密集区域比如城市CBD中，而Google Earth中的三维模型基本涵盖了世界主要城市的市中心的建筑的三维模型
3)Google Earth的三维模型与全世界最大的免费三维模型库Sketchup相关联，三维模型的数量增加和更新的速度很快。
因此，基于Google Earth的三维模型，可以保证所获得第二特征向量的准确性，从而创建数据更为完善和准确的特征向量数据库。
在步骤S802中，对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像。
在本申请实施例中，通过对不同的三维模型进行渲染，相应地获得不同的一组包含第二建筑物第二图像，每一组第二图像中至少包含两张图像。
需要说明的是，不同的三维模型对应不同的建筑物，相应获得的第二图像中包含的第二建筑物也不同。这里所指的第二建筑物为目标建筑物的不同方向的图像。
在本申请的一个具体实施例中，在获得三维模型后，按照预设定的渲染路径和图像采样间隔，从不同角度和位置对所述三维模型进行等间隔渲染，在渲染的同时记录相机的位置和姿态角即第三方向角γ，获得一组包含精确的位置信息的渲染图像。
请参考图9，图9为本申请实施例提供的一种对三维模型进行渲染，获得一组第二图像的示意图。
如图9所示，使用移动设备从不同角度、不同位置拍摄时，照片中的建筑物的形态是不同的，如从图9中A、B、C三个位置获取的图像，可以借助建筑物的结构线描述该形态。然而，人工去采集不同角度、不同位置的图像并不现实，因此借助于计算机图形学中对三维模型进行渲染的方法获得不同位置、不同角度等距离渲染的图像，并基于这些渲染得到的图像构建特征向量数据库。
如图9所示，渲染路径实际为相机移动的路径，黑色的点表示渲染三维模型时相机的位置(表示成经纬度)，点的间隔为相机采集图像的间隔。点的间隔可以自定义，与需要的定位精度相关，点的间隔越小，定位的精度越高。在渲染过程完成后，所得到的每一张渲染图像都包含有精确的位置信息。
在步骤S803中，从每个所述第二图像中提取建筑物的第三轮廓。
在本申请实施例中，所述第三轮廓由第三结构线组成，通过直线检测算法，从每个第二图像中提取建筑物的结构线，所提取的结构线形成建筑物的轮廓即第三轮廓。该直线检测算法包括但不限于霍夫直线检测算法、LSD直线检测算法、FLD直线检测算法。
在步骤S804中，对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓。
在本申请实施例中，所述预设融合条件为所述至少两条第三结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第三结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
通过将第三轮廓中满足预设融合条件的至少两条第三结构即明显存在间断问题的结构线进行融合处理，从而达到修复第三轮廓的目的，获得由第四结构线组成的第四轮廓即修复明显存在间断问题后的建筑物的轮廓。
需要说明的是，第四结构线包括但不限于融合处理后得到结构线，也即第四结构线中包括有第三结构线。由于在第三轮廓中，并不是所有的第三结构线都满足预设融合条件，也即存在部分不需要进行融合处理的结构线，因此，第四轮廓为由融合处理后的结构线以及第三轮廓中不需要进行融合处理的结构线组成。为便于说明，本申请实施例将第四轮廓中的所有结构线统称为第四结构线。
作为示例而非限定，步骤S804具体包括：
将满足预设融合条件的至少两条第三结构线融合连接成一条第四结构线。
在本申请实施例中，第三结构线为融合处理后得到的结构线，在此之前，不管第四结构线进行了几次融合处理，最终融合处理得到的结构线均设定为第四结构线，在融合处理完成后，同时将第三轮廓中不需要融合连接的第三结构线也设定为第四结构线，所有的第四结构线构成了建筑的第四轮廓。
在步骤S805中，基于所述第四结构线，获取所述第四轮廓对应的第二特征向量。
在本申请实施例中，同样通过Gabor滤波器或者卷积神经网络模型对第四轮廓中不同方向的结构线做出响应，得到不同方向对应的响应图像。
在本申请的一个具体实施例中，在步骤S805之前，还包括：
对所述第四结构线进行归一化处理，以使得归一化处理后的所述第四结构线的线条宽度为固定像素个数。
在本申请的另一个具体实施例中，步骤S805具体包括：
步骤S8051，获取基于不同方向的第四结构线所做出的第二响应图像。
步骤S8052，使用HOG描述子对所述第二响应图进行特征描述，获得所述第四轮廓对应的第二特征向量。
在步骤S806中，基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
在本申请实施例中，不同的第二图像对应有不同的第二特征向量，以一组第二图像对应的一组第二特征向量为第二特征向量，与该组第二图像的位置信息以及第三方向角γ等数据组合构成特征向量数据库，从而使得根据第二特征向量可以查找到相应的位置信息。
需要说明的是，在每张第二图像对应的第二特征向量设定为第二特征向量后，同时获取每张第二图像对应的位置信息和第三方向角γ，建立每张第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，并基于每张第二图像对应的映射关系构建如图5所示的特征向量数据库。
还需要说明的是，特征向量数据库的主键为第二特征向量，通过第二特征向量可以查找到相匹配的位置信息。
具体地，步骤S806包括：
步骤S8061，获取每一个所述第二图像对应的位置信息和第三方向角γ。在本申请实施例中，在渲染过程中，同时记录采集每一个第二图像的相机的位置信息以及相机的姿态角即第三方向角γ，以便于在获得第二图像对应的第二特征向量后与该位置信息和第三方向角γ建立映射关系。
步骤S8062，建立每一个所述第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，得到所述一组第二图像对应的映射关系。
在本申请实施例中，通过增加对第三方向角γ与第一方向角的匹配程度，进一步提高对用户当前位置的定位精度。
步骤S8063，基于所述一组第二图像对应的映射关系构建特征向量数据库。
在本申请实施例中，基于一组第二图像对应的映射关系所构建的特征向量数据库中包含有第二特征向量、与该第二特征向量相对应的位置信息和相关关联的方向角信息，也即步骤S806具体为：
基于每一个所述第二图像对应的第二特征向量、位置信息和方向角信息，构建特征向量数据库。
在本申请实施例中，通过若干数量的三维模型对应获得若干组第二图像，基于该若干组第二图像对应的映射关系构建第二特征向量，通过不断获取新的三维模型，可以对特征向量数据库中的第二特征向量进一步完善，从而保证特征向量数据库的数据完善程度。
在本申请实施例中，通过获取目标建筑物的三维模型，对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像，从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库，通过对三维模型的渲染获得大量的渲染图像以及该渲染图像对应的特征向量和位置信息，提高了特征向量数据库的构建效率以及准确率。
实施例三
对应于上文实施例所述的基于建筑物的室外定位方法和特征向量数据库的构建方法，结合图10所示的定位交互示意图，以广州珠江新城中的定位效果为例进行相关说明。
在本申请实施例中，测试的珠江新城的区域为2,497,400m2，含12个建筑物，测试时间为光线变化剧烈的时间段：16:00-18:00，使用的移动设备为市场现行的智能手机，该智能手机在拍摄时可以自动获取GPS定位信息，真实位置则是根据地图手动标出。
以珠江新城中的广东省博物馆的精确定位为例，按照如下步骤进行：
a)云服务器从Goolge Earth中获取如图11所示的广东省博物馆的三维模型；
b)云服务器设定好渲染路径和图像采集的间隔，从不同位置和方向对图11中的三维模型进行等距离渲染，得到如图12所示的一组渲染图像，在渲染过程中，同时记录采集图像的相机的位置和方向角；
c)云服务器使用实施例二中的方法提取渲染图像中建筑物的结构线并修复；
d)云服务器使用实施例二中的方法获取每张渲染图像对应的特征向量即第二特征向量，建立每张渲染图像的位置信息、第二特征向量和姿态角即方向角的映射关系，并将该映射关系存储至特征向量数据库中，构建如图5所示的特征向量数据库。
e)用户通过智能手机的摄像头对广东博物馆进行拍摄；
f)智能手机使用实施例一中的方法提取并修复所拍摄的图像中的建筑物的结构线；
g)智能手机使用实施例一中的方法提取所拍摄的图像对应的特征向量；
h)智能手机根据所提取的特征向量、智能手机的GPS定位信息、姿态传感器的读数以及地图数据，从存储在智能手机中的特征向量数据库中查找与该特征向量相匹配的第二特征向量，并通过线性插值的方法确定用户的当前位置。
或者：
i)智能手机将所提取的特征向量、智能手机的GPS定位信息、姿态传感器的读数以及地图数据发送给云服务，
j)云服务器根据智能手机发送的信息，从特征向量数据库查找与智能手机中的特征向量相匹配的第二特征向量，并通过线性插值的方法确定用户的当前位置并将用户的当前位置返回给智能手机。
可见，在某一地区或城市的建筑物密集区域，针对移动设备的GPS定位传感器获得的定位信息，结合云服务器和移动设备的相关数据修正该位置，从而为用户返回精确的位置信息。
本申请实施例提供的定位精确高于现有其他定位方法的定位精度。
如图13所示，图13示出了一组从不同角度、不同距离和不同光照下的定位结果，其中第一行图像代表拍摄得到的图像即第一图像，第二行图像是根据第一行对应的第一图像提取并修复的明显存在间断问题后的结构线，即第二结构线组成的轮廓图像，第三行图像则是对应的与第一图像匹配的第二图像提取并修复的明显存在间断问题后的结构线，即第四结构线组成的轮廓图像，最后一行是本申请实施例提供的定位结果和用户的实际位置的比较，其中“+”代表本申请实施例提供的定位结果，“○”表示用户的实际位置。
从图13中可以看出，本申请实施例提供的定位结果与用户的实际位置非常接近，可见，本申请实施例具有非常高的定位精度。
如图14所示，图14示出了四组在不同光照条件下使用不同的定位方法的所得到平均定位误差的示意图。
从图14中可以看出，图14中包含四个使用不同定位方法在不同光照条件下得到的四组定位累积误差，其中每组中的第一个定位误差为所有测试例定位误差的平均误差，第二个定位误差为在光线充足比如白天下测试例定位误差的平均误差，第三个定位误差为在光线不充足比如夜晚下测试例定位误差的平均误差。
在图14中，第一组平均定位误差为基于移动设备的GPS传感器获得定位信息与其真实位置计算得到的定位误差的平均值；第二组定位误差为本申请实施例提供的定位结果与真实位置计算得到的定位误差的平均值；第三组为现有定位方法一提供的定位结果与真实位置计算得到的定位误差的平均值；第四组为现有定位方法二提供的定位结果与真实位置计算得到的定位误差的平均值。从图14中可以看出，本申请实施例的平均定位误差远远低于其余三组的平均定位误差，并且不同光照条件下的平均定位误差也远远低于其余三组平均定位误差。还可以看出本实施例的定位结果不受光照条件的影响。
其中，现有定位方法一具体如下：
该方法提出了一种基于点特征的定位方法。首先假设用户拍摄的照片位于建筑物的一个角，该照片中包含建筑物的三条竖直边缘线，由于用户拍照时总有一个倾斜角度，因此在照片中的三条边缘线可以相交于一点。不同照片的交点位置是不同的，这一特征被称为TICEP特征，根据交点的分布可以找到建筑所在的2维地图上潜在的几个照片拍摄点。最后通过自定义的TICEP特征确定潜在的拍摄点，并基于此所构建的偏差函数(deviationfunction)查找相匹配的特征以得到准确的位置。
现有定位方法二具体如下：
该方法把SLAM和定位相结合，提出了一种基于点的定位方法。首先用户拍摄一张照片同时得到手机内置传感器测量出的角度和位置信息，使用这些信息去检索一个2.5维地图(位置信息+高度)，得到用户在该2.5维地图中的粗略位置。接着修正这个粗略位置，使用以下公式估计相机的精确位置C：
Figure BDA0002334021120000171
其中，l1，l2是图像中两条竖直的直线，x1，x2是建筑物与地面相交的两个点。
可见，现有定位方法一中定位的区域仅限于建筑物角落的周围区域，而且所拍摄的建筑物的图像必须要包含有建筑物的三条竖直线段；现有定位方法二中则需要有2.5维的地图辅助定位，并且所拍摄的建筑物的图像必须要包含有建筑物与地面的交点，而本申请实施例中对所拍摄的建筑物图像并无任何限制，使得用户在任意位置均可通过本申请实施例获得精准的定位信息。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例四
对应于上文实施例所述的基于建筑物的室外定位方法，图15示出了本申请实施例提供的基于建筑物的室外定位装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图15，该装置包括：
第一图像获取单元151，用于获取包含第一建筑物的第一图像，所述第一建筑物为用户当前所在位置附近的任意建筑物；
第一轮廓提取单元152，用于基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
第一融合单元153，用于对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
第一特征向量获取单元，用于基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
定位单元155，用于根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
在一种可能的实现方式中，所述定位单元155包括：
定位信息获取子单元，用于通过定位传感器获取所述用户的定位信息；
候选集确定子单元，用于以所述定位信息为中心，确定距离所述中心预定范围内的建筑物的候选集；
第二特征向量获取子单元，用于从特征向量数据库中获取与所述候选集对应的第二特征向量；
定位子单元，用于从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置。
在一种可能的实现方式中，所述定位子单元具体用于：
获取第一方向角α；
以所述第一方向角α为基准，查找在第二方向角α±β范围内的第二特征向量；
从查找到的所述第二方向角α±β范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置。
在另一种可能的实现方式中，所述定位子单元具体还用于：
滤除所述第二方向角α±β范围内的无效第二特征向量。
具体地，所述预设融合条件为所述至少两条第一结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第一结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
作为示例而非限定，第一轮廓提取单元152具体用于：
通过直线检测算法，从所述第一图像中提取所述第一建筑物的第一结构线，所述第一结构线组成所述第一建筑物的第一轮廓。
作为示例而非限定，第一融合单元153具体用于：
将满足预设融合条件的至少两条第一结构线融合连接成一条第二结构线。
在一种可能的实现方式中，该装置还包括：
第二结构线归一化处理单元，用于对所述第二结构线进行归一化处理，以使得归一化处理后的所述第二结构线的线条宽度为固定像素个数。
作为示例而非限定，所述第一特征向量获取单元具体用于：
获取基于不同方向的第二结构线所做出的第一响应图像；
使用方向梯度直方图HOG描述子对所述第一响应图进行特征描述，获得所述第二轮廓对应的第一特征向量。
在本申请实施例中，通过获取包含建筑物的图像，并从该包含建筑物的图像中提取该建筑物对应的第一结构线，在对满足预设融合条件的第一结构线进行融合处理后，从进行融合处理后的得到的建筑物的轮廓中，提取该建筑物对应的第一特征向量，根据与该第一特征向量相匹配的第二特征向量确定用户的位置，通过第一特征向量与第二特征向量，实现在建筑物密集区域中对用户当前位置的精确定位，提高了用户在建筑物密集区域的定位精度。
实施例五
对应于上文实施例所述的特征向量数据库的构建方法，图16示出了本申请实施例提供的特征向量数据库的构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图16，该装置包括：
三维模型获取单元161，用于获取目标建筑物的三维模型；
第二图像获取单元162，用于对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
第三轮廓提取单元163，用于从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
第二融合单元162，用于对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
第二特征向量获取单元165，用于基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
特征向量数据库构建单元166，用于基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
所述第二融合单元162具体用于：
将满足预设融合条件的至少两条第三结构线融合连接成一条第四结构线。
在一个可能的实现方式中，该装置还包括：
第四结构线归一化处理单元，用于对所述第四结构线进行归一化处理，以使得归一化处理后的所述第四结构线的线条宽度为固定像素个数。
所述第二特征向量获取单元165具体用于：
获取基于不同方向的第四结构线所做出的第二响应图像。
使用HOG描述子对所述第二响应图进行特征描述，获得所述第四轮廓对应的第二特征向量。
示例性的，所述预设融合条件为所述至少两条第三结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第三结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
示例性的，所述特征向量数据库构建单元166具体用于：
获取每一个所述第二图像对应的位置信息和第三方向角γ；
建立每一个所述第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，得到所述一组第二图像对应的映射关系；
基于所述一组第二图像对应的映射关系构建特征向量数据库。
在本申请实施例中，通过获取目标建筑物的三维模型，对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像，从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库，通过对三维模型的渲染获得大量的渲染图像以及该渲染图像对应的特征向量和位置信息，提高了特征向量数据库的构建效率以及准确率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例六
图17为本申请实施例提供的移动设备的结构示意图。如图17所示，该实施例的移动设备17包括：至少一个处理器170(图17中仅示出一个)处理器、存储器171以及存储在所述存储器171中并可在所述至少一个处理器170上运行的计算机程序172，所述处理器170执行所述计算机程序172时实现上述任意各个基于建筑物的室外定位方法实施例中的步骤。或者，所述处理器170执行所述计算机程序172时实现上述各装置实施例中各单元的功能，例如图15所示单元151至155的功能。
所述移动设备17可以是手机、桌上型计算机、笔记本及掌上电脑等计算设备。该移动设备17可包括，但不仅限于，处理器170、存储器171。本领域技术人员可以理解，图17仅仅是移动设备17的举例，并不构成对移动设备17的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器170可以是中央处理单元(Central Processing Unit，CPU)，该处理器170还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器171在一些实施例中可以是所述移动设备17的内部存储单元，例如电移动子设备17的硬盘或内存。所述存储器171在另一些实施例中也可以是所述移动设备17的外部存储设备，例如所述移动设备17上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器171还可以既包括所述移动设备17的内部存储单元也包括外部存储设备。所述存储器171用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器171还可以用于暂时地存储已经输出或者将要输出的数据本申请实施例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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
实施例七
图18为本申请实施例提供的移动设备的结构示意图。如18图18所示，该实施例的移动设备18包括：至少一个处理器180(18图18中仅示出一个)处理器、存储器181以及存储在所述存储器181中并可在所述至少一个处理器180上运行的计算机程序182，所述处理器180执行所述计算机程序182时实现上述任意各个基于建筑物的室外定位方法实施例中的步骤。或者，所述处理器180执行所述计算机程序182时实现上述各装置实施例中各单元的功能，例如图16所示单元161至166的功能。
所述移动设备18可以是手机、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该移动设备18可包括，但不仅限于，处理器180、存储器181。本领域技术人员可以理解，18图18仅仅是移动设备18的举例，并不构成对移动设备18的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器180可以是中央处理单元(Central Processing Unit，CPU)，该处理器180还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器181在一些实施例中可以是所述移动设备18的内部存储单元，例如移动设备18的硬盘或内存。所述存储器181在另一些实施例中也可以是所述移动设备18的外部存储设备，例如所述移动设备18上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器181还可以既包括所述移动设备18的内部存储单元也包括外部存储设备。所述存储器181用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器181还可以用于暂时地存储已经输出或者将要输出的数据本申请实施例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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动设备上运行时，使得移动设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序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至少可以包括：能够将计算机程序代码携带到拍照装置/移动设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-ONlyMeMory)、随机存取存储器(RAM，RaNdoM AccessMeMory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

1.一种基于建筑物的室外定位方法，其特征在于，包括：
获取包含第一建筑物的第一图像，所述第一图像为用户通过移动设备对其周围的任意建筑物进行拍摄得到的图像；
基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
2.如权利要求1所述的方法，其特征在于，根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置包括：
通过定位传感器获取所述用户的定位信息；
以所述定位信息为中心，确定距离所述中心预定范围内的建筑物的候选集；
从特征向量数据库中获取与所述候选集对应的第二特征向量；
从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置。
3.如权利要求2所述的方法，其特征在于，所述从与所述候选集对应的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，并根据查找到的第二特征向量确定所述用户的当前位置包括：
获取第一方向角α；
以所述第一方向角α为基准，查找在第二方向角α±β范围内的第二特征向量，所述β为预设角度；
从查找到的所述第二方向角范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置。
4.如权利要求3所述的方法，其特征在于，在所述从查找到的所述第二方向角范围内的第二特征向量中，查找与所述第一特征向量匹配的第二特征向量，利用线性插值方法确定所述用户的当前位置之前，还包括：
滤除所述第二方向角α±β范围内的无效第二特征向量。
5.如权利要求1至4任一所述的方法，其特征在于，所述预设融合条件为所述至少两条第一结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第一结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
6.如权利要求1所述的方法，其特征在于，所述基于所述第一图像提取所述第一建筑物的第一轮廓包括：
通过直线检测算法，从所述第一图像中提取所述第一建筑物的第一结构线，所述第一结构线组成所述第一建筑物的第一轮廓。
7.如权利要求1所述的方法，其特征在于，所述对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由第二结构线组成的第二轮廓包括：
将满足预设融合条件的至少两条第一结构线融合连接成一条第二结构线。
8.如权利要求1所述的方法，其特征在于，在所述基于所述第二结构线，获取所述第二轮廓对应的第一特征向量之前，还包括：
对所述第二结构线进行归一化处理，以使得归一化处理后的所述第二结构线的线条宽度为固定像素个数。
9.如权利要求1所述的方法，其特征在于，所述基于所述第二结构线，获取所述第二轮廓对应的第一特征向量包括：获取基于不同方向的第二结构线所做出的第一响应图像；
使用方向梯度直方图HOG描述子对所述第一响应图进行特征描述，获得所述第二轮廓对应的第一特征向量。
10.一种特征向量数据库的构建方法，其特征在于，包括：
获取目标建筑物的三维模型；
对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
从每一个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
11.如权利要求10所述的方法，其特征在于，所述对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓包括：
将满足预设融合条件的至少两条第三结构线融合连接成一条第四结构线。
12.如权利要求10所述的方法，其特征在于，在所述基于所述第四结构线，获取所述第四轮廓对应的第二特征向量之前，还包括：
对所述第四结构线进行归一化处理，以使得归一化处理后的所述第四结构线的线条宽度为固定像素个数。
13.如权利要求10所述的方法，其特征在于，所述基于所述第四结构线，获取所述第四轮廓对应的第二特征向量包括：
获取基于不同方向的第四结构线所做出的第二响应图像；
使用HOG描述子对所述第二响应图进行特征描述，获得所述第四轮廓对应的第二特征向量。
14.如权利要求10所述的方法，其特征在于，所述预设融合条件为所述至少两条第三结构线中，其相邻的两个端点之间的距离小于第一数值，相邻的两条第三结构线之间的垂直距离小于第二数值，且斜率差小于第三数值。
15.如权利要求10至14任一所述的方法，其特征在于，所述基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库包括：
获取每一个所述第二图像对应的位置信息和第三方向角γ；
建立每一个所述第二图像及其对应的第二特征向量、位置信息和第三方向角γ的映射关系，得到所述一组第二图像对应的映射关系；
基于所述一组第二图像对应的映射关系构建特征向量数据库。
16.一种基于建筑物的室外定位装置，其特征在于，包括：
第一图像获取单元，用于获取包含第一建筑物的第一图像，所述第一建筑物为用户当前所在位置附近的任意建筑物；
第一轮廓提取单元，用于基于所述第一图像提取所述第一建筑物的第一轮廓，所述第一轮廓由至少两条第一结构线组成；
第一融合单元，用于对所述第一轮廓中满足预设融合条件的至少两条第一结构线进行融合处理，获得由至少两条第二结构线组成的第二轮廓；
第一特征向量获取单元，用于基于所述第二结构线，获取所述第二轮廓对应的第一特征向量；
定位单元，用于根据所述第一特征向量与第二特征向量的匹配结果，确定所述用户的当前位置。
17.一种特征向量数据库的构建装置，其特征在于，包括：
三维模型获取单元，用于获取目标建筑物的三维模型；
第二图像获取单元，用于对所述三维模型进行渲染，获得一组包含第二建筑物的第二图像；
第三轮廓提取单元，用于从每个所述第二图像中提取建筑物的第三轮廓，所述第三轮廓由第三结构线组成；
第二融合单元，用于对所述第三轮廓中满足预设融合条件的至少两条第三结构线进行融合处理，获得由第四结构线组成的第四轮廓；
第二特征向量获取单元，用于基于所述第四结构线，获取所述第四轮廓对应的第二特征向量；
特征向量数据库构建单元，用于基于每一个所述第二图像对应的第二特征向量和位置信息，构建特征向量数据库。
18.一种移动设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的方法。
19.一种云服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求10至15任一项所述的方法。
20.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9和/或10至15任一项所述的方法。
CN201911348363.3A 2019-12-24 2019-12-24 基于建筑物的室外定位方法、装置及移动设备 Pending CN111194015A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911348363.3A CN111194015A (zh) 2019-12-24 2019-12-24 基于建筑物的室外定位方法、装置及移动设备
PCT/CN2020/125210 WO2021129142A1 (zh) 2019-12-24 2020-10-30 基于建筑物的室外定位方法、装置及移动设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911348363.3A CN111194015A (zh) 2019-12-24 2019-12-24 基于建筑物的室外定位方法、装置及移动设备

Publications (1)

Publication Number Publication Date
CN111194015A true CN111194015A (zh) 2020-05-22

Family

ID=70709378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911348363.3A Pending CN111194015A (zh) 2019-12-24 2019-12-24 基于建筑物的室外定位方法、装置及移动设备

Country Status (2)

Country Link
CN (1) CN111194015A (zh)
WO (1) WO2021129142A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858996A (zh) * 2020-06-10 2020-10-30 北京百度网讯科技有限公司 室内定位方法、装置、电子设备及存储介质
WO2021129142A1 (zh) * 2019-12-24 2021-07-01 华为技术有限公司 基于建筑物的室外定位方法、装置及移动设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604450A (zh) * 2009-07-24 2009-12-16 武汉大学 集成影像与LiDAR数据提取建筑物轮廓的方法
US20150248579A1 (en) * 2013-12-24 2015-09-03 Huazhong University Of Science And Technology Method for identifying and positioning building using outline region restraint of mountain
CN108507541A (zh) * 2018-03-01 2018-09-07 广东欧珀移动通信有限公司 建筑物识别方法及系统，以及移动终端
CN109086745A (zh) * 2018-08-31 2018-12-25 广东工业大学 一种定位方法、装置、设备以及计算机可读存储介质
CN110209866A (zh) * 2019-05-30 2019-09-06 苏州浪潮智能科技有限公司 一种图像检索方法、装置、设备及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728645B (zh) * 2012-10-10 2016-06-08 航天数联信息技术（深圳）有限公司 一种室内外定位系统及其定位方法
CN111194015A (zh) * 2019-12-24 2020-05-22 华为技术有限公司 基于建筑物的室外定位方法、装置及移动设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604450A (zh) * 2009-07-24 2009-12-16 武汉大学 集成影像与LiDAR数据提取建筑物轮廓的方法
US20150248579A1 (en) * 2013-12-24 2015-09-03 Huazhong University Of Science And Technology Method for identifying and positioning building using outline region restraint of mountain
CN108507541A (zh) * 2018-03-01 2018-09-07 广东欧珀移动通信有限公司 建筑物识别方法及系统，以及移动终端
CN109086745A (zh) * 2018-08-31 2018-12-25 广东工业大学 一种定位方法、装置、设备以及计算机可读存储介质
CN110209866A (zh) * 2019-05-30 2019-09-06 苏州浪潮智能科技有限公司 一种图像检索方法、装置、设备及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129142A1 (zh) * 2019-12-24 2021-07-01 华为技术有限公司 基于建筑物的室外定位方法、装置及移动设备
CN111858996A (zh) * 2020-06-10 2020-10-30 北京百度网讯科技有限公司 室内定位方法、装置、电子设备及存储介质
CN111858996B (zh) * 2020-06-10 2023-06-23 北京百度网讯科技有限公司 室内定位方法、装置、电子设备及存储介质
US11721037B2 (en) 2020-06-10 2023-08-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Indoor positioning method and apparatus, electronic device and storage medium

Also Published As

Publication number Publication date
WO2021129142A1 (zh) 2021-07-01

Similar Documents

Publication Publication Date Title
US10043097B2 (en) Image abstraction system
US20180373940A1 (en) Image Location Through Large Object Detection
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
CN111274974A (zh) 定位元素检测方法、装置、设备和介质
CN106871906B (zh) 一种盲人导航方法、装置及终端设备
WO2021136386A1 (zh) 数据处理方法、终端和服务器
CN114969221A (zh) 一种更新地图的方法及相关设备
CN112348886A (zh) 视觉定位方法、终端和服务器
CN111194015A (zh) 基于建筑物的室外定位方法、装置及移动设备
Zhang et al. 3D urban buildings extraction based on airborne lidar and photogrammetric point cloud fusion according to U-Net deep learning model segmentation
CN115661522A (zh) 一种基于视觉语义矢量的车辆导引方法、系统、设备和介质
CN114898321A (zh) 道路可行驶区域检测方法、装置、设备、介质及系统
WO2021170051A1 (zh) 一种数字摄影测量方法、电子设备及系统
KR102249381B1 (ko) 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법
CN111982132B (zh) 数据处理方法、装置和存储介质
CN113256811B (zh) 建筑物建模方法、设备和计算机可读存储介质
CN110930455B (zh) 定位方法、装置、终端设备及存储介质
Jiao et al. Individual Building Rooftop and Tree Crown Segmentation from High‐Resolution Urban Aerial Optical Images
Abdelhafiz et al. Automatic texture mapping mega-projects
KR20220062709A (ko) 모바일 디바이스 영상에 기반한 공간 정보 클러스터링에 의한 재난 상황 인지 시스템 및 방법
Porzi et al. An automatic image-to-DEM alignment approach for annotating mountains pictures on a smartphone
CN110617800A (zh) 基于民航客机的应急遥感监测方法、系统及存储介质
CN110910379A (zh) 一种残缺检测方法及装置
CN117201708B (zh) 带有位置信息的无人机视频拼接方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200522