CN114625984B - 兴趣点验证方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了兴趣点验证方法、装置、电子设备及存储介质，涉及计算机视觉、深度学习以及自然语言处理等人工智能领域，其中的方法可包括：获取第一兴趣点的向量表示，第一兴趣点为采集到的任一兴趣点；根据第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数；若确定任一候选兴趣点与第一兴趣点为同一兴趣点，则确定本次验证通过。应用本公开所述方案，可节省人力和时间成本，提升验证效率等。

Description

兴趣点验证方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及计算机视觉、深度学习以及自然语言处理等领域的兴趣点验证方法、装置、电子设备及存储介质。

背景技术

随着移动设备的日益普及，网络地图服务得到了广泛应用。

数据库是网络地图服务实现的基础，其中存储了与人们生活密切相关的众多兴趣点（POI，Point of Interest）的多模态信息，相应地，需要对兴趣点进行有效的验证，如验证数据库中的兴趣点是否真实存在于现实世界中。

目前，通常根据现场采集到的街景数据，由人工来完成所述验证，从而需要耗费很大的人力和时间成本，且效率低下。

发明内容

本公开提供了兴趣点验证方法、装置、电子设备及存储介质。

一种兴趣点验证方法，包括：

获取第一兴趣点的向量表示，所述第一兴趣点为采集到的任一兴趣点；

根据所述第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数；

若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过。

一种兴趣点验证装置，包括：第一获取模块、第二获取模块以及验证模块；

所述第一获取模块，用于获取第一兴趣点的向量表示，所述第一兴趣点为采集到的任一兴趣点；

所述第二获取模块，用于根据所述第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数；

所述验证模块，用于若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：可基于兴趣点的向量表示，自动地从数据库中召回候选兴趣点，候选兴趣点的数量通常较少，之后可根据召回的候选兴趣点以及采集到的兴趣点完成本次验证，相比于传统方式，节省了人力和时间成本，并提升了验证效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述兴趣点验证方法实施例的流程图；

图2为本公开所述兴趣点验证方法的整体实现过程示意图；

图3为本公开所述兴趣点验证装置实施例300的组成结构示意图；

图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述兴趣点验证方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，获取第一兴趣点的向量表示，第一兴趣点为采集到的任一兴趣点。

在步骤102中，根据第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数。

在步骤103中，若确定任一候选兴趣点与第一兴趣点为同一兴趣点，则确定本次验证通过。

上述方法实施例所述方案中，可基于兴趣点的向量表示，自动地从数据库中召回候选兴趣点，候选兴趣点的数量通常较少，之后可根据召回的候选兴趣点及采集到的兴趣点完成本次验证，相比于传统方式，节省了人力和时间成本，并提升了验证效率。

图2为本公开所述兴趣点验证方法的整体实现过程示意图。如图2所示，可由众包工作者从现场采集街景数据，其中可包括采集到的各兴趣点对应的招牌图像以及坐标等，所述坐标可为采集点坐标（采集位置坐标），招牌图像可为如兴趣点的正门图像等，其中可包括兴趣点名称等信息，之后可针对采集到的任一兴趣点，分别基于数据库中的各兴趣点，按照本公开所述方法进行验证。

具体地，针对采集到的任一兴趣点，即第一兴趣点，可分别获取其向量表示。另外，可预先分别获取数据库中的各兴趣点的向量表示。

之后，可根据第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数，具体取值可根据实际需要而定，通常大于1。

本公开的一个实施例中，可采用近似最近邻搜索（ANNS，Approximate NearestNeigbor Search）方式，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点。

通过ANNS方式，当给定一个检索对象时，可从指定集合中快速地查找出距其最近的一个或多个邻居。

对应到本公开所述方案中，可索引数据库中的各兴趣点的向量表示，并可结合第一兴趣点的向量表示，通过ANNS方式，高效准确地检索出第一兴趣点的N个最近邻兴趣点，从而为后续处理奠定了良好的基础。

可将得到的N个最近邻兴趣点作为候选兴趣点，之后，若确定任一候选兴趣点与第一兴趣点为同一兴趣点，则可确定本次验证通过。比如，假设共获取到了10个候选兴趣点，分别为候选兴趣点1-候选兴趣点10，其中，候选兴趣点2与第一兴趣点为同一兴趣点，那么则可确定本次验证通过，即可确定候选兴趣点2真实存在于现实世界中。

本公开的一个实施例中，若基于获取到的人工比对结果确定任一候选兴趣点与第一兴趣点为同一兴趣点，则可确定本次验证通过，其中，针对任一候选兴趣点，所述人工比对结果包括：将该候选兴趣点对应的招牌图像与第一兴趣点对应的招牌图像进行比对后得到的该候选兴趣点与第一兴趣点是否为同一兴趣点的比对结果。

在实际应用中，针对获取到的各候选兴趣点，可人工分别将各候选兴趣点对应的招牌图像与第一兴趣点对应的招牌图像进行比对，以确定各候选兴趣点与第一兴趣点是否为同一兴趣点，或者，也可按照预定顺序依次将各候选兴趣点对应的招牌图像与第一兴趣点对应的招牌图像进行比对，若确定当前比对的候选兴趣点与第一兴趣点为同一兴趣点，则可结束处理，即不再对之后的候选兴趣点进行比对。

由于候选兴趣点的数量通常较少，因此即便由人工来进行比对，也仅需耗费较小的人力和时间成本，而且人工比对的结果通常更为准确。

或者，本公开的一个实施例中，若确定任一候选兴趣点的预定特征与第一兴趣点的预定特征之间的相似度大于预定阈值，则可确定该候选兴趣点与第一兴趣点为同一兴趣点，相应地，可确定本次验证通过，其中，所述预定特征可包括：基于兴趣点对应的招牌图像提取出的图像特征和/或文本特征。

假设共获取到了10个候选兴趣点，分别为候选兴趣点1-候选兴趣点10，以候选兴趣点2为例，可从候选兴趣点2对应的招牌图像中提取出图像特征，如可采用现有的各种图像特征提取算法来提取所述图像特征，并且，可从候选兴趣点2对应的招牌图像中提取出文本特征，如可采用光学字符识别（OCR，Optical Character Recognitio）方式从招牌图像中提取出兴趣点的名称等，作为所需的文本特征，并可将提取出的图像特征和文本特征进行拼接，得到第一拼接结果，按照同样的方式，可将从第一兴趣点对应的招牌图像中提取出的图像特征和文本特征进行拼接，得到第二拼接结果，进而可计算第一拼接结果和第二拼接结果之间的相似度，若相似度大于预定阈值，则可确定候选兴趣点2与第一兴趣点为同一兴趣点，所述阈值的具体取值可根据实际需要而定。

通过上述处理，可自动地确定出任一候选兴趣点与第一兴趣点是否为同一兴趣点，无需人工参与，从而进一步节省了人力和时间成本。

若确定各候选兴趣点与第一兴趣点均不为同一兴趣点，那么可确定本次验证不通过，后续如何处理不作限制，比如，可将第一兴趣点补充到数据库中，或者，确定数据库中的兴趣点是否存在错误，并对存在的错误进行修正等。

本公开所述方案中，无论是第一兴趣点还是数据库中的各兴趣点，其向量表示均可按照同样的方式生成，而且，数据库中的各兴趣点的向量表示可预先生成，从而可在需要时直接使用，进而进一步提升了验证效率。

以第一兴趣点为例，本公开的一个实施例中，可按照以下方式来生成第一兴趣点的向量表示：根据第一兴趣点对应的招牌图像生成图像特征矩阵，根据第一兴趣点对应的坐标生成随机矩阵，根据图像特征矩阵以及随机矩阵生成第一兴趣点的向量表示。

本公开的一个实施例中，可根据第一兴趣点对应的招牌图像生成原始特征矩阵，原始特征矩阵中的每个元素分别对应于招牌图像中的一个像素点，且每个元素的取值分别等于对应的像素点的取值，之后可对生成的原始特征矩阵进行卷积神经网络（CNN，Convolutional Neural Network）运算，从而得到所需的图像特征矩阵。

比如，第一兴趣点对应的招牌图像为a*b大小的图像，那么原始特征矩阵的大小也可为a*b，其中的每个元素分别对应于招牌图像中的一个像素点，如坐标为（1，1）的元素对应于招牌图像中坐标为（1，1）的像素点，且取值等于坐标为（1，1）的像素点的取值，再比如，坐标为（1，2）的元素对应于招牌图像中坐标为（1，2）的像素点，且取值等于坐标为（1，2）的像素点的取值，其它以此类推。

针对得到的原始特征矩阵，可对其进行卷积神经网络运算，从而得到所需的图像特征矩阵。

即有：； （1）

其中，Z表示原始特征矩阵，表示图像特征矩阵。

本公开的一个实施例中，可将第一兴趣点对应的坐标映射为由0和1组成的第一特征向量，之后可基于生成的随机向量对第一特征向量进行扩充，从而得到所需的随机矩阵。

比如，对于第一兴趣点对应的坐标（x，y），可通过地理散列（GeoHash）算法，将其映射为一个稀疏的由0和1组成的向量，为与后续出现的向量进行区分，将其称为第一特征向量。

即有：； （2）

其中，表示第一特征向量。

考虑到第一特征向量和图像特征矩阵无法直接进行融合，因此本公开所述方案，还可基于第一特征向量生成随机矩阵，随机矩阵的大小可与图像特征矩阵的大小相同。

比如，可通过地理嵌入（GeoEmb）函数，将第一特征向量中的每个元素分别赋予一个随机向量，从而得到扩充后的随机矩阵。

即有：； （3）

其中，表示随机矩阵。

之后，可根据生成的图像特征矩阵以及随机矩阵生成第一兴趣点的向量表示。本公开的一个实施例中，可对图像特征矩阵以及随机矩阵进行特征交叉融合，从而得到第一交叉融合结果以及第二交叉融合结果，之后可对第一交叉融合结果进行平均池化（Avg_pool），得到第二特征向量，并可对第二交叉融合结果进行平均池化，得到第三特征向量，进而可将第二特征向量和第三特征向量进行合并，从而得到第一兴趣点的向量表示。

比如，可通过如下函数，对图像特征矩阵和随机矩阵进行特征交叉融合：

； （4）

； （5）

其中，，W和U均为矩阵，为进行特征交叉融合时用到的参数，即为融合特征模型的参数，取值可预先训练得到，另外，d的取值可预先人工设定，I表示第一交叉融合结果，G表示第二交叉融合结果。

可对第一交叉融合结果进行平均池化，得到第二特征向量，并可对第二交叉融合结果进行平均池化，得到第三特征向量。

即有； （6）

； （7）

其中，i表示第二特征向量，g表示第三特征向量，这两个向量均为特征交叉向量。

进一步地，可将第二特征向量和第三特征向量进行合并，从而得到第一兴趣点的向量表示。

即有：； （8）

其中，m表示向量表示。

可以看出，采用上述处理方式，最终得到的向量表示中同时融合了第一兴趣点的坐标信息和图像信息，从而提升了获取到的向量表示的准确性，进而提升了基于向量表示召回的候选兴趣点的准确性等。

如前所述，融合特征模型的参数可为预先训练得到的，本公开的一个实施例中，融合特征模型的参数可为基于所构建的训练数据集预先训练得到的，每个训练数据集中可包括：参考兴趣点、与参考兴趣点为同一兴趣点但对应的坐标不同的正向兴趣点、与参考兴趣点为不同兴趣点的负向兴趣点以及各兴趣点分别对应的向量表示，所述坐标可为采集点坐标。

比如，可利用度量距离的损失函数，训练得到融合特征模型的参数，所述损失函数L△可为：

； （9）

其中，m表示参考兴趣点的向量表示，表示正向兴趣点的向量表示，/>表示负向兴趣点的向量表示，/>表示训练数据集，/>的取值可预先人工设定，假设参考兴趣点为兴趣点x，那么正向兴趣点也可为兴趣点x，只是两者对应不同的采集点坐标，相应地，对应的招牌图像为分别在各自的采集点坐标处拍摄到的招牌图像。

通过上述处理，可预先训练得到融合特征模型的参数，这样，当需要生成任一兴趣点的向量表示时，直接使用训练好的参数即可，从而加快了向量表示的生成速度。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，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是本公开所必须的。

总之，采用本公开方法实施例所述方案，可节省人力和时间成本，并提升了验证效率，而且，可预先即生成数据库中的各兴趣点的向量表示，从而可在验证时直接使用，进而进一步提升了验证效率。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图3为本公开所述兴趣点验证装置实施例300的组成结构示意图。如图3所示，包括：第一获取模块301、第二获取模块302以及验证模块303。

第一获取模块301，用于获取第一兴趣点的向量表示，第一兴趣点为采集到的任一兴趣点。

第二获取模块302，用于根据第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数。

验证模块303，用于若确定任一候选兴趣点与第一兴趣点为同一兴趣点，则确定本次验证通过。

上述装置实施例所述方案中，可基于兴趣点的向量表示，自动地从数据库中召回候选兴趣点，候选兴趣点的数量通常较少，之后可根据召回的候选兴趣点及采集到的兴趣点完成本次验证，相比于传统方式，节省了人力和时间成本，并提升了验证效率。

针对采集到的任一兴趣点，即第一兴趣点，第一获取模块301可分别获取其向量表示。另外，可预先分别获取数据库中的各兴趣点的向量表示。

根据第一兴趣点的向量表示以及数据库中的各兴趣点的向量表示，第二获取模块302可从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点，作为候选兴趣点。本公开的一个实施例中，第二获取模块302可采用ANNS方式，从数据库中的各兴趣点中选出第一兴趣点的N个最近邻兴趣点。

之后，验证模块303若确定任一候选兴趣点与第一兴趣点为同一兴趣点，则可确定本次验证通过。

本公开的一个实施例中，验证模块303基于获取到的人工比对结果确定任一候选兴趣点与第一兴趣点为同一兴趣点，则可确定本次验证通过，其中，针对任一候选兴趣点，所述人工比对结果包括：将该候选兴趣点对应的招牌图像与第一兴趣点对应的招牌图像进行比对后得到的该候选兴趣点与第一兴趣点是否为同一兴趣点的比对结果。

或者，本公开的一个实施例中，验证模块303确定任一候选兴趣点的预定特征与第一兴趣点的预定特征之间的相似度大于预定阈值，则可确定该候选兴趣点与第一兴趣点为同一兴趣点，相应地，可确定本次验证通过，其中，所述预定特征可包括：基于兴趣点对应的招牌图像提取出的图像特征和/或文本特征。

若确定各候选兴趣点与第一兴趣点均不为同一兴趣点，那么可确定本次验证不通过，后续如何处理不作限制。

本公开所述方案中，无论是第一兴趣点还是数据库中的各兴趣点，其向量表示均可按照同样的方式生成。

以第一兴趣点为例，本公开的一个实施例中，第一获取模块301可按照以下方式来生成第一兴趣点的向量表示：根据第一兴趣点对应的招牌图像生成图像特征矩阵，根据第一兴趣点对应的坐标生成随机矩阵，根据图像特征矩阵以及随机矩阵生成第一兴趣点的向量表示。

本公开的一个实施例中，第一获取模块301可根据第一兴趣点对应的招牌图像生成原始特征矩阵，原始特征矩阵中的每个元素分别对应于招牌图像中的一个像素点，且每个元素的取值分别等于对应的像素点的取值，之后可对生成的原始特征矩阵进行卷积神经网络运算，从而得到所需的图像特征矩阵。

本公开的一个实施例中，第一获取模块301可将第一兴趣点对应的坐标映射为由0和1组成的第一特征向量，之后可基于生成的随机向量对第一特征向量进行扩充，从而得到所需的随机矩阵。

另外，本公开的一个实施例中，第一获取模块301还可对获取到的图像特征矩阵以及随机矩阵进行特征交叉融合，从而得到第一交叉融合结果以及第二交叉融合结果，之后可对第一交叉融合结果进行平均池化，得到第二特征向量，并可对第二交叉融合结果进行平均池化，得到第三特征向量，进而可将第二特征向量和第三特征向量进行合并，从而得到第一兴趣点的向量表示。

本公开的一个实施例中，进行特征交叉融合时用到的参数可为基于所构建的训练数据集预先训练得到的，每个训练数据集中可包括：参考兴趣点、与参考兴趣点为同一兴趣点但对应的坐标不同的正向兴趣点、与参考兴趣点为不同兴趣点的负向兴趣点以及各兴趣点分别对应的向量表示，所述坐标可为采集点坐标。

图3所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可节省人力和时间成本，并提升了验证效率，而且，可预先即生成数据库中的各兴趣点的向量表示，从而可在验证时直接使用，进而进一步提升了验证效率。

本公开所述方案可应用于人工智能领域，特别涉及计算机视觉、深度学习以及自然语言处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开所述实施例中的图像和坐标等信息并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种兴趣点验证方法，包括：

获取第一兴趣点的向量表示，包括：根据所述第一兴趣点对应的招牌图像生成原始特征矩阵，所述原始特征矩阵中的每个元素分别对应所述招牌图像中的一个像素点，且每个元素的取值分别等于对应的像素点的取值，对所述原始特征矩阵进行卷积神经网络运算，得到图像特征矩阵，针对所述第一兴趣点对应的坐标，通过地理散列算法，将其映射为由0和1组成的第一特征向量，通过地理嵌入函数，将所述第一特征向量中的各元素分别赋予一个随机向量，得到扩充后的随机矩阵，对所述图像特征矩阵以及所述随机矩阵进行特征交叉融合，得到第一交叉融合结果以及第二交叉融合结果，对所述第一交叉融合结果进行平均池化，得到第二特征向量，对所述第二交叉融合结果进行平均池化，得到第三特征向量，将所述第二特征向量和所述第三特征向量进行合并，得到所述第一兴趣点的向量表示；数据库中的各兴趣点的向量表示与所述第一兴趣点的向量表示的生成方式相同，所述第一兴趣点为采集到的任一兴趣点；

根据所述第一兴趣点的向量表示以及所述数据库中的各兴趣点的向量表示，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数；

若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过。

2.根据权利要求1所述的方法，其中，所述从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点包括：

采用近似最近邻搜索方式，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点。

3.根据权利要求1所述的方法，其中，所述若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过包括：

若基于获取到的人工比对结果确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过；

针对任一候选兴趣点，所述人工比对结果包括：将所述候选兴趣点对应的招牌图像与所述第一兴趣点对应的招牌图像进行比对后得到的所述候选兴趣点与所述第一兴趣点是否为同一兴趣点的比对结果。

4.根据权利要求1所述的方法，其中，所述确定任一候选兴趣点与所述第一兴趣点为同一兴趣点包括：

若确定任一候选兴趣点的预定特征与所述第一兴趣点的预定特征之间的相似度大于预定阈值，则确定所述候选兴趣点与所述第一兴趣点为同一兴趣点；

所述预定特征包括：基于兴趣点对应的招牌图像提取出的图像特征和/或文本特征。

5.根据权利要求1所述的方法，其中，

所述进行特征交叉融合时用到的参数为基于所构建的训练数据集预先训练得到的；

所述训练数据集中包括：参考兴趣点、与所述参考兴趣点为同一兴趣点但对应的坐标不同的正向兴趣点、与所述参考兴趣点为不同兴趣点的负向兴趣点以及各兴趣点分别对应的向量表示，所述坐标为采集点坐标。

6.一种兴趣点验证装置，包括：第一获取模块、第二获取模块以及验证模块；

所述第一获取模块，用于获取第一兴趣点的向量表示，包括：根据所述第一兴趣点对应的招牌图像生成原始特征矩阵，所述原始特征矩阵中的每个元素分别对应所述招牌图像中的一个像素点，且每个元素的取值分别等于对应的像素点的取值，对所述原始特征矩阵进行卷积神经网络运算，得到图像特征矩阵，针对所述第一兴趣点对应的坐标，通过地理散列算法，将其映射为由0和1组成的第一特征向量，通过地理嵌入函数，将所述第一特征向量中的各元素分别赋予一个随机向量，得到扩充后的随机矩阵，对所述图像特征矩阵以及所述随机矩阵进行特征交叉融合，得到第一交叉融合结果以及第二交叉融合结果，对所述第一交叉融合结果进行平均池化，得到第二特征向量，对所述第二交叉融合结果进行平均池化，得到第三特征向量，将所述第二特征向量和所述第三特征向量进行合并，得到所述第一兴趣点的向量表示；数据库中的各兴趣点的向量表示与所述第一兴趣点的向量表示的生成方式相同，所述第一兴趣点为采集到的任一兴趣点；

所述第二获取模块，用于根据所述第一兴趣点的向量表示以及所述数据库中的各兴趣点的向量表示，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点，作为候选兴趣点，N为正整数；

所述验证模块，用于若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过。

7.根据权利要求6所述的装置，其中，

所述第二获取模块采用近似最近邻搜索方式，从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点。

8.根据权利要求6所述的装置，其中，

所述验证模块基于获取到的人工比对结果确定任一候选兴趣点与所述第一兴趣点为同一兴趣点，则确定本次验证通过；

针对任一候选兴趣点，所述人工比对结果包括：将所述候选兴趣点对应的招牌图像与所述第一兴趣点对应的招牌图像进行比对后得到的所述候选兴趣点与所述第一兴趣点是否为同一兴趣点的比对结果。

9.根据权利要求6所述的装置，其中，

所述验证模块确定任一候选兴趣点的预定特征与所述第一兴趣点的预定特征之间的相似度大于预定阈值，则确定所述候选兴趣点与所述第一兴趣点为同一兴趣点；

所述预定特征包括：基于兴趣点对应的招牌图像提取出的图像特征和/或文本特征。

10.根据权利要求6所述的装置，其中，

所述进行特征交叉融合时用到的参数为基于所构建的训练数据集预先训练得到的；

所述训练数据集中包括：参考兴趣点、与所述参考兴趣点为同一兴趣点但对应的坐标不同的正向兴趣点、与所述参考兴趣点为不同兴趣点的负向兴趣点以及各兴趣点分别对应的向量表示，所述坐标为采集点坐标。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。