精华内容
下载资源
问答
  • 识别图片地点_地点识别
    千次阅读
    2020-07-20 05:19:40

    识别图片地点

    Imagine this scenario: you catch-up with a friend who’s returned from a trip to India. You’ve traveled extensively through India and recommended your friend to holiday there. When you meet, your friend tells you about having seen a monkey wearing a red hat in front of a temple. You remember seeing that very same monkey several years ago! You whip out your phone to find the photo as proof. This is how the next few minutes of conversation might sound: “I know it’s here somewhere! No, no. It was before we visited the waterfall. Hmm. It was after the beach, I’m pretty sure…” Frustrating, right?

    想象一下这种情况:您遇到了一个从印度之旅中回来的朋友。 您已经遍历印度,并推荐您的朋友去印度度假。 见面时,您的朋友告诉您有关看到一只猴子在庙宇前面戴红色帽子的故事。 您还记得几年前见过同一只猴子! 您拨出手机以查找照片作为证据。 接下来的几分钟可能是这样的:“我知道它在这里! 不,不。 那是在我们参观瀑布之前。 嗯 是在海滩之后,我敢肯定……”令人沮丧,对吧?

    Holidays usually last a week or two and involve taking continuous holiday snaps. Finding a single image on your phone taken some time ago can be tricky. This can be frustrating, but not impossible. We intuitively replay a sequence of mental images that provide information about our location at any one point in time.

    假期通常持续一两个星期,并且需要连续进行假期。 在手机上查找某段时间前拍摄的单个图像可能很棘手。 这可能令人沮丧,但并非不可能。 我们直观地重播一系列心理图像,这些图像可提供有关我们在任何时间点的位置的信息。

    地点识别 (Place Recognition)

    This recognition and recall of previously seen information is what makes up the problem of place recognition. Finding the holiday snap of that one monkey wearing a red hat on your phone involves the same mental navigation. As you thumb through images, your mind goes back in time and mentally replays the duration of your holiday, localizing when and where you saw the monkey.

    对先前看到的信息的这种识别和回忆是构成位置识别问题的原因。 找到那只猴子在手机上戴红色帽子的假日快照涉及相同的心理导航。 当您翻阅图像时,您的思维会回到过去,并在心理上重播假期的时间,从而确定您何时何地看到了猴子。

    Here’s another way of explaining it. When you give someone directions to a location, it’s common to say something like: ‘Go straight ahead until you see the famous burger place, take a left and then you’ll see a pharmacy right in front of you. Take a right there….’. All this information is useless if they are unable to match what they see to what you described.

    这是另一种解释方式。 当您向某人指示某个地点的路线时,通常会说类似这样的话:“直走,直到看到著名的汉堡店,向左走,然后您会在眼前看到一家药房。 在那儿右转…。'。 如果他们无法将看到的内容与您描述的内容相匹配,则所有这些信息都将毫无用处。

    更大范围 (At Larger Scales)

    Now, imagine if your mobile phone never stopped capturing images, day and night. It would be virtually impossible to navigate through all the content to find one image of a monkey wearing a red hat from a sequence of holiday snaps taken months or years ago. This is precisely the problem autonomous vehicles have to solve. In place of photos on a mobile phone, these robots must make sense of a continuous stream of video sequences (equivalent to millions of images) captured while in motion throughout their operational lifetime.

    现在,想象一下您的手机是否昼夜不停地捕获图像。 从几个月或几年前拍摄的一系列假日快照中,几乎不可能浏览所有内容来找到一个戴着红色帽子的猴子的图像。 这正是自动驾驶汽车必须解决的问题。 这些机器人必须替代移动电话上的照片,才能感觉到在其整个使用寿命中运动时所捕获的连续视频序列流(相当于数百万个图像)。

    For robots, successful localization over large scale observations happens through the process of, you guessed it, scalable place recognition.

    对于机器人来说,您可以猜到它是可扩展的位置识别的过程,因此可以成功进行大规模观测的本地化。

    机器人像人类一样解决问题 (Robots Problem-Solve Like Humans)

    As humans, we carry a representation of the world in our heads all the time. It’s a similar situation for autonomous vehicles. In order to make effective decisions ‘on the go’, self-driving cars must make sense of a never-ending sequence of images as quickly as possible.

    作为人类,我们所向披靡的表现在我们头上所有的时间 。 无人驾驶汽车也有类似情况。 为了在旅途中做出有效的决定,自动驾驶汽车必须尽可能快地理解无休止的图像序列。

    Humans and robots also share an ability to access outside help in the form of GPS navigation/localization tools. GPS, however, is not accurate enough for all tasks in all scenarios — underwater, underground, on Mars! This is problematic when it comes to the reliability of autonomous cars and their ability to make accurate, real-time decisions. Fortunately, if robots, including automated vehicles, have seen something before, this information should help self-localization.

    人类和机器人还具有以GPS导航/定位工具的形式访问外部帮助的能力。 但是,GPS在所有情况下(水下,地下,火星上)的所有任务都不够准确! 当涉及到自动驾驶汽车的可靠性及其做出准确,实时决策的能力时,这是有问题的。 幸运的是,如果机器人(包括自动驾驶汽车)以前见过某物,则此信息应有助于自我定位。

    Think back to a time when you were lost in a new city. After randomly walking around, you suddenly see a building you noticed earlier, maybe because of its color or size. Thanks to the place recognition algorithm running in your head, you work out where the building is situated in relation to your hotel, allowing you a safe return. We don’t consider a single image or scene to recognize where we are. We make sense of things by playing back a sequence of connected images (and memories) to navigate back to your hotel.

    回想一下你在一个新城市迷路的时候。 随机走动后,您可能会突然看到先前注意到的建筑物,可能是因为其颜色或大小。 得益于大脑中运行的位置识别算法,您可以算出建筑物相对于酒店的位置,从而安全返回。 我们不会考虑单个图像或场景来识别我们的位置。 我们通过播放一系列相连的图像(和记忆)来导航回您的酒店,从而使事情变得有意义。

    As part of the Australian Centre for Robot Vision, we’ve applied this same ‘human’ strategy to robots. We use scalable place recognition to match what a robot is actively seeing to millions of previously observed images. Individual images may not be informative enough for localisation. However, gathering bits and pieces of evidence from each image and using that to reason over sequences has shown great promise for localisation, even when the appearance of images changes due to weather, time of day, etc.

    作为澳大利亚机器人视觉中心的一部分,我们已将相同的“人类”策略应用于机器人。 我们使用可缩放的位置识别来将机器人正在主动看到的内容与数百万个先前观察到的图像进行匹配。 单个图像可能不足以提供本地化信息。 但是,即使当图像的外观由于天气,一天中的时间等发生变化时,从每幅图像中收集点点证据并用于对序列进行推理也显示出了很好的定位潜力。

    机器学习可以拯救吗? (Machine learning to the rescue?)

    While machine learning is used to solve most problems in the field of robotics, our focus on sequential reasoning takes a slightly old-fashioned route. The good news, as shown in our work at 2019 ICCV, is that sequential reasoning outperforms bespoke deep learning-based approaches to solving the problem of scalable place recognition for robots. This surprised us as well!

    虽然机器学习被用来解决机器人领域的大多数问题,但我们对顺序推理的关注却有些过时。 正如我们在2019 ICCV上的工作所示,好消息是顺序推理胜过定制基于深度学习的方法来解决机器人可扩展位置识别的问题。 这也让我们感到惊讶!

    A big limitation of current deep learning methods is their inability to generalize to unseen scenarios. By contrast, we have shown our method works ‘out of the box’ for a wide range of different environments trialed. Additionally, because there are no learned components in sequential reasoning, our methods is not limited by scope and can be informed by millions of images as soon as they are seen.

    当前深度学习方法的一大局限性在于它们无法推广到看不见的场景。 相比之下,我们已经展示了我们的方法可以在各种不同的环境中“开箱即用”地工作。 此外,由于在顺序推理中没有学习到的组成部分,因此我们的方法不受范围的限制,一旦被看到,便可以被数百万张图像告知。

    未来之路:后续步骤和挑战 (The Road Ahead: Next Steps and Challenges)

    Autonomous cars will soon become a reality on our roads. To navigate safely, these future robots will need to see and understand countless thousand images each time they drive on a road.

    自动驾驶汽车将很快在我们的道路上成为现实。 为了安全导航,这些未来的机器人每次在道路上行驶时,都需要查看和理解无数的图像。

    There are still challenges to overcome. For example, as humans, we have little problem working out where we are, even in changing conditions. In dark or stormy conditions, we can still look out the window of our car during a stormy dark night and still be able to localise where we are. Robots, however, still find it hard to interpret images when the appearance of a location changes due to external/environmental factors (light, weather, obstructions etc).

    仍然需要克服的挑战。 例如,作为人类,即使在不断变化的环境中 ,我们几乎也不会遇到问题。 在黑暗或暴风雨的条件下,我们仍然可以在暴风雨的漆黑夜里看着车窗外,仍然可以定位我们所在的位置。 但是,当位置的外观由于外部/环境因素(光线,天气,障碍物等)而发生变化时,机器人仍然难以理解图像。

    A more immediate problem to overcome is storage. All the images seen by an autonomous vehicle need to be stored in memory to enable sequential reasoning about them.

    需要解决的一个更直接的问题是存储 。 无人驾驶汽车看到的所有图像都需要存储在内存中,以便能够对其进行顺序推理。

    The current challenge for us is to come up with a ‘life-long place recognition’ method that will continue to operate under every conceivable circumstance — no matter the weather or time of day — and across large scales. We want to combine what we know presently about our location to make predictions about where we will be in the next instant in time. Using this information, we can then limit the set of images that we need to reason over. The reasoning behind it goes something like this. If I know I am somewhere in the Adelaide CBD, it’s highly unlikely (actually, impossible in the absence of teleportation) that, in the next moment, I’ll find myself somewhere in Perth. Therefore, let’s only look at images close to my current location and mark everything else as ‘not likely’.

    当前我们面临的挑战是提出一种“ 终生位置识别 ”方法,该方法将在各种可能的情况下(无论天气或一天中的时间如何)在大范围内继续运行。 我们想结合我们目前对位置的了解,对下一个瞬间的位置做出预测 。 然后,使用此信息,我们可以限制需要推理的图像集。 其背后的原因是这样的。 如果我知道自己在阿德莱德中央商务区的某个地方,那么极不可能(实际上,在没有远距离交通的情况下是不可能的),在下一刻,我会发现自己在珀斯的某个地方。 因此,让我们仅查看靠近我当前位置的图像,并将其他所有内容标记为“不太可能”。

    We are hopeful that by combining sequential analysis with memory management, we will be able to achieve a method that enables an autonomous vehicle to localise itself over arbitrarily large image collections.

    我们希望,通过将顺序分析与内存管理相结合,我们将能够实现一种方法,使自动驾驶汽车能够将自己定位在任意大的图像集合上。

    Imagine this future scenario: autonomous cars that can work together to capture a real-time snapshot of what the world looks like at any given moment and how it changes from day to day. Such large-scale place recognition methods could enable precise localization for each self-driving car by looking at the world through the combined eyes of all cars.

    想象一下这种未来情况:自动驾驶汽车可以协同工作,以实时捕获世界在任何给定时刻的样子以及其每天如何变化的快照。 这样的大规模位置识别方法可以通过用所有汽车的组合眼睛观察世界来实现每辆自动驾驶汽车的精确定位。

    Exciting times, indeed!

    确实令人兴奋的时代!

    翻译自: https://towardsdatascience.com/how-do-robots-find-themselves-in-an-ever-changing-world-19eda1956c56

    识别图片地点

    更多相关内容
  • 图片免费识别在线地址,精心收集的。
  • 通过提取jpg格式图片中携带的元数据获得gps的信息,再通过调用地图openApi将经纬信息反解析为对应的实际地理位置。 测试小程序在这里 必备工具 1.微信小程序的云函数 2.腾讯地图open-api 3.nodejs 基础语法 4.exif...

    原理——元数据

    通过提取jpg格式图片中携带的元数据获得gps的信息,再通过调用地图openApi将经纬信息反解析为对应的实际地理位置。

    测试小程序在这里

    在这里插入图片描述

    必备工具

    1.微信小程序的云函数
    2.腾讯地图open-api
    3.nodejs 基础语法
    4.exifreader nodejs moudle

    背景

    手机相机设置中,默认开了gps位置信息。这是一切的出发点,至于为什么会默认开启这里不是我们讨论的点。除了gps的信息以外,还有机型信息,以及如下信息 请查看文末的表格

    识别成功前提

    • 你的图片必须是原图,使用手机的前置摄像头拍摄
    • 相机设置中必须开启gps 信息
    • 如果不是自己的图片,请确保对方在发送图片时勾选了原图选项

    为了获得包含了gps元数组的图片的条件还是蛮苛刻的,例如在拍摄的过程中,gps定位未开启,或者gps信息弱,等情况此时就不会存在gps的信息,不过拍摄时间还是有的,所以可以确定拍摄图片时的手机时间。又或者使用了美拍,美图秀秀,b613…这些三方的摄像头,都不会携带元数据。如果未选择原图传送,经过聊天软件的压缩之后,原本携带的元数据也将丢失。所以别指望通过什么朋友圈图片得到地址信息。

    核心代码

    //使用npm install 安装 exifreader 模块
    import ExifReader from 'exifreader'
    //此处使用的腾讯地图的 sdk JavaScript版本,请自行到官网下载
    import QQMapWX from 'qqmap-wx-jssdk.js'
    const tags = ExifReader.load(filedata.fileContent, { expanded: true })
    //经纬度
    let GPSLatitude = tags.exif.GPSLatitude.description
    let GPSLongitude = tags.exif.GPSLongitude.description
    
    let local = qqmapsdk.reverseGeocoder({
          location: {
            latitude: GPSLatitude ,
            longitude: GPSLongitude 
          },
          coord_type: 1,
          success: (data) => {
          	//这里你将获得地址反解析的数据
          },
          fail: console.error,
          complete: console.log,
          sig: '签名'
        })
    

    总结

    只对技术评论:这个并不是什么黑科技。


    更新

    • 2021年6月21日 新增map展示页面,新增一键复制源数据功能。
    • 2021年9月30日 微信云函数变更,目前功能已无法使用

    附件

    EXIF 标识

    标识说明
    ExifVersionExif 版本
    FlashPixVersionFlashPix 版本
    ColorSpace色域、色彩空间
    PixelXDimension图像的有效宽度
    PixelYDimension图像的有效高度
    ComponentsConfiguration图像构造
    CompressedBitsPerPixel压缩时每像素色彩位
    MakerNote制造商设置的信息
    UserComment用户评论
    RelatedSoundFile关联的声音文件
    DateTimeOriginal创建时间
    DateTimeDigitized数字化创建时间
    SubsecTime日期时间(秒)
    SubsecTimeOriginal原始日期时间(秒)
    SubsecTimeDigitized原始日期时间数字化(秒)
    ExposureTime曝光时间
    FNumber光圈值
    ExposureProgram曝光程序
    SpectralSensitivity光谱灵敏度
    ISOSpeedRatings感光度
    OECF光电转换功能
    ShutterSpeedValue快门速度
    ApertureValue镜头光圈
    BrightnessValue亮度
    ExposureBiasValue曝光补偿
    MaxApertureValue最大光圈
    SubjectDistance物距
    MeteringMode测光方式
    Lightsource光源
    Flash闪光灯
    SubjectArea主体区域
    FocalLength焦距
    FlashEnergy闪光灯强度
    SpatialFrequencyResponse空间频率反应
    FocalPlaneXResolution焦距平面X轴解析度
    FocalPlaneYResolution焦距平面Y轴解析度
    FocalPlaneResolutionUnit 焦距平面解析度单位
    SubjectLocation主体位置
    ExposureIndex曝光指数
    SensingMethod图像传感器类型
    FileSource源文件
    SceneType场景类型(1 == 直接拍摄)
    CFAPatternCFA 模式
    CustomRendered自定义图像处理
    ExposureMode曝光模式
    WhiteBalance白平衡(1 == 自动,2 == 手动)
    DigitalZoomRation数字变焦
    FocalLengthIn35mmFilm35毫米胶片焦距
    SceneCaptureType场景拍摄类型
    GainControl场景控制
    Contrast对比度
    Saturation饱和度
    Sharpness锐度
    DeviceSettingDescription设备设定描述
    SubjectDistanceRange主体距离范围
    InteroperabilityIFDPointer
    ImageUniqueID图像唯一ID

    Tiff 相关

    标识说明
    ImageWidth图像宽度
    ImageHeight图像高度
    BitsPerSample比特采样率
    Compression压缩方法
    PhotometricInterpretation像素合成
    Orientation拍摄方向
    SamplesPerPixel像素数
    PlanarConfiguration数据排列
    YCbCrSubSampling色相抽样比率
    YCbCrPositioning色相配置
    XResolutionX方向分辨率
    YResolutionY方向分辨率
    ResolutionUnit分辨率单位
    StripOffsets图像资料位置
    RowsPerStrip每带行数
    StripByteCounts每压缩带比特数
    JPEGInterchangeFormatJPEG SOI 偏移量
    JPEGInterchangeFormatLengthJPEG 比特数
    TransferFunction转移功能
    WhitePoint白点色度
    PrimaryChromaticities主要色度
    YCbCrCoefficients颜色空间转换矩阵系数
    ReferenceBlackWhite黑白参照值
    DateTime日期和时间
    ImageDescription图像描述、来源
    Make生产者
    Model型号
    Software软件
    Artist作者
    Copyright版权信息

    GPS相关

    标识说明
    GPSVersionIDGPS 版本
    GPSLatitudeRef南北纬
    GPSLatitude纬度
    GPSLongitudeRef东西经
    GPSLongitude经度
    GPSAltitudeRef海拔参照值
    GPSAltitude海拔
    GPSTimeStampGPS 时间戳
    GPSSatellites测量的卫星
    GPSStatus接收器状态
    GPSMeasureMode测量模式
    GPSDOP测量精度
    GPSSpeedRef速度单位
    GPSSpeedGPS 接收器速度
    GPSTrackRef移动方位参照
    GPSTrack移动方位
    GPSImgDirectionRef图像方位参照
    GPSImgDirection图像方位
    GPSMapDatum地理测量资料
    GPSDestLatitudeRef目标纬度参照
    GPSDestLatitude目标纬度
    GPSDestLongitudeRef目标经度参照
    GPSDestLongitude目标经度
    GPSDestBearingRef目标方位参照
    GPSDestBearing目标方位
    GPSDestDistanceRef目标距离参照
    GPSDestDistance目标距离
    GPSProcessingMethodGPS 处理方法名
    GPSAreaInformationGPS 区功能变数名
    GPSDateStampGPS 日期
    GPSDifferentialGPS 修正
    展开全文
  • 人脸识别图片分类检索系统是利用人脸识别技术对照片中的人脸进行识别,把同一个人不同时间地点的照片提取归类。 照片按人脸进行分类,实现了人脸入库,分类检索,1:1比对和1:N比对,免费版可设置500张照片。 每秒...
  • iOS版微信的一项功能:当你在朋友圈发照片的时候,就可以根据照片的拍摄地点显示地理位置。消息一出,网友们便纷纷开始尝试新功能的玩法。 在微信朋友圈上传图片时,点击位置可以自动识别照片拍摄的地理位置。 ...
  • 想找一下龙岗区民办小学学校与家里的距离,我目前住宝安区,对那边不熟悉,在升学本地宝上了解到龙岗区有80所小学,但是资料是一张图片。其实后来我又找到了可复制的学校列表,但是作为一个老年萌新程序员。80个地址...
    需求

    想找一下龙岗区民办小学学校与家里的距离,我目前住宝安区,对那边不熟悉,在升学本地宝上了解到龙岗区有80所小学,但是资料是一张图片。其实后来我又找到了可复制的学校列表,但是作为一个老年萌新程序员。80个地址一个个去地图上搜索与家的距离,我内心是拒绝的!虽然菜但好歹是猿。
    我不是python猿,但我听说python很强大。所以一直想学习一下。
    正好拿来练练手。
    人类科技的驱动力就是懒!

    环境搭建就不赘述了,网上海量帖子一堆。我是windows环境,核心内容就是下载python.exe安装->配置环境变量。

    语言入门添加链接描述
    计算机语言入门

    • 基本语法,来个hello world
    • 变量
    • 运算符
    • 流程语句if,for,while,通用的,就是语法不一样
    • 数据类型,字符串,数字,列表
    • 函数,定义函数,函数调用,一门语言一开始都是面向过程的嘛~

    以上看一遍,像我就带着demo的任务来的。不会的看下文档。如果不带着目标学的话,一是知识点太多,二是容易打击你的积极性

    整理思路
    • 获取两个地点间的距离,这个好办,调用地图的api,其他web语言也可以做到。easy!
    • 这篇文章有意思的是,读取图片的内容,嗯~,不得不感叹python的扩展强大。只要pip,啥都有。
    两个地点间的距离

    1,先实现获取两点的距离,直接贴源码,封装了一个方法,你看,这就学到了函数的定义及调用。
    这个就是调api。没啥!

    #计算地址经纬度
    import requests
    from math import radians, cos, sin, asin, sqrt
    
    def geocode(address,address2):
     #高德地图api获取地址坐标,这个里面的key是高德地图开发平台获取,每天有访问限制的。注意,最好自己去注册获取
     parameters = {'address': address, 'key': '72140df0945c4f78c66a50a7685572a3'}
     base = 'http://restapi.amap.com/v3/geocode/geo'
     response = requests.get(base, parameters)
     answer = response.json()
     lon1 = float(answer['geocodes'][0]['location'].split(',')[0])
     lat1 = float(answer['geocodes'][0]['location'].split(',')[1])
    
     parameters2 = {'address': address2, 'key': '72140df0945c4f78c66a50a7685572a3'}
     response2 = requests.get(base, parameters2)
     answer2 = response2.json()
     lon2 = float(answer2['geocodes'][0]['location'].split(',')[0])
     lat2 = float(answer2['geocodes'][0]['location'].split(',')[1])
    
     # 将十进制度数转化为弧度
     lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
     # haversine公式
     dlon = lon2 - lon1
     dlat = lat2 - lat1
     a = sin(dlat / 2) ** 2 + cos(lat1) * cos(lat2) * sin(dlon / 2) ** 2
     c = 2 * asin(sqrt(a))
     r = 6371  # 地球平均半径,单位为公里
     return (c * r)
     #测试
     print(geocode('深圳市龙岗区龙岗街道新生社区水岸新都','深圳市龙岗区龙城街道欣景路110号'))
    
    识别图片内容并调用方法

    2,识别图片内容,调用map_rang.py里的geocode方法,直接贴源码。注释都写了,作为一个小学生,注释是必须要有的。
    图片识别阶段,遇到很多问题。但是他强任他强,孔子避其锋芒!

    import cv2
    import numpy as np
    import pytesseract as pt
    import matplotlib.pyplot as plt
    import map_range
    
    #识别图片内容
    
    img = cv2.imread(r'2.png',-1)
    #黑白化图片,识别更精准
    ret,img2 = cv2.threshold(np.array(img), 200, 255, cv2.THRESH_BINARY)
    plt.imshow(img2, cmap = 'gray', interpolation = 'bicubic')
    plt.xticks([]), plt.yticks([])
    #显示图片
    plt.show()
    #识别图片文字,chi_sim是语言包,识别中文要下载并放到相应的目录
    text2 = pt.image_to_string(img2, lang="chi_sim")
    #列表
    text2_list = text2.split("\n")
    
    #去掉空成员
    del_step = 0
    while del_step < len(text2_list):
        if(text2_list[del_step] == ''):
            del text2_list[del_step]
        del_step = del_step + 1
    
    
    #循环取距离
    text_len = len(text2_list)
    step  = 1
    while step < text_len:
        step = step +1
        if (step%2 == 0):#取模
            #因为图片中的地址是换行的,一个地址两行,所以用2取模拼接。
            final_address = ("%s%s"%(text2_list[step-2],text2_list[step-1]))
            #识别的内容,每个字中间都有个空格,先空格分割成list
            final_address = final_address.split(" ")
            #再空格链接list成员,并替换'\'
            final_address = ''.join(final_address).replace('\\','')
            #调用函数获取距离
            fast = map_range.geocode('深圳市龙岗区龙岗街道新生社区水岸新都', final_address)
            print("%s%s%f"%(final_address,' 离家(公里):', fast))
    
    
    
    
    
    
    
    

    结果:

    请添加图片描述

    验证

    深圳市龙岗区龙城街道欣景路110号 离家(公里):3.673851
    深圳市龙岗区平湖辅城坳岐岭村 离家(公里):18.073649
    深圳市龙岗区模股街道六约牛始埃村 离家(公里):15.474865
    深圳市龙围区龙岗街道南联村龙河路 离家(公里):3.203417
    深圳市龙岗区横岗街道六约麻地街33号 离家(公里):15.760627
    深圳市龙岗区龙城街道盛平中路12号 离家(公里):2.852333
    深圳市龙岗区横岗街道六约填坑村 离家(公里):14.530893
    深圳市龙岗区龙城街道新丰路107号 离家(公里):7.826566
    深圳市龙岗区坪地街道坪西告祥一路67号 离家(公里):4.608898
    深圳市龙岗区龙岗街道南联根物园路320号 离家(公里):4.037268
    深圳市龙岗区平湖街道平龙西路100号 离家(公里):18.027805

    高德地图验证,误差在1~2公里。还是具有参考价值的。哈哈

    原图

    我只是识别了其中部分内容,因为地址有的是一行,有的是两行。识别出来很乱,我懒得跟它较真,打消我的积极性。哈哈
    原图给你门,你也可以试试!
    请添加图片描述

    得瑟

    这一套下来,你对这门语言,又属性了三分了吧。接下来你得目标就是脱了他的diku。

    展开全文
  • 人脸识别分类检索系统快捷特制版是利用人脸识别技术对照片中的人脸进行识别,把同一个人不同时间地点的照片提取归类。照片按人脸进行分类,实现了人脸入库,分类检索,免费版可设置500张照片。每秒比对人脸6万张。...
  • 编写的python源程序,用于读出图片中的地理位置信息,即照片在哪拍的拍摄的就会存储拍摄地点的坐标信息
  • 图像地点场景类型识别(PlaceCNN)实践

    万次阅读 热门讨论 2018-04-20 21:18:39
    从图像中判断图像场景所处的地点类型,是图像理解的一种常见任务。本质上场景类别标注数据足够的情况下,它可以属于图像分类的一种,因此直接利用现有成熟的网络架构如ResNet就可以实现较高精度的图像涉及场所的识别...

      从图像中判断图像场景所处的地点类型,是图像理解的一种常见任务。本质上场景类别标注数据足够的情况下,它可以属于图像分类的一种,因此直接利用现有成熟的网络架构如ResNet就可以实现较高精度的图像涉及场所的识别。

      本文实践采自:http://places2.csail.mit.edu/download.html

           该数据集涵盖了365种图像场景,同时还提供了多种网络架构的预训练模型,主要如下:

    Pre-trained CNN models on Places365-Standard:

    • AlexNet-places365: deploy weights
    • GoogLeNet-places365: deploy weights
    • VGG16-places365: deploy weights
    • VGG16-hybrid1365: deploy weights
    • ResNet152-places365 fine-tuned from ResNet152-ImageNetdeploy weights
    • ResNet152-hybrid1365: deploy weights
    • ResNet152-places365 trained from scratch using Torch: torch model converted caffemodel:deploy weights. It is the original ResNet with 152 layers. On the validation set, the top1 error is 45.26% and the top5 error is 15.02%.
    • ResNet50-places365 trained from scratch using Torch: torch model. It is Preact ResNet with 50 layers. The top1 error is 44.82% and the top5 error is 14.71%.
    • To use the alexnet and vgg16 caffemodels in Torch, use the torch library loadcaffe, where you could simply load the caffe model use the following commands. But note that the input image scale should be from 0-255, which is different to the 0-1 scale in the previous resnet Torch models trained from scratch in fb.resnet.torch.


    2、实验结果



    将上图地点分类为:酒巴、饭店或者咖啡屋。



    这是数据集中的一张测试照片,定义为会议室。




    这个候车厅的识别也是非常准确的。


    见:https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1523878667027&di=287398ec5e55869341ba2747794612a3&imgtype=0&src=http%3A%2F%2Fimg.pconline.com.cn%2Fimages%2Fphotoblog%2F8%2F7%2F0%2F0%2F8700542%2F20094%2F30%2F1241086150942.jpg



    篮球场也在前三名之内




    港口码头也在前几位。

    展开全文
  • (此图片来源于网络,如有侵权,请联系删除! ) wxml: 1 2 <input class='choose-address' placeholder='\u8bf7\u9009\u53d6\u5730\u70b9' value='{{chooseAddress}}'></input> 3 wxss: 1 .choose-...
  • 微信扫一扫地标识别技术揭秘

    千次阅读 2021-04-30 00:42:52
    背景 ▍微信地标识别 现在,“万物”皆可识别的微信识图可以轻松满足我们的好奇心,在微信里长按图片,这类地标风景的各类百科、资讯、甚至景点服务都能一触即达。 各地的秀丽风光、人文建筑在我们在朋友圈里等待...
  • 人脸识别最全知识图谱

    千次阅读 2021-06-01 01:05:00
    在人脸识别后,下一步数据的处理和应用,决定着人脸识别设备的实际应用,如应用在出入门禁控制、人脸图片搜索、上下班刷卡、恐怖分子识别等各个领域,可扩展性强。 正是因为人脸识别拥有这些良好的特性,使其具有...
  • 海康摄像头识别拍照+水印功能Linux和win环境皆可,解决了很多坑的地方
  • 如何查找一张照片的拍摄地点

    万次阅读 2021-10-11 15:25:23
    今天我们来探讨下如何通过图片上的内容来查找图片拍摄的地点。 方法一:如果是手机上拍摄的照片的话,可以将照片保存到PC端查看照片的属性就能找到GPS的信息. 方法二:可以根据图片上的文字或标志性事物例如:建筑物...
  • 通过比较不同图片产生的这些响应数组我们可以实现地点识别。网络可以处理任何比231x231大的图片,在实验中所有用到的图片的大小都会调整为256x256. 融合矩阵 对每层输出而言, 我们会利用整个数据集包括R张...
  • 在对监控录像进行分析时,希望直接获取到视频上面的时间信息,以视频上的时间戳对关心的帧命名等,本文通过调用百度文字识别API获取到图片上的文字信息(主要是时间+地点)。 主要步骤: 1. 前往百度API中心申请...
  • 如何根据图片找到图中的地点

    万次阅读 2016-07-03 20:34:24
    有的图片保留了Exif信息,利用里面的GPS信息 2.识图工具: 2.1:百度识图 2.2:IM2GPS,还能通过建筑风格来判断地区:http://graphics.cs.cmu.edu/projects/whatMakesParis/ 3.初步确认位置后,使用百度全景找到...
  • 它可以标出物品的商品名称、生产日期、图书分类号,邮件起止地点等。因而在商品流通、图书管理、邮政管理等许多领域得以广泛的应用。本文将通过使用Java程序来详细介绍如何生成和识别一些常见的一维和二维条形码。...
  • 背景技术:针对目前我国农作物害虫诊断大多停留在人工阶段,存在着客观性差、效率低、劳动强度大等问题,以及现有的基于图像识别的农作物害虫诊断存在很多不足之处,本专利对基于图像识别的虫害识别系统关键理论算法...
  • 具体应用是:在路上设置测速监测点,抓拍超速的车辆并识别车牌号码,将违章车辆的牌照号码及图片发往各出口;在各出口设置处罚点,用车牌识别设备识别通过车辆并将号码与已经收到的超速车辆的号码比对,一旦号码相同...
  • 人脸识别

    千次阅读 2020-07-06 08:55:49
    在人脸识别后,下一步数据的处理和应用,决定着人脸识别设备的实际应用,如应用在出入门禁控制、人脸图片搜索、上下班刷卡、恐怖分子识别等各个领域,可扩展性强。 正是因为人脸识别拥有这些良好的特性,使其具有...
  • 车牌识别程序

    2021-08-30 15:17:10
    多年前,使用写的一个车牌识别程序。里面需要用到CV2进行图像采集、分割处理,用python编写,深度学习识别部分可以...# 1、读取图片 imgread = cv2.imread('mytest\img2.jpg') frame=location_demo(imgread) #定位车牌
  • 人脸识别sdk

    千次阅读 2020-12-09 18:13:32
    人脸识别算法SDK 一、人脸识别算法1:1及1:N概念 人脸识别算法1:1如我们现在在宾馆、网吧、机场安检等的人与身份证上的照片进行比对的应用,用来证明自己是自己。想想,目前我们在车站乘车过安检时,检票人员总是拿...
  • 签到方式选择包括:照片(上传活动照片)、地点(在活动地点附近500米内)、人脸(本人签到) 活动搜索 通过数据库的模糊搜索简单实现——每输入一个字都进行查询 点击结果列表可以查看活动详情 活动管理 根据当前...
  • 李林 编译自 pyimagesearch作者 Adrian Rosebrock量子位 报道 | 公众号 QbitAIOpenCV是一个2000年发布的开源计算机视觉库,有进行物体识别、图像分割、人脸识别、动作识别等多种功能,可以在Linux、Windows、Android...
  • 作者丨铜离子c@知乎来源丨https://zhuanlan.zhihu.com/p/214309563编辑丨3D视觉工坊回环检测,或者说场景识别问题,关键在于如何构建每个场景(图片/点云)...
  • 解释地点识别与场景识别的区别,同一场景类别的图片可能来自不同的地点,如:A城的街道和B城的街道场景类别都是街道,但并不是同一地点。 提出目前基于CNN的地点识别存在的三大问题:1)不知道网络产生的是什么...
  • 车牌识别技术

    千次阅读 2020-10-04 18:30:37
    车牌识别技术(Vehicle License Plate Recognition,VLPR)是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)并进行处理的技术,利用车辆的动态视频或静态图像...
  • 摘要:全面解析人脸识别技术原理、领域人才情况、技术应用领域和发展趋势。   自20世纪下半叶,计算机视觉技术逐渐地发展壮大。同时,伴随着数字图像相关的软硬件技术在人们生活中的广泛使用,数字图像已经成为...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 11,151
精华内容 4,460
关键字:

图片地点识别

友情链接: VBchuankoutongxin.rar