前言
虽然多数情况下照片的exif (Exchangeable image file format，图像元数据格式) 信息中已经包含GPS坐标，对它们的定位十分简单。但我们所能接触到的照片很少会是原片（脱去了exif），通常都不含任何有价值的信息，甚至有时候exif数据可能是被特意篡改的，这使得判断拍摄地点变得异常困难。我们可能需要人工提取图中的特征，与现实的各个可能地点进行比对，如果需要比对的地点足够多，对照片进行定位几乎是不可能的。
这种情况下，我们可以借助一些成熟的图像特征匹配技术，来代替人工。使用机器可以快速得出相似度最高的可能地点，大大提高处理的效率。
为了更好地解释图像检测的过程，本文会涉及一些基础的计算机视觉和神经网络概念。
工作原理
pytorch实现了torch库 (C语言编写的后端) 的python接口，用于机器学习。它支持NVIDIA的CUDA技术，可以实现方便的硬件加速。
我们使用pytorch的torchvision来做图像处理和识别，torchvision提供了多个数据集和模型架构。
图像识别
这是整个项目的重点，其性能直接决定了我们图像对比的准确性。
torchvision.models内置了多个模型用于图像检测相关用途，这里我们使用ResNet。
我们可以把图像数据读入ResNet，生成相应的样本，用于图像对比。
Pytorch的文档告诉我们，可以直接使用他们的预先训练模型，这样可以节省大量时间和精力，也能保证基本的图像识别性能。
pytorch可以通过传递pretrained=True参数来直接构建预训练模型。我们在这里封装了一个class，可以对resnet的多个版本进行方便调用。
下图展示了ResNet提取图像特征并分类的过程。我们图像对比的实现思路是，从ResNet提取图像的特征，然后求两个图像特征的相似度。
使用预训练的ResNet，需要对图像数据进行normalize（归一化）处理。pytorch文档的说明如下：
Histogram可以作为图像数据的描述，我们从ResNet输出的tensor (可以理解为特征向量)，最终求得图像的histogram。
从图像读取到产生histogram的过程：
-
读取图像，进行归一化处理
-
使用torch.autograd()求导，计算出图像数据输入resnet之后的路径
-
得到resnet输出的tensor，也就是该图像的特征向量
-
tensor转换为numpy数组，进行flatten，我们会得到一列数值
-
每个数值除以所有数值之和，分别得到概率，这时的d_hist就是最终需要的histogram
接下来的工作是
-
根据histogram计算输入图像与目标图像的偏离度
distance方法如下，它支持多种计算方法，比较常用的是求差和cosine。
我们这里使用d1类型的distance计算，也就是简单求差取绝对值。
街景图数据
由于目前公开提供街景图数据的地图厂商很少，权衡之后我们选择百度的方案，花销更小，基本也可以满足演示需求。
如果对数据全面程度和质量有更高要求，可以选择Google的街景图或place photos数据库，但收费不菲。
兴趣点搜集
POI (Place of Interest) 是一个互联网地图的概念，任何具有意义的地点都可以成为兴趣点，例如商店，学校大门，或者特定建筑物。
我们的做法是在确定中心点之后，在它附近搜集所有兴趣点的街景图，这样可以进一步增大命中几率。
如图，我们使用百度地图的POI搜集API，在中心点附近搜集十个类型的POI（因为API限制），并把它们的POI代码返回。
这样，我们就去抓取这些POI的街景图，并存储作为待对比的样本。
效果测试
我们下载一张中关村软件园国际软件大厦的正面部分照片，无明显标识，作为待定位图片：
为了节省时间，我们选择旁边的华夏科技大厦作为查询的中心点，通过百度地图查询的POI中应该会包含国际软件大厦，然后，行政区域限定为北京：
下图是华夏科技大厦：
偏离度（distance，越小则越接近）几乎相同的国际软件大厦局部照片：
由于华夏科技大厦的建筑风格与国际软件大厦类似，然后百度地图没有国际软件大厦正面照片，所以这个华夏大厦的正面照片以一个勉强的偏离度成为了最佳结果。
在数据源足够好的情况下，我们应该可以看到0.2以内的偏离度。
改进方向
增加街景图数据
这应该是最直接的改善途径，存在更多图片数据意味着有更多机会发现相似的图片，也就可以得到更精确的结果。
分布式计算
性能是一个巨大的问题，在使用CPU时，我们需要花费一两分钟处理几十张图片（计算histogram），CUDA可以把这个过程大大缩短。
但实际使用中我们可能需要处理上百张甚至上千张图片，分布式计算可以把重负荷的任务下发给GPU集群，从而成倍地加快处理速度，可以让这个系统变得实用。
使用街景图数据训练ResNet
Pytorch提供的pretrained数据来自ImageNet，并没有对街景图识别做针对性优化。如果我们需要更好的效果，应该使用自己的数据来训练。
这也是一个重要的改进方向。目前使用ResNet的识别效果差强人意，但有些时候，它得出的正确地点图片与query图片的distance并不会排在top5，使得识别的准确性大大下降。