Integrating Feature Positioning on Google Street with Mobile Device

隨著行動裝置硬體演進、地圖產製技術日漸成熟，一般使用者可以透過行動裝置與網路獲取初步的地理訊息與環境資訊，但應用於尋找目標建物、目標地點時，往往只能透過線上地圖街景影像做簡易參考，容易產生誤判，缺乏對目標建物、目標地點的認識，且不易於戶外使用。 本研究希望延伸整合Panoramic Virtual Travel全景虛擬旅遊系統(吳浩平，2013)之使用情境，當現地使用者無法使用電腦設備時，透過行動裝置擷取興趣點目標建物、目標地點之影像，結合行動裝置之感測器資訊與全球衛星定位系統資訊，使用Google Map API獲取鄰近點位街景影像與影像資訊，透過影像特徵點匹配的影像處理、方位角轉換、前方交會法解算，推算出目標建物、目標地點之定位點資訊，使用者僅需擷取行動裝置擷取影像即可獲取目標興趣點位之詳細資訊與簡易測量成果，亦能透過線上機制供其他使用者使用。 本研究亦優化興趣點偵測流程，提出以SIFT演算法進行興趣點影像匹配與方位角修正方法，讓使用者不限於電腦前進行對興趣點之偵測外，也優化了行動裝置端獲取興趣點之體驗，將目標建物影像於鏡頭中間區塊進行興趣點偵測，平均有11個共同特徵點位，放置在偏左側與右側時，平均僅有1.33個與4.67個共同特徵點位，而透過本研究之實驗也得知，目標建物之物像比在15%~40%之間能夠獲取較佳共同特徵點偵測成果。Today, with the development of mobile devices and surveying technologies, people can grab the premier geographical and spatial information through mobile devices with Internet. However, users cannot easily get the detail information of the feature positioning or the target building on online map service. This research expects to provide a tool for users to obtain feature positioning or the target building information by taking a picture through mobile devices with the GPS sensor data and microelectromechanical systems data. To achieve feature positioning information by picture more automatically, this research integrates image processing technologies, measurement algorithm, and coordinate conversion to calculate the target position data in REST (Representational State Transfer) framework. This research optimizes the processing of feature positioning by using SIFT (Scale-invariant feature transform) in feature point matching and azimuth angle transformation. Through the experiments in this research, the average of common feature points are 11while capturing the target building and feature positioning in middle zone of lens, and are 1.33 and 4.67 in the left and right zones, respectively. To get better results, the criteria of image capture are suggested as that the ratio of target building to an image should between approximately 15% ~40% and the targets should be appear in the middle of the image.誌謝 i 摘要 ii Abstract iii 圖目錄 vii 表目錄 ix 第一章 緒論 1 1.1. 研究動機與目的 1 1.2. 問題描述與預期成果 2 1.3. 研究流程與架構 3 1.4. 本文組織 4 第二章 文獻回顧 6 2.1. 街景影像文獻回顧 6 2.2. 坐標系統與投影轉換文獻回顧 8 2.2.1. 地心地固坐標框架 8 2.2.2. WGS84 9 2.2.3. 麥卡托投影法 9 第三章 研究方法與理論介紹 12 3.1. 擷取相鄰街景影像 12 3.2. 影像處理 13 3.2.1. SIFT特徵偵測 13 3.3. 興趣點像中心座標計算 16 3.4. 街景影像方位角修正 17 3.5. 座標框架轉換 17 3.6. 平面測量前方交會法 18 第四章 整合平台 19 4.1. 開發環境 19 4.2. 系統架構 20 4.3. Google Maps API簡介 21 4.4. 開發語言與瀏覽器簡介 22 4.4.1. JavaScript 22 4.4.2. Swift 23 4.4.3. Node.js 23 4.4.4. OpenCV 24 4.4.5. Chrome 24 第五章 實驗成果與討論 26 5.1. 興趣點定位實驗 26 5.1.1. 行動裝置擷取影像資料與感測器資訊 26 5.1.2. 獲取相鄰GPS點位Google Street View 街景影像 27 5.1.3. 街景特徵點萃取 28 5.1.4. 興趣點中心與角度修正 30 5.1.5. 二度分帶轉換與前方交會法求興趣點座標 31 5.1.6. 興趣點定位實驗成果 32 5.1.7. 興趣點定位實驗成果分析 36 5.2. 興趣點影像擷取區域實驗 38 5.2.1. 實驗方法與假設 38 5.2.2. 實驗成果 38 5.2.3. 實驗成果分析 41 5.3. 興趣點目標影像與行動裝置影像比例實驗 43 5.3.1. 興趣點影像擷取範圍實驗假設 43 5.3.2. 興趣點影像擷取範圍實驗成果 44 5.3.3. 興趣點影像擷取範圍分析 45 5.4. 整合系統操作介面介紹 45 5.4.1. 行動裝置端操作介面 46 5.4.2. WEB端成果預覽介面 47 第六章 結論與建議 49 6.1. 結論 49 6.2. 建議 50 參考文獻 5