兴趣点POI的匹配方法、装置、电子设备及存储介质

摘要

本申请公开了兴趣点POI的匹配方法、装置、电子设备及存储介质，涉及计算机技术领域，具体涉及自然语言处理、图像处理和深度学习等人工智能技术领域。具体实现方案为：获取采集的POI图像；根据POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征；分别根据图像特征和文本特征进行匹配，以生成候选集合，并分别记录图像特征匹配结果和文本特征匹配结果，其中，候选集合包括多个候选POI图像；以及将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。本申请的匹配方法，规避了单独使用图像特征或文本特征匹配的弊端，从而提高了匹配结果的准确率。

说明书

技术领域

本申请涉及计算机技术领域，具体涉及自然语言处理、图像处理和深度学习等人工智能技术领域，尤其涉及一种兴趣点POI的匹配方法、装置、电子设备及存储介质。

背景技术

随着信息技术的发展，电子地图的出现为人们的生活提供了便利。其中，兴趣点(Point Of Interest，简称“POI”)是电子地图中不可或缺的组成部分，目前图像已成为POI生产的主要来源。

相关技术中，常用的图像与POI的匹配策略主要有两种：①利用OCR (OpticalCharacter Recognition，光学字符识别)识别文本信息，然后直接利用OCR的结果进行匹配；②利用POI历史生产过的图像数据，对图像进行特征描述，然后利用特征相似度进行匹配。

发明内容

本申请提供一种兴趣点POI的匹配方法、装置、电子设备及存储介质。

根据本申请的一方面，提供了一种兴趣点POI的匹配方法，包括：

获取采集的POI图像；

根据所述POI图像生成图像特征，并对所述POI图像进行文本识别以生成文本特征；

分别根据所述图像特征和所述文本特征进行匹配，以生成候选集合，并分别记录图像特征匹配结果和文本特征匹配结果，其中，所述候选集合包括多个候选POI图像；以及

将所述图像特征匹配结果和所述文本特征匹配结果输入分类器，以生成匹配结果。

根据本申请的另一方面，提供了一种兴趣点POI的匹配装置，包括：

第一获取模块，用于获取采集的POI图像；

第一生成模块，用于根据所述POI图像生成图像特征，并对所述POI 图像进行文本识别以生成文本特征；

第二生成模块，用于分别根据所述图像特征和所述文本特征进行匹配，以生成候选集合，并分别记录图像特征匹配结果和文本特征匹配结果，其中，所述候选集合包括多个候选POI图像；以及

第三生成模块，用于将所述图像特征匹配结果和所述文本特征匹配结果输入分类器，以生成匹配结果。

根据本申请的另一方面，提供了一种电子设备，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上述一方面实施例所述的兴趣点POI的匹配方法。

根据本申请另一方面，提供了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所述计算机执行上述一方面实施例所述的兴趣点POI的匹配方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述一方面实施例所述的兴趣点POI的匹配方法。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本申请的限定。其中：

图1为本申请实施例提供的一种兴趣点POI的匹配方法的流程示意图；

图2为本申请实施例提供的一种POI门脸图像；

图3为本申请实施例提供的另一种兴趣点POI的匹配方法的流程示意图；

图4为本申请实施例提供的一种兴趣点POI的匹配装置的结构示意图；以及

图5为根据本申请实施例的兴趣点POI的匹配方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

下面参考附图描述本申请实施例的兴趣点POI的匹配方法、装置、电子设备及存储介质。

人工智能是研究使用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领域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深度学习、大数据处理技术、知识图谱技术等几大方向。

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。

图像处理(image processing)，是用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。

深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

本申请提供的兴趣点POI的匹配方法，可以由电子设备来执行，该电子设备可为PC(Personal Computer，个人计算机)电脑、平板电脑或掌上电脑等，此处不做任何限定。

在本申请中，电子设备中可以设置有处理组件、存储组件和驱动组件。可选的，该驱动组件和处理组件可以集成设置，该存储组件可以存储操作系统、应用程序或其他程序模块，该处理组件通过执行存储组件中存储的应用程序来实现本申请提供的兴趣点POI的匹配方法。

图1为本申请实施例提供的一种兴趣点POI的匹配方法的流程示意图。

本申请的兴趣点POI的匹配方法，还可由本申请提供的兴趣点POI 的匹配装置执行，该装置可配置于电子设备中，以实现根据采集的POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征，以及根据图像特征和文本特征进行匹配以生成候选集合，并记录图像特征匹配结果和文本特征匹配结果，而后将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。由此，提高了匹配结果的准确率。

作为一种可能的情况，本申请的兴趣点POI的匹配方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行该兴趣点POI的匹配方法。

如图1所示，该兴趣点POI的匹配方法，可包括：

步骤101，获取采集的POI图像。其中，POI图像可为多个。

在本申请实施例中，一个兴趣点POI下可能有一个或多个POI图像。

需要说明的是，该实施例中所描述的POI图像可包括POI门脸图像(例如、商铺的门脸图像、政府办公部门的门脸图像等)、POI公交站台图像、 POI邮筒图像等。其中，所谓POI门脸图像是一个POI的真实写照和身份象征，可以包括招牌以及门面等POI对外展示区域的图。

在本申请实施例中，采集POI图像的途径可有多条，其中，可以是利用采集终端采集POI图像(例如，POI门脸图像)，或者从已构建好的POI 图像数据库中采集(获取)POI图像，此处不做任何限定。

需要说明的是，当使用采集终端采集POI图像时，可将采集终端采集的POI图像传输至电脑、服务器等电子设备的存储空间中，以便于后续对该POI图像的使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

具体地，电子设备(例如，电脑)可获取采集终端输入的POI图像，或者从已构建好的POI图像数据库中获取POI图像。

步骤102，根据POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征。应说明的是，本实施例中一个POI图像可分别对应一个图像特征和一个文本特征。

在本申请实施例中，可根据图像特征表达模型对POI图像进行处理，以获取POI图像的图像特征，并根据图像文本识别模型对POI图像进行文本识别，以获取POI图像的文本特征。

需要说明的是，该实施例中所描述的图像特征表达模型和图像文本识别模型可以是提前训练好的，并将其预存于电子设备(例如，电脑)的存储空间中，以方便调取使用。

其中，图像特征表达模型和图像文本识别模型的训练与生成可由相关的服务器进行，该服务器可以是云端服务器，也可以是一台电脑的主机，该服务器与可执行申请实施例提供的兴趣点POI的匹配方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接中的至少一种。服务器可将训练完成的图像特征表达模型和图像文本识别模型发送给电子设备，以便电子设备在需要时调用，从而大大减少电子设备的计算压力。

具体地，电子设备在获取到POI图像之后，可将该POI图像分别输入至图像特征表达模型和图像文本识别模型，从而通过该图像特征表达模型对POI图像进行处理，以获取该图像特征表达模型输出的POI图像的图像特征，以及通过该图像文本识别模型对POI图像进行文本识别，以获取该图像文本识别模型输出POI图像的文本特征。

作为一种可能的情况，电子设备还可根据预设的图像特征生成算法和 POI图像生成图像特征，并根据预设的文本特征生成算法和POI图像生成文本特征。其中，预设的图像特征生成算法和预设的文本特征生成算法均可根据实际情况进行标定。

作为另一种可能的情况，电子设备还可利用文本识别技术(例如， CTPN(Connectionist Text Proposal Network，场景文字检测)技术)对POI 图像进行文本识别，即可得到POI图像的文本特征。

需要说明的是，参见图2所示的图像，该图像中包含了两个POI门脸图像(即，招牌图像)，这两个POI门脸图像的图像结构、纹理、字体、和颜色都特别相似，不易被图像特征区分，但是这两个POI门脸图像的 POI名称却有明显的区别，可以被文本特征轻易地区分。另外，文本特征可能无法较好的区分POI名称特别相似的文本，但是POI名称相似的POI 门脸图像可能在图像特征上差别较大，可以被图像特征轻易地区分。

步骤103，分别根据图像特征和文本特征进行匹配，以生成候选集合，并分别记录图像特征匹配结果和文本特征匹配结果，其中，候选集合包括多个候选POI图像。

具体地，电子设备在得到图像特征和文本特征之后，可分别进行图像特征匹配和文本特征匹配，以得到图像特征匹配结果和文本特征匹配结果，同时在进行图像特征匹配和文本特征匹配的过程中，还可生成候选集合，且该候选集合中可包括多个候选POI图像。应说明的是，上述的图像特征匹配和文本特征匹配均可以是与兴趣点数据库中的信息进行匹配，其中，该兴趣点数据库可以是预先建设好的。

步骤104，将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。

需要说明的是，该实施例中所描述的分类器可以是提前训练好的，并将其预存于电子设备(例如，电脑)的存储空间中，以方便调取使用。其中，该分类器可为SVM(SupportVector Machine，支持向量机)、决策树等，此处不做任何限定。

具体地，电子设备在得到图像特征匹配结果和文本特征匹配结果之后，可将该图像特征匹配结果和该文本特征匹配结果输入分类器，从而通过该分类器对该图像特征匹配结果和该文本特征匹配结果进行分析和处理，以获取该分类器输出的匹配结果。

进一步地，电子设备在得到匹配结果之后，还可根据该匹配结果判断POI图像对应的兴趣点是否在上述的兴趣点数据库中，并根据判断结果进行相应的处理。

在本申请实施例中，首先获取采集的POI图像，并根据POI图像生成图像特征，以及对POI图像进行文本识别以生成文本特征，然后根据图像特征和文本特征进行匹配以生成候选集合，并记录图像特征匹配结果和文本特征匹配结果，最后将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。由此，规避了单独使用图像特征或文本特征匹配的弊端，从而提高了匹配结果的准确率。

为了清楚说明上一实施例，在本申请的一个实施例中，如图3所示，分别根据图像特征和文本特征进行匹配，以生成候选集合，可包括：

步骤301，根据图像特征进行图像匹配，以生成图像匹配子集合。

具体地，电子设备在获取到图像特征之后，可先从兴趣点数据库中调出存储的特征信息(例如，图像特征信息)，然后直接使用欧式距离或者 cosin(余弦)距离，依次计算该图像特征与从兴趣点数据库调出的每个图像特征之间的匹配值(即，图像匹配值)，当使用欧式距离时score(分数)越低说明两个图像特征越相近，当时用cosin距离时，score越高说明两个图像特征越相似。再然后电子设备根据计算得到匹配值对从兴趣点数据库中调出图像特征信息对应的POI图像进行排序(例如，匹配值越高的排名越靠前)，并可将排序靠前的N个POI图像从兴趣点数据库中取出，并生成图像匹配子集合，同时记录图像特征匹配结果。其中，N可为正整数，例如，N可为10。

需要说明的是，该实施例中所描述的匹配值可根据score生成，也可将score直接作为匹配值，此处不做任何限定。

步骤302，根据文本特征进行文本匹配，以生成文本匹配子集合。

在本申请实施例中，可根据文本特征匹配模型对文本特征进行文本匹配，以生成文本匹配子集合。

需要说明的是，该实施例中所描述的文本特征匹配模型可以是提前训练好的，并将其预存在电子设备(例如，电脑)的存储空间中，以方便调取应用。

具体地，电子设备在获取到文本特征之后，可将文本特征输入至文本特征匹配模型，从而通过该文本特征匹配模型对文本特征进行匹配，以获取该文本特征匹配模型输出的该图像特征与兴趣点数据库中的每个图像特征之间的匹配值(即，文本匹配值)。然后电子设备根据得到匹配值对兴趣点数据库中的图像特征信息对应的POI图像进行排序，并可将排序靠前的N个POI图像从兴趣点数据库中取出，并生成文本匹配子集合，同时记录文本特征匹配结果。

作为一种可能的情况，电子设备还可使用预设的文本匹配算法进行文本特征匹配，例如，使用LCS(Longest Common Sequence，最长公共子串)算法进行文本特征匹配。其中，预设的文本匹配算可根据实际情况进行标定。

步骤303，根据图像匹配子集合和文本匹配子集合生成候选集合。

具体地，电子设备在得到文本匹配子集合和图像匹配子集合之后，可将文本匹配子集合和图像匹配子集合中的候选POI图像进行合并，以生成候选集合。由此，可以融合图像特征匹配和文本特征匹配的信息，使得到的候选集合中的候选POI图像更加的全面，提高匹配的精确度。

进一步地，在本申请的一个实施例中，图像特征匹配结果可包括POI 图像与候选POI图像之间的图像匹配值和/或图像匹配排名，文本特征匹配结果可包括POI图像与候选POI图像之间的文本匹配值和/或文本匹配排名。

具体地，电子设备可在得到候选集合之后，可获取POI图像与候选 POI图像之间的图像匹配值和/或图像匹配排名，并将其记录在图像特征匹配结果中，以及获取POI图像与候选POI图像之间的文本匹配值和/或文本匹配排名，并将其记录在文本特征匹配结果。然后电子设备将该图像特征匹配结果和该文本特征匹配结果输入分类器，从而通过该分类器对该图像特征匹配结果和该文本特征匹配结果进行分析和处理，以获取该分类器输出的匹配结果。由此，可以规避单独使用文本特征或图像特征匹配的弊端，使得匹配结果准确率更高。

需要说明的是，由于在兴趣点POI的匹配中，POI是唯一的，所以在一个空间范围内，能匹配上的POI名称最多只有一个，所以在召回的POI 图像(即，多个候选POI图像)中排序越高的POI图像，其匹配上的概率越大。

在本申请的一个实施例中，上述兴趣点POI的匹配方法，还可包括分别获取POI图像和多个候选POI图像的参考特征，将POI图像和多个候选 POI图像的参考特征，以及图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。其中，参考特征可为POI图像和候选POI图像的位置信息。

需要说明的是，上述的采集终端在采集POI图像时，可一并获取采集的POI图像的位置信息，而后将采集到的POI图像和对应的位置信息输至电脑、服务器等电子设备的存储空间中，以便于后续使用(例如，存入POI 图像数据库、进行兴趣点POI的匹配等)。

具体地，电子设备在得到图像特征匹配结果和文本特征匹配结果之后, 还可从自身的存储空间中获取POI图像的位置信息，并从兴趣点数据库中获取多个候选POI图像的位置信息，然后将POI图像和多个候选POI图像的位置信息，以及图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。由此，可提高匹配结果的准确率。

需要说明的是，该实施例中所描述的位置信息可为坐标信息(例如，经纬度坐标)，坐标代表了空间位置关系，两个POI图像之间的坐标越近越可能是同一个POI，若两个POI图像之间的坐标距离较远，则不是同一个POI的概率较大。

作为一种可能的情况，电子设备在根据图像特征和文本特征进行匹配以生成候选集合的过程中，还可从兴趣点数据库中获取多个候选POI图像的位置信息，并将其一并放入该候选集合中。由此，电子设备在得到图像特征匹配结果和文本特征匹配结果之后,可直接从候选集合中获取多个候选POI图像的位置信息。从而无需多次访问兴趣点数据库，以减轻电子设备的计算压力。

进一步地，在本申请的一个实施例中，图像特征匹配结果还可包括图像匹配子集合之中候选POI图像的数量。

需要说明的是，由于一个POI下面可能有多个POI图像，如果该POI 下召回的图像数量越多，则该POI匹配上的概率越大。

具体地，电子设备可在得到候选集合之后，还可获取图像匹配子集合之中候选POI图像的数量，并将其与POI图像与候选POI图像之间的图像匹配值和/或图像匹配排名一并记录在图像特征匹配结果中。由此，可进一步提高匹配结果的准确率，同时还可提高匹配结果的精确度。

图4为本申请实施例提供的一种兴趣点POI的匹配装置的结构示意图。

本申请的兴趣点POI的匹配装置，可配置于电子设备中，以实现根据采集的POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征，以及根据图像特征和文本特征进行匹配以生成候选集合，并记录图像特征匹配结果和文本特征匹配结果，而后将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果，由此，提高了匹配结果的准确率。

如图4所示，该兴趣点POI的匹配装置400，可包括：第一获取模块 410、第一生成模块420、第二生成模块430、第三生成模块440。

其中，第一获取模块410用于获取采集的POI图像。其中，POI图像可为多个。

在本申请实施例中，一个兴趣点POI下可能有一个或多个POI图像。

需要说明的是，该实施例中所描述的POI图像可包括POI门脸图像(例如、商铺的门脸图像、政府办公部门的门脸图像等)、POI公交站台图像、 POI邮筒图像等。其中，所谓POI门脸图像是一个POI的真实写照和身份象征，可以包括招牌以及门面等POI对外展示区域的图。

在本申请实施例中，采集POI图像的途径可有多条，其中，可以是利用采集终端采集POI图像(例如，POI门脸图像)，或者从已构建好的POI 图像数据库中采集(获取)POI图像，此处不做任何限定。

需要说明的是，当使用采集终端采集POI图像时，可将采集终端采集的POI图像传输至电脑、服务器等电子设备的存储空间中，以便于后续对该POI图像的使用。其中，该存储空间不仅限于基于实体的存储空间，例如，硬盘，该存储空间还可以是连接电子设备的网络硬盘的存储空间(云存储空间)。

具体地，第一获取模块410可获取采集终端输入的POI图像，或者从已构建好的POI图像数据库中获取POI图像。

第一生成模块420用于根据POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征。应说明的是，本实施例中一个POI图像可分别对应一个图像特征和一个文本特征。

在本申请实施例中，第一生成模块420可根据图像特征表达模型对 POI图像进行处理，以获取POI图像的图像特征，并根据图像文本识别模型对POI图像进行文本识别，以获取POI图像的文本特征。

需要说明的是，该实施例中所描述的图像特征表达模型和图像文本识别模型可以是提前训练好的，并将其预存于电子设备(例如，电脑)的存储空间中，以方便调取使用。

其中，图像特征表达模型和图像文本识别模型的训练与生成可由相关的服务器进行，该服务器可以是云端服务器，也可以是一台电脑的主机，该服务器与可执行申请实施例提供的兴趣点POI的匹配方法的电子设备之间，建立有通信连接，该通信连接可以是无线网络连接和有线网络连接中的至少一种。服务器可将训练完成的图像特征表达模型和图像文本识别模型发送给电子设备，以便电子设备在需要时调用，从而大大减少电子设备的计算压力。

具体地，在第一生成模块420获取到POI图像之后，第一生成模块 420可将该POI图像分别输入至图像特征表达模型和图像文本识别模型，从而通过该图像特征表达模型对POI图像进行处理，以获取该图像特征表达模型输出的POI图像的图像特征，以及通过该图像文本识别模型对POI 图像进行文本识别，以获取该图像文本识别模型输出POI图像的文本特征。

作为一种可能的情况，第一生成模块420还可根据预设的图像特征生成算法和POI图像生成图像特征，并根据预设的文本特征生成算法和POI 图像生成文本特征。其中，预设的图像特征生成算法和预设的文本特征生成算法均可根据实际情况进行标定。

作为另一种可能的情况，第一生成模块420还可利用文本识别技术(例如，CTPN(Connectionist Text Proposal Network，场景文字检测)技术)对 POI图像进行文本识别，即可得到POI图像的文本特征。

第二生成模块430用于分别根据图像特征和文本特征进行匹配，以生成候选集合，并分别记录图像特征匹配结果和文本特征匹配结果，其中，候选集合包括多个候选POI图像。

具体地，在第一生成模块420得到图像特征和文本特征之后，第二生成模块430可分别进行图像特征匹配和文本特征匹配，以得到图像特征匹配结果和文本特征匹配结果，同时在进行图像特征匹配和文本特征匹配的过程中，还可生成候选集合，且该候选集合中可包括多个候选POI图像。应说明的是，上述的图像特征匹配和文本特征匹配均可以是与兴趣点数据库中的信息进行匹配，其中，该兴趣点数据库可以是预先建设好的。

第三生成模块440用于将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。

需要说明的是，该实施例中所描述的分类器可以是提前训练好的，并将其预存于电子设备(例如，电脑)的存储空间中，以方便调取使用。其中，该分类器可为SVM(SupportVector Machine，支持向量机)、决策树等，此处不做任何限定。

具体地，在第二生成模块430得到图像特征匹配结果和文本特征匹配结果之后，第三生成模块440可将该图像特征匹配结果和该文本特征匹配结果输入分类器，从而通过该分类器对该图像特征匹配结果和该文本特征匹配结果进行分析和处理，以获取该分类器输出的匹配结果。

进一步地，第三生成模块440在得到匹配结果之后，还可根据该匹配结果判断POI图像对应的兴趣点是否在上述的兴趣点数据库中，并根据判断结果进行相应的处理。

在本申请实施例中，通过第一获取模块获取采集的POI图像，并通过第一生成模块根据POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征，然后第二生成模块根据图像特征和文本特征进行匹配以生成候选集合，并记录图像特征匹配结果和文本特征匹配结果，最后通过第三生成模块将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。由此，规避了单独使用图像特征或文本特征匹配的弊端，从而提高了匹配结果的准确率。

在本申请的一个实施例中，第二生成模块430具体用于：根据图像特征进行图像匹配，以生成图像匹配子集合；根据文本特征进行文本匹配，以生成文本匹配子集合；以及根据图像匹配子集合和文本匹配子集合生成候选集合。

在本申请的一个实施例中，图像特征匹配结果包括POI图像与候选 POI图像之间的图像匹配值和/或图像匹配排名，文本特征匹配结果包括 POI图像与候选POI图像之间的文本匹配值和/或文本匹配排名。

在本申请的一个实施例中，如图4所示，该兴趣点POI的匹配装置 400，还可包括第二获取模块450，其中，第二获取模块450用于分别获取 POI图像和多个候选POI图像的参考特征，将POI图像和多个候选POI 图像的参考特征，以及图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。

在本申请的一个实施例中，参考特征为POI图像和候选POI图像的位置信息。

在本申请的一个实施例中，图像特征匹配结果还包括图像匹配子集合之中候选POI图像的数量。

需要说明的是，前述对兴趣点POI的匹配方法实施例的解释说明也适用于该实施例的兴趣点POI的匹配装置，此处不再赘述。

综上，本申请实施例的兴趣点POI的匹配装置，通过第一获取模块获取采集的POI图像，并通过第一生成模块根据POI图像生成图像特征，并对POI图像进行文本识别以生成文本特征，然后第二生成模块根据图像特征和文本特征进行匹配以生成候选集合，并记录图像特征匹配结果和文本特征匹配结果，最后通过第三生成模块将图像特征匹配结果和文本特征匹配结果输入分类器，以生成匹配结果。由此，规避了单独使用图像特征或文本特征匹配的弊端，从而提高了匹配结果的准确率。

根据本申请的实施例，本申请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5示出了可以用来实施本申请的实施例的示例电子设备500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、个人数字助理、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，个人数字处理、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/或者要求的本申请的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在 RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O) 接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如兴趣点POI的匹配方法。例如，在一些实施例中，兴趣点 POI的匹配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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的兴趣点POI的匹配方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行兴趣点POI的匹配方法。

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)、负载可编程逻辑设备(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。

用于实施本申请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。

在本申请的上下文中，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)、互联网和区块链网络。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。