Как Google использует Street View для автоматического определения визуально заметных физических ориентиров на местности

Описание

Какую задачу решает

Патент решает задачу автоматической идентификации визуально заметных ориентиров (prominent landmarks) в Географических Информационных Системах (GIS), таких как Google Maps. Система стремится определить, какие физические объекты лучше всего видны с точки зрения человека на местности. Эта информация используется для улучшения навигации (предоставление указаний относительно заметных объектов), оптимизации отображения карт (визуальное выделение) и определения приоритетов для создания 3D-моделей.

Что запатентовано

Запатентована система для идентификации заметных ориентиров путем анализа географических изображений, снятых с уровня земли (например, Street View). Система использует технологию компьютерного зрения Structure-from-Motion (SfM) для создания трехмерного облака точек (Point Cloud). Затем она фильтрует эти точки, оставляя только те, которые находятся на значительном расстоянии от камеры и видны с нескольких ракурсов, чтобы определить визуально доминирующие ориентиры.

Как это работает

Ключевой механизм работы системы:

• Сбор данных: Используются географические изображения, снятые с уровня земли (at or near ground level).
• Генерация облака точек: Применяется технология SfM для отслеживания характерных признаков (tracked features) на нескольких изображениях и определения их трехмерного положения.
• Фильтрация по расстоянию: Идентифицируются точки, находящиеся дальше порогового расстояния (threshold distance, например, 0.5-2 км) от камеры. Это гарантирует учет объектов, видимых издалека.
• Сопоставление: Отфильтрованные точки (часто сгруппированные в кластеры) сопоставляются с известными ориентирами.
• Анализ зоны видимости (Viewshed Analysis): Определяется набор точек обзора (camera perspectives), с которых виден данный ориентир.
• Ранжирование: На основе анализа зоны видимости и, возможно, существующей популярности ориентира, рассчитывается оценка заметности (Score), которая используется для приоритизации ориентиров в GIS.

Актуальность для SEO

Высокая для GIS и Карт. Использование ориентиров для навигации и улучшения пользовательского опыта в Google Maps остается ключевой задачей. Технологии компьютерного зрения и анализ данных Street View для понимания физического мира (например, Immersive View) постоянно развиваются, и принципы этого патента актуальны для обогащения геоданных.

Важность для SEO

Низкое влияние на традиционное веб-SEO (3/10). Патент не описывает алгоритмы ранжирования веб-поиска. Однако он имеет значение для Local SEO и видимости бизнеса в Google Maps. Патент раскрывает механизм, как физический объект (например, фасад магазина или офиса) может быть классифицирован как prominent landmark, что влияет на его отображение на карте и использование в навигации. SEO-специалисты имеют ограниченные возможности влияния на этот процесс, в основном через физическую оптимизацию локации.

Детальный разбор

Термины и определения

Camera Perspective (Перспектива камеры)

Положение (локация) и ориентация камеры, с которой было сделано изображение.

Geographic Imagery Data (Данные географических изображений)

Изображения, привязанные к географическим координатам. В контексте патента это изображения, снятые с уровня земли или вблизи него (например, Street View).

Landmark Ranking (Ранг ориентира)

Приоритет ориентира в GIS. Может учитывать не только визуальную заметность, но и другие факторы, такие как популярность, размер или историческая значимость.

Point Cloud (Облако точек)

Набор точек в трехмерном пространстве, сгенерированный из изображений. Каждая точка соответствует отслеженному признаку и содержит информацию о 3D-положении и цвете.

Prominent Landmark (Заметный ориентир)

Объект, который визуально выделяется на местности. Характеризуется тем, что виден издалека и с большого количества точек обзора.

Structure-from-Motion (SfM) (Структура из движения)

Технология компьютерного зрения, позволяющая восстановить трехмерную структуру сцены на основе набора двухмерных изображений.

Threshold Distance (Пороговое расстояние)

Минимальное расстояние от камеры до объекта, при котором объект рассматривается как кандидат в заметные ориентиры (в описании патента упоминается примерный диапазон 0.5-2 км).

Tracked Feature (Отслеженный признак)

Характерная точка на изображении (например, угол здания, контрастный элемент вывески), которая была идентифицирована и отслежена на нескольких изображениях с разных перспектив.

Viewshed (Зона видимости)

Набор географических точек, из которых виден определенный объект. В патенте аппроксимируется как набор Camera Perspectives, с которых видна данная точка.

Ключевые утверждения (Анализ Claims)

Анализируются Claims 21-32 публикации US20170219370A1 (Claims 1-20 были отменены).

Claim 21 (Независимый пункт): Описывает метод идентификации заметных ориентиров из данных изображений с уровня земли и их использования для изменения стиля отображения на карте.

1. Доступ к географическим изображениям, снятым с уровня земли.
2. Генерация Point Cloud из этих изображений.
3. Идентификация подмножества точек, которые находятся дальше Threshold Distance от одной или нескольких Camera Perspectives.
4. Сопоставление точек из подмножества с ориентиром (landmark).
5. Определение Landmark Ranking для этого ориентира на основе сопоставленных точек.
6. Предоставление данных для рендеринга этого ориентира в стиле, отличном (different style) от других ориентиров на карте (например, в выделенном стиле).

Ядром изобретения является использование данных с уровня земли для идентификации объектов, видимых издалека (фильтрация по расстоянию), определение их важности (ранжирование) и последующее визуальное выделение на карте.

Claim 23, 24, 25 (Зависимые): Детализируют процесс оценки видимости.

1. Определяется Viewshed для идентифицированных точек (Claim 23).
2. Viewshed определяется как набор Camera Perspectives, с которых видна данная точка (Claim 24).
3. Рассчитывается Score (оценка) для ориентира на основе его Viewshed (Claim 25).

Это ключевое уточнение, показывающее, как система оценивает видимость: путем анализа точек съемки Street View, с которых виден объект. Чем шире Viewshed, тем выше оценка.

Claim 26 (Зависимый): Уточняет, что оценка (Score) может также основываться на существующем Landmark Ranking в GIS.

Это позволяет системе отличать известные заметные объекты (например, стадион) от менее известных, но хорошо видимых (например, радиовышка).

Claim 28 (Зависимый): Уточняет, что облако точек генерируется с использованием техники Structure-from-Motion (SfM).

Claim 29 (Зависимый): Описывает процесс кластеризации перед сопоставлением. Точки данных группируются в кластер (Point Cluster), и этот кластер сопоставляется с ориентиром, что повышает точность.

Где и как применяется

Изобретение применяется в бэкенд-процессах обработки данных Геоинформационных систем (GIS), таких как Google Maps, а не в стандартном веб-поиске.

CRAWLING – Сканирование и Сбор данных (Data Acquisition)
На этом этапе происходит сбор Geographic Imagery Data с помощью специализированных устройств (например, автомобилей Street View).

INDEXING – Индексирование и извлечение признаков (Обработка GIS данных)
Основное применение патента происходит на этом этапе в офлайн-режиме:

1. Обработка изображений: Собранные изображения обрабатываются с помощью SfM Module для генерации Point Clouds.
2. Фильтрация и Сопоставление: Filtering Module отбирает точки по расстоянию, а Matching Module сопоставляет их с существующими данными об ориентирах (Landmark Data).
3. Расчет метрик видимости: Viewshed Module анализирует зоны видимости, а Ranking Module рассчитывает оценку заметности (Score).
4. Обогащение данных: Рассчитанные оценки сохраняются как часть Landmark Data.

(Рендеринг и Отображение)
Когда пользователь просматривает карту или использует навигацию (аналог этапов METASEARCH/RERANKING для GIS), система использует рассчитанные оценки (Score), чтобы решить, какие объекты выделить визуально (different style) или использовать в навигационных подсказках.

Входные данные:

• Географические изображения с уровня земли (Street View).
• Данные о положении камер во время съемки (Camera Perspectives).
• База данных известных ориентиров (Landmark Data).

Выходные данные:

• Обогащенные данные об ориентирах, включающие оценку их визуальной заметности (Score).
• Приоритезированный список ориентиров (Landmark Ranking) для использования в GIS.

На что влияет

• Конкретные типы контента: Влияет на отображение физических объектов (зданий, монументов, вывесок), которые могут служить ориентирами в Google Maps и навигации.
• Специфические запросы: Влияет на навигационные запросы и отображение карт при просмотре местности.
• Конкретные ниши или тематики: Наибольшее влияние в сферах, где важна физическая локация и навигация: ритейл, рестораны, туризм, недвижимость.
• Географические ограничения: Применение метода ограничено регионами, для которых доступны данные Street View или аналогичные изображения с уровня земли.

Когда применяется

• При каких условиях работает алгоритм: Алгоритм работает в режиме офлайн-обработки после сбора или обновления данных Street View.
• Триггеры активации: Сбор новых географических изображений для определенной территории.
• Пороговые значения: Ключевым параметром является Threshold Distance (пороговое расстояние от камеры до объекта). В описании патента упоминается примерный диапазон от 0.5 км до 2 км.

Пошаговый алгоритм

1. Доступ к данным: Получение доступа к Geographic Imagery Data, снятым с уровня земли.
2. Генерация облака точек (SfM): Обработка изображений с помощью Structure-from-Motion. Отслеживание Tracked Features между несколькими Camera Perspectives и определение их 3D-положения для создания Point Cloud.
3. Фильтрация по расстоянию: Идентификация подмножества точек в облаке, которые находятся на расстоянии, превышающем Threshold Distance, хотя бы от одной Camera Perspective. Близлежащие точки исключаются.
4. Кластеризация (Опционально): Группировка точек в подмножестве в кластеры (Point Clusters) на основе пространственной близости для формирования объектов.
5. Сопоставление с ориентирами: Сравнение информации о местоположении точек (или кластеров) с базой данных известных ориентиров.
6. Идентификация заметных ориентиров: Ориентиры, сопоставленные с точками из подмножества, идентифицируются как кандидаты в Prominent Landmarks.
7. Определение зоны видимости (Viewshed): Для точек, соответствующих ориентирам, определяется Viewshed — набор всех Camera Perspectives, с которых видна данная точка.
8. Расчет оценки (Score): Вычисление оценки заметности ориентира. Оценка базируется на статистическом анализе Viewshed (например, количество перспектив, площадь зоны видимости) и может также учитывать существующий Landmark Ranking в GIS (например, популярность объекта).
9. Приоритизация и Применение: Использование рассчитанных оценок для корректировки приоритета ориентиров в GIS и определения стиля их отображения (different style) или использования в навигации.

Какие данные и как использует

Данные на входе

• Мультимедиа факторы (Изображения): Географические изображения с уровня земли (Street View). Используются значения цвета и яркости пикселей для идентификации и отслеживания признаков (Feature Detection).
• Географические факторы: Информация о местоположении и ориентации камер (Camera Perspective) во время съемки. Координаты известных ориентиров из базы данных для сопоставления.
• Системные данные: Существующий Landmark Ranking в GIS (основанный на популярности, исторической значимости и т.д.), который может использоваться для корректировки финальной оценки (согласно Claim 26).

Какие метрики используются и как они считаются

• Distance to camera perspective: Расстояние от камеры до отслеженного признака. Рассчитывается в процессе SfM.
• Threshold distance: Пороговое значение для фильтрации точек по расстоянию (например, 0.5-2 км).
• Viewshed statistics: Метрики, характеризующие зону видимости. Включают количество Camera Perspectives, с которых виден объект, площадь зоны видимости, геометрические свойства зоны видимости.
• Score (Оценка заметности): Метрика, рассчитываемая на основе Viewshed statistics и, возможно, Landmark Ranking. Отражает, насколько визуально заметен и важен ориентир.
• Методы анализа: Используются алгоритмы компьютерного зрения: Structure-from-Motion (SFM) для 3D-реконструкции, Feature Detection для поиска признаков и алгоритмы кластеризации.

Выводы

1. Street View как 3D-сенсор для понимания мира: Патент демонстрирует, как Google использует данные Street View не просто как изображения, а как источник трехмерных данных для понимания физического мира с помощью технологии Structure-from-Motion (SfM).
2. Определение «Заметности» на основе человеческого восприятия: Критерии идентификации Prominent Landmarks основаны на том, как люди воспринимают ориентиры: объекты должны быть видны издалека (фильтрация по Threshold Distance) и с большого количества точек (анализ Viewshed).
3. Количественная оценка видимости и интеграция данных: Система количественно оценивает видимость объекта (Score) и может комбинировать эту оценку с данными о его популярности (Landmark Ranking), чтобы определить приоритет.
4. Многоцелевое использование данных: Идентифицированные ориентиры используются для улучшения навигационных указаний, визуального выделения на картах (рендеринг в особом стиле) и приоритизации создания 3D-моделей.
5. Ограниченное влияние на SEO, но значимое для Local SEO: Это инфраструктурный патент, не влияющий на веб-поиск. Однако он важен для Local SEO, так как физическая видимость объекта напрямую влияет на его представление и использование в качестве ориентира в Google Maps.

Практика

ВАЖНО: Патент имеет минимальное отношение к традиционному SEO для веб-сайтов. Все рекомендации касаются исключительно Local SEO и оптимизации видимости физического бизнеса в Google Maps.

Best practices (это мы делаем)

• Максимизация физической видимости фасада (Local SEO): Для бизнесов с физическими локациями (магазины, рестораны, офисы) важно иметь хорошую визуальную заметность на местности. Чем шире Viewshed и чем дальше объект виден, тем выше вероятность его классификации как Prominent Landmark.
• Использование контрастных и уникальных визуальных элементов: Вывески, логотипы и архитектурные элементы должны быть контрастными и различимыми. Это повышает вероятность того, что система Structure-from-Motion сможет идентифицировать их как стабильные Tracked Features.
• Обеспечение точности данных в GBP: Поддержание максимально точной информации о местоположении бизнеса в Google Business Profile критически важно. Система должна корректно сопоставить идентифицированные визуальные признаки (Point Cloud) с конкретным бизнесом в базе данных на этапе Matching.
• Мониторинг Street View: Регулярно проверяйте, как ваш бизнес выглядит на панорамах Street View. Убедитесь, что обзор не загорожен временными препятствиями, насколько это возможно.

Worst practices (это делать не надо)

• Игнорирование физического представления бизнеса: Фокусироваться исключительно на онлайн-присутствии, игнорируя то, насколько легко найти физическую локацию. Плохая видимость означает, что бизнес не будет использоваться как ориентир.
• Использование неконтрастных или стандартных вывесок: Типовые вывески, сливающиеся с фоном или соседними объектами, плохо распознаются системами компьютерного зрения и могут быть проигнорированы SfM.
• Манипуляции с координатами в GBP: Предоставление неверных координат может привести к ошибкам сопоставления визуальных данных (Street View) с заявленным местоположением, что помешает корректной идентификации объекта.

Стратегическое значение

Патент подтверждает стратегию Google по интеграции данных из реального мира в свои цифровые продукты с помощью компьютерного зрения. Для Local SEO это означает, что физические характеристики объекта (его внешний вид, расположение, видимость) напрямую влияют на его цифровое представление в картографических сервисах. Понимание сущностей происходит не только через анализ текста и ссылок, но и через визуальное восприятие физической реальности.

Практические примеры

Сценарий: Улучшение навигации к ресторану с примечательной вывеской (Local SEO)

1. Действие: Ресторан, расположенный на оживленной улице, устанавливает большую, уникальную по дизайну и контрастную вывеску.
2. Сбор данных: Автомобиль Street View фиксирует эту вывеску с разных углов и расстояний.
3. Обработка системой: Технология SfM генерирует 3D-точки, соответствующие вывеске. Поскольку вывеска видна издалека, она проходит фильтрацию по Threshold Distance. Анализ Viewshed показывает высокую видимость. Система сопоставляет точки с данными ресторана в GBP.
4. Ожидаемый результат: При построении маршрута в Google Maps пользователи могут получить указание: «Через 200 метров поверните направо сразу за большой вывеской ресторана Х», что упрощает навигацию и повышает узнаваемость бренда. Также ресторан может быть визуально выделен на карте.

Вопросы и ответы