图片地理定位api：能告诉你什么，又有哪些局限

这个名称在写任何代码之前就会引起混淆。浏览器的Geolocation API报告的是设备当前所在的位置，而且只有在用户授予权限之后才会如此。图片地理定位 API 回答的是另一个问题，针对另一种输入：这张照片是在哪里拍的？照片可能是十年前拍的，也可能来自地球上的任何地方。

还有三种相邻技术也被称为“定位照片”：读取 GPS 元数据、以图搜图和地标识别。它们返回的结果不同，失效方式也不同，因此在选择方案之前，最好先弄清你的产品真正要问的是哪个问题。

许多研究系统把它当作分类问题来处理。PlaNet是谷歌研究人员于 2016 年提出的模型，它把地球表面划分为数千个单元格，并用数百万张带地理标签的照片训练网络，以预测图像属于哪个单元格。输出是覆盖全球的概率分布。一张里斯本有轨电车的照片会把概率集中在一处；一张松树林的照片则把概率分散到好几个大洲。置信度分数实际上就是对这种分布集中程度的概括。

对产品设计来说，最重要的细节是：照片不必已经存在于网上。该 API 可以处理从未发布过的照片，并且即使证据很弱，它也会给出答案，这就是为什么分数与地点同样重要。模型如何理解一个场景另有介绍；本指南关注的是如何处理其输出结果。

精度的分布本身也是不均匀的。PlaNet 给拍摄密集的地区划分了更小的单元格，而给稀疏的地区划分了大得多的单元格，因此在一些城市地区它能达到街道级别的精度，而农村地区则落在大得多的单元格里。多数模型在训练照片密集的地方也会更精确。

EXIF GPS 是测量值，而非估计

手机记录位置时，坐标会写入 EXIF 数据中专门的 GPS 部分，标签包括 GPSLatitude 和 GPSLongitude。GPS.gov 给出的智能手机在空旷天空下的典型精度为 4.9 米。没有任何视觉方法能接近这个精度，因此一个可靠的流程会先读取元数据，只有在缺失时才进行推断。对于已经经过社交平台的图片，元数据通常已经不在了，因为上传时的重新编码会去掉它。

以图搜图是一种查找

Google Cloud Vision 的网页检测展示了这一类方法的基本形态。它返回的字段包括 fullMatchingImages、partialMatchingImages 和 pagesWithMatchingImages。当存在匹配时，匹配图片所在的页面往往会直接说明地点，这比任何估计都更可靠。如果照片是私人的或原始的，就没有可以匹配的内容。引擎对比讲的是同一思路的消费级版本。

地标识别能认出著名地点

Cloud Vision 的地标检测“检测图像中知名的自然和人造建筑结构”。每个结果都包含 description 字段（即地标名称）、score、标示其在画面中位置的 boundingPoly，以及坐标列表 locations。Google 自己的示例返回的是圣瓦西里大教堂，分数为 0.78。

有两个细节会让团队出错。一是普通街道根本不会返回任何地标，因此覆盖范围很窄。二是坐标可能描述的是地标，而不是相机的位置：Google 的参考资料指出，一个位置可能描述图片中的场景，另一个位置则可能描述照片的拍摄位置。在塞纳河对岸拍摄埃菲尔铁塔的人，可能站在离铁塔本身坐标几百米远的地方。

照片定位能为任何室外场景估计区域

在这四种方法中，视觉推断是唯一能对一条从未上过网的普通街道有所说明的方法。代价是精度：结果是城市或地区加上置信度分数，而不是测得的精确点，而且没有任何地理证据的画面只会得到很弱的答案，甚至没有答案。

一个要避免的设计错误，是把估计坐标和 EXIF GPS 合并到同一个位置字段中。这样一来，下游代码以及阅读其输出的人，就会用对待卫星定位的信心来对待一个城市级的猜测。在界面中展示时，应把测得的位置和推断的位置分开保存，并分别标注。

估计坐标同样需要小心。为波尔图返回的一个点，代表的是数平方公里的区域。如果在街道级缩放比例下把它标成图钉，用户就会读出一种根本不存在的精度。

这份清单与上表直接对应。它不包含街道地址，因为视觉证据无法支持地址；并且它把元数据读取与视觉估计并列列出，而不是用前者取代后者。

端点、定价、速率限制和上线日期均尚未公布，本页内容不应被理解为对这些事项的承诺。如果你正计划集成，请通过联系页面申请抢先体验，并描述你的使用场景。

在此之前，网站是对真实照片输出结果的最接近的预览。网站分析属于 GeoSpy Premium，订阅价格为每周 7.99 美元或每年 29.99 美元，到期自动续订，直到你取消；上传的照片不会被存储。

• 房源核查。一套在巴塞罗那挂牌的度假租房，如果照片明显指向另一个国家，就值得再看一眼。应把不一致的情况交给审核人员，而不是自动拒绝房源；同时请记住，室内照片占了房源照片的大部分，但模型从中能读取的信息很少。
• 新闻编辑部核实。某张被称为展示某座城市的热门图片，在任何人发布之前，都可以用画面中的证据来检验。地理定位只能回答“在哪里”，因此要配合搜索更早的副本，正如如何核实照片中所述。
• 旅行和照片应用。扫描的照片和导出的图片往往没有 GPS 信息。估计结果可以提示相册中的地点，或把照片归入某次旅行，前提是界面把它呈现为由用户确认的建议。
• 保险理赔审核。当一份理赔把损失放在某个城镇，而照片却明显指向别处时，理赔人员就有理由提出疑问。仅凭估计结果，不足以拒绝任何理赔。
• 研究。绘制大型图像档案的地理分布，或审计训练集中的地域偏差，需要大规模的粗粒度标签，而这正是这种方法擅长生成的东西。

这五种情形遵循同一模式：估计用于标记，由人来决定。如果让城市级猜测自动触发结果，那么模型的每个错误都会被大规模地放大。结构化的 OSINT 工作流程展示了估计结果在其他检查中的位置。

其中一些限制来自证据本身，而不是模型。PlaNet 论文开篇就指出，构造一个无法推断出位置的情境是轻而易举的。一面白墙、一间酒店浴室或一盘食物都不携带任何地理信息，而无论模型变得多大，这一点都不会改变。

研究结果可以作为一个有用的现实检验。在 230 万张 Flickr 照片上，PlaNet 把 10.1% 的照片定位在 25 公里以内，这是其基准所认定的城市级精度。PIGEON发表于 CVPR 2024，它基于从 GeoGuessr 获取的街景影像训练，把超过 40% 的猜测放在了 25 公里以内。这一差距一部分来自更新的方法，另一部分来自照片本身。街景画面里充满了道路标线和标识，而一般的照片集合中，有许多画面根本没有任何地理信息。

地理定位也无法为一张图片作担保。一张由 AI 生成的街景图片，仍然会被估计为与它最相似的地点。API 回答的是“这看起来像哪个地方”，而不是“这是真的吗”。

1. Step 1用真实流量建立测试集演示图片都是经过挑选、必然成功的。请收集几百张与你的用户可能发送的照片相似、且真实位置已知的照片，并保持该数据集固定，以便公平地比较不同供应商和版本。个别案例同样会误导人：一个在网上流传的 1100 词的 ChatGPT 提示词给许多尝试者留下了深刻印象，但在固定的 200 张照片上，它的表现并不比一个简短的提示词更好。
2. Step 2基准测试前先去除 GPS如果 API 还会读取元数据，带有地理标签的测试照片衡量的就是元数据读取器，而不是模型。请先从测试副本中去除 EXIF 信息，否则你记录的满分会在生产环境中消失。
3. Step 3按固定距离打分研究基准把猜测在 1 公里（街道）、25 公里（城市）、200 公里（地区）、750 公里（国家）或 2500 公里（大洲）范围内视为正确。没有附带距离的准确率说法，无法与任何其他结果比较。
4. Step 4兼顾城市和乡村精度往往取决于训练照片的密度，因此一个在首都很精确的模型，在农田里可能就很模糊。如果你的用户两种照片都会发送，就两种都要测试。
5. Step 5包含没有可识别内容的照片室内、近景特写和空白天空应该返回低置信度。如果一个工具能从一间酒店房间里高置信度地认出某座城市，那么它对你的用户也会这样做。
6. Step 6检查分数是否经过校准按置信度对结果分组，并测量每组中有多少是正确的。如果分数高于 0.8 的答案，并不明显比接近 0.4 的答案更准确，那么这个分数就不能用来设定阈值。
7. Step 7阅读数据条款请确认图片是否会被存储、存储多久，以及是否会被用于训练。照片可能属于个人数据，尤其是当其中出现了人物的时候。