用于生成近红外图像生成模型的方法和装置制造方法及图纸

本申请实施例公开了用于生成近红外图像生成模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络；利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。该实施方式实现了生成了近红外图像生成模型。

Method and device for generating near infrared image generation model

The application embodiment discloses a method and device for generating a near infrared image generation model. One specific embodiment of the method includes: acquiring a training sample set, in which the training sample includes a visible light image or a near infrared image; acquiring a pre-established first generation confrontation network and a second generation confrontation network; using machine learning method, the first generation network and the first discrimination based on the training sample set. The network, the second generation network and the second discrimination network are trained, and the trained first generation network is determined as the near infrared image generation model. The implementation method generates a NIR image generation model.

【技术实现步骤摘要】
用于生成近红外图像生成模型的方法和装置
本申请实施例涉及计算机
，具体涉及用于生成近红外图像生成模型的方法和装置。
技术介绍
近红外人脸识别是为了解决人脸识别中的光照问题而提出的一种解决方案。近红外人脸识别包括两部分：主动近红外人脸成像设备和相应的光照无关人脸识别算法。具体方法为：使用强度高于环境光线的主动近红外光源成像，配合相应波段的光学滤片，得到环境光线无关的人脸图像。得到的人脸图像只会随着人与摄像头的距离变化而单调变化。近红外人脸识别面临近红外图像数量少的问题。
技术实现思路
本申请实施例提出了用于生成近红外图像生成模型的方法和装置。第一方面，本申请实施例提供了一种用于生成近红外图像生成模型的方法，该包括：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，第一生成式对抗网络包括第一生成网络和第一判别网络，第二生成式对抗网络包括第二生成网络和第二判别网络，第一生成网络用于表征可见光图像与近红外图像的对应关系，第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，第二生成网络用于表征近红外图像与可见光图像的对应关系，第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练；其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征第二判别网络的输入图像为真实的可见光图像。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括可见光图像的训练样本，将该训练样本输入第一生成网络，将第一生成网络输出的图像作为第二生成网络的输入；基于第二生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，将该训练样本输入第二生成网络，将第二生成网络输出的图像作为第一生成网络的输入；基于第一生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。在一些实施例中，该方法还包括：获取待处理可见光图像；将待处理可见光图像输入至近红外图像生成模型，得到对应的近红外图像。第二方面，本申请实施例提供了一种用于生成近红外图像生成模型的装置，包括：样本集获取单元，配置用于获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；生成式对抗网络获取单元，配置用于获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，第一生成式对抗网络包括第一生成网络和第一判别网络，第二生成式对抗网络包括第二生成网络和第二判别网络，第一生成网络用于表征可见光图像与近红外图像的对应关系，第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，第二生成网络用于表征近红外图像与可见光图像的对应关系，第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；训练单元，配置用于利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征本文档来自技高网...

【技术保护点】
1.一种用于生成近红外图像生成模型的方法，包括：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，所述第一生成式对抗网络包括第一生成网络和第一判别网络，所述第二生成式对抗网络包括第二生成网络和第二判别网络，所述第一生成网络用于表征可见光图像与近红外图像的对应关系，所述第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，所述第二生成网络用于表征近红外图像与可见光图像的对应关系，所述第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型。

【技术特征摘要】
1.一种用于生成近红外图像生成模型的方法，包括：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，所述第一生成式对抗网络包括第一生成网络和第一判别网络，所述第二生成式对抗网络包括第二生成网络和第二判别网络，所述第一生成网络用于表征可见光图像与近红外图像的对应关系，所述第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，所述第二生成网络用于表征近红外图像与可见光图像的对应关系，所述第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型。2.根据权利要求1所述的方法，其中，所述利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型，包括：对于所述训练样本集中包括可见光图像的训练样本，固定所述第一生成网络的参数，将该训练样本作为所述第一生成网络的输入，将所述第一生成网络输出的图像作为所述第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对所述第一判别网络进行训练，其中，第一负样本标识用于表征所述第一判别网络的输入图像为生成的近红外图像；和/或对于所述训练样本集中包括近红外图像的训练样本，将该训练样本作为所述第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对所述第一判别网络进行训练，其中，第一正样本标识用于表征所述第一判别网络的输入图像为真实的近红外图像。3.根据权利要求2所述的方法，其中，所述利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型，还包括：对于所述训练样本集中包括近红外图像的训练样本，固定所述第二生成网络的参数，将该训练样本作为所述第二生成网络的输入，将所述第二生成网络输出的图像作为所述第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对所述第二判别网络进行训练，其中，第二负样本标识用于表征所述第二判别网络的输入图像为生成的可见光图像；和/或对于所述训练样本集中包括可见光图像的训练样本，将该训练样本作为所述第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对所述第二判别网络进行训练，其中，第二正样本标识用于表征所述第二判别网络的输入图像为真实的可见光图像。4.根据权利要求3所述的方法，其中，所述利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型，还包括：对于所述训练样本集中包括可见光图像的训练样本，将该训练样本输入所述第一生成网络，将所述第一生成网络输出的图像作为所述第二生成网络的输入；基于所述第二生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对所述第一生成网络和所述第二生成网络进行训练。5.根据权利要求4所述的方法，其中，所述利用机器学习方法，基于所述训练样本集对所述第一生成网络、所述第一判别网络、所述第二生成网络和所述第二判别网络进行训练，将训练后的所述第一生成网络确定为所述近红外图像生成模型，还包括：对于所述训练样本集中包括近红外图像的训练样本，将该训练样本输入所述第二生成网络，将所述第二生成网络输出的图像作为所述第一生成网络的输入；基于所述第一生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对所述第一生成网络和所述第二生成网络进行训练。6.根据权利要求1-5中任一所述的方法，所述方法还包括：获取待处理可见光图像；将所述待处理可见光图像输入至所述近红外图像生成模型，得到对应的近红外图像。7.一种用于生成近红外图像生成模型的装置，包括：样本集获取单元，配置用于获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；生成式对抗网络获取单元，配置用于获取预先建立的第一生成式对抗网络和第二生成...

【专利技术属性】
技术研发人员：何涛，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11