用于生成近红外图像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的方法和装置。该方法的一具体实施方式包括：获取包含目标对象的可见光图像；将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。该实施方式实现了将可见光图像转化为近红外图像。

Method and device for generating near infrared image

The application embodiment discloses a method and an apparatus for generating near infrared images. One specific embodiment of the method includes: obtaining a visible-light image containing the target object; inputting the visible-light image into a pre-trained near-infrared image generation model to obtain a near-infrared image containing the target object, wherein the near-infrared image generation model is used to characterize the visible-light image containing the target object and the inclusion. The correspondence between near infrared images of target objects. The implementation method has transformed the visible image into the near-infrared image.

【技术实现步骤摘要】
用于生成近红外图像的方法和装置
本申请实施例涉及图像处理
，具体涉及用于生成近红外图像的方法和装置。
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。
技术实现思路
本申请实施例提出了用于生成近红外图像的方法和装置。第一方面，本申请实施例提供了一种用于生成近红外图像的方法，该方法包括：获取包含目标对象的可见光图像；将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。在一些实施例中，近红外图像生成模型通过以下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，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；基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，包括：对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定生成网络的参数，将该包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征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，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类；对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征该包含目标对象的可见光图像中的目标对象的类别。第二方面，本申请实施例提供了一种用于生成近红外图像的装置，该装置包括：获取单元，配置用于获取包含目标对象的可见光图像；近红外图像生成单元，配置用于将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。在一些实施例中，近红外图像生成模型通过以下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，生成对抗网络包括生成网络和判别网络，生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，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；基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型。在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，包括：对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定生成网络的参数，将该包含目标对象的可见光图像作为生成网络的输入，将生成网络输出的图像作为判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，负样本标识用于表征判别网络的输入图像为生成的近红外图像。在一些实施例中，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：对于多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对判别网络进行训练，其中，正样本标识用于表征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，基于多个包含目标对象的可见光图像和多个包含目标对象的近红外图像，利用机器学习方法，对生成网络和判别网络进行训练，将训练后的生成网络确定为近红外图像生成模型，还包括：获取预先建立的初始分类模型，其中，初始分类模型用于对输入的近红外图像进行分类；对于多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入生成网络，将生成网络输出的图像输入初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对生成网络和初始分类模型进行训练，其中，类别标注用于表征包含目标对象的可见光图像中的目标对象的类别。第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，上述程序被处理器执行时实现如第二方面中任一实现方式描述的方法。本申请实施例提供的用于生成近红外图像的方法和装置，首先，获取包含目标对象的可见光图像；之后，将可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像。通过此过程，实现将包含目标对象的可见光图像转化成包含目标对象的近红外图像。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1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的方法，包括：获取包含目标对象的可见光图像；将所述可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，所述近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。

【技术特征摘要】
1.一种用于生成近红外图像的方法，包括：获取包含目标对象的可见光图像；将所述可见光图像输入至预先训练的近红外图像生成模型，得到包含目标对象的近红外图像，其中，所述近红外图像生成模型用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系。2.根据权利要求1所述的方法，其中，所述近红外图像生成模型通过以下步骤训练得到：获取多个包含目标对象的可见光图像和多个包含目标对象的近红外图像；获取预先建立的生成对抗网络，其中，所述生成对抗网络包括生成网络和判别网络，所述生成网络用于表征包含目标对象的可见光图像和包含目标对象的近红外图像之间的对应关系，所述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；基于所述多个包含目标对象的可见光图像和所述多个包含目标对象的近红外图像，利用机器学习方法，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为近红外图像生成模型。3.根据权利要求2所述的方法，其中，所述基于所述多个包含目标对象的可见光图像和所述多个包含目标对象的近红外图像，利用机器学习方法，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为近红外图像生成模型，包括：对于所述多个包含目标对象的可见光图像中的包含目标对象的可见光图像，固定所述生成网络的参数，将该包含目标对象的可见光图像作为所述生成网络的输入，将所述生成网络输出的图像作为所述判别网络的输入，得到与该包含目标对象的可见光图像对应的判别结果；基于所得到的判别结果与负样本标识之间的差异，利用机器学习方法对所述判别网络进行训练，其中，负样本标识用于表征所述判别网络的输入图像为生成的近红外图像。4.根据权利要求3所述的方法，其中，所述基于所述多个包含目标对象的可见光图像和所述多个包含目标对象的近红外图像，利用机器学习方法，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为近红外图像生成模型，还包括：对于所述多个包含目标对象的近红外图像中的包含目标对象的近红外图像，将该包含目标对象的近红外图像作为所述判别网络的输入，得到与该包含目标对象的近红外图像对应的判别结果；基于所得到的判别结果和正样本标识之间的差异，利用机器学习方法对所述判别网络进行训练，其中，正样本标识用于表征所述判别网络的输入图像为真实的近红外图像。5.根据权利要求4所述的方法，其中，所述基于所述多个包含目标对象的可见光图像和所述多个包含目标对象的近红外图像，利用机器学习方法，对所述生成网络和所述判别网络进行训练，将训练后的所述生成网络确定为近红外图像生成模型，还包括：获取预先建立的初始分类模型，其中，所述初始分类模型用于对输入的近红外图像进行分类；对于所述多个包含目标对象的可见光图像中的包含目标对象的可见光图像，将该包含目标对象的可见光图像输入所述生成网络，将所述生成网络输出的图像输入所述初始分类模型，得到该包含目标对象的可见光图像对应的分类结果；基于所得到的分类结果与类别标注之间的差异，对所述生成网络和初始分类模型进行训练，其中，类别标注用于表征包含目标对象的可见光图像中的目标对象的类别。6.一种用于生成近红外图像的装置，包括:获取单元，配置用于获取包含目标对象的可见光图像；近红外图像生成单元，配置用于将所述可见光图像输入至预先训练的近红外图像生成模型，得到包...

【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