红外光图像和可见光图像的对齐方法、装置和电子设备制造方法及图纸

本公开提供了红外光图像和可见光图像的对齐方法、装置和电子设备，涉及人工智能技术领域，具体为图像处理和深度学习技术领域，具体实现方案为：对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像，确定第一映射矩阵，并基于第一映射矩阵对第一可见光图像进行粗对齐操作，确定第二映射矩阵，并基于第二映射矩阵对第二可见光图像进行精对齐操作，获取第三可见光图像。本公开分别对第一可见光图像进行粗对齐操作和对第二可见光图像进行精对齐的方式，实现了特征点的精确寻找，操作灵活且步骤简单，提高了红外光图像和可见光图像的对齐效率，实现了红外光图像和可见光图像精确对齐。红外光图像和可见光图像精确对齐。红外光图像和可见光图像精确对齐。

【技术实现步骤摘要】
红外光图像和可见光图像的对齐方法、装置和电子设备


[0001]本公开涉及人工智能
，具体为图像处理和深度学习
，尤其涉及一种红外光图像和可见光图像的对齐方法、装置和电子设备存储介质。

技术介绍

[0002]目前红外光图像和可见光图像对齐的方法，可以基于手动操作调整的方法，即通过手动缩放、平移相机图像的方法来对齐图像，还可以基于预设标定参数方法，即预设好图像的映射参数，然后通过映射计算来对齐图像，还可以基于相机标定的方法，即通过标定相机的相关参数，然后选定对齐图像间的特征点，然后基于相机参数和特征点获得对齐图像间的映射关系，并通过映射关系实现图像对齐。然而，基于手动操作调整的方法要求操作人员对于图像的缩放、平移等变换操作具有一定的经验，不同的操作人可能操作经验的不同，对齐结果也不同，可复现性效果较差，基于预设参数的方法可能无法适应变化的应用场景，泛用性较差，基于相机标定的方法较为复杂不具备操作的简便性，因此，如何提高红外光图像和可见光图像对齐的效率，并保证红外光图像和可见光图像对齐的精度，已成为亟待解决的问题。

技术实现思路

[0003]本公开提供了一种红外光图像和可见光图像的对齐方法、装置、电子设备、存储介质及程序产品。
[0004]根据第一方面，提供了一种红外光图像和可见光图像的对齐方法，包括：对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像；根据所述第一红外光图像和所述第一可见光图像，确定第一映射矩阵，并基于所述第一映射矩阵对所述第一可见光图像进行粗对齐操作，获取第二可见光图像；根据所述第一红外光图像和所述第一可见光图像，确定第二映射矩阵，并基于所述第二映射矩阵对所述第二可见光图像进行精对齐操作，获取第三可见光图像。
[0005]根据第二方面，提供了一种红外光图像和可见光图像的对齐装置，包括：第一获取模块，用于对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像；第二获取模块，用于根据所述第一红外光图像和所述第一可见光图像，确定第一映射矩阵，并基于所述第一映射矩阵对所述第一可见光图像进行粗对齐操作，获取第二可见光图像；第三获取模块，用于根据所述第一红外光图像和所述第一可见光图像，确定第二映射矩阵，并基于所述第二映射矩阵对所述第二可见光图像进行精对齐操作，获取第三可见光图像。
[0006]根据第三方面，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本公开第一方面所述的红外光图像和可见光图像的对齐方法。
[0007]根据第四方面，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根据本公开第一方面所述的红外光图像和可见光图像的对齐方法。
[0008]根据第五方面，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根据本公开第一方面所述的红外光图像和可见光图像的对齐方法。
[0009]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0010]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0011]图1是根据本公开第一实施例的红外光图像和可见光图像的对齐方法的流程示意图；
[0012]图2是根据本公开第二实施例的红外光图像和可见光图像的对齐方法的流程示意图；
[0013]图3是根据本公开第三实施例的红外光图像和可见光图像的对齐方法的流程示意图；
[0014]图4是根据本公开第四实施例的红外光图像和可见光图像的对齐方法的流程示意图；
[0015]图5是根据本公开第五实施例的红外光图像和可见光图像的对齐方法的流程示意图；
[0016]图6是根据本公开红外光图像和可见光图像的对齐方法的流程示意图；
[0017]图7是根据本公开光伏板红外光图像和可见光图像的对齐的示意图；
[0018]图8是是用来实现本公开实施例的红外光图像和可见光图像的对齐装置的框图；
[0019]图9是用来实现本公开实施例的红外光图像和可见光图像的对齐方法电子设备的框图。
具体实施方式
[0020]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
[0021]人工智能(Artificial Intelligence，简称AI)，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
[0022]图像处理(image processing)，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。
[0023]深度学习(Deep Learning，简称DL)是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标—人工智能，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。
[0024]下面结合附图描述本公开实施例的一种红外光图像和可见光图像的对齐方法。
[0025]图1是根据本公开第一实施例的红外光图像和可见光图像的对齐方法的流程示意图。
[0026]如图1所示，本公开实施例的红外光图像和可见光图像的对齐方法具体可包括以下步骤：
[0027]S101，对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像。
[0028]具体的，本公开实施例的红外光图像和可见光图像的对齐方法的执行主体可为本公开实施例提供的红外光图像和可见光图像的对齐装置，该红外光图像和可见光图像的对齐装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器，计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
[0029]需要说明的是，本公开对于获取初始红外图像和初始可见光图像的具体方式不作限定，可以根据实际情况进行选取。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外光图像和可见光图像的对齐方法，其中，包括：对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像；根据所述第一红外光图像和所述第一可见光图像，确定第一映射矩阵，并基于所述第一映射矩阵对所述第一可见光图像进行粗对齐操作，获取第二可见光图像；根据所述第一红外光图像和所述第一可见光图像，确定第二映射矩阵，并基于所述第二映射矩阵对所述第二可见光图像进行精对齐操作，获取第三可见光图像。2.根据权利要求1所述的方法，其中，所述根据所述第一红外光图像和所述第一可见光图像，确定第一映射矩阵，并基于所述第一映射矩阵对所述第一可见光图像进行粗对齐操作，获取第二可见光图像，包括：从所述第一红外光图像和所述第一可见光图像中，选取满足设定条件的多个参考点，并基于所述多个参考点确定所述第一映射矩阵；对所述第一可见光图像的像素点和所述第一映射矩阵做矩阵运算，得到所述第二可见光图像。3.根据权利要求2所述的方法，其中，所述从所述第一红外光图像和所述第一可见光图像中，选取满足设定条件的多个参考点，包括：从所述第一红外光图像和所述第一可见光图像进行物体识别，从中确定同一个物体为参考物体；从所述第一红外光图像和所述第一可见光图像中，各自选取属于所述参考物体同一表面上的预设个数的参考点。4.根据权利要求1所述的方法，其中，所述根据所述第一红外光图像和所述第一可见光图像，确定第二映射矩阵，并基于所述第二映射矩阵对所述第二可见光图像进行精对齐操作，获取第三可见光图像，包括：从所述第一红外光图像和所述第一可见光图像中，确定目标图像；获取所述目标图像和所述第二可见光图像之间的第一匹配特征点对；获取所述第一匹配特征点对中所述第二可见光图像上的第一特征点，并将所述第二可见光图像上的第一特征点逆向映射至所述第一可见光图像；获取所述目标图像和逆向映射后的第一可见光图像之间的第二匹配特征点对；根据所述第二匹配特征点对，确定所述第二映射矩阵；对所述第二可见光图像的像素点和所述第二映射矩阵做矩阵运算，得到所述第三可见光图像。5.根据权利要求4所述的方法，其中，所述获取所述目标图像和所述第二可见光图像之间的第一匹配特征点对，包括：对所述目标图像和所述第二可见光图像进行特征点匹配，得到第一候选匹配特征点对；对所述第一候选匹配点对进行随机抽样一致处理，去除所述第一候选匹配点对中的离群特征点，得到所述第一匹配特征点对。6.根据权利要求4所述的方法，其中，所述将所述第二可见光图像上的第一特征点逆向映射至所述第一可见光图像，包括：
确定所述第一映射矩阵的映射逆矩阵；基于所述映射逆矩阵，将所述第二可见光图像中的第一特征点，逆向映射至所述第一可见光图像。7.根据权利要求3
‑
6中任一项所述的方法，其中，所述获取所述目标图像和逆向映射后的第一可见光图像之间的第二匹配特征点对，包括：对所述目标图像和所述逆向映射后的第一可见光图像进行特征点匹配，得到第二候选匹配特征点对；对所述第二候选匹配点对进行随机抽样一致处理，去除所述第二候选匹配点对中的离群特征点，得到所述第二匹配特征点对。8.根据权利要求4
‑
7中任一项所述的方法，其中，所述从所述第一红外光图像和所述第一可见光图像中，确定目标图像，包括：获取所述第一红外光图像的第一分辨率；获取所述第一可见光图像的第二分辨率；选取所述第一分辨率和所述第二分辨率中高分辨率对应的图像，作为所述目标图像。9.根据权利要求1
‑
7中任一项所述的方法，其中，所述对初始红外图像和初始可见光图像进行去畸变操作，获取第一红外光图像和第一可见光图像，包括：对红外相机和可见光相机分别进行单目标定，获取各自的相机内参和畸变参数；基于所述红外相机的相机内参和畸变参数，对所述初始红外图像进行去畸变操作，获取所述第一红外光图像；基于所述可见光相机的相机内参和畸变参数，对所述初始可见光图像进行去畸变操作，获取所述第一可见光图像。10.一种红外光图像和可见...

【专利技术属性】
技术研发人员：吴科，聂磊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：