远红外线图像训练数据获取部(20)获取第一规定时间段的远红外线图像。可见光图像训练数据获取部(30)获取第二规定时间段的可见光图像。可见光图像生成模型学习部(40)将第一规定时间段的远红外线图像和第二规定时间段的可见光图像作为训练数据在对抗生成网络中进行机器学习，生成根据第一规定时间段的远红外线图像生成第二规定时间段的可见光图像的已学习的生成模型(60)。可见光图像生成模型学习部(40)还生成通过在对抗生成网络中进行机器学习来识别远红外线图像是否是在第一规定时间段拍摄到的远红外线图像的已学习的识别模型(70)。型(70)。型(70)。
【技术实现步骤摘要】
【国外来华专利技术】机器学习装置以及图像处理装置
[0001]本专利技术涉及将远红外线图像转换为可见光图像的技术。
技术介绍
[0002]可见光相机在雾或霭中能力弱，夜晚若没有光源则无法拍摄人和动物。另一方面，远红外线相机对雾或霭具有耐性，即使在夜晚等没有光源的场所也能够模糊地拍摄人和动物，但难以对人和动物进行辨认。
[0003]在没有可见光的夜间，使用红外线相机代替可见光相机来拍摄物体，但由于在远红外线图像中没有彩色图像信息，因此难以从远红外线图像中检测人物等特定的物体。因此，为了使得用人眼也能够容易地辨认，进行将远红外线图像转换为可见光图像的处理。
[0004]在专利文献1中公开了如下的图像处理装置：生成器根据红外线图像的像素值来预测被拍摄体的颜色，由此生成彩色图像，控制部根据与预测关联的每个颜色的可靠度来决定候选颜色。
[0005]现有技术文献
[0006]专利文献
[0007]专利文献1：日本特开2016
‑
122905号公报。
技术实现思路
[0008]为了将红外线图像转换为可见光图像，需要对红外线图像的像素值准确地指定彩色值，在提高精度方面存在极限。另外，难以将夜间的红外线图像转换为白天的彩色图像。
[0009]本专利技术是鉴于这样的状况而完成的，其目的在于提供一种能够高精度地将远红外线图像转换为可见光图像的技术。
[0010]为了解决上述课题，本专利技术的某方式的机器学习装置包括：远红外线图像训练数据获取部，获取第一规定时间段的远红外线图像；可见光图像训练数据获取部，获取第二规定时间段的可见光图像；以及可见光图像生成模型学习部，将所述第一规定时间段的远红外线图像和所述第二规定时间段的可见光图像作为训练数据，在对抗生成网络中进行机器学习，生成根据所述第一规定时间段的远红外线图像生成所述第二规定时间段的可见光图像的已学习的生成模型。
[0011]本专利技术的另一方式是图像处理装置。该装置包括：远红外线图像获取部，获取远红外线图像；可见光图像生成部，将所述获取的所述远红外线图像输入到生成模型中，生成第二规定时间段的可见光图像，所述生成模型是将第一规定时间段的远红外线图像和第二规定时间段的可见光图像作为训练数据在对抗生成网络中进行了机器学习而得；以及远红外线图像识别部，将所获取的所述远红外线图像输入通过在对抗生成网络中进行机器学习而生成的识别模型中，所述识别模型用于识别所述远红外线图像是否是在所述第一规定时间段拍摄的远红外线图像。所述可见光图像生成部在由所述远红外线图像识别部判定为所述远红外线图像是在所述第一规定时间段内拍摄到的远红外线图像的情况下，生成所述可见
光图像，在判定为所述远红外线图像不是在所述第一规定时间段内拍摄到的远红外线图像的情况下，不生成所述可见光图像。
[0012]本专利技术的又一方式是机器学习装置。该装置包括：远红外线图像获取部，获取远红外线图像；可见光图像生成部，将所述获取的远红外线图像输入到生成模型中，生成第二规定时间段的可见光图像，所述生成模型是将第一规定时间段的远红外线图像和第二规定时间段的可见光图像作为训练数据、在对抗生成网络中进行了机器学习而得；物体检测模型学习部，将所述生成的可见光图像作为训练数据，对物体检测模型进行机器学习；以及可见光图像识别部，将所述生成的可见光图像输入到通过在对抗生成网络中进行机器学习而生成的识别模型中，该识别模型识别所述可见光图像是否正常。所述物体检测模型学习部在由所述可见光图像识别部判定为所述生成的可见光图像正常的情况下，将所述生成的可见光图像作为所述训练数据，在判定为所述生成的可见光图像不正常的情况下，不将所述生成的可见光图像作为所述训练数据。
[0013]另外，将以上构成要素的任意组合、本专利技术的表现形式在方法、装置、系统、记录介质、计算机程序等之间转换后的方案，作为本专利技术的方式也是有效的。
[0014]根据本专利技术，能够高精度地将远红外线图像转换为可见光图像。
附图说明
[0015]图1是实施方式1涉及的机器学习装置的结构图。
[0016]图2是实施方式1涉及的远红外线拍摄装置的结构图。
[0017]图3的(a)及(b)是说明规定时间段的图。
[0018]图4是说明通过图1的机器学习装置对可见光图像生成网络的生成模型和远红外线图像识别网络的识别模型进行机器学习的步骤的流程图。
[0019]图5是说明通过图2的图像处理装置，使用可见光图像生成网络的生成模型和远红外线图像识别网络的识别模型，将远红外线图像转换为可见光图像的步骤的流程图。
[0020]图6的(a)及(b)是说明分割后的规定时间段的图。
[0021]图7是实施方式4涉及的机器学习装置的结构图。
[0022]图8是实施方式4涉及的远红外线拍摄装置的结构图。
[0023]图9是说明通过图7的机器学习装置将远红外线图像转换为可见光图像、使用可见光图像作为训练数据对物体检测模型进行机器学习的步骤的流程图。
[0024]图10是说明通过图8的远红外线拍摄装置将远红外线图像转换为可见光图像并从可见光图像中检测物体的步骤的流程图。
具体实施方式
[0025](实施方式1)
[0026]图1是实施方式1涉及的机器学习装置200的结构图。机器学习装置200包括训练数据存储部10、远红外线图像训练数据获取部20、可见光图像训练数据获取部30、可见光图像生成模型学习部40以及已学习模型存储部50。
[0027]可见光线的波长区域为380～780nm，远红外线的波长区域为8～15μm、可见光线是人可以用眼睛详细确认人和动物、车牌等对象物。但存在如下问题：可见光相机对于逆光下
的拍摄较弱，对于雾或霭较弱，夜晚若没有光源则无法拍摄对象物。
[0028]另一方面，远红外相机对雾或霭具有耐性，即使在夜晚等没有光源的场所也能够模糊地拍摄对象物。但是，在远红外相机中，由于无法详细地拍摄对象物，因此存在难以准确地辨认对象物、分辨率低、失真大等问题。
[0029]在此，将由远红外线拍摄装置拍摄到的图像设为远红外线图像，将由可见光拍摄装置拍摄到的图像设为可见光图像。已知远红外线图像与可见光图像具有相关性。
[0030]在训练数据存储部10中存储有所有时间段的大量的远红外线图像的训练数据和所有时间段的大量的可见光图像的训练数据。
[0031]远红外线图像训练数据获取部20从训练数据存储部10获取第一规定时间段的远红外线图像作为训练数据，并提供给可见光图像生成模型学习部40。可见光图像训练数据获取部30从训练数据存储部10获取第二规定时间段的可见光图像作为训练数据，并且将其提供给可见光图像生成模型学习部40。
[0032]第一规定时间段的远红外线图像和第二规定时间段的可见光图像由于拍摄的时间段不同，因此通常图像的构图、即拍摄对象的人物或物体的配置不同，但由于一天期间物体的配置不变等，也存在第一规定时间段的远红外线本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种机器学习装置，其特征在于，包括：远红外线图像训练数据获取部，获取第一规定时间段的远红外线图像；可见光图像训练数据获取部，获取第二规定时间段的可见光图像；以及可见光图像生成模型学习部，将所述第一规定时间段的远红外线图像和所述第二规定时间段的可见光图像作为训练数据，在对抗生成网络中进行机器学习，生成已学习的生成模型，所述已学习的生成模型用于根据所述第一规定时间段的远红外线图像生成所述第二规定时间段的可见光图像。2.如权利要求1所述的机器学习装置，其特征在于，所述第一规定时间段是气温处于第一规定范围内的时间段，所述第二规定时间段是光量处于第二规定范围内的时间段。3.如权利要求1或2所述的机器学习装置，其特征在于，所述可见光图像生成模型学习部还通过在对抗生成网络中进行机器学习来生成已学习的识别模型，所述已学习的识别模型用于识别所述远红外线图像是否是在所述第一规定时间段拍摄到的远红外线图像。4.如权利要求1至3中任一项所述的机器学习装置，其特征在于，所述可见光图像训练数据获取部进行隐匿处理，使得在可见光图像中无法辨认规定对象物。5.一种图像处理装置，其特征在于，远红外线图像获取部，获取远红外线图像；可见光图像生成部，将所述获取的远红外线图像输入到生成模型中，生成第二规定时间段的可见光图像，所述生成模型是将第一规定时间段的远红外线图像和第二规定时间段的可见光图像作为训练数据在对抗生成网络中进行机器学习而得的；以及远红外线图像识别部，将所述获取的远红外线图像输入到通过在对抗生成网络中进行机器学习而生成...
【专利技术属性】
技术研发人员：竹原英树，木田晋吾，杨尹诚，
申请(专利权)人：JVC建伍株式会社，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。