CN108197563B - 用于获取信息的方法及装置 - Google Patents

Abstract

本申请实施例公开了用于获取信息的方法及装置。该方法的一具体实施方式包括：获取待处理近红外图像和对应上述待处理近红外图像的场景信息，上述场景信息用于表征获取上述待处理近红外图像的场景；查找与上述场景信息对应的预先训练的近红外图像识别模型，上述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。该实施方式加快了获取近红外特征信息的速度，提高了获取近红外特征信息的准确率和效率。

Description

用于获取信息的方法及装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像识别技术领域，尤其涉及用于获取信息的方法及装置。

背景技术

人脸识别技术是一项计算机应用研究技术，它属于生物特征识别技术。通过生物体的生物特征不仅能够区分生物个体，还能够对生物个体的身体状态进行判断。对人脸识别时，首先要获取光线充足时清晰的人脸图像，然后再对人脸图像进行数据处理。

发明内容

本申请实施例的目的在于提出了用于获取信息的方法及装置。

第一方面，本申请实施例提供了一种用于获取信息的方法，该方法包括：获取待处理近红外图像和对应上述待处理近红外图像的场景信息，上述场景信息用于表征获取上述待处理近红外图像的场景；查找与上述场景信息对应的预先训练的近红外图像识别模型，上述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。

在一些实施例中，上述方法还包括构建近红外图像识别模型的步骤，上述构建近红外图像识别模型的步骤包括：从可见光图像集合中提取可见光图像，上述可见光图像包括用于描述可见光图像上特征点的可见光特征信息；分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息；将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合；利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

在一些实施例中，上述分别将可见光图像和可见光特征信息转换为近红外图像和近红外特征信息包括：在可见光图像上确定与可见光特征信息对应的第一特征点；将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点；将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息，上述特征信息包括位置信息、颜色信息。

在一些实施例中，上述将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点包括：为可见光图像设置第一标记点，上述第一标记点用于标记可见光图像包含的第一图像的位置；查询近红外图像上对应第一标记点的第二标记点，上述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置；响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

在一些实施例中，上述方法还包括为第二特征点设置颜色的步骤。

第二方面，本申请实施例提供了一种用于获取信息的装置，上述该装置包括：信息接收单元，用于获取待处理近红外图像和对应上述待处理近红外图像的场景信息，上述场景信息用于表征获取上述待处理近红外图像的场景；查询单元，用于查找与上述场景信息对应的预先训练的近红外图像识别模型，上述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；信息获取单元，用于将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。

在一些实施例中，上述装置还包括近红外图像识别模型构建单元，用于构建近红外图像识别模型，上述近红外图像识别模型构建单元包括：图像提取子单元，用于从可见光图像集合中提取可见光图像，上述可见光图像包括用于描述可见光图像上特征点的可见光特征信息；图像转换子单元，用于分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息；近红外关系对获取子单元，用于将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合；近红外图像识别模型构建子单元，用于利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

在一些实施例中，上述图像转换子单元包括：第一特征点确定模块，用于在可见光图像上确定与可见光特征信息对应的第一特征点；第二特征点确定模块，用于将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点；近红外特征信息获取模块，用于将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息，上述特征信息包括位置信息、颜色信息。

在一些实施例中，上述第二特征点确定模块包括：第一标记点设置子模块，用于为可见光图像设置第一标记点，上述第一标记点用于标记可见光图像包含的第一图像的位置；第二标记点获取子模块，用于查询近红外图像上对应第一标记点的第二标记点，上述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置；第二标记点确定子模块，用于响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

在一些实施例中，上述装置还包括为颜色设置单元，用于为第二特征点设置颜色。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储器，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时，使得上述一个或多个处理器执行上述第一方面的用于获取信息的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于获取信息的方法。

本申请实施例提供的用于获取信息的方法及装置，在获取到待处理近红外图像后，直接将待处理近红外图像导入近红外图像识别模型得到近红外特征信息，加快了获取近红外特征信息的速度，提高了获取近红外特征信息的准确率和效率。

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是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于获取信息的方法的一个实施例的流程图；

图3是根据本申请的用于获取信息的方法的一个应用场景的示意图；

图4是根据本申请的用于获取信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于获取信息的方法或用于获取信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种图像处理应用，例如照相机应用、视频采集应用、图像转换应用、近红外图像处理应用等。

终端设备101、102、103可以是具有显示屏并且支持图像采集的各种电子设备，包括但不限于网络摄像头、监控摄像头、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103采集的近红外图像进行处理的服务器。服务器可以对接收到的近红外图像进行数据处理，并将处理结果反馈给终端设备101、102、103。

需要说明的是，本申请实施例所提供的用于获取信息的方法可以由终端设备101、102、103单独执行，或者也可以由终端设备101、102、103和服务器105共同执行。一般情况下，用于获取信息的方法由终端设备101、102、103执行。相应地，用于获取信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于获取信息的方法的一个实施例的流程200。该用于获取信息的方法包括以下步骤：

步骤201，获取待处理近红外图像和对应上述待处理近红外图像的场景信息。

在本实施例中，用于获取信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以通过有线连接方式或者无线连接方式从用户利用其进行图像采集的终端获取近红外图像和对应待处理近红外图像的场景信息。其中，上述场景信息用于表征获取上述待处理近红外图像的场景。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

可见光是电磁波谱中人眼可以感知的部分，可见光谱没有精确的范围；一般人的眼睛可以感知的电磁波的波长在400～760纳米之间，但还有一些人能够感知到波长大约在380～780纳米之间的电磁波。现有方法通常是对在可见光环境下获取的图像(即可见光图像)进行的图像处理，因此，人眼可以直接观察到可见光环境下获取的图像的内容。但是，实际中，由于光线(夜晚或光线不足)等原因，图像采集设备采集到的很多图像属于近红外图像。近红外图像可以是在近红外环境下获取的图像，近红外光(Near Infrared，NIR)是介于可见光和中红外光之间的电磁波，按美国试验和材料检测协会的定义，近红外光是指波长在780～2526纳米范围内的电磁波，习惯上又将近红外区划分为近红外短波(780～1100纳米)和近红外长波(1100～2526纳米)两个区域。近红外图像通常不能直接通过现有的图像处理方法进行图像处理，因此，近红外图像包含的有用信息可能丢失。例如，在弱光或夜晚，监控摄像头采集到的违章车辆的驾驶员图像通常无法通过现有的图像处理方法进行图像处理，因此也不易通过采集的图像获取驾驶员的人脸信息。为此，本申请实施例技术方案可以直接对近红外图像进行数据处理(在不将近红外图像转换为可见光图像的前提下)，以获取到相关的图像信息。

上述的场景信息用于表征获取上述待处理近红外图像的场景。例如，当待处理近红外图像是在车辆行驶过程中获取的驾驶员面部的近红外图像时，该待处理近红外图像可以认为是在疲劳监测场景下获取的，则场景信息可以是疲劳监测场景；当待处理近红外图像是在通过人脸验证信息安全时获取的用户面部的近红外图像时，该待处理近红外图像可以认为是在人脸识别场景下获取的，则场景信息可以是人脸识别场景。相应的，场景信息还可以通过采集待处理近红外图像的终端设备来确定。例如，获取待处理近红外图像的终端设备是监控摄像头，并且监控摄像头用于采集十字路口的车辆行驶图像，则同样可以认为待处理近红外图像的场景信息为疲劳监测场景；当获取待处理近红外图像的终端设备是打开智能终端界面时采集的，则同样可以认为待处理近红外图像的场景信息为人脸识别场景。

需要说明的是，除了上述的疲劳监测场景和人脸识别场景外，还可以是其他场景，具体根据实际需要而定。

步骤202，查找与上述场景信息对应的预先训练的近红外图像识别模型。

由上述描述可知，在多种场景下都可以获取到待处理近红外图像。而不同的场景，获取的待处理近红外图像的特征信息也不尽相同。例如，在疲劳监测场景下，可以获取待处理近红外图像中人脸的眨眼情况、闭眼情况或手部动作；而在人脸识别场景则可以获取人脸的眉毛、眼睛、鼻子等脸部特征。为此，在得到对应待处理近红外图像的场景信息后，需要查找与场景信息对应的预先训练的近红外图像识别模型，以便准确地获取对应待处理近红外图像的相关信息。即，上述近红外图像识别模型可以用于从待处理近红外图像中识别出近红外特征信息。近红外图像识别模型可以用于表征近红外图像和近红外特征信息之间的匹配关系。作为示例，近红外图像识别模型可以是技术人员基于对大量的近红外图像和近红外特征信息的统计而预先制定的、存储有多个近红外图像和近红外特征信息的匹配关系的匹配关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对于近红外图像进行图像处理以得到用于表征近红外特征信息的计算结果的计算公式。

在本实施例的一些可选的实现方式中，上述方法还可以包括构建近红外图像识别模型的步骤，上述构建近红外图像识别模型的步骤可以包括以下步骤：

第一步，从可见光图像集合中提取可见光图像。

现有的对图像进行处理的方法，大多都是用于对可见光图像进行处理。由于人眼可以直接从可见光图像中识别出颜色、线条等信息，所以，可见光图像成为了当前图像处理用到的最广泛的图像，因此，可见光图像的数量也是海量的。虽然也有一些对非可见光图像进行的图像处理，但也是将非可见光图像转换为可见光图像后再进行的图像处理。在图像转换的过程中，不可避免地会出现信息丢失或转换不准确定情况；并且，图像转换也需要耗费更多的时间和处理能力，使得图像处理的时间更长。

为此，本申请可以将可见光图像中的信息转换为对应的近红外图像的信息。首先需要从可见光图像集合中提取可见光图像，其中，上述可见光图像包括用于描述可见光图像上特征点的可见光特征信息，即，可见光图像上事先标注有可见光特征信息，可见光特征信息可以是位置信息、颜色信息等信息，具体视实际需要而定。

第二步，分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息。

通过图像转换方法可以实现可见光图像和近红外图像之间的相互转换。相应的，本申请可以分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息。

第三步，将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合。

上述将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息时，由于可见光图像和可见光特征信息具有对应关系，因此，转换得到的近红外图像和近红外特征信息也具有对应关系。将近红外图像和对应该近红外图像的近红外特征信息组合成近红外关系对，可以得到对应可见光图像集合的近红外关系对集合。

第四步，利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

本实施例的上述电子设备可以利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。具体的，上述电子设备可以使用dualgan、cyclegan等方法将近红外关系对中的近红外图像作为模型的输入，将该近红外关系对中的近红外特征信息作为模型的输出，利用机器学习方法，对该模型进行训练，得到近红外图像识别模型。

在本实施例的一些可选的实现方式中，上述分别将可见光图像和可见光特征信息转换为近红外图像和近红外特征信息可以包括以下步骤：

第一步，在可见光图像上确定与可见光特征信息对应的第一特征点。

可见光特征信息可以是位置信息、颜色信息等信息。为了对可见光图像进行相应对数据处理，需要确定对应可见光特征信息的第一特征点。即，第一特征点可以用于标记可见光特征信息。

第二步，将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点。

将可见光图像转换为近红外图像后，近红外图像也包含了与可见光图像上第一特征点对应的第二特征点。由于第一特征点与可见光特征信息对应，则第二特征点也与近红外图像上对应可见光特征信息的特征信息对应。

第三步，将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息。

第二特征点与第一特征点对应，第一特征点与可见光特征信息对应，相应的，第二特征点与近红外特征信息对应。因此，可以将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息。其中，上述特征信息可以包括位置信息、颜色信息或其他信息。

在本实施例的一些可选的实现方式中，上述将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点可以包括以下步骤：

第一步，为可见光图像设置第一标记点。

为了防止将可见光图像转换为近红外图像时出现无法收敛等情况，需要确定与可见光特征信息对应的第一标记点。本实施例的上述第一标记点可以用于标记可见光图像包含的第一图像的位置。即，第一标记点可以用于图像转换过程中，对第一图像的位置或颜色等信息进行限定。

第二步，查询近红外图像上对应第一标记点的第二标记点。

与上述得到第二特征点类似，在将可见光图像转换为近红外图像时，也可以得到对应第一标记点的第二标记点。上述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置。

第三步，响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

第一标记点可以用于对第一图像的位置或颜色等信息进行限定，当第一标记点与第二标记点之间的位置差小于设定阈值，说明将可见光图像转换为近红外图像后，第一图像的第二图像的位置基本没有发生偏移，第二图像发生的形变很小；也说明第二特征点与第一特征点对应，进而保证了近红外特征信息也与可见光特征信息。

步骤203，将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。

由上述分析可知，将待处理近红外图像导入本实施例的近红外图像识别模型后，近红外图像识别模型可以输出待处理近红外图像的近红外特征信息。

在本实施例的一些可选的实现方式中，上述方法还可以包括为第二特征点设置颜色的步骤。

本申请实现了从近红外图像中直接获取近红外特征信息。通常，获取到近红外特征信息后，还需要对近红外特征信息进行其他的数据处理。为了应用于其他的数据处理，还可以对第二特征点设置颜色等操作。

继续参见图3，图3是根据本实施例的用于获取信息的方法的应用场景的一个示意图。在图3的应用场景中，终端设备101采集到待处理近红外图像后，将待处理近红外图像通过网络104发送给服务器105；服务器105获取到待处理近红外图像，并得到对应该待处理近红外图像的场景信息后，查找与场景信息对应的预先训练的近红外图像识别模型；最后，将待处理近红外图像导入近红外图像识别模型，得到该待处理近红外图像的近红外特征信息。

本申请的上述实施例提供的方法在获取到待处理近红外图像后，直接将待处理近红外图像导入近红外图像识别模型得到近红外特征信息，加快了获取近红外特征信息的速度，提高了获取近红外特征信息的准确率和效率。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于获取信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于获取信息的装置400可以包括：信息接收单元401、查询单元402和信息获取单元403。其中，信息接收单元401用于获取待处理近红外图像和对应上述待处理近红外图像的场景信息，上述场景信息用于表征获取上述待处理近红外图像的场景；查询单元402用于查找与上述场景信息对应的预先训练的近红外图像识别模型，上述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；信息获取单元403用于将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。

在本实施例的一些可选的实现方式中，用于获取信息的装置400还可以包括近红外图像识别模型构建单元(图中未示出)，用于构建近红外图像识别模型，上述近红外图像识别模型构建单元可以包括：图像提取子单元(图中未示出)、图像转换子单元(图中未示出)、近红外关系对获取子单元(图中未示出)和近红外图像识别模型构建子单元(图中未示出)。其中，图像提取子单元用于从可见光图像集合中提取可见光图像，上述可见光图像包括用于描述可见光图像上特征点的可见光特征信息；图像转换子单元用于分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息；近红外关系对获取子单元用于将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合；近红外图像识别模型构建子单元用于利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

在本实施例的一些可选的实现方式中，上述图像转换子单元可以包括：第一特征点确定模块(图中未示出)、第二特征点确定模块(图中未示出)和近红外特征信息获取模块(图中未示出)。其中，第一特征点确定模块用于在可见光图像上确定与可见光特征信息对应的第一特征点；第二特征点确定模块用于将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点；近红外特征信息获取模块用于将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息，上述特征信息包括位置信息、颜色信息。

在本实施例的一些可选的实现方式中，上述第二特征点确定模块可以包括：第一标记点设置子模块(图中未示出)、第二标记点获取子模块(图中未示出)和第二标记点确定子模块(图中未示出)。其中，第一标记点设置子模块用于为可见光图像设置第一标记点，上述第一标记点用于标记可见光图像包含的第一图像的位置；第二标记点获取子模块用于查询近红外图像上对应第一标记点的第二标记点，上述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置；第二标记点确定子模块用于响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

在本实施例的一些可选的实现方式中，用于获取信息的装置400还可以包括为颜色设置单元，用于为第二特征点设置颜色。

本实施例还提供了一种服务器，包括：一个或多个处理器；存储器，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时，使得上述一个或多个处理器执行上述的用于获取信息的方法。

本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于获取信息的方法。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括信息接收单元、查询单元和信息获取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，信息获取单元还可以被描述为“用于获取近红外特征信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待处理近红外图像和对应上述待处理近红外图像的场景信息，上述场景信息用于表征获取上述待处理近红外图像的场景；查找与上述场景信息对应的预先训练的近红外图像识别模型，上述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；将上述待处理近红外图像导入上述近红外图像识别模型，得到上述待处理近红外图像的近红外特征信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于获取信息的方法，其特征在于，所述方法包括：

获取待处理近红外图像和对应所述待处理近红外图像的场景信息，所述场景信息用于表征获取所述待处理近红外图像的场景；

查找与所述场景信息对应的预先训练的近红外图像识别模型，所述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；

将所述待处理近红外图像导入所述近红外图像识别模型，得到所述待处理近红外图像的近红外特征信息；所述方法还包括构建近红外图像识别模型的步骤，所述构建近红外图像识别模型的步骤包括：

从可见光图像集合中提取可见光图像，所述可见光图像包括用于描述可见光图像上特征点的可见光特征信息；分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息；将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合；利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

2.根据权利要求1所述的方法，其特征在于，所述分别将可见光图像和可见光特征信息转换为近红外图像和近红外特征信息包括：

在可见光图像上确定与可见光特征信息对应的第一特征点；

将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点；

将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息，所述特征信息包括位置信息、颜色信息。

3.根据权利要求2所述的方法，其特征在于，所述将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点包括：

为可见光图像设置第一标记点，所述第一标记点用于标记可见光图像包含的第一图像的位置；

查询近红外图像上对应第一标记点的第二标记点，所述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置；

响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括为第二特征点设置颜色的步骤。

5.一种用于获取信息的装置，其特征在于，所述装置包括：

信息接收单元，用于获取待处理近红外图像和对应所述待处理近红外图像的场景信息，所述场景信息用于表征获取所述待处理近红外图像的场景；

查询单元，用于查找与所述场景信息对应的预先训练的近红外图像识别模型，所述近红外图像识别模型用于从待处理近红外图像中识别出近红外特征信息；

信息获取单元，用于将所述待处理近红外图像导入所述近红外图像识别模型，得到所述待处理近红外图像的近红外特征信息；

所述装置还包括近红外图像识别模型构建单元，用于构建近红外图像识别模型，所述近红外图像识别模型构建单元包括：图像提取子单元，用于从可见光图像集合中提取可见光图像，所述可见光图像包括用于描述可见光图像上特征点的可见光特征信息；图像转换子单元，用于分别将可见光图像和可见光特征信息转换为对应的近红外图像和近红外特征信息；近红外关系对获取子单元，用于将近红外图像和近红外特征信息组合成近红外关系对，进而得到对应可见光图像集合的近红外关系对集合；近红外图像识别模型构建子单元，用于利用机器学习方法，将近红外关系对中的近红外图像作为输入，将该近红外关系对中的近红外特征信息作为输出，训练得到近红外图像识别模型。

6.根据权利要求5所述的装置，其特征在于，所述图像转换子单元包括：

第一特征点确定模块，用于在可见光图像上确定与可见光特征信息对应的第一特征点；

第二特征点确定模块，用于将可见光图像转换为近红外图像，得到对应第一特征点的第二特征点；

近红外特征信息获取模块，用于将第二特征点在近红外图像上的对应的特征信息作为该近红外图像的近红外特征信息，所述特征信息包括位置信息、颜色信息。

7.根据权利要求6所述的装置，其特征在于，所述第二特征点确定模块包括：

第一标记点设置子模块，用于为可见光图像设置第一标记点，所述第一标记点用于标记可见光图像包含的第一图像的位置；

第二标记点获取子模块，用于查询近红外图像上对应第一标记点的第二标记点，所述第二标记点用于标记近红外图像包含的、对应第一图像的第二图像的位置；

第二标记点确定子模块，用于响应于第一标记点与第二标记点之间的位置差小于设定阈值，得到对应第一特征点的第二特征点。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括为颜色设置单元，用于为第二特征点设置颜色。

9.一种服务器，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一所述的方法。

Images