CN109543544B - 跨光谱图像匹配方法及装置、电子设备和存储介质 - Google Patents
跨光谱图像匹配方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109543544B CN109543544B CN201811250546.7A CN201811250546A CN109543544B CN 109543544 B CN109543544 B CN 109543544B CN 201811250546 A CN201811250546 A CN 201811250546A CN 109543544 B CN109543544 B CN 109543544B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- conversion
- inputting
- matched
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 265
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 96
- 230000008569 process Effects 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003042 antagnostic effect Effects 0.000 claims description 8
- 230000001902 propagating effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 19
- 230000003595 spectral effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种跨光谱图像匹配方法及装置、电子设备和存储介质。所述方法包括：将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；将同光谱的待匹配图像和转换图像组合，得到图像对；将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。本公开实施例中，对抗学习模型可以将跨光谱的图像转换为同光谱的图像，可以减少跨光谱的图像之间的差异，可以提高视差检测模型的视差检测准确率。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种跨光谱图像匹配方法及装置、电子设备和存储介质。
背景技术
随着多摄像头多光谱系统的广泛应用，利用跨光谱图像进行人脸识别等需求越来越多。传统的跨光谱双目匹配方法通常使用语义分割和人为干预来寻找两个光谱的图像间的一致性。传统方法受制于语义分割模块无法与视差估计模块一起训练，无法进行全局优化，且需要额外的语义分割数据，导致无监督跨光谱双目匹配得到的视差准确率低、运行效率低。
发明内容
本公开提出了一种跨光谱图像匹配技术方案。
根据本公开的一方面，提供了一种跨光谱图像匹配方法，包括：
将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；
将同光谱的待匹配图像和转换图像组合，得到图像对；
将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
在一种可能的实现方式中，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，所述将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像，包括：
将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同；
将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
在一种可能的实现方式中，所述对抗学习模型还包括分类子模型，所述对抗学习模型和所述视差检测模型的训练过程包括：
将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练；
将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练；
将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练；
将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
在一种可能的实现方式中，所述图像生成子模型的第一次训练过程包括：
将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像；
将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果；
根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失；
根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失；
向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
在一种可能的实现方式中，所述将所述第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像，包括：
将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；
将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；
将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；
将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
在一种可能的实现方式中，所述图像生成子模型的第二次训练过程包括：
根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像，
根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失；
向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像；所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行人脸识别。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像；所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行所述行驶装置的自动驾驶。
根据本公开的一方面，提供了一种跨光谱图像匹配装置，所述装置包括：
转换图像生成模块，用于将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；
图像对生成模块，用于将同光谱的待匹配图像和转换图像组合，得到图像对；
图像匹配模块，用于将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
在一种可能的实现方式中，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，所述转换图像生成模块，包括：
特征提取子模块，用于将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同；
转换子模块，用于将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
在一种可能的实现方式中，所述对抗学习模型还包括分类子模型，所述装置还包括训练模块，所述训练模块用于对所述对抗学习模型和所述视差检测模型进行训练，所述训练模块包括：
第一训练子模块，用于将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练；
第二训练子模块，用于将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练；
第三训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练；
第四训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
在一种可能的实现方式中，所述第二训练子模块，包括：
图像生成子模块，用于将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像；
分类处理子模块，用于将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果；
第一损失子模块，用于根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失；
第二损失子模块，用于根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失；
第一反向传播子模块，用于向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
在一种可能的实现方式中，所述图像生成子模块，用于：
将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；
将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；
将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；
将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
在一种可能的实现方式中，所述第四训练子模块，包括：
辅助图像生成子模块，用于根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像，
辅助损失生成子模块，用于根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失；
第二反向传播子模块，用于向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像，所述装置还包括：
人脸识别模块，用于根据匹配结果进行人脸识别。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像，所述装置包括：
自动驾驶模块，用于根据匹配结果进行所述行驶装置的自动驾驶。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述任意一项所述的方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述任意一项所述的方法。
在本实施例中，将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；将同光谱的待匹配图像和转换图像组合，得到图像对；将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差完成两个待匹配图像的匹配。对抗学习模型可以将跨光谱的图像转换为同光谱的图像，可以减少跨光谱的图像之间的差异，可以提高视差检测模型的视差检测准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的跨光谱图像匹配方法的流程图；
图2示出根据本公开实施例的跨光谱图像匹配方法的流程图；
图3示出根据本公开实施例的跨光谱图像匹配方法的流程图；
图4示出根据本公开实施例的跨光谱图像匹配方法中分类子模型的训练过程示意图；
图5示出根据本公开实施例的跨光谱图像匹配方法中图像生成子模型的第一次训练过程示意图；
图6示出根据本公开实施例的跨光谱图像匹配方法中视差检测模型的训练过程示意图；
图7示出根据本公开实施例的跨光谱图像匹配方法中图像生成子模型的第二次训练过程示意图；
图8示出根据本公开实施例的跨光谱图像匹配方法的流程图；
图9示出根据本公开实施例的跨光谱图像匹配装置的框图；
图10是根据一示例性实施例示出的一种电子设备的框图；
图11是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的跨光谱图像匹配方法的流程图，如图1所示，所述跨光谱图像匹配方法包括：
步骤S10，将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像。
在一种可能的实现方式中，对抗学习模型可以包括图像生成子模型和分类子模型。在对抗学习模型的训练过程中，图像生成子模型可以根据输入图像生成转换图像，分类子模型可以判别转换图像为输入图像的概率。在对抗学习模型完成训练后，在跨光谱图像匹配的使用过程中，可以只使用图像生成子模型。
在一种可能的实现方式中，两个光谱不同的待匹配图像可以为第一待匹配图像和第二待匹配图像。第一待匹配图像和第二待匹配图像可以是多摄像头多光谱系统获取到的光谱不同的两张图像。例如，第一待匹配图像和第二待匹配图像可以是双目摄像头拍摄得到的两幅图像。第一待匹配图像和第二待匹配图像的光谱不同，分别可以是可见光、近红外、短波红外和中波红外等。本公开不限定第一待匹配图像和第二待匹配图像的光谱。
在一种可能的实现方式中，可以将光谱为A的第一待匹配图像输入对抗学习模型进行处理，得到光谱为B的第一转换图像。可以将光谱为B的第二待匹配图像输入对抗学习模型进行处理，得到光谱为A的第二转换图像。对抗学习模型可以将跨光谱的图像转换为同光谱的图像。
步骤S20，将同光谱的待匹配图像和转换图像组合，得到图像对。
在一种可能的实现方式中，可以将第一待匹配图像和第二转换图像按照任意的位置组合方式得到第一光谱图像。例如，可以将第一待匹配图像和第二转换图像按照一上一下或一左一右的方式组成第一光谱图像。第二待匹配图像和第一转换图像组成第二光谱图像的方式相同不再赘述。
在一种可能的实现方式中，第一待匹配图像和第二转换图像的光谱相同，第二待匹配图像和第一转换图像的光谱相同，对抗学习模型将跨光谱的图像处理为同光谱的图像，可以减小跨光谱的第一光谱图像和第二光谱图像之间的差别，有利于深度估计。
步骤S30，将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
在一种可能的实现方式中，从有一定距离的两个点上观察同一个目标所产生的方向差异为视差。视差检测模型可以根据输入图像对得到图像对中任一图像的视差。可以将第一光谱图像(光谱为A)和第二光谱图像(光谱为B)组成图像对输入视差检测模型进行处理，得到第一光谱图像的第一视差和所述第二光谱图像的第二视差。可以根据第一视差和第二视差进行第一待匹配图像和第二待匹配图像的匹配。
在本实施例中，将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；将同光谱的待匹配图像和转换图像组合，得到图像对；将图像对输入视差检测模型进行处理，得到各待匹配图像的视差，根据各所述待匹配图像的视差完成两个待匹配图像的匹配。对抗学习模型可以将跨光谱的图像转换为同光谱的图像，可以减少跨光谱的图像之间的差异，可以提高视差检测模型的视差检测准确率。
图2示出根据本公开实施例的跨光谱图像匹配方法的流程图，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，如图2所示，所述跨光谱图像匹配方法中步骤S10包括：
步骤S11，将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同。
在一种可能的实现方式中，图像生成子模型可以包括特征空间子模块、第一转换子模块和第二转换子模块。特征空间子模块可以将第一待匹配图像和第二待匹配图像映射到统一特征空间，提取第一待匹配图像和第二待匹配图像的特征。可以定义映射函数，将第一待匹配图像(光谱为A)经过映射函数处理后得到第一特征，将第二待匹配图像(光谱为B)经过映射函数处理后得到第一特征。
步骤S12，将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
在一种可能的实现方式中，转换子模块可以根据输入的特征生成转换图像，且转换图像的光谱与生成特征的图像的光谱不同。可以定义第一转换函数，将第一特征经过第一转换函数处理后得到第一转换图像。可以定义第二转换函数，将第二特征经过第二转换函数处理后得到第二转换图像。第一转换图像的光谱与第二待匹配图像的光谱相同，第二转换图像的光谱与第一待匹配图像的光谱相同。
在本实施例中，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，将第一待匹配图像和第二待匹配图像输入特征空间子模块，得到第一待匹配图像的第一特征和第二待匹配图像的第二特征；将第一特征输入第一转换子模块，得到第一待匹配图像的第一转换图像，将第二特征输入第二转换子模块，得到第二待匹配图像的第二转换图像。第一待匹配图像和第二待匹配图像共用特征子模型，可以减小与待匹配图像对应的转换图像之间的差异。
图3示出根据本公开实施例的跨光谱图像匹配方法的流程图，所述对抗学习模型还包括分类子模型，如图3所示，所述对抗学习模型和所述视差检测模型的训练过程包括：
步骤S110，将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练。
在一种可能的实现方式中，将样本图像输入图像生成子模型得到的第一输出结果为与样本图像对应的转换图像。将样本图像与转换图像输入分类子模型进行处理，所得到的第二输出结果为样本图像的分类结果和转换图像的分类结果。可以根据样本图像的分类结果和转换图像的分类结果对分类子模型进行训练。
在一种可能的实现方式中，对抗学习模型包括图像生成子模型和分类子模型。对抗学习模型和视差检测模型可以共同训练完成。图4示出根据本公开实施例的跨光谱图像匹配方法中分类子模型的训练过程示意图，如图4所示，Source(A,B)为光谱分别为A和B的两个样本图像，G为对抗学习模型中的图像生成子模型，D为对抗学习模型中的分类子模型，S为视差检测模型。图中虚线框标识该子模型进行参数更新。黑实线框标识盖子模型不进行参数更新(下同不再描述)。可以将光谱为A的第一样本图像和光谱为B的第二样本图像输入图像生成子模型，生成第一样本图像的第一样本转换图像，以及生成第二样本图像的第二样本转换图像。第一样本转换图像的光谱为B，第二样本转换图像的光谱为A。
步骤S120，将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练。
在一种可能的实现方式中，图5示出根据本公开实施例的跨光谱图像匹配方法中图像生成子模型的第一次训练过程示意图，如图5所示，将样本图像输入图像生成子模型得到的第三输出结果为与样本图像对应的转换图像。将样本图像与转换图像输入分类子模型进行处理得到的第四输出结果为样本图像的分类结果和转换图像的分类结果。可以样本图像的分类结果和转换图像的分类结果确定图像生成子模型的第一生成损失，并根据第一生成损失对图像生成子模型进行第一次训练。对图像生成子模型进行第一次训练，可以使图像生成子模型获取语义信息。
在一种可能的实现方式中，可以根据样本图像和转换图像之间结构化的差异确定显示损失。可以根据样本图像和转换图像之间颜色的差异确定平滑损失。可以根据样本图像和转换图像之间左右视差的一致性确定视差一致性损失。可以根据显示损失、平滑损失和视差一致性损失得到第一生成损失。
步骤S130，将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练。
在一种可能的实现方式中，图6示出根据本公开实施例的跨光谱图像匹配方法中视差检测模型的训练过程示意图，如图6所示，将样本图像输入图像生成子模型得到的第五输出结果为与样本图像对应的转换图像。将样本图像和转换图像组成的图像对输入所述视差检测模型，得到的第六输出结果为样本图像和转换图像的检测视差。可以根据检测视差和实际视差，确定辅助损失，可以根据辅助损失对视差检测模型进行训练。
步骤S140，将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
在一种可能的实现方式中，图7示出根据本公开实施例的跨光谱图像匹配方法中图像生成子模型的第二次训练过程示意图，如图7所示，将所述样本图像输入完成第一次训练的图像生成子模型，得到的第七输出结果为转换图像。将样本图像和转换图像输入完成训练的视差检测模型，得到的第八输出结果为样本图像和转换图像的视差。可以根据样本图像和转换图像的视差确定图像生成子模型的第二生成损失，并根据第二生成损失对图像生成子模型进行第二次训练。
在本实施例中，图像生成子模型、分类子模型和视差检测模型进行联合训练。训练得到的对抗学习模型和视差检测模型的准确率更高。
在一种可能的实现方式中，所述图像生成子模型的第一次训练过程包括：
将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像。
将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果。
根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失。
根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失。
向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
在一种可能的实现方式中，可以将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
在一种可能的实现方式中，可以将步骤S210的处理过程表示为公式(1)至公式(3)：
其中，IA为第一样本图像，XA为第一光谱样本特征，
为第一样本转换图像，
为第一光谱转换特征，
为第一循环图像。F为特征转换函数，GA为第一转换函数，GB为第二转换函数。
其中，IB为第二样本图像，XB为第二光谱样本特征，
为第二样本转换图像，
为第二光谱转换特征，
为第二循环图像。
其中，
为第一重构图像，
为第二重构图像。
在一种可能的实现方式中，分类子模型可以包括第一分类子模块DA和第二分类子模块DB。可以将光谱为A的第一样本图像和光谱为A的第二样本转换图像输入第一分类子模块DA进行处理，得到第一样本图像的分类结果和第二样本转换图像的分类结果。可以根据第一样本图像的分类结果和第二样本转换图像的分类结果确定第一分类子模块的第一分类子损失
可以将光谱为B的第二样本图像和光谱为B的第一样本转换图像输入第二分类子模块DB进行处理，得到第二样本图像的分类结果和第一样本转换图像的分类结果。可以根据第二样本图像的分类结果和第一样本转换图像的分类结果确定第二分类子模块的第二分类子损失
可以根据第一分类子损失和第二分类子损失得到分类损失
在一种可能的实现方式中，可以根据公式(4)确定循环一致性损失
其中，N为像素个数，Ω为像素坐标空间，P为像素点。
可以根据公式(5)确定重构损失
可以根据公式(6)确定生成分类损失
在一种可能的实现方式中，可以根据公式(7)确定图像生成损失LG：
其中，λc为循环一致性损失的权值，λr为重构损失的权值，λa为生成分类损失的权值。
在一种可能的实现方式中，可以反向传播图像生成损失的梯度，直至满足设定的迭代次数或满足设定的收敛条件。
在本实施例中，可以将样本图像输入图像生成子模型和分类子模型得到样本图像的转换图像、重构图像、循环图像等，可以根据样本图像、转换图像、重构图像和循环图像计算循环一致性损失、所述重构损失和所述生成分类损失，并根据循环一致性损失、所述重构损失和所述生成分类损失计算图像生成损失，并利用图像生成损失对图像生成子模型进行训练。循环一致性损失、重构损失和生成分类损失可以防止图像生成子模型产生学习差异，提高图像生成子模型的准确率。
在一种可能的实现方式中，所述图像生成子模型的第二次训练过程包括：
根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像。
根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失。
向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
在一种可能的实现方式中，可以根据公式(8)得到第一样本图像的第一辅助图：
其中，
为第一辅助图像，ω为位移参数，Ir为第一重构图像，dl为第一样本图像的视差，可以将公式(8)中的l替换为r，得到第二样本图像的第二位移图像。
在一种可能的实现方式中，可以根据公式(9)和公式(10)确定图像生成子模型损失Laux：
其中，αaux为图像生成子模型损失的权值。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像；所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行人脸识别。
在一种可能的实现方式中，可以在道路、教室、旅游景点、大型场馆等处，设置双目拍摄装置，获取行人、学生、游客或访客的图像。双目摄像装置拍摄的图像的光谱可以包括RGB-NIR或RGB-SWIR。双目摄像装置拍摄得到的两张人脸图像的光谱不同。本公开对此不做限定。
在一种可能的实现方式中，可以利用本公开实施例中的跨光谱图像匹配方法，将跨光谱的两张人脸图像进行匹配。得到各人脸图像的视差。可以根据各人脸图像的视差进行人脸识别。例如，可以根据得到的人脸的深度信息，对人脸进行活体检测等。
在本实施例中，可以利用双目摄像装置获取光谱不同的两张人脸图像；利用如上述任一项所述的跨光谱图像匹配方法，将所述两张人脸图像进行匹配；根据匹配结果进行人脸识别。利用跨光谱图像匹配方法可以得到人脸图像的匹配结果，并利用匹配结果进行人脸识别，可以得到更加准确的人脸识别结果。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像；所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行所述行驶装置的自动驾驶。
在一种可能的实现方式中，行驶装置为可以利用驱动力行驶的装置，例如行驶装置可以包括车辆、轮船、火车、可移动机器人等。可以在行驶装置上设置双目摄像装置。双目摄像装置拍摄的图像的光谱可以包括RGB-NIR或RGB-SWIR。双目摄像装置拍摄得到的两张外部环境图像的光谱不同。外部环境图像包括所述行驶装置的外部环境的图像。外部环境图像中可以包括行人、其它车辆、路面障碍物、车道线等。
在一种可能的实现方式中，可以利用本公开实施例中的跨光谱图像匹配方法，将跨光谱的两张外部环境图像进行匹配。得到各外部环境图像的视差。可以根据各外部环境图像的视差进行场景分割、目标跟踪等，为行驶装置的自动驾驶系统提供信息，实现行驶装置的自动驾驶。
在本实施例中，利用行驶装置上配置的双目摄像装置获取光谱不同的两张外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像；利用如上述任一项所述的跨光谱图像匹配方法，将所述两张外部环境图像进行匹配；根据匹配结果进行所述行驶装置的自动驾驶。可以根据外部环境图像的匹配结果进行自动驾驶，可以提高自动驾驶的精度和安全性。
应用示例：
图8示出根据本公开实施例的跨光谱图像匹配方法的流程图，如图8所示：
图中IA为摄像头A拍摄得到的第一样本图像，光谱为A。IB为摄像头B拍摄得到的第一样本图像，光谱为B。
将第一样本图像和第二样本图像输入特征空间子模块F、第一转换子模块和第二转换子模块(图中未区分，统一表示为G)进行处理，可以得到第一样本图像的第一样本转换图像
和第二样本图像的第二样本转换图像
的光谱为B，
的光谱为A。
将第一样本图像和第二样本转换图像组成图8中间位置上方的“IAand
”图像对(图8中IAand
)，将第二样本图像和第一样本转换图像组成图8中间位置下方的“IBand
”图像对(图8中IBand
)。
将“IAand
”图像对和“IBand
”图像对分别输入视差检测模型进行处理，得到第一样本图像的视差dA(图8中DispairtydAfor IA)和第二样本图像的视差dB(图8中DispairtydBfor IB)。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图9示出根据本公开实施例的跨光谱图像匹配装置的框图，如图9所示，所述跨光谱图像匹配装置，包括：
转换图像生成模块10，用于将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；
图像对生成模块20，用于将同光谱的待匹配图像和转换图像组合，得到图像对；
图像匹配模块30，用于将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
在一种可能的实现方式中，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，所述转换图像生成模块10，包括：
特征提取子模块，用于将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同；
转换子模块，用于将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
在一种可能的实现方式中，所述对抗学习模型还包括分类子模型，所述装置还包括训练模块，所述训练模块用于对所述对抗学习模型和所述视差检测模型进行训练，所述训练模块包括：
第一训练子模块，用于将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练；
第二训练子模块，用于将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练；
第三训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练；
第四训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
在一种可能的实现方式中，所述第二训练子模块，包括：
图像生成子模块，用于将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像；
分类处理子模块，用于将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果；
第一损失子模块，用于根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失；
第二损失子模块，用于根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失；
第一反向传播子模块，用于向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
在一种可能的实现方式中，所述图像生成子模块，用于：
将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；
将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；
将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；
将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
在一种可能的实现方式中，所述第四训练子模块，包括：
辅助图像生成子模块，用于根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像，
辅助损失生成子模块，用于根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失；
第二反向传播子模块，用于向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像，所述装置还包括：
人脸识别模块，用于根据匹配结果进行人脸识别。
在一种可能的实现方式中，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像，所述装置包括：
自动驾驶模块，用于根据匹配结果进行所述行驶装置的自动驾驶。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图10，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图11是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图11，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种跨光谱图像匹配方法，其特征在于，所述方法包括：
将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；
将同光谱的待匹配图像和转换图像组合，得到图像对；
将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
2.根据权利要求1所述的方法，其特征在于，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，所述将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像，包括：
将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同；
将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
3.根据权利要求2所述的方法，其特征在于，所述对抗学习模型还包括分类子模型，所述对抗学习模型和所述视差检测模型的训练过程包括：
将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练；
将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练；
将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练；
将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
4.根据权利要求3所述的方法，其特征在于，所述图像生成子模型的第一次训练过程包括：
将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像；
将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果；
根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失；
根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失；
向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
5.根据权利要求4所述的方法，其特征在于，所述将所述第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像，包括：
将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；
将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；
将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；
将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
6.根据权利要求4所述的方法，其特征在于，所述图像生成子模型的第二次训练过程包括：
根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像，
根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失；
向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像；
所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行人脸识别。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像；
所述根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配之后，还包括：
根据匹配结果进行所述行驶装置的自动驾驶。
9.一种跨光谱图像匹配装置，其特征在于，所述装置包括：
转换图像生成模块，用于将光谱不同的两个待匹配图像输入对抗学习模型进行处理，生成与对方光谱相同的两个转换图像；
图像对生成模块，用于将同光谱的待匹配图像和转换图像组合，得到图像对；
图像匹配模块，用于将所述图像对输入视差检测模型进行处理，得到各所述待匹配图像的视差，根据各所述待匹配图像的视差进行所述两个待匹配图像之间的匹配。
10.根据权利要求9所述的装置，其特征在于，所述对抗学习模型包括图像生成子模型，图像生成子模型包括特征空间子模块、第一转换子模块和第二转换子模块，所述转换图像生成模块，包括：
特征提取子模块，用于将第一待匹配图像和第二待匹配图像输入所述特征空间子模块，得到所述第一待匹配图像的第一特征和所述第二待匹配图像的第二特征，所述第一待匹配图像和所述第二待匹配图像的光谱不同；
转换子模块，用于将所述第一特征输入所述第一转换子模块，得到所述第一待匹配图像的第一转换图像，将所述第二特征输入所述第二转换子模块，得到所述第二待匹配图像的第二转换图像，所述第一转换图像与所述第二待匹配图像的光谱相同，所述第二转换图像与所述第一待匹配图像的光谱相同。
11.根据权利要求10所述的装置，其特征在于，所述对抗学习模型还包括分类子模型，所述装置还包括训练模块，所述训练模块用于对所述对抗学习模型和所述视差检测模型进行训练，所述训练模块包括：
第一训练子模块，用于将样本图像输入所述图像生成子模型得到第一输出结果，将所述样本图像和所述第一输出结果输入所述分类子模型得到第二输出结果，根据所述第二输出结果和所述样本图像完成所述分类子模型的训练；
第二训练子模块，用于将所述样本图像输入图像生成子模型得到第三输出结果，将所述第三输出结果输入完成训练的所述分类子模型得到第四输出结果，根据所述第四输出结果完成所述图像生成子模型的第一次训练；
第三训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第五输出结果，将所述样本图像和所述第五输出结果输入所述视差检测模型得到第六输出结果，根据所述第六输出结果和所述样本图像完成所述视差检测模型的训练；
第四训练子模块，用于将所述样本图像输入完成第一次训练的所述图像生成子模型得到第七输出结果，将所述样本图像和所述第七输出结果输入完成训练的所述视差检测模型得到第八输出结果，根据所述第八输出结果和所述样本图像完成所述图像生成子模型的第二次训练。
12.根据权利要求11所述的装置，其特征在于，所述第二训练子模块，包括：
图像生成子模块，用于将第一样本图像和第二样本图像输入图像生成子模型，生成所述第一样本图像的第一循环图像、所述第一样本图像的第一重构图像，所述第一样本图像的第一样本转换图像、所述第二样本图像的第二循环图像、所述第二样本图像的第二重构图像和所述第二样本图像的第二样本转换图像；
分类处理子模块，用于将所述第一样本转换图像和所述第二样本转换图像输入分类子模型进行处理，得到第一样本转换图像的分类结果和第二样本转换图像的分类结果；
第一损失子模块，用于根据第一样本图像、第二样本图像、第一循环图像和第二循环图像确定循环一致性损失；根据第一样本图像、第二样本图像、第一重构图像和第二重构图像确定重构损失；根据第一样本图像、第二样本图像、第一样本转换图像的分类结果和第二样本转换图像的分类结果确定生成分类损失；
第二损失子模块，用于根据所述循环一致性损失、所述重构损失和所述生成分类损失得到图像生成损失；
第一反向传播子模块，用于向所述特征空间子模块、第一转换子模块和第二转换子模块反向传播所述图像生成损失的梯度，调整所述特征空间子模块、第一转换子模块和第二转换子模块的参数。
13.根据权利要求12所述的装置，其特征在于，所述图像生成子模块，用于：
将第一样本图像和第二样本图像输入所述特征空间子模块，得到所述第一样本图像的第一光谱样本特征和所述第二样本图像的第二光谱样本特征；
将所述第一光谱样本特征输入所述第一转换子模块得到第一样本转换图像，将所述第二光谱样本特征输入第二转换子模块得到第二样本转换图像，将所述第一光谱样本特征输入所述第二转换子模块得到第一重构图像，将所述第二光谱样本特征输入第一转换子模块得到第二重构图像；
将所述第一样本转换图像和所述第二样本转换图像输入所述特征空间子模块，得到所述第一样本转换图像的第一光谱转换特征，和所述第二样本转换图像的第二光谱转换特征；
将所述第一光谱转换特征输入所述第二转换子模块得到第一循环图像，将所述第二光谱转换特征输入第一转换子模块得到第二循环图像。
14.根据权利要求12所述的装置，其特征在于，所述第四训练子模块，包括：
辅助图像生成子模块，用于根据所述第一样本图像和所述第一样本图像的视差生成第一辅助图像，根据所述第二样本图像和所述第二样本图像的视差生成第二辅助图像，
辅助损失生成子模块，用于根据第一辅助图像、第二辅助图像、第一样本转换图像和第二样本转换图像，确定辅助损失；
第二反向传播子模块，用于向所述图像生成子模型反向传播所述辅助损失的梯度，调整所述图像生成子模型的参数。
15.根据权利要求9至12任一项所述的装置，其特征在于，所述光谱不同的两个待匹配图像为由双目摄像装置获取的两张光谱不同的人脸图像，所述装置还包括：
人脸识别模块，用于根据匹配结果进行人脸识别。
16.根据权利要求9至12任一项所述的装置，其特征在于，所述光谱不同的两个待匹配图像为由行驶装置上配置的双目摄像装置获取的两张光谱不同的外部环境图像，所述外部环境图像为所述行驶装置的外部环境图像，所述装置包括：
自动驾驶模块，用于根据匹配结果进行所述行驶装置的自动驾驶。
17.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至8中任意一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811250546.7A CN109543544B (zh) | 2018-10-25 | 2018-10-25 | 跨光谱图像匹配方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811250546.7A CN109543544B (zh) | 2018-10-25 | 2018-10-25 | 跨光谱图像匹配方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109543544A CN109543544A (zh) | 2019-03-29 |
| CN109543544B true CN109543544B (zh) | 2021-04-09 |
Family
ID=65845405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811250546.7A Active CN109543544B (zh) | 2018-10-25 | 2018-10-25 | 跨光谱图像匹配方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543544B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292801A (zh) * | 2020-01-21 | 2020-06-16 | 西湖大学 | 蛋白质质谱结合深度学习评估甲状腺结节的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3869797B1 (en) * | 2012-08-21 | 2023-07-19 | Adeia Imaging LLC | Method for depth detection in images captured using array cameras |
| US9729803B2 (en) * | 2013-03-15 | 2017-08-08 | Infrared Integrated Systems, Ltd. | Apparatus and method for multispectral imaging with parallax correction |
| AU2013101105A4 (en) * | 2013-08-20 | 2013-11-07 | Beijing Normal University | Method for detecting phenological change from time series of vegetation index |
| US9225889B1 (en) * | 2014-08-18 | 2015-12-29 | Entropix, Inc. | Photographic image acquisition device and method |
-
2018
- 2018-10-25 CN CN201811250546.7A patent/CN109543544B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 多光谱图像的快速精确配准;余杭;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315;第2018年卷(第3期);I138-1758 * |
| 多光谱图像的直线匹配;魏丽君;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315;第2018年卷(第3期);I138-1763 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109543544A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658352B (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
| CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
| CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| CN109829863B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
| JP7178514B2 (ja) | 場面深度とカメラ運動を予測する方法及び装置、機器、媒体並びにプログラム | |
| CN111783986A (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
| CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
| CN112146645B (zh) | 一种坐标系对齐的方法及装置、电子设备和存储介质 | |
| CN111462238B (zh) | 姿态估计优化方法、装置及存储介质 | |
| CN111401230B (zh) | 姿态估计方法及装置、电子设备和存储介质 | |
| CN109977860B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
| CN112991381B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111325786B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN110706339A (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
| CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
| CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
| CN110543849A (zh) | 检测器的配置方法及装置、电子设备和存储介质 | |
| CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
| CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109543544B (zh) | 跨光谱图像匹配方法及装置、电子设备和存储介质 | |
| CN111178115B (zh) | 对象识别网络的训练方法及系统 | |
| CN114973359A (zh) | 表情识别方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |