CN113506319A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113506319A
CN113506319A CN202110799898.3A CN202110799898A CN113506319A CN 113506319 A CN113506319 A CN 113506319A CN 202110799898 A CN202110799898 A CN 202110799898A CN 113506319 A CN113506319 A CN 113506319A
Authority
CN
China
Prior art keywords
network
dynamic visual
image
discrimination
loss
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.)
Granted
Application number
CN202110799898.3A
Other languages
English (en)
Other versions
CN113506319B (zh
Inventor
施路平
杨哲宇
赵蓉
王韬毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110799898.3A priority Critical patent/CN113506319B/zh
Publication of CN113506319A publication Critical patent/CN113506319A/zh
Application granted granted Critical
Publication of CN113506319B publication Critical patent/CN113506319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成预设场景的多个动态视觉图像；将第一时间段内的动态视觉图像，输入图像生成网络进行处理，得到与第一时间段内的动态视觉图像分别对应的第二色彩图像。根据本公开的实施例的图像处理方法，可对第一时间段内的多个动态视觉信息进行分割，生成多个动态视觉图像，可在第一时间段中保留多个动态视觉图像，有利于对运动物体的轨迹进行跟踪。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
动态视觉感受器(Dynamic visual receptors，DVS)与普通相机使用快门控制帧率，并按帧记录光强不同，动态视觉感受器对光强变化率敏感，并且每个像素可记录该像素位置处光强对数值的变化量，当变化量超过阈值后产生一个正向或负向脉冲。动态视觉感受器的帧率高于普通相机，可利用其对变化率敏感的特性以及高帧率的特性来监测运动物体。
在相关技术中，可利用动态视觉感受器采集的动态视觉信息来进行视频重建，即，通过动态视觉信息来生成视频帧。然而，由于动态视觉感受器以异步事件的形式传输强度变化，这些异步事件可传递强度变化的时空坐标天然地具备稀疏性，即，每一帧动态视觉信息中像素稀疏，信息量较少，难以通过单帧动态视觉信息。为进行视频重建，可将两个视频帧之间的所有动态视觉信息合成动态视觉帧，进而通过用于生成图像的卷积神经网络或者对抗训练后的图像生成网络，基于动态视觉帧生成视频帧。
然而，动态视觉帧的图像信息(例如色彩信息、形状信息)等不足，所生成的图像可能失真或过拟合。另外，将两个视频帧之间的所有动态视觉信息合成一个动态视觉帧会直接丢失时间维度的信息，没有充分利用动态视觉感受器高帧率的优势，最终只能获得两个视频帧之间的光强变化，难以对两个视频帧之间的物体的动作和运动轨迹进行追踪。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种图像处理方法，包括：根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像；其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
在一种可能的实现方式中，根据第一时间间隔，对预设场景的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，包括：根据所述第一时间间隔对所述第一时间段内的多个动态视觉信息进行分割，获得多个动态视觉信息组；将所述多个动态视觉信息组内的动态视觉信息分别进行融合处理，获得与多个所述动态视觉信息组对应的动态视觉图像。
在一种可能的实现方式中，所述方法还包括：将多个第一样本动态视觉图像输入图像生成网络进行处理，获得第二样本色彩图像，所述第一样本动态视觉图像是第二时间段中获取的样本动态视觉信息融合成的图像；将第一样本色彩图像或所述第二样本色彩图像输入第一判别网络，获得第一判别损失，所述第一样本色彩图像是像素采集设备在所述第二时间段内采集的；将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失；根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络。
在一种可能的实现方式中，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：根据所述第一判别损失对所述第一判别网络和所述图像生成网络进行真实性对抗训练。
在一种可能的实现方式中，所述第二判别网络包括脉冲生成子网络和判别子网络，将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失，包括：将所述第二样本色彩图像输入脉冲生成子网络，获得第二样本动态视觉图像；将所述第一样本动态视觉图像或所述第二样本动态视觉图像输入判别子网络，获得第二判别损失。
在一种可能的实现方式中，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：根据所述第二判别损失，对所述第二判别网络和所述图像生成网络进行准确性对抗训练。
在一种可能的实现方式中，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络，包括：将所述第一判别损失和所述第二判别损失进行加权求和处理，获得综合网络损失；根据所述综合网络损失调整所述第一判别网络、所述第二判别网络和所述图像生成网络的网络参数；在所述第一判别网络、所述第二判别网络和所述图像生成网络满足训练条件的情况下，获得训练后的图像生成网络、所述第一判别网络和所述第二判别网络。
根据本公开的一方面，提供了一种图像处理装置，包括：分割模块，用于根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；生成模块，用于将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像；其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
在一种可能的实现方式中，所述分割模块进一步用于：根据所述第一时间间隔对所述第一时间段内的多个动态视觉信息进行分割，获得多个动态视觉信息组；将所述多个动态视觉信息组内的动态视觉信息分别进行融合处理，获得与多个所述动态视觉信息组对应的动态视觉图像。
在一种可能的实现方式中，所述方法还包括：训练模块，用于将多个第一样本动态视觉图像输入图像生成网络进行处理，获得第二样本色彩图像，所述第一样本动态视觉图像是第二时间段中获取的样本动态视觉信息融合成的图像；将第一样本色彩图像或所述第二样本色彩图像输入第一判别网络，获得第一判别损失，所述第一样本色彩图像是像素采集设备在所述第二时间段内采集的；将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失；根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络。
在一种可能的实现方式中，所述训练模块进一步用于：根据所述第一判别损失对所述第一判别网络和所述图像生成网络进行真实性对抗训练。
在一种可能的实现方式中，所述第二判别网络包括脉冲生成子网络和判别子网络，所述训练模块进一步用于：将所述第二样本色彩图像输入脉冲生成子网络，获得第二样本动态视觉图像；将所述第一样本动态视觉图像或所述第二样本动态视觉图像输入判别子网络，获得第二判别损失。
在一种可能的实现方式中，所述训练模块进一步用于：根据所述第二判别损失，对所述第二判别网络和所述图像生成网络进行准确性对抗训练。
在一种可能的实现方式中，所述训练模块进一步用于：将所述第一判别损失和所述第二判别损失进行加权求和处理，获得综合网络损失；根据所述综合网络损失调整所述第一判别网络、所述第二判别网络和所述图像生成网络的网络参数；在所述第一判别网络、所述第二判别网络和所述图像生成网络满足训练条件的情况下，获得训练后的图像生成网络、所述第一判别网络和所述第二判别网络。
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调用所述存储器存储的指令，以执行上述方法。
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方法。
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图像处理方法的流程图；
图2A与图2B示出根据本公开实施例的动态视觉信息与色彩图像的示意图；
图3示出根据本公开实施例的动态视觉信息的示意图；
图4示出根据本公开实施例的图像处理方法的应用示意图；
图5示出根据本公开实施例的图像处理装置的框图；
图6示出根据本公开实施例的电子装置的框图；
图7示出根据本公开实施例的电子装置的框图。
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图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；
在步骤S12中，将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像。
其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
根据本公开的实施例的图像处理方法，可对第一时间段内的多个动态视觉信息进行分割，生成多个动态视觉图像，可在第一时间段中保留多个动态视觉图像，即，保留时间维度的信息，有利于对运动物体的轨迹进行跟踪。此外，可利用第一色彩图像与动态视觉图像生成第二色彩图像，生成图像使用的图像生成网络经过真实性对抗训练和准确度对抗训练，所生成第二色彩图像具有较高的真实性和准确性，可减少生成图像失真的可能性。
在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，动态视觉感受器(Dynamic visual receptors，DVS)与对光强变化率敏感，并且每个像素可记录该像素位置处光强的变化量，当变化量超过阈值后产生一个正向或负向脉冲，即，动态视觉信息。
例如，事件相机(Event Camera)是一种动态视觉感受器，可用于获取预设场景的光强变化率。在预设场景中的目标出现异动或进行某些动作时，该目标呈现在事件相机中的光强可发生一定程度的变化，事件相机可敏锐地捕捉这种变化，获得动态视觉信息。
在一种可能的实现方式中，相比于普通相机或摄像头，动态视觉感受器的帧频更高，例如，相机或传统摄像头的帧频约为100fps，而动态视觉感受器的帧频约为1,000,000fps。因此，在普通相机或摄像头拍摄到两帧图像之间的时间间隔中，可拍摄到多帧动态视觉信息。
在一种可能的实现方式中，单帧动态视觉信息中的信息量较少，像素数据稀疏。单帧动态视觉信息难以生成图像，但将两帧图像之间的所有动态视觉信息融合成为一个动态视觉帧再生成图像的处理则会使多帧动态视觉信息的时间维度的信息丢失，难以跟踪预设场景中目标的轨迹。
图2A与图2B示出根据本公开实施例的动态视觉信息与色彩图像的示意图，图2A和图2B分别为动态视觉感受器和像素采集设备(例如，相机或摄像头)拍摄同一场景获得的动态视觉信息和色彩图像，相比于图2B中的色彩图像，动态视觉信息包括变化量超过阈值后产生的脉冲，单帧动态视觉信息中的信息量较少，像素数据稀疏，一些图像信息是缺失的，例如，缺少色彩信息等。但动态视觉感受器采集动态视觉信息的帧率高于像素采集设备采集色彩图像的帧率。
针对上述问题，可根据第一时间间隔对第一时间段内的动态视觉信息进行分割。即，将第一时间段内的多个动态视觉信息按照较小的时间间隔进行分组，以保留部分时间维度的信息。
在示例中，第一时间段的长度可以等于像素采集设备(例如，相机或摄像头)采集到两帧所述预设场景的第一色彩图像(例如，图像或视频帧)之间的第二时间间隔，也可以是采集到预设场景的多帧第一色彩图像之间的时间段。即，第一时间段的起止时刻可以是采集到第一色彩图像的时刻。
在另一示例中，第一时间段的起止时刻也可不是采集到第一色彩图像的时刻，且第一时间段的长度也可小于像素采集设备采集到两帧第一色彩图像之间的时间段，只需在第一时间段中至少采集到一帧第一色彩图像即可。本公开对第一时间段的长度与起始时刻不做限制。例如，第一时间段的开始时刻可以在拍摄到一帧第一色彩图像之前，第一时间段的终止时刻可以在拍摄到一帧第一色彩图像之后，不必与拍摄到第一色彩图像的时刻重合。
在示例中，用于对动态视觉信息进行分割的第一时间间隔小于所述第一时间段，即，可按照第一时间间隔将第一时间段内获取的动态视觉信息分成多组。每组动态视觉信息可生成一个动态视觉图像，这样可在第一时间段中获得多个动态视觉图像，而不是仅获得一个动态视觉图像，可通过上述方式来保留时间维度的信息，即，在第一时间段内生成多个时刻的动态视觉图像。
在一种可能的实现方式中，根据第一时间间隔，对预设场景的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，根据所述第一时间间隔对所述第一时间段内的多个动态视觉信息进行分割，获得多个动态视觉信息组；将所述多个动态视觉信息组内的动态视觉信息分别进行融合处理，获得与多个所述动态视觉信息组对应的动态视觉图像。
在一种可能的实现方式中，第一时间段的长度长于第一时间间隔，可按照第一时间间隔将第一时间段内的动态视觉图像分为多个动态视觉信息组，每个动态视觉信息组中可包括多个动态视觉信息。可将动态视觉信息组中的多个动态视觉信息进行融合处理，获得动态视觉图像。
在示例中，可将每个动态视觉信息组中的多个动态视觉信息融合至组内的第一个动态视觉信息中，即，获得的动态视觉图像保留动态视觉信息组的第一个动态视觉信息的时间信息。或者，可将每个动态视觉信息组中的多个动态视觉信息融合至组内的最后一个动态视觉信息中，即，获得的动态视觉图像保留动态视觉信息组的最后一个动态视觉信息的时间信息。也可将动态视觉信息融合至组内的其他动态视觉信息中，本公开对融合方式不做限制。
图3示出根据本公开实施例的动态视觉信息的示意图，如图3所示，X轴和Y轴为每帧动态视觉信息中像素位置的坐标轴，Z轴为时间轴。在示例中，时间单位可以是毫秒或微秒等，本公开对时间单位不做限制。在示例中，第一时间段的开始时刻为0毫秒，结束时刻为12毫秒，第一时间间隔为2毫秒，即，可将第一时间段分为6个动态视觉信息组，其中，0毫秒-2毫秒之间的动态视觉信息可划分为一组，2毫秒-4毫秒之间的动态视觉信息可划分为一组，4毫秒-6毫秒之间的动态视觉信息可划分为一组，6毫秒-8毫秒之间的动态视觉信息可划分为一组，8毫秒-10毫秒之间的动态视觉信息可划分为一组，10毫秒-12毫秒之间的动态视觉信息可划分为一组。
每组内可包括多个动态视觉信息，可将组内的动态视觉信息进行融合处理，例如，可将组内的多个动态视觉信息融合至组内第一帧动态视觉信息中，获得与各动态视觉信息组对应的动态视觉图像，动态视觉图像的时间信息可被确定为动态视觉信息组的开始时刻，例如，0毫秒-2毫秒的动态视觉信息组对应的动态视觉图像的时间信息为0毫秒，2毫秒-4毫秒的动态视觉信息组对应的动态视觉图像的时间信息为2毫秒，4毫秒-6毫秒的动态视觉信息组对应的动态视觉图像的时间信息为4毫秒，6毫秒-8毫秒的动态视觉信息组对应的动态视觉图像的时间信息为6毫秒，8毫秒-10毫秒的动态视觉信息组对应的动态视觉图像的时间信息为8毫秒，10毫秒-12毫秒的动态视觉信息组对应的动态视觉图像的时间信息为10毫秒。本公开对第一时间段和第一时间间隔的长度不做限制，对融合方式也不做限制。
通过这种方式，可将第一时间段内的多个动态视觉信息划分为多个组，使得融合成的动态视觉图像保留动态视觉信息组的时间信息，有利于对预设场景内运动物体的轨迹进行跟踪。
在一种可能的实现方式中，可基于第一时间段内的动态视觉图像生成色彩图像，由于第一时间段内的动态视觉图像的数量多于第一时间段内的色彩图像，因此，通过动态视觉图像生成色彩图像可增加色彩图像的数量，缩短色彩图像之间的时间间隔，有利于对预设场景中的目标的追踪。
在一种可能的实现方式中，在步骤S12中，可通过图像生成网络对动态视觉图像进行处理，生成与动态视觉图像对应的第二色彩图像。在示例中，所述图像生成网络可以是卷积神经网络，可用于提取动态视觉图像的图像特征，再基于图像生成第二色彩图像。在另一示例中，卷积神经网络在提取特征的过程中，需对动态视觉帧进行下采样，而动态视觉帧的稀疏性和高噪声的特点容易使得下采样后的特征信息失真，因此，可通过循环神经网络作为图像生成网络，循环神经网络无需通过卷积核来进行卷积等下采样处理，可减少由于动态视觉图像的稀疏性导致下采样后图像失真的问题，并可提取动态视觉图像的特征，以生成第二色彩图像。
在一种可能的实现方式中，通过上述处理，可获得第一时间段内的多个第二色彩图像。即，如果仅通过摄像头等帧率较低的像素采集设备来拍摄色彩图像，则在第一时间段内仅能获取少量的色彩图像，而通过上述方式可在第一时间段内生成多个色彩图像，增加第一时间段内色彩图像的帧数，使得每帧色彩图像之间的时间间隔更小，目标在各帧之间的运动幅度更小，有利于对目标的动作和位置进行跟踪。
在一种可能的实现方式中，在通过图像生成网络生成第二色彩图像前，可对图像生成网络进行训练。例如，可通过生成对抗训练的方式训练图像生成网络。在示例中，生成对抗训练的方式可以提高图像生成网络所生成的图像的真实程度，即，通过生成对抗训练，可使得图像生成网络生成的图像更加逼真。然而，在将生成的图像用于目标跟踪等领域时，生成的图像中目标的位置、姿态等信息同样重要，因此，还需保证所生成图像的准确性，即，使得图像中的目标的位置、姿态等信息时准确的。因此，可通过真实性对抗训练来提升图像生成网络生成的图像的真实度，即，逼真程度，还可通过准确性对抗训练来提升图像生成网络生成的图像中目标的位置和动作的准确度。
在一种可能的实现方式中，所述方法还包括：将多个第一样本动态视觉图像输入图像生成网络进行处理，获得第二样本色彩图像，所述第一样本动态视觉图像是第二时间段中获取的样本动态视觉信息融合成的图像；将所述第一样本色彩图像或所述第二样本色彩图像输入第一判别网络，获得第一判别损失，所述第一样本色彩图像是像素采集设备在所述第二时间段内采集的；将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失；根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络。
在一种可能的实现方式中，可将第一样本动态视觉图像和第一样本色彩图像作为训练样本。第一样本动态视觉图像可以是第二时间段内获得的样本动态视觉信息融合成的图像，第一样本色彩图像是第二时间段内获取的色彩图像。第二时间段与上述第一时间段类似，可以是包括获取到至少一帧色彩图像的时刻的时间段，第二时间段的起止时刻可与获取到色彩图像的时刻重合，也可以不重合，本公开对第二时间段的起止时刻不做限制。
在一种可能的实现方式中，可对第二时间段内的样本动态视觉信息进行分组，并将每组样本动态视觉信息进行融合。融合的方式与上述对第一时间段内的动态视觉信息融合的方式相同，在此不再赘述。
在一种可能的实现方式中，可将第一样本动态视觉图像和第一样本色彩图像输入图像生成网络，生成第二样本色彩图像。该第二样本色彩图像可能存在误差，即，真实程度可能不足，或者准确度可能不足。可对图像生成网络进行真实性对抗训练和准确性对抗训练，以提升图像生成网络生成图像的真实度和准确度。
在一种可能的实现方式中，所述第一判别网络可用于对图像生成网络进行真实性对抗训练。可基于第一判别网络对图像真实性的判别结果来确定第一判别损失，并基于第一判别损失进行真实性对抗训练。根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：根据所述第一判别损失对所述第一判别网络和所述图像生成网络进行真实性对抗训练。在真实性对抗训练中，可将真实拍摄得到第一样本色彩图像或生成的第二样本色彩图像输入第一判别网络，第一判别网络可判别输入图像的真实性。但第一判别网络的判别结果也可能存在误差，即，可能将真实拍摄得到的第一样本色彩图像误判为生成的图像，也可能将生成的第二样本色彩图像误判为真实拍摄的图像。可基于上述误差确定第一判别损失，该第一判别损失可用于反向传播以调节第一判别网络和图像生成网络的网络参数。使得图像生成网络生成的图像更加真实，也使得第一判别网络的判断能力得到提升。
在一种可能的实现方式中，可迭代执行上述训练步骤，可同时提高图像生成网络生成图像的真实度以及第一判别网络的判别能力。使得图像生成网络的性能与第一判别网络的性能达到平衡。即，在第一判别网络的判断能力较强的情况下，图像生成网络生成的第二样本色彩图像依然能够使第一判别网络难以判断真伪，即，使得图像生成网络生成的第二样本图像足够逼真。
在一种可能的实现方式中，除了使图像生成网络生成的图像足够逼真之外，还可通过准确性对抗训练使得图像生成网络生成图像中的目标的动作和位置准确度较高。可通过第二判别网络对图像生成网络进行准确性对抗训练。可通过第二判别网络进行准确性判别，并利用第二判别网络的判别结果确定第二判别损失，进而通过第二判别损失进行准确性对抗训练。
在一种可能的实现方式中，所述第二判别网络包括脉冲生成子网络和判别子网络。将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失，包括：将所述第二样本色彩图像输入脉冲生成子网络，获得第二样本动态视觉图像；将所述第一样本动态视觉图像或所述第二样本动态视觉图像输入判别子网络，获得第二判别损失。
在一种可能的实现方式中，动态视觉图像对目标的运动敏感，因此，动态视觉图像可准确地反映目标的位置、动作等信息。可基于图像生成网络生成的第二样本色彩图像生成动态视觉图像，并基于生成的动态视觉图像与真实拍摄的到的动态视觉图像来确定生成的动态视觉图像中目标的位置和动作等信息的准确性。
在一种可能的实现方式中，第二判别网络包括脉冲生成子网络，可对第二样本彩色图像进行处理，得到第二样本动态视觉图像。进一步地，可将第二样本动态视觉图像或真实拍摄获得的第一样本动态视觉图像输入判别子网络来进行判断，即，判断动作和位置等信息的准确性。
在一种可能的实现方式中，第二色彩图像可能存在误差，因此，第二样本动态视觉图像也可能存在误差。并且，第二判别网络也可能存在误差，例如，可将第二样本动态视觉图像判断为准确性较高的图像，或者将第一样本动态视觉图像判断为准确性较低的图像。可基于该误差确定第二判别损失，并利用第二判别损失进行准确性对抗训练。根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：根据所述第二判别损失，对所述第二判别网络和所述图像生成网络进行准确性对抗训练。即，可将第二判别损失进行反向传播，以调整图像生成网络和第二判别网络的网络参数。
在一种可能的实现方式中，通过上述准确性对抗训练，可使得图像生成网络所生成的图像的准确性提高，同时使第二判别网络的判别能力提高。使得图像生成网络的性能与第二判别网络的性能达到平衡。即，在第二判别网络的判断能力较强的情况下，依然判断图像生成网络生成的第二样本色彩图像具有较高的准确性，即，使得图像生成网络生成的第二样本图像足够准确。
在一种可能的实现方式中，可同时进行真实性对抗训练和准确性对抗训练，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络，包括：将所述第一判别损失和所述第二判别损失进行加权求和处理，获得综合网络损失；根据所述综合网络损失调整所述第一判别网络、所述第二判别网络和所述图像生成网络的网络参数；在所述第一判别网络、所述第二判别网络和所述图像生成网络满足训练条件的情况下，获得训练后的图像生成网络、所述第一判别网络和所述第二判别网络。即，在第一判别网络、第二判别网络和图像生成网络的性能达到平衡，且图像生成网络生成的图像的真实性和准确性均较高，第一判别网络和第二判别网络的判别能力均较强的情况下，完成训练，并使得图像生成网络生成的第二样本图像的真实性和准确性均较高。
通过这种方式，可通过真实性对抗训练来提升图像生成网络生成图像的逼真程度，并同归准确性对抗训练来提升图像生成网络生成图像的准确程度，使得图像生成网络能够生成足够逼真且位置和动作足够准确的色彩图像，有助于对目标的运动轨迹进行跟踪。
图4示出根据本公开实施例的图像处理方法的应用示意图。动态视觉感受器获得动态视觉信息的帧率高于像素采集设备(例如，摄像头等)获取色彩图像的帧率。在对预设场景中目标进行跟踪的过程中，普通的像素采集设备拍摄的色彩图像之间的时间间隔较大，无法准确地跟踪运动速度较快的目标。因此，可利用动态视觉信息进行分组，并将各组的动态视觉信息进行融合，生成的动态视觉图像。进一步地，可利用图像生成网络对动态视觉图像进行处理，生成色彩图像，以在像素采集设备拍摄的色彩图像之间的时间间隔中插入色彩图像，使得在插入处理后，色彩图像之间的时间间隔缩小，目标在时间间隔中的运动幅度减小，提高跟踪运动目标的效率。
在一种可能的实现方式中，图像生成网络可进行真实性对抗训练，以提升图像生成网络生成图像的逼真程度。还可进行准确性对抗训练，以提升图像生成网络生成图像中目标的动作和位置的准确度。
在示例中，可将第一样本动态视觉图像输入图像生成网络的第一特征提取子网络，以提取时序特征信息。并将第一样本色彩图像输入图像生成网络的第二特征提取子网络，以提取图像特征信息(例如，色彩，轮廓等特征信息)。进一步地，可将上述两个特征提取子网络提取的特征进行融合，并进行解码处理，以生成第二样本动态视觉图像。
在示例中，在进行真实性对抗训练时，可将第二样本动态视觉图像或第一样本动态视觉图像输入第一判别网络，通过第一判别网络的判别结果排确定第一判别损失，并对第一判别损失进行反向传播。以提高图像生成网络生成图像的逼真程度，以及第一判别网络的判别能力。
在示例中，在进行准确性对抗训练时，可将第二样本动态视觉图像输入第二判别网络的脉冲生成子网络，以生成第二样本动态视觉图像。并将第二样本动态视觉图像或第一样本动态视觉图像输入判别子网络，获得第二判别结果，进一步地，可根据第二判别结果确定第二判别损失，并将第二判别损失进行反向传播，以提高图像生成网络生成图像的准确程度，以及第二判别子网络的判别能力。
在示例中，也可同时进行真实性对抗训练和准确性对抗训练，例如，可将第一判别损失和第二判别损失进行加权求和，并将求和获得的综合网络损失进行反向传播，同时提升图像生成网络生成图像的准确程度和逼真程度，以及第一判别网络和第二判别网络的判别能力。
经过上述训练后的图像生成网络生成的图像具备足够高的逼真程度和准确度，可用于对运动目标进行追踪的实际场景中，本公开对图像处理方法的应用领域不做限制。
根据本公开的实施例的图像处理方法，可对第一时间段内的多个动态视觉信息进行分割，使得融合成的动态视觉图像保留动态视觉信息组的时间信息，有利于对运动物体的轨迹进行跟踪。进一步地，可利用第一色彩图像与动态视觉图像生成第二色彩图像，生成图像使用的图像生成网络经过真实性对抗训练和准确度对抗训练，所生成第二色彩图像具有较高的真实性和准确性，有助于对目标的运动轨迹进行跟踪。
图5示出根据本公开实施例的图像处理装置的框图，如图5所示，所示装置包括：分割模块11，用于根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；生成模块12，用于将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像；其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
在一种可能的实现方式中，所述分割模块进一步用于：根据所述第一时间间隔对所述第一时间段内的多个动态视觉信息进行分割，获得多个动态视觉信息组；将所述多个动态视觉信息组内的动态视觉信息分别进行融合处理，获得与多个所述动态视觉信息组对应的动态视觉图像。
在一种可能的实现方式中，所述方法还包括：训练模块，用于将多个第一样本动态视觉图像输入图像生成网络进行处理，获得第二样本色彩图像，所述第一样本动态视觉图像是第二时间段中获取的样本动态视觉信息融合成的图像；将第一样本色彩图像或所述第二样本色彩图像输入第一判别网络，获得第一判别损失，所述第一样本色彩图像是像素采集设备在所述第二时间段内采集的；将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失；根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络。
在一种可能的实现方式中，所述训练模块进一步用于：根据所述第一判别损失对所述第一判别网络和所述图像生成网络进行真实性对抗训练。
在一种可能的实现方式中，所述第二判别网络包括脉冲生成子网络和判别子网络，所述训练模块进一步用于：将所述第二样本色彩图像输入脉冲生成子网络，获得第二样本动态视觉图像；将所述第一样本动态视觉图像或所述第二样本动态视觉图像输入判别子网络，获得第二判别损失。
在一种可能的实现方式中，所述训练模块进一步用于：根据所述第二判别损失，对所述第二判别网络和所述图像生成网络进行准确性对抗训练。
在一种可能的实现方式中，所述训练模块进一步用于：将所述第一判别损失和所述第二判别损失进行加权求和处理，获得综合网络损失；根据所述综合网络损失调整所述第一判别网络、所述第二判别网络和所述图像生成网络的网络参数；在所述第一判别网络、所述第二判别网络和所述图像生成网络满足训练条件的情况下，获得训练后的图像生成网络、所述第一判别网络和所述第二判别网络。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备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6，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缘，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7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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 (10)

1.一种图像处理方法，其特征在于，包括：
根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；
将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像；
其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
2.根据权利要求1所述的方法，其特征在于，根据第一时间间隔，对预设场景的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，包括：
根据所述第一时间间隔对所述第一时间段内的多个动态视觉信息进行分割，获得多个动态视觉信息组；
将所述多个动态视觉信息组内的动态视觉信息分别进行融合处理，获得与多个所述动态视觉信息组对应的动态视觉图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将多个第一样本动态视觉图像输入图像生成网络进行处理，获得第二样本色彩图像，所述第一样本动态视觉图像是第二时间段中获取的样本动态视觉信息融合成的图像；
将第一样本色彩图像或所述第二样本色彩图像输入第一判别网络，获得第一判别损失，所述第一样本色彩图像是像素采集设备在所述第二时间段内采集的；
将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失；
根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络。
4.根据权利要求3所述的方法，其特征在于，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：
根据所述第一判别损失对所述第一判别网络和所述图像生成网络进行真实性对抗训练。
5.根据权利要求3所述的方法，其特征在于，所述第二判别网络包括脉冲生成子网络和判别子网络，
将所述根据所述第二样本色彩图像或所述第一样本动态视觉图像输入第二判别网络，获得第二判别损失，包括：
将所述第二样本色彩图像输入脉冲生成子网络，获得第二样本动态视觉图像；
将所述第一样本动态视觉图像或所述第二样本动态视觉图像输入判别子网络，获得第二判别损失。
6.根据权利要求3所述的方法，其特征在于，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，包括：
根据所述第二判别损失，对所述第二判别网络和所述图像生成网络进行准确性对抗训练。
7.根据权利要求3所述的方法，其特征在于，根据所述第一判别损失和所述第二判别损失，对所述图像生成网络、所述第一判别网络和所述第二判别网络进行对抗训练，获得训练后的图像生成网络，包括：
将所述第一判别损失和所述第二判别损失进行加权求和处理，获得综合网络损失；
根据所述综合网络损失调整所述第一判别网络、所述第二判别网络和所述图像生成网络的网络参数；
在所述第一判别网络、所述第二判别网络和所述图像生成网络满足训练条件的情况下，获得训练后的图像生成网络、所述第一判别网络和所述第二判别网络。
8.一种图像处理装置，其特征在于，包括：
分割模块，用于根据第一时间间隔，对预设场景的第一时间段内的动态视觉信息进行分割，生成所述预设场景的多个动态视觉图像，所述第一时间间隔小于第二时间间隔，所述第二时间间隔为像素采集设备采集所述预设场景的第一色彩图像的时间间隔；
生成模块，用于将第一时间段内的所述动态视觉图像，输入图像生成网络进行处理，得到与所述第一时间段内的动态视觉图像分别对应的第二色彩图像；
其中，所述图像生成网络是经过真实性对抗训练和准确性对抗训练得到的，所述真实性对抗训练用于训练所述图像生成网络生成的图像的真实度，准确性对抗训练用于训练所述图像生成网络生成的图像中目标位置和动作的准确度。
9.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
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7中任意一项所述的方法。
CN202110799898.3A 2021-07-15 2021-07-15 图像处理方法及装置、电子设备和存储介质 Active CN113506319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110799898.3A CN113506319B (zh) 2021-07-15 2021-07-15 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110799898.3A CN113506319B (zh) 2021-07-15 2021-07-15 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113506319A true CN113506319A (zh) 2021-10-15
CN113506319B CN113506319B (zh) 2024-04-26

Family

ID=78013426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110799898.3A Active CN113506319B (zh) 2021-07-15 2021-07-15 图像处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113506319B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182670A (zh) * 2018-01-15 2018-06-19 清华大学 一种事件图像的分辨率增强方法及系统
CN111325786A (zh) * 2020-02-18 2020-06-23 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
US20200265590A1 (en) * 2019-02-19 2020-08-20 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for estimation of optical flow, depth, and egomotion using neural network trained using event-based learning
CN112419328A (zh) * 2019-08-22 2021-02-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN112598700A (zh) * 2019-10-02 2021-04-02 传感器无限公司 用于目标检测和追踪的神经形态视觉与帧速率成像
WO2021090535A1 (ja) * 2019-11-08 2021-05-14 ソニーグループ株式会社 情報処理装置及び情報処理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182670A (zh) * 2018-01-15 2018-06-19 清华大学 一种事件图像的分辨率增强方法及系统
US20200265590A1 (en) * 2019-02-19 2020-08-20 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for estimation of optical flow, depth, and egomotion using neural network trained using event-based learning
CN112419328A (zh) * 2019-08-22 2021-02-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN112598700A (zh) * 2019-10-02 2021-04-02 传感器无限公司 用于目标检测和追踪的神经形态视觉与帧速率成像
WO2021090535A1 (ja) * 2019-11-08 2021-05-14 ソニーグループ株式会社 情報処理装置及び情報処理方法
CN111325786A (zh) * 2020-02-18 2020-06-23 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113506319B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN108764069B (zh) 活体检测方法及装置
CN109257645B (zh) 视频封面生成方法及装置
CN107692997B (zh) 心率检测方法及装置
CN111553864B (zh) 图像修复方法及装置、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
CN108154465B (zh) 图像处理方法及装置
CN111445414B (zh) 图像处理方法及装置、电子设备和存储介质
CN110532957B (zh) 人脸识别方法及装置、电子设备和存储介质
CN110569822A (zh) 图像处理方法及装置、电子设备和存储介质
CN112991553B (zh) 信息展示方法及装置、电子设备和存储介质
CN111340731A (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN111104920A (zh) 视频处理方法及装置、电子设备和存储介质
CN112184787A (zh) 图像配准方法及装置、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
CN112860061A (zh) 场景图像展示方法及装置、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
CN113506324B (zh) 图像处理方法及装置、电子设备和存储介质
CN111582381A (zh) 确定性能参数的方法及装置、电子设备和存储介质
CN113506325B (zh) 图像处理方法及装置、电子设备和存储介质
CN112330721B (zh) 三维坐标的恢复方法及装置、电子设备和存储介质
CN113506321A (zh) 图像处理方法及装置、电子设备和存储介质
CN111507131A (zh) 活体检测方法及装置、电子设备和存储介质
CN113506319B (zh) 图像处理方法及装置、电子设备和存储介质
CN113506322B (zh) 图像处理方法及装置、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