图像处理方法、装置、系统和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110728188A(43)申请公布日2020.01.24(21)申请号201910859964.4(22)申请日2019.09.11(71)申请人北京迈格威科技有限公司地址100190北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人李亮亮(74)专利代理机构北京市磐华律师事务所11336代理人李晴(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书13页附图4页(54)发明名称图像处理方法、装置、系统和存储介质(57)摘要本发明提供了一种图像处理方法、装置、系统和存储介质，所述图像处理方法包括：获取包含目标对象的第一类型的图像；将所述第一类型的图像输入神经网络模型，所述神经网络模型包括类型变换模块和识别模块；利用所述类型变换模块对所述第一类型的图像进行类型变换处理，以获得第二类型的图像，所述第二类型的图像用于作为所述识别模块的训练样本。本发明的图像处理方法、装置、系统和存储介质能够将第一类型的图像变换为第二类型的图像，以训练用于对第二类型的图像进行目标对象识别的神经网络模型，从而使神经网络模型的训练样本更易于获得。CN110728188ACN110728188A权利要求书1/2页1.一种图像处理方法，其特征在于，所述图像处理方法包括：获取包含目标对象的第一类型的图像；将所述第一类型的图像输入神经网络模型，所述神经网络模型包括类型变换模块和识别模块；以及利用所述类型变换模块对所述第一类型的图像进行类型变换处理，以获得第二类型的图像，所述第二类型的图像用于作为所述识别模块的训练样本。2.根据权利要求1所述的图像处理方法，其特征在于，所述第一类型为采用可见光摄像头拍摄的图像类型，所述第二类型为采用红外摄像头拍摄的图像类型。3.根据权利要求1或2所述的图像处理方法，其特征在于，所述类型变换模块包括类型变换子网络和类型分类器，所述识别模块包括特征提取器和分类器，其中：所述类型变换子网络用于对所述第一类型的图像进行类型变换处理，并输出第二类型的图像；所述类型分类器用于判断所述类型变换子网络输出的图像的类型，并输出类型分类结果；所述特征提取器用于提取所述第一类型的图像的第一特征向量和所述类型变换子网络输出的所述第二类型的图像的第二特征向量；以及所述分类器用于基于所述特征提取器提取的第二特征向量进行目标对象识别，以生成所述第二类型的图像的预测标签。4.根据权利要求3所述的图像处理方法，其特征在于，所述神经网络模型的训练包括：将第一类型的样本图像输入到所述神经网络模型，并获得第二类型的样本图像；基于所述特征提取器提取的所述第一类型的样本图像的第一特征向量和所述第二类型的样本图像的第二特征向量计算特征向量损失；基于所述分类器生成的所述第二类型的样本图像的预测标签与所述第一类型的样本图像中预先标注的真实标签之间的差异计算分类损失；基于预先训练好的类型分类器所生成的类型分类结果计算类型变换损失；以及基于所述特征向量损失、所述分类损失和所述类型变换损失优化所述神经网络模型的参数。5.根据权利要求4所述的图像处理方法，其特征在于，计算所述特征向量损失包括：基于从同一目标对象的所述第一特征向量与所述第二特征向量之间的差异计算特征向量拉近损失；基于特征向量类内损失与特征向量类间损失之间的差值计算特征向量推远损失，其中，所述特征向量类内损失表示分别从同一对象的多张第二类型的样本图像中提取的多个所述第二特征向量之间的差异，所述特征向量类间损失表示分别从不同对象的所述第二类型的样本图像中提取的所述第二特征向量之间的差异。6.根据权利要求3所述的图像处理方法，其特征在于，所述类型分类器的训练包括：分别将经预处理后的第一类型的训练图像和第二类型的训练图像输入到待训练的类型分类器，并生成类型分类结果；根据所述类型分类结果计算类型分类损失；以及基于所述类型分类损失训练所述类型分类器。2CN110728188A权利要求书2/2页7.一种神经网络模型的训练方法，其特征在于，所述训练方法包括：获取包含目标对象的第一类型的图像；将所述第一类型的图像输入神经网络模型，所述神经网络模型包括类型变换模块和识别模块；利用所述类型变换模块对所述第一类型的图像进行类型变换处理，并输出第二类型的图像；将所述第二类型的图像作为训练样本输入所述识别模块，以训练所述神经网络模型。8.一种图像处理装置，其特征在于，所述图像处理装置包括：获取模块，用于获取包含目标对象的第一类型的图像；输入模块，用于将所述第一类型的图像输入神经网络模型，所述神经网络模型包括类型变换模块和识别模块；以及类型变换模块，用于对所述第一类