[发明专利]基于循环生成对抗网络的红外图片识别方法、设备及介质

说明书

基于循环生成对抗网络的红外图片识别方法、设备及介质，方法包括：获得人脸的红外图片集 X、可见光图片集 Y；构建循环生成对抗网络，输入红外图片、可见光图片，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；将转换结果分别置入判别器Dx和Dy中，判断是否是同一个人。本发明利用循环生成网络分别对一个人的可见光、红外人脸图片进行转换，解决红外场景人脸识别问题，并且对于数据的要求大大降低，提升红外场景人脸识别的性能。

技术领域

本发明涉及计算机图片处理领域，具体地说是一种基于循环生成对抗网络的红外图片识别方法、设备及介质。

背景技术

人脸识别技术属于生物识别领域，在安防、监控以及公司管理等场合具有广阔的应用前景。而其中，红外热成像中的人脸识别是近几年所关注的热点。与常见的彩色图像相比，红外图像既有彩色图像的鲁棒性特点，又有着更好的灰度对比度信息，可以一定程度上弥补可见光图像在人脸识别中的一些固有问题。

在人脸识别领域，在光线充足的场景下可以采用可见光图像进行人脸识别，而在光线微弱的场景下则一般通过红外图像进行人脸识别。为了能够更加有效地利用红外图像中的场景信息，行业内较多采用了融合可见光和红外图像的识别方法。

现有技术中，针对红外光下的人脸识别，通常需要专门的红外场景下的人脸识别模型，以训练专门的红外场景人脸识别模型，较为繁琐；而专门构建红外场景数据集(需要有足够多的红外人脸图)的数据量却少于可见光识别模型训练, 识别性能差于可见光模型，应用中存在较多不足。

循环生成对抗网络（CycleGAN）在2017年首次发表于文章《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》中；其功能特点是可以自动将某一类图片转换成另外一类图片。而传统的GAN是单向生成，CycleGAN则是互相生成。

循环生成对抗网络有两个镜像对称的GAN，因而构成了一个环形网络。由于其网络是个环形，所以命名中加入循环（Cycle）作为其特征。CycleGAN的实质，就是一个A→B单向GAN，加上一个B→A单向GAN；而两个GAN共享两个生成器，然后各自带一个判别器，总共有两个判别器和两个生成器。

CN201711219043.9号发明申请提供了一种图像生成方法、装置、系统和存储介质，方法包括：获取第一成像域的图像；利用训练好的环状对抗生成网络将所述获取的第一成像域的图像转换为第二成像域的图像，第一成像域的图像和所述第二成像域的图像为不同成像域的图像；环状对抗生成网络为能够用于所述第一成像域的图像和所述第二成像域的图像的相互转换的对抗生成网络，利用训练好的环状对抗生成网络能够将一个成像域的图像转换为另一个成像域的图像，解决另一个成像域的图像采集困难、生成困难的问题，从而提供大量的红外人脸图像用于识别。

发明内容

本发明为解决现有的问题，旨在提供基于循环生成对抗网络的红外图片识别方法、设备及介质。

为了达到上述目的，本发明采用的技术方案包括：

S1,获得人脸的红外图片集 X、可见光图片集 Y；

S2,构建循环生成对抗网络，输入红外图片、可见光图片，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；

S3,将转换结果分别置入判别器Dx和Dy中，判断是否是同一个人。

进一步地，S3中，对生成器G、F的转换结果分别提取得到第一、第二特征向量，通过计算第一、第二特征向量之间的余弦相似度, 获得两张图是同一个人的概率。

进一步地，S2中，生成器G的损失函数为：

。

进一步地，S2中，生成器F的损失函数为：