CN112184787A - 图像配准方法及装置、电子设备和存储介质 - Google Patents
图像配准方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112184787A CN112184787A CN202011163832.7A CN202011163832A CN112184787A CN 112184787 A CN112184787 A CN 112184787A CN 202011163832 A CN202011163832 A CN 202011163832A CN 112184787 A CN112184787 A CN 112184787A
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- registration
- network
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000006243 chemical reaction Methods 0.000 claims abstract description 48
- 238000001931 thermography Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000007781 pre-processing 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
- 238000002372 labelling Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 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
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像配准方法及装置、电子设备和存储介质，所述方法包括：获取针对同一场景同步采集的第一图像和第二图像；分别提取所述第一图像的图像特征和所述第二图像的图像特征；根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。本公开实施例可提高图像配准的鲁棒性和效率。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种图像配准方法及装置、电子设备和存储介质。
背景技术
双目相机的图像配准技术在很多领域都有重要应用，比如在人脸识别领域，随着对人脸识别安全性的要求越来越高，通过双目相机采集的图像进行人脸识别逐渐成为人脸识别的标配。双目相机可以利用仿生学原理，通过双摄像头同步采集图像，根据两个图像的差异，还可以得到图像的深度信息，从而可以适用于更多的应用场景。随着双目相机越来越广泛的使用，亟需更加高效和快捷的图像配准技术。
发明内容
本公开提出了一种图像配准技术方案。
根据本公开的一方面，提供了一种图像配准方法，包括：
获取针对同一场景同步采集的第一图像和第二图像；
分别提取所述第一图像的图像特征和所述第二图像的图像特征；
根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；
基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
在一种或多种可能的实现方式中，所述第一图像是RGB图像，所述第二图像是热成像图像，所述方法还包括：根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域。
在一种或多种可能的实现方式中，所述第一关键点包括人脸关键点，所述目标图像区域包括人脸区域，所述根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域，包括：根据所述热成像图像中对应于所述RGB图像的人脸关键点的所述第二关键点，确定所述热成像图像中的人脸区域。
在一种或多种可能的实现方式中，所述方法还包括：获取针对所述场景采集的两个视频；根据所述两个视频中图像帧的图像质量，在所述两个视频中分别抽取一个图像，得到所述第一图像和所述第二图像，其中，所述第一图像和所述第二图像的采集时间相同。
在一种或多种可能的实现方式中，所述方法还包括：对所述第一图像进行兴趣区域检测，确定所述第一图像中的兴趣区域；根据所述第一图像中的兴趣区域，确定所述第一图像的第一关键点。
在一种或多种可能的实现方式中，所述根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系，包括：将所述第一图像的图像特征和所述第二图像的图像特征输入已训练的图像配准网络的配准层中，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系，其中，所述图像配准网络是基于对网络损失进行反向传播得到的，所述网络损失是基于对多个场景采集的样本图像进行配准得到的输出结果和预先获取的标注信息确定的。
在一种或多种可能的实现方式中，所述方法还包括：获取在多个场景采集的样本图像，其中，所述样本图像包括在同一场景同时采集的第一样本和第二样本；将所述第一样本和所述第二样本输入图像配准网络，得到所述图像配准网络的输出结果；根据所述输出结果与所述标注信息之间的比对结果，确定所述图像配准网络的网络损失，其中，所述标注信息包括所述第一样本的图像坐标和所述第二样本的图像坐标的转换关系；对所述网络损失进行反向传播，得到一轮训练后的图像配准网络；对所述图像配准网络进行多轮训练后，得到所述已训练的图像配准网络。
在一种或多种可能的实现方式中，所述多个场景包括第一场景，且不包括第二场景，所述方法还包括：在所述场景由第一场景转换为第二场景的情况下，获取所述第二场景的样本图像；基于所述第二场景的样本图像对所述图像配准网络进行更新，得到更新后的图像配准网络；通过所述更新后的图像配准网络对所述第二场景中同步采集的两个图像进行图像配准。
根据本公开的一方面，提供了一种图像配准装置，包括：
获取模块，用于获取针对同一场景同步采集的第一图像和第二图像；
提取模块，用于分别提取所述第一图像的图像特征和所述第二图像的图像特征；
第一确定模块，用于根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；
配准模块，用于基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
在一种或多种可能的实现方式中，所述第一图像是RGB图像，所述第二图像是热成像图像，所述装置还包括：第二确定模块，用于根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域。
在一种或多种可能的实现方式中，所述第一关键点包括人脸关键点，所述目标图像区域包括人脸区域，所述第二确定模块，用于根据所述热成像图像中对应于所述RGB图像的人脸关键点的所述第二关键点，确定所述热成像图像中的人脸区域。
在一种或多种可能的实现方式中，所述装置还包括：抽取模块，用于获取针对所述场景采集的两个视频；根据所述两个视频中图像帧的图像质量，在所述两个视频中分别抽取一个图像，得到所述第一图像和所述第二图像，其中，所述第一图像和所述第二图像的采集时间相同。
在一种或多种可能的实现方式中，所述装置还包括：检测模块，用于对所述第一图像进行兴趣区域检测，确定所述第一图像中的兴趣区域；根据所述第一图像中的兴趣区域，确定所述第一图像的第一关键点。
在一种或多种可能的实现方式中，所述第一确定模块，用于将所述第一图像的图像特征和所述第二图像的图像特征输入已训练的图像配准网络的配准层中，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系，其中，所述图像配准网络是基于对网络损失进行反向传播得到的，所述网络损失是基于对多个场景采集的样本图像进行配准得到的输出结果和预先获取的标注信息确定的。
在一种或多种可能的实现方式中，训练模块，用于获取在多个场景采集的样本图像，其中，所述样本图像包括在同一场景同时采集的第一样本和第二样本；将所述第一样本和所述第二样本输入图像配准网络，得到所述图像配准网络的输出结果；根据所述输出结果与所述标注信息之间的比对结果，确定所述图像配准网络的网络损失，其中，所述标注信息包括所述第一样本的图像坐标和所述第二样本的图像坐标的转换关系；对所述网络损失进行反向传播，得到一轮训练后的图像配准网络；对所述图像配准网络进行多轮训练后，得到所述已训练的图像配准网络。
在一种或多种可能的实现方式中，所述多个场景包括第一场景，且不包括第二场景，所述装置还包括：
更新模块，用于在所述场景由第一场景转换为第二场景的情况下，获取所述第二场景的样本图像；基于所述第二场景的样本图像对所述图像配准网络进行更新，得到更新后的图像配准网络；通过所述更新后的图像配准网络对所述第二场景中同步采集的两个图像进行图像配准。
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。
在本公开实施例中，可以获取针对同一场景同步采集的第一图像和第二图像，然后分别提取第一图像的图像特征和第二图像的图像特征，从而可以根据第一图像的图像特征和第二图像的图像特征，得到第一图像的图像坐标与第二图像的图像坐标的转换关系，基于得到的转换关系和第一图像中的第一关键点的图像坐标，可以确定第二图像中对应于第一关键点的第二关键点，从而对第一图像和第二图像进行配准。这样，在无需对相机进行标定的情况下就可以得到两个图像中像素点的转换关系，从而可以适用于不同场景的图像配准，提高图像配准的鲁棒性和效率。
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图像配准方法的流程图。
图2示出根据本公开实施例的获取第一图像和第二图像一示例的流程图。
图3示出根据本公开实施例的图像配准方法一示例的流程图。
图4示出根据本公开实施例的图像配准装置的框图。
图5示出根据本公开实施例的一种电子设备示例的框图。
图6示出根据本公开实施例的一种电子设备示例的框图。
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。
本公开实施例提供的图像配准方案，可以应用于图像配准、人脸识别、安防等室内外场景中，例如，在人脸识别场景中，可以通过双目相机采集的一个图像中的人脸位置，找到另外一个图像中的人脸位置，从而在人脸采集时可以不局限于仅针对一个人脸。再例如，在人脸测温场景中，可以通过RGB图像中的人脸位置定位热成像图像中的人脸位置，从而可以减少在热成像图像上进行人脸检测，提高热成像图像的人脸检测效率。
本公开实施例提供的图像配准方法可以由终端设备、服务器或其它类型的电子设备执行，其中，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、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像配准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。例如，在图像配准方法应用于终端设备中的情况下，可以满足嵌入式设备对两个图像配准的需求，在应用于服务器的情况下，可以满足大量图像配准的需求。
下面以电子设备作为执行主体为例对本公开实施例的图像配准方法进行说明。
图1示出根据本公开实施例的图像配准方法的流程图，如图1所示，所述图像配准方法包括：
步骤S11，获取针对同一场景同步采集的第一图像和第二图像。
在本公开实施例中，电子设备可以具有双目摄像头，可以针对所在场景中的目标对象进行拍摄或图像采集，得到针对同一场景中的目标对象同步采集的第一图像和第二图像。在一些实现方式中，电子设备可以获取其他设备针对场景中的目标对象同步采集的第一图像和第二图像，例如，可以获取双目相机采集的两个图像，或者，可以获取在同一场景中设置的两个图像采集设备针对目标对象同步采集的第一图像和第二图像。举例来说，在门禁通行场景中，双目相机可以对同行的行人进行图像采集，电子设备可以获取针对行人同步采集的第一图像和第二图像。第一图像和第二图像中可以包括行人的人脸，第一图像和第二图像可以分别为RGB图像和红外图像，也可以分别是RGB图像和热红外图像。
这里，第一图像和第二图像的图像采集角度可以不同，从而第一图像和第二图像可以不完全相同，即可以理解为，第一图像中可能包括第二图像中不存在的画面，或者，第二图像中可能包括第一图像中不存在的画面。
步骤S12，分别提取所述第一图像的图像特征和所述第二图像的图像特征。
在本公开实施例中，可以在获取第一图像和第二图像之后，分别提取第一图像的图像特征和第二图像的图像特征。在提取第一图像的图像特征和第二图像的图像特征的情况下，可以通过一些特征提取算法、算子等提取第一图像的图像特征和第二图像的图像特征。
一些实现方式中，还可以利用已训练的图像配准网络分别提取第一图像和第二图像的图像特征，例如，可以将第一图像和第二图像一同输入已训练的图像配准网络中，利用图像配准网络的特征提取层分别提取第一图像和第二图像的图像特征。图像配准网络可以是深度神经网络，可以包括多个网络层，其中，特征提取层可以用于图像特征提取。特征提取层可以包括卷积层、池化层、采样层等一个或多个网络层，本公开不对具体的神经网络结构进行限制。
这里，为了更好地提取图像特征，可以在提取第一图像和第二图像的图像特征之前，对第一图像和第二图像进行预处理，例如，可以按照预设的图像尺寸，分别对第一图像和第二图像进行剪裁或放缩，将第一图像和第二图像剪裁或放缩为固定的图像尺寸，然后再对剪裁或放缩后的第一图像和第二图像分别进行图像特征提取。这里，预处理可以包括图像剪裁、图像放缩、锐化处理、平滑处理、去噪处理、灰度调整、亮度调整等一项或多项预处理操作，本公开不对具体的预处理操作进行限制。
步骤S13，根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系。
在本公开实施例中，可以对第一图像的图像特征和第二图像的图像特征进行进一步处理，例如，可以对第一图像的图像特征和第二图像的图像特征进行特征融合、特征映射等处理，可以最终得到第一图像的图像坐标与第二图像的图像坐标的转换关系，通过该转换关系可以确定第一图像和第二图像中表示相同对象的像素点。这里，转换关系可以通过一个矩阵表示，从而可以通过矩阵直观地表示转换关系。
在一些实现方式中，可以将第一图像的图像特征和第二图像的图像特征输入上述已训练的图像配准网络的配准层中，利用已训练的图像配准网络的配准层进一步对第一图像的图像特征和第二图像的图像特征进行处理，如进行归一化处理、特征融合处理、全连接处理等，可以得到第一图像的图像坐标与第二图像的图像坐标的转换关系。这里，已训练的图像配准网络可以是基于对网络损失进行反向传播得到的，网络损失是基于对多个场景采集的样本图像进行配准得到的转换结果和预先获取的标注信息确定的，从而已训练的图像配准网络适用于多个场景，从而无需针对单一场景进行相机标定，提高图像配准的效率。
这里，在训练图像配准网络的情况下，可以获取在多个场景采集的多对样本图像，其中，一对样本图像可以包括在同一场景同时采集的第一样本和第二样本。然后将一对样本图像输入图像配准网络中，即将第一样本和第二样本输入图像配准网络中，可以得到图像配准网络的输出结果。再根据得到的输出结果与预先获取的标注信息之间的比对结果，确定所述图像配准网络的网络损失，其中，预先获取的标准信息可以包括第一样本的图像坐标和所述第二样本的图像坐标的转换关系。例如，可以将图像配准网络输出的输出结果与这一对样本图像的转换关系进行比对，得到比对结果，如可以通过一些损失函数计算输出结果与转换关系的比对结果，进而可以通过多对样本图像得到的比对结果确定图像配准网络的网络损失，例如可以对多对样本图像的比对结果进行相加或者加权平均，可以得到图像配准网络的网络损失。进一步可以对网络损失进行反向传播，基于确定的网络损失对图像配准网络的网络参数进行调整，可以得到一轮训练后的图像配准网络。对图像配准网络进行多轮训练后，最终可以得到已训练的图像配准网络。通过对图像配准网络的网络损失进行反向传播，可以使图像配准网络的输出结果逐渐趋于预先获取的转换关系，从而已训练的图像配准网络可以准确预测两个图像之间图像坐标转换的转换关系。
步骤S14，基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
在本公开实施例中，在确定第一图像的图像坐标与第二图像的图像坐标的转换关系之后，可以通过该转换关系对第一图像中的第一关键点的图像坐标进行坐标变换，确定第二图像中与第一关键点表示相同对象的第二关键点。关键点可以是图像中表示目标对象的像素点，例如，第一关键点可以表示第一图像中目标对象的轮廓的像素点，相应地，第二关键点可以表示第二图像中目标对象的轮廓的像素点。这里，第一关键点可以包括一个或多个关键点，相应地，第二关键点也可以包括一个或多个关键点。
这里，转换关系可以表示为一个矩阵，该矩阵可表示如下：
其中，Mat可以表示转换关系，aij可以表示转换系数，其中，i和j可以是小于或等于3的正整数。上述图像配准网络可以输出如矩阵Mat所示的3×3的矩阵，通过矩阵Mat表示的转换关系，可以将确定第二图像中与第一图像中的第一特征点表示相同对应的第二特征点，从而第一图像和第二图像进行图像配准。
举例来说，假设第一图像的第一关键点的坐标为(x1,y1)，第二图像的第二关键点的坐标为(x2,y2)，通过下述公式(1)和公式(2)可以由第一图像的第一关键点的坐标得到第二图像的第二关键点的坐标。
通过上述公式(1)和公式(2)，可以通过矩阵Mat表示的转换关系，确定与第一关键点表示相同对象的第二图像中的第二关键点的坐标，从而实现两个图像中目标对象的配准。在相关技术中，确定两个图像中像素点的转换关系需要在该组图像上找到至少4组对应的关键点，通过这些组关键点进行求解可以得到转换关系，在图像采集装置的拍摄角度、距离、位置发生变化的情况下，需要重新确定转换关系。本公开实施例可以通过神经网络得到两个图像的转换关系，从而减少图像采集装置的拍摄角度、距离、位置等的影响，提高图像配准的准确率。
本公开实施例可以利用已训练的图像配准网络得到第一图像的图像坐标与第二图像的图像坐标的转换关系，从而可以减少图像采集装置的位置、拍摄角度等对图像配准的影响。已训练的图像配准网络可以是基于在多个场景采集的样本图像进行训练得到的，从而已训练的图像配准网络可以适用于多个场景的图像配准，对多个不同场景自适应地输出相应场景下的转换关系。
在一些实现方式中，上述多个场景可以包括第一场景，并且不包括第二场景。在场景由第一场景转换为第二场景的情况下，可以获取第二场景的样本图像，然后可以基于第二场景的样本图像对图像配准网络进行更新，得到更新后的图像配准网络，进一步可以通过更新后的图像配准网络对第二场景中同步采集的两个图像进行图像配准，即，在训练图像配准网络所使用的样本图像属于的多个场景中，不包括第二场景的情况下，在图像配准的场景由第一场景转换为第二场景的情况下，利用已配准的图像配准网络得到第二场景中同步采集的两个图像的转换关系可能不够准确，从而可以利用在第二场景同步采集的多对样本图像对图像配准网络的网络参数进行更新，即，可以重训练图像配准网络，然后通过更新后的图像配准网络得到在第二场景中同步采集的两个图像的转换关系，从而进一步满足图像配准应用于多种场景的需求。
通常，转换关系一旦确定后很难进行更新，适配新场景需要重新对新场景中的图像采集装置进行标定，当场景越来越多的情况下，需要针对每个场景进行单独处理，难以维护。本公开提供的图像配准方案，在适配新场景的情况下，可以利用在新场景中采集的一定数量的样本图像对图像配准网络进行更新，更新完成后即可以适配新场景，从而可以大大降低维护成本。
在一些实现方式中，第一图像和第二图像的图像成像方式可以不同，从而可以针对不同成像方式的两个图像进行图像配准。这里，图像成像方式可以包括红绿蓝(RedGreen Blue，RGB)成像、热成像、近红外成像、超声成像、激光雷达成像、毫米波雷达成像、X射线成像中的至少一种。
在一个示例中，第一图像可以是RGB图像，第二图像可以是热成像图像，在得到第一图像的图像坐标和第二图像的图像坐标的转换关系之后，可以通过得到的转换关系对RGB图像中的第一关键点进行坐标变换，确定热成像图像中对应于第一关键点的第二关键点，从而可以根据热成像图像中对应于第一关键点的第二关键点，确定热成像图像中目标对象所在的目标图像区域。举例来说，在工业测温场景中，可以通过RGB图像中目标对象所在的图像区域，直接定位热成像图像中目标对象所在的目标图像区域，从而可以提高在热成像图中进行目标定位的准确性。
在一个示例中，第一关键点可以包括人脸关键点，上述目标图像区域可以包括人脸区域，在根据热成像图像中对应于第一关键点的第二关键点，确定热成像图像的目标图像区域的情况下，可以根据热成像图像中对应于RGB图像的人脸关键点的第二关键点，确定热成像图像中的人脸区域。举例来说，在人脸测温场景中，可以通过RGB图像中的人脸位置，直接定位热成像图像中的人脸位置，从而可以减小在热成像图像上进行人脸检测的难度，提高在热成像图像上进行人脸检测的准确率和效率。
在上述步骤S11中，可以获取针对同一场景同步采集的第一图像和第二图像，从而可以对第一图像和第二图像进行图像配准。第一图像和第二图像可以是针对同一场景采集的图像，在一些实现方式中，第一图像和第二图像也可以是针对同一场景拍摄的视频中的图像帧。
基于此，上述图像配准方法还可以包括：获取针对所述场景采集的两个视频，然后在两个视频中分别抽取一个图像，可以得到第一图像和所述第二图像，其中，第一图像和第二图像的采集时间相同。
在本实现方式中，在获取到针对一个场景同步拍摄的两个视频的情况下，可以根据图像帧的采集时间，在两个视频中分别抽取一个图像，从而可以在每个视频中选择一个图像帧作为第一图像或第二图像，即，可以通过选帧操作可以得到采集时间相同的第一图像和第二图像。一些实现方式中，针对该场景拍摄的视频可以为多个，在拍摄的视频为多个的情况下，可以对多个视频进行两两组合，然后根据图像帧的采集时间，分别在两个视频中抽取一个图像帧，可以得到采集时间相同的第一图像和第二图像。通过在拍摄的视频中抽取图像帧的方式获取第一图像和第二图像，可以减少由于单独采集的图像可能难以确定关键点而带来的配准不准确情况，从而通过在视频中抽取图像帧的方式，可以提高第一图像和第二图像配准的准确率。
这里，在获取针对一个场景采集的两个视频之后，还可以将获取的两个转换为固定的视频类型，例如，可以将连个视频转换为统一数据接口所需的视频类型，如，将视频由视频流转换为图像类型，从而可以便于图像帧的抽取，提高选帧的效率。
在一个示例中，可以根据两个视频中图像帧的质量，在两个视频中分别抽取一个图像，得到第一图像和第二图像，即针对两个视频中的每个视频，根据每个视频中图像帧的图像质量，在每个视频中抽取一个图像帧，得到第一图像或第二图像。这里，图像质量可以通过以下任意一项或多项标准衡量：兴趣区域的完整性、图像清晰度、曝光度。在根据图像帧的图像质量，在视频中抽取一个图像帧的情况下，可以在视频中抽取图像质量大于质量阈值的图像帧，即可以选取图像质量较高的图像帧作为第一图像或第二图像。这里，图像质量大于质量阈值，可以包括兴趣区域在图像帧内、图像清晰度大于清晰度阈值、曝光度在一定的曝光值范围内中的一项或多项，从而选择的第一图像或第二图像的兴趣区域可以完整在图像内、图像清晰度较高、曝光度适中，可以减少兴趣区域过暗或过亮的情况。
图2示出根据本公开实施例的获取第一图像和第二图像一示例的流程图，可以包括以下步骤：
步骤S201，获取双目相机采集的数据；
步骤S202，判断获取的数据是否为图像类型；
步骤S203，在获取的数据是视频的情况下，对视频进行选帧操作。
步骤S204，获取图像类型的第一图像和第二图像。
通过上述步骤，可以得到获取同步采集的第一图像和第二图像，从而可以对第一图像和第二图像进行图像配准，确定第一图像和第二图像中表示相同对应的关键点。
在上述步骤S14中，可以基于转换关系和第一图像的第一关键点的图像坐标，确定第二图像中对应于第一关键点的第二关键点，从而可以对第一图像和第二图像进行配准。这里，在确定第二图像中对应于第一关键点的第二关键点之前，还可以获取第一图像的第一关键点，下面通过一个或多个实现方式对获取第一关键点的过程进行说明。
在一些实现方式中，可以对第一图像进行兴趣区域检测，确定第一图像中的兴趣区域，再根据第一图像中的兴趣区域，可以确定第一图像的第一关键点。例如，在人脸关键点检测场景中，可以先确定第一图像中人脸在第一图像中的兴趣区域，再检测兴趣区域中眉毛、眼睛、鼻子、嘴角等第一关键点，从而可以得到第一关键点的图像坐标。这里，兴趣区域可以是目标对象所在的图像区域，例如，目标对象可以是行人，从而兴趣区域可以是行人在第一图像中的图像区域，再例如，目标对象可以是人脸，从而兴趣区域可以是人脸在第一图像中的图像区域。在确定第一图像中的兴趣区域的情况下，可以将第一图像输入目标检测网络，利用目标检测网络确定第一图像中目标对象所在的兴趣区域，然后可以将兴趣区域的边框上的点作为第一关键点，例如，在兴趣区域是矩形区域的情况下，可以将矩形区域的四个顶点作为第一关键点。通过这种方式，可以准确地确定第一图像中指示目标对象的第一关键点，从而可以为图像配准提供准确的图像坐标，提高确定的第二关键点的准确性。
在一些实现方式中，在确定第一图像的第一关键点的情况下，可以将第一图像输入关键点检测网络，利用关键点检测网络直接确定兴趣区域上的第一关键点以及得到第一关键点的图像坐标。这里，关键点检测网络可以是深度神经网络，可具有强大的特征学习能力，从而可以直接利用关键点检测网络检测第一图像中的第一关键点。
在一些实现方式中，为了更加快速、更加便捷地确定第一图像中的第一关键点，在一些简单的场景中，例如，在图像采集装置的位置固定的一些场景中，可以认为目标对象通常位于一个固定的图像区域内，可以直接根据预设的位置点确定第一图像的第一关键点，即，可以将预设的位置点确定为第一关键点。例如，可以将第一图像的中心区域作为兴趣区域，将中心区域的中心点或者顶点作为第一图像的第一关键点，从而可以快速地确定第一关键点以及快速获取第一关键点的图像坐标。
下面通过一个示例对本公开实施例提供的图像配准方法进行说明。图3示出根据本公开实施例的图像配准方法一示例的流程图。
S301、获取针对同一场景同步采集的第一图像和第二图像。
S302、将第一图像输入关键点检测网络，得到第一图像中的兴趣区域以及兴趣区域的一组第一关键点。
S303、将第一图像和第二图像输入图像配准网络，得到第一图像的图像坐标与第二图像的图像坐标的转换关系。
S304、基于得到的转换关系和一组第一关键点的图像坐标，确定第二图像中对应于第一关键点的第二关键点。
S305、根据第二图像中对应于第一关键点的第二关键点，确定第二图像的目标图像区域。
需要说明的是，本公开不限制上述步骤S302和步骤S303执行的先后顺序，可以先执行步骤S302，后执行步骤S303，或者，可以先执行步骤S303，后执行步骤S302，再或者，可以同时执行步骤S302和步骤S303。
本公开实施例提供的图像配准方案，可以利用深度学习实现两个图像的配准，并可以及时对图像配准网络进行迭代更新，从而可以适配多种场景，使图像配准更加高效和便捷化。
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配准装置、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配准方法，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。
图4示出根据本公开实施例的图像配准装置的框图，如图4所示，所述装置包括：
获取模块41，用于获取针对同一场景同步采集的第一图像和第二图像；
提取模块42，用于分别提取所述第一图像的图像特征和所述第二图像的图像特征；
第一确定模块43，用于根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；
配准模块44，用于基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
在一种或多种可能的实现方式中，所述第一图像是RGB图像，所述第二图像是热成像图像，所述装置还包括：第二确定模块，用于根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域。
在一种或多种可能的实现方式中，所述第一关键点包括人脸关键点，所述目标图像区域包括人脸区域，所述第二确定模块，用于根据所述热成像图像中对应于所述RGB图像的人脸关键点的所述第二关键点，确定所述热成像图像中的人脸区域。
在一种或多种可能的实现方式中，所述装置还包括：抽取模块，用于获取针对所述场景采集的两个视频；根据所述两个视频中图像帧的图像质量，在所述两个视频中分别抽取一个图像，得到所述第一图像和所述第二图像，其中，所述第一图像和所述第二图像的采集时间相同。
在一种或多种可能的实现方式中，所述装置还包括：检测模块，用于对所述第一图像进行兴趣区域检测，确定所述第一图像中的兴趣区域；根据所述第一图像中的兴趣区域，确定所述第一图像的第一关键点。
在一种或多种可能的实现方式中，所述第一确定模块，用于将所述第一图像的图像特征和所述第二图像的图像特征输入已训练的图像配准网络的配准层中，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系，其中，所述图像配准网络是基于对网络损失进行反向传播得到的，所述网络损失是基于对多个场景采集的样本图像进行配准得到的输出结果和预先获取的标注信息确定的。
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配准方法的指令。
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配准方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5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5，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***，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***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***接口模块之间提供接口，上述***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，如互补金属氧化物半导体(CMOS)或电荷耦合装置(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，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(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***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6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6，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***，例如微软服务器操作***(Windows ServerTM)，苹果公司推出的基于图形用户界面操作***(Mac OSXTM)，多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM)，开放原代码的类Unix操作***(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***、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(***)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***、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***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 (11)
1.一种图像配准方法，其特征在于，包括：
获取针对同一场景同步采集的第一图像和第二图像；
分别提取所述第一图像的图像特征和所述第二图像的图像特征；
根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；
基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
2.根据权利要求1所述的方法，其特征在于，所述第一图像是RGB图像，所述第二图像是热成像图像，所述方法还包括：
根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域。
3.根据权利要求2所述的方法，其特征在于，所述第一关键点包括人脸关键点，所述目标图像区域包括人脸区域，所述根据所述热成像图像中对应于所述第一关键点的第二关键点，确定所述热成像图像的目标图像区域，包括：
根据所述热成像图像中对应于所述RGB图像的人脸关键点的所述第二关键点，确定所述热成像图像中的人脸区域。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法还包括：
获取针对所述场景采集的两个视频；
根据所述两个视频中图像帧的图像质量，在所述两个视频中分别抽取一个图像，得到所述第一图像和所述第二图像，其中，所述第一图像和所述第二图像的采集时间相同。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：
对所述第一图像进行兴趣区域检测，确定所述第一图像中的兴趣区域；
根据所述第一图像中的兴趣区域，确定所述第一图像的第一关键点。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的的转换关系，包括：
将所述第一图像的图像特征和所述第二图像的图像特征输入已训练的图像配准网络的配准层中，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系，其中，所述图像配准网络是基于对网络损失进行反向传播得到的，所述网络损失是基于对多个场景采集的样本图像进行配准得到的输出结果和预先获取的标注信息确定的。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取在多个场景采集的样本图像，其中，所述样本图像包括在同一场景同时采集的第一样本和第二样本；
将所述第一样本和所述第二样本输入图像配准网络，得到所述图像配准网络的输出结果；
根据所述输出结果与所述标注信息之间的比对结果，确定所述图像配准网络的网络损失，其中，所述标注信息包括所述第一样本的图像坐标和所述第二样本的图像坐标的转换关系；
对所述网络损失进行反向传播，得到一轮训练后的图像配准网络；
对所述图像配准网络进行多轮训练后，得到所述已训练的图像配准网络。
8.根据权利要求6或7所述的方法，其特征在于，所述多个场景包括第一场景，且不包括第二场景，所述方法还包括：
在所述场景由第一场景转换为第二场景的情况下，获取所述第二场景的样本图像；
基于所述第二场景的样本图像对所述图像配准网络进行更新，得到更新后的图像配准网络；
通过所述更新后的图像配准网络对所述第二场景中同步采集的两个图像进行图像配准。
9.一种图像配准装置，其特征在于，包括：
获取模块，用于获取针对同一场景同步采集的第一图像和第二图像；
提取模块，用于分别提取所述第一图像的图像特征和所述第二图像的图像特征；
第一确定模块，用于根据所述第一图像的图像特征和所述第二图像的图像特征，得到所述第一图像的图像坐标与所述第二图像的图像坐标的转换关系；
配准模块，用于基于所述转换关系和所述第一图像的第一关键点的图像坐标，确定所述第二图像中对应于所述第一关键点的第二关键点。
10.一种电子设备，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9中任意一项所述的方法。
11.一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9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011163832.7A CN112184787A (zh) | 2020-10-27 | 2020-10-27 | 图像配准方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011163832.7A CN112184787A (zh) | 2020-10-27 | 2020-10-27 | 图像配准方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112184787A true CN112184787A (zh) | 2021-01-05 |
Family
ID=73922866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011163832.7A Pending CN112184787A (zh) | 2020-10-27 | 2020-10-27 | 图像配准方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184787A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724393A (zh) * | 2021-08-12 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
| CN113822916A (zh) * | 2021-08-17 | 2021-12-21 | 北京大学 | 图像匹配方法、装置、设备及可读存储介质 |
| WO2021259394A3 (zh) * | 2021-02-22 | 2022-02-17 | 北京安德医智科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
| IL281554B (en) * | 2021-03-16 | 2022-10-01 | Emza Visual Sense Ltd | Device and method for detecting and outputting three-dimensional objects |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
| CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
| CN110782421A (zh) * | 2019-09-19 | 2020-02-11 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN110942032A (zh) * | 2019-11-27 | 2020-03-31 | 深圳市商汤科技有限公司 | 活体检测方法及装置、存储介质 |
| CN111209870A (zh) * | 2020-01-09 | 2020-05-29 | 杭州涂鸦信息技术有限公司 | 一种双目活体摄像头快速配准方法及其***和装置 |
| CN111382654A (zh) * | 2018-12-29 | 2020-07-07 | 北京市商汤科技开发有限公司 | 图像处理方法和装置以及存储介质 |
-
2020
- 2020-10-27 CN CN202011163832.7A patent/CN112184787A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382654A (zh) * | 2018-12-29 | 2020-07-07 | 北京市商汤科技开发有限公司 | 图像处理方法和装置以及存储介质 |
| CN110458895A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像坐标系的转换方法、装置、设备及存储介质 |
| CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
| CN110782421A (zh) * | 2019-09-19 | 2020-02-11 | 平安科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
| CN110942032A (zh) * | 2019-11-27 | 2020-03-31 | 深圳市商汤科技有限公司 | 活体检测方法及装置、存储介质 |
| CN111209870A (zh) * | 2020-01-09 | 2020-05-29 | 杭州涂鸦信息技术有限公司 | 一种双目活体摄像头快速配准方法及其***和装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021259394A3 (zh) * | 2021-02-22 | 2022-02-17 | 北京安德医智科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
| IL281554B (en) * | 2021-03-16 | 2022-10-01 | Emza Visual Sense Ltd | Device and method for detecting and outputting three-dimensional objects |
| IL281554B2 (en) * | 2021-03-16 | 2023-02-01 | Emza Visual Sense Ltd | Apparatus and method for detecting and outputting three-dimensional objects |
| CN113724393A (zh) * | 2021-08-12 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
| CN113724393B (zh) * | 2021-08-12 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、设备及存储介质 |
| CN113822916A (zh) * | 2021-08-17 | 2021-12-21 | 北京大学 | 图像匹配方法、装置、设备及可读存储介质 |
| CN113822916B (zh) * | 2021-08-17 | 2023-09-15 | 北京大学 | 图像匹配方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11532180B2 (en) | Image processing method and device and storage medium | |
| CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
| CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| US20210097715A1 (en) | Image generation method and device, electronic device and storage medium | |
| US11321575B2 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
| WO2021031609A1 (zh) | 活体检测方法及装置、电子设备和存储介质 | |
| 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 | |
| CN112465843A (zh) | 图像分割方法及装置、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 | |
| CN110287671B (zh) | 验证方法及装置、电子设备和存储介质 | |
| CN111241887B (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 | |
| CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN111860373B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN111523346A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN113139471A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN114187498A (zh) | 遮挡检测方法及装置、电子设备和存储介质 | |
| CN113261011A (zh) | 图像处理方法及装置、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 | |
| CN111582381B (zh) | 确定性能参数的方法及装置、电子设备和存储介质 | |
| CN113345000A (zh) | 深度检测方法及装置、电子设备和存储介质 | |
| CN114973359A (zh) | 表情识别方法及装置、电子设备和存储介质 | |
| CN114519794A (zh) | 特征点匹配方法及装置、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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
| RJ01 | Rejection of invention patent application after publication |