本申请实施例涉及计算机技术领域，具体涉及用于生成近红外图像生成模型的方法和装置。
背景技术：
近红外人脸识别是为了解决人脸识别中的光照问题而提出的一种解决方案。近红外人脸识别包括两部分：主动近红外人脸成像设备和相应的光照无关人脸识别算法。具体方法为：使用强度高于环境光线的主动近红外光源成像，配合相应波段的光学滤片，得到环境光线无关的人脸图像。得到的人脸图像只会随着人与摄像头的距离变化而单调变化。近红外人脸识别面临近红外图像数量少的问题。
技术实现要素：
本申请实施例提出了用于生成近红外图像生成模型的方法和装置。
第一方面，本申请实施例提供了一种用于生成近红外图像生成模型的方法，该包括：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，第一生成式对抗网络包括第一生成网络和第一判别网络，第二生成式对抗网络包括第二生成网络和第二判别网络，第一生成网络用于表征可见光图像与近红外图像的对应关系，第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，第二生成网络用于表征近红外图像与可见光图像的对应关系，第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练；其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征第二判别网络的输入图像为真实的可见光图像。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括可见光图像的训练样本，将该训练样本输入第一生成网络，将第一生成网络输出的图像作为第二生成网络的输入；基于第二生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，将该训练样本输入第二生成网络，将第二生成网络输出的图像作为第一生成网络的输入；基于第一生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在一些实施例中，该方法还包括：获取待处理可见光图像；将待处理可见光图像输入至近红外图像生成模型，得到对应的近红外图像。
第二方面，本申请实施例提供了一种用于生成近红外图像生成模型的装置，包括：样本集获取单元，配置用于获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；生成式对抗网络获取单元，配置用于获取预先建立的第一生成式对抗网络和第二生成式对抗网络，其中，第一生成式对抗网络包括第一生成网络和第一判别网络，第二生成式对抗网络包括第二生成网络和第二判别网络，第一生成网络用于表征可见光图像与近红外图像的对应关系，第一判别网络用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，第二生成网络用于表征近红外图像与可见光图像的对应关系，第二判别网络用于确定所输入的图像是生成的可见光图像还是真实的可见光图像；训练单元，配置用于利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征第二判别网络的输入图像为真实的可见光图像。
在一些实施例中，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括可见光图像的训练样本，将该训练样本输入第一生成网络，将第一生成网络输出的图像作为第二生成网络的输入；基于第二生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在一些实施例中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还包括：对于训练样本集中包括近红外图像的训练样本，将该训练样本输入第二生成网络，将第二生成网络输出的图像作为第一生成网络的输入；基于第一生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在一些实施例中，该装置还包括：图像获取单元，配置用于获取待处理可见光图像；图像生成单元，配置用于将待处理可见光图像输入至近红外图像生成模型，得到对应的近红外图像。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成近红外图像生成模型的方法和装置，首先获取训练样本；之后，获取预先建立的第一生成式对抗网络和第二生成式对抗网络；最后，基于训练样本对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。通过此过程，实现了生成近红外图像生成模型。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成近红外图像生成模型的方法的一个实施例的流程图；
图3是根据本申请的用于生成近红外图像生成模型的方法的一个实施例的应用场景图；
图4是根据本申请的用于生成近红外图像生成模型的方法的又一个实施例的流程图；
图5是根据本申请的用于生成近红外图像生成模型的装置的一个实施例的结构示意图；
图6适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于生成近红外图像生成模型的方法或用于生成近红外图像生成模型的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，例如将拍摄的图像发送至服务器。终端设备101、102、103上可以安装有各类拍照应用、图片处理应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有摄像头并能够拍摄可见光或近红外图像的设备，包括但不限于：近红外成像设备、照相机、具备拍照功能的手机、具备拍照功能的平板电脑、具备拍照功能的便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供拍照服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如利用终端设备101、102、103发送的图像生成近红外图像生成模型的服务器。
需要说明的是，本申请实施例所提供的用于生成近红外图像生成模型的方法可以由服务器105执行，也可以由终端设备执行。相应地，用于生成近红外图像生成模型的装置可以设置于服务器105中，也可以设置于终端设备中。
需要说明的是，终端设备101、102、103中也可以用于生成近红外图像生成模型。此时，用于生成近红外图像生成模型的方法也可以由终端设备101、102、103执行。相应地，用于生成近红外图像生成模型的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成近红外图像生成模型的方法的一个实施例的流程200。该用于生成近红外图像生成模型的方法，包括以下步骤：
步骤201，获取训练样本集。
在本实施例中，用于生成近红外图像生成模型的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端接收训练样本集。其中，训练样本可以包括可见光图像或者近红外图像。另外，上述训练样本集也可以存储于执行主体本地。此时，上述执行主体也可以从本地获取训练样本集。作为示例，上述训练样本集可以是开源的图像集，也可以由拍摄的图像或从互联网下载的图像组成的图像集。
这里，可见光可以是人眼可以感知的电磁波。可见光的波长没有精确的范围。一般人的眼睛可以感知的电磁波的波长在400nm～760nm范围内。由于目标对象发出或反射可见光所形成的图像即为可见光图像。可见光图像一般也可以被人眼感知。作为示例，可见光图像可以是rgb图像。其中，rgb图像可以是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的图像。rgb即是代表红、绿、蓝三个通道的颜色。另外，近红外图像可以是利用主动近红外成像设备得到的图像。具体方法为：使用强度高于环境光线的主动近红外光源，配合相应波段的光学滤片，得到环境光线无关的近红外图像。
步骤202，获取预先建立的第一生成式对抗网络和第二生成式对抗网络。
在本实施例中，上述执行主体可以获取预先建立的第一生成式对抗网络和第二生成式对抗网络。其中，第一生成式对抗网络可以包括第一生成网络和第一判别网络，第二生成式对抗网络可以包括第二生成网络和第二判别网络，第一生成网络可以用于表征可见光图像与近红外图像的对应关系，第一判别网络可以用于确定所输入的图像是生成的近红外图像还是真实的近红外图像，第二生成网络可以用于表征近红外图像与可见光图像的对应关系，第二判别网络可以用于确定所输入的图像是生成的可见光图像还是真实的可见光图像。上述第一生成式对抗网络和第二生成式对抗网络可以是各种类型的生成式对抗网络(generativeadversarialnets，gan)。作为示例，可以是深度卷积生成对抗网络(deepconvolutionalgenerativeadversarialnetwork，dcgan)。例如，第一生成网络和第二生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构，可以依次进行降采样和上采样)。第一生成网络和第二生成网络的结构可以相同也可以不同，在此不做限制。例如，第一判别网络和第二判别网络可以是卷积神经网络(例如，包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述第一判别网络和第二判别网络也可以是可以用于实现分类功能的其他模型结构，例如，支持向量机(supportvectormachine，svm)。
步骤203，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
在本实施例中，上述执行主体可以利用各种方式(例如有监督训练、无监督训练等方式)基于步骤201中获取的训练样本集训练第一生成网络、第一判别网络、第二生成网络和第二判别网络。
作为示例，上述执行主体可以利用有监督训练方法对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练。具体来说，可以执行如下训练步骤：
第一步，获取多个可见光图像和对应的多个近红外图像。其中，对于多个可见光图像中的可见光图像，存在对应的近红外图像，反之亦然。相对应的可见光图像和近红外图像可以是采用照相机和近红外成像设备，对于对同一个人以相同的拍摄角度和距离进行拍摄，得到的可见光图像和近红外图像。
第二步，将可见光图像作为第一生成网络的输入，将对应的近红外图像作为第一生成网络的期望输出，基于第一生成网络输出的图像与期望输出之间的差异，利用机器学习方法训练第一生成网络；将近红外图像作为第二生成网络的输入，将对应的可见光图像作为第二生成网络的期望输出，基于第二生成网络输出的图像与期望输出之间的差异，利用机器学习方法训练第二生成网络。
第三步，将可见光图像作为第一生成网络的输入，将第一生成网络输出的图像作为第二生成网络的输入，基于第二生成网络输出的图像与输入第一生成网络的可见光图像之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在本实施例的一些可选的实现方式中，步骤203可以包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练；其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。
在本实施例的一些可选的实现方式中，步骤203也可以包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征第二判别网络的输入图像为真实的可见光图像。
作为示例，负样本标识可以为0，正样本标识可以为1。负样本标识和正样本标识也可以基于预先设定输出其他数值，不限于1和0。
在本实施例的一些可选的实现方式中，步骤203还可以包括：对于训练样本集中包括可见光图像的训练样本，将该训练样本输入第一生成网络，将第一生成网络输出的图像作为第二生成网络的输入；基于第二生成网络输出的图像与输入第一生成网络的训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在本实施例的一些可选的实现方式中，步骤203还可以包括：对于训练样本集中包括近红外图像的训练样本，将该训练样本输入第二生成网络，将第二生成网络输出的图像作为第一生成网络的输入；基于第一生成网络输出的图像与输入第二生成网络的训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
作为示例，可以基于第二生成网络输出的图像与该训练样本之间的差异、第一生成网络输出的图像与该训练样本之间的差异，确定损失函数。作为示例，可以是hingeloss(铰链损失，l1loss)，也可以是squaredhingeloss(平方损失，l2loss)。l1loss和l2loss是机器学习中常用的损失函数。之后，基于确定的损失函数，作为示例，可以利用反向传播算法将损失反向传入，训练第一生成网络和第二生成网络。
继续参见图3，图3是根据本实施例的用于生成近红外图像生成模型的方法的应用场景的一个示意图。在图3的应用场景300中，执行主体为服务器301。服务器301可以首先获取存储在本地的开源的训练样本集302。之后，基于训练样本集302对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练。在本应用场景中，上述第一生成网络、第一判别网络、第二生成网络和第二判别网络分别为对第一卷积神经网络303、第一支持向量机305、第二卷积神经网络304和第二支持向量机306。最后，将训练后的第一卷积神经网络确定为近红外图像生成模型。
进一步参考图4，其示出了根据本申请的用于生成近红外图像生成模型的方法的又一个实施例的流程400。该流程400，包括以下步骤：
步骤401，获取训练样本集。
步骤402，获取预先建立的第一生成式对抗网络和第二生成式对抗网络。
步骤403，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
本实施例中，步骤401、步骤402和步骤403具体处理过程及其技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
步骤404，获取待处理可见光图像。
本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式从与上述执行主体网络连接的其他电子设备(例如，图1所示的终端设备)获取待处理可见光图像。此外，待处理可见光图像也可以存储于执行主体本地。此时，上述执行主体可以从本地直接获取待处理可见光图像。
步骤405，将待处理可见光图像输入至近红外图像生成模型，得到对应的近红外图像。
本实施例中，上述执行主体可以将待处理可见光图像输入至步骤403中确定的近红外图像生成模型，得到对应的近红外图像。本实施例基于确定的近红外图像生成模型，得到待处理可见光图像对应的近红外图像。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成近红外图像生成模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于生成近红外图像生成模型的装置500包括：样本集获取单元501、生成式对抗网络获取单元502和训练单元503。其中，样本集获取单元501配置用于获取训练样本集，其中，训练样本包括可见光图像或者近红外图像。生成式对抗网络获取单元502配置用于获取预先建立的第一生成式对抗网络和第二生成式对抗网络。训练单元503配置用于利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
在本实施例中，第一生成式对抗网络包括第一生成网络和第一判别网络，第二生成式对抗网络包括第二生成网络和第二判别网络，第一生成网络用于对所输入的可见光图像进行调整并输出近红外图像，第一判别网络用于确定所输入的图像是否为第一生成网络所输出的图像，第二生成网络用于对所输入的近红外图像进行调整并输出可见光图像，第二判别网络用于确定所输入的图像是否为第二生成网络所输出的图像。
在本实施例中，用于生成近红外图像生成模型的装置500中：样本集获取单元501、生成式对抗网络获取单元502和训练单元503的具体处理过程及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，可以包括：对于训练样本集中包括可见光图像的训练样本，固定第一生成网络的参数，将该训练样本作为第一生成网络的输入，将第一生成网络输出的图像作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一负样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一负样本标识用于表征第一判别网络的输入图像为生成的近红外图像；和/或对于训练样本集中包括近红外图像的训练样本，将该训练样本作为第一判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第一正样本标识之间的差异，利用机器学习方法对第一判别网络进行训练，其中，第一正样本标识用于表征第一判别网络的输入图像为真实的近红外图像。
在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还可以包括：对于训练样本集中包括近红外图像的训练样本，固定第二生成网络的参数，将该训练样本作为第二生成网络的输入，将第二生成网络输出的图像作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二负样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二负样本标识用于表征第二判别网络的输入图像为生成的可见光图像；和/或对于训练样本集中包括可见光图像的训练样本，将该训练样本作为第二判别网络的输入，得到与该训练样本对应的判别结果；基于所得到的判别结果和第二正样本标识之间的差异，利用机器学习方法对第二判别网络进行训练，其中，第二正样本标识用于表征第二判别网络的输入图像为真实的可见光图像。
在本实施例的一些可选的实现方式中，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，也可以包括：对于训练样本集中包括可见光图像的训练样本，将该训练样本输入第一生成网络，将第一生成网络输出的图像作为第二生成网络的输入；基于第二生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型，还可以包括：对于训练样本集中包括近红外图像的训练样本，将该训练样本输入第二生成网络，将第二生成网络输出的图像作为第一生成网络的输入；基于第一生成网络输出的图像与该训练样本之间的差异，利用机器学习方法对第一生成网络和第二生成网络进行训练。
在本实施例的一些可选的实现方式中，该装置500还可以包括：图像获取单元(图中未示出)和图像生成单元(图中未示出)。其中，图像获取单元配置用于获取待处理可见光图像。图像生成单元配置用于将待处理可见光图像输入至近红外图像生成模型，得到对应的近红外图像。
本申请的上述实施例提供的装置，训练单元503基于样本集获取单元501所获取的样本，对生成式对抗网络获取单元502获取的网络进行训练，实现了生成近红外图像生成模型。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括样本集获取单元、生成式对抗网络获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，样本集获取单元还可以被描述为“用于获取训练样本集的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集，其中，训练样本包括可见光图像或者近红外图像；获取预先建立的第一生成式对抗网络和第二生成式对抗网络；利用机器学习方法，基于训练样本集对第一生成网络、第一判别网络、第二生成网络和第二判别网络进行训练，将训练后的第一生成网络确定为近红外图像生成模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。