图像对象检测方法、系统及模型处理方法、设备、终端技术方案

本申请公开了一种基于深度学习的图像对象检测方法、系统及模型处理方法、设备、终端。本发明专利技术在获取到训练后CNN模型之后，会将训练后CNN模型文件由浮点格式转换成定点格式，在移动终端上利用定点CNN模型文件进行相应的模型重构，得到相应的定点CNN模型。当移动终端获取到待检测图片之后，将利用上述定点CNN模型对上述待检测图片中的对象进行检测，从而得到相应的图片对象检测信息。本申请中移动终端上的CNN模型文件是定点格式文件，相对于浮点格式，定点CNN模型文件所占用的存储空间大幅减少，计算复杂度也明显降低，并且由于移动终端上的DSP芯片支持SIMD模式的定点指令，因此可以把DSP芯片的计算能力应用到对象检测过程中，从而有利于进一步提升检测速度。

Image object detection method, system and model processing method, equipment and terminal

An image object detection method, system and model processing method, equipment and terminal based on deep learning are disclosed in the paper. After obtaining the training CNN model, the training CNN model file is converted into fixed-point format by floating point format, and the corresponding model reconstruction is carried out by using fixed-point CNN model file on mobile terminal, and corresponding fixed-point CNN model is obtained. When the mobile terminal acquires the image to be detected, the above fixed point CNN model is used to detect the objects in the image to be detected so as to obtain the corresponding image object detection information. The application of mobile CNN model file on the terminal is a fixed format, compared with the floating-point format, storage space occupied by the designated CNN model file is greatly reduced, the computational complexity is significantly reduced, and the fixed-point DSP chip on the mobile terminal support SIMD mode of instruction, so we can take the DSP chip applied to computing power the object detection process, which is conducive to further enhance the detection speed.

【技术实现步骤摘要】
图像对象检测方法、系统及模型处理方法、设备、终端
本专利技术涉及图像对象检测
，特别涉及一种图像对象检测方法、系统及模型处理方法、设备、终端。
技术介绍
当前，检测图片中的对象是一个具有挑战性的问题。最近，基于深入学习的CNN(即ConvolutionalNeuralNetwork，卷积神经网络)在这一领域取得了比较有希望的成果。下面在VOC0712数据库上对两个CNNSSD网络(SSD，即SingleShotMultiBoxDetector，单拍多盒检测)的浮点实现进行了测试，其中一种是基于Vgg的SSD，另一种则是基于GoogleV2的SSD。表一中显示了上述两个测试的精度、用于表征复杂度的MAC(即MultiplicationandAccumulation,乘法和累加)、权重文件大小以及存储器使用量。表一以上浮点解决方案在基于服务器的应用中运行良好，其CPU或GPU具有强大的计算能力、存储器和供电。然而，将基于深度学习的图片对象检测方案应用于移动终端时，其性能将受到计算、存储器和功耗的限制，使得检测过程需要花费较多的时间，并且需要占用非常多的存储空间。综上所述可以看出，如本文档来自技高网...

【技术保护点】
一种CNN模型处理方法，其特征在于，包括：获取训练后CNN模型对应的模型文件，得到训练后CNN模型文件；其中，所述训练后CNN模型对应的训练样本包括对目标对象进行图像采集后得到的图片以及相应的目标对象信息；将所述训练后CNN模型文件由浮点格式转换成定点格式，得到定点CNN模型文件；将所述定点CNN模型文件发送至移动终端，以使所述移动终端根据所述定点CNN模型文件对待检测图片进行目标对象检测处理。

【技术特征摘要】
1.一种CNN模型处理方法，其特征在于，包括：获取训练后CNN模型对应的模型文件，得到训练后CNN模型文件；其中，所述训练后CNN模型对应的训练样本包括对目标对象进行图像采集后得到的图片以及相应的目标对象信息；将所述训练后CNN模型文件由浮点格式转换成定点格式，得到定点CNN模型文件；将所述定点CNN模型文件发送至移动终端，以使所述移动终端根据所述定点CNN模型文件对待检测图片进行目标对象检测处理。2.根据权利要求1所述的CNN模型处理方法，其特征在于，将所述训练后CNN模型文件由浮点格式转换成定点格式，得到定点CNN模型文件的过程，包括：获取所述训练后CNN模型对应的网络结构模型文件和权重文件；其中，所述网络结构模型文件包括所述训练后CNN模型的各层网络统计信息，所述权重文件包括所述训练后CNN模型的各层权重统计信息；分别将所述网络结构模型文件和所述权重文件由浮点格式转换成定点格式，得到包括定点网络结构模型文件和定点权重文件的定点CNN模型文件。3.根据权利要求2所述的CNN模型处理方法，其特征在于，所述训练后CNN模型的各层网络统计信息包括各层网络的比例因子以及偏移量。4.根据权利要求2或3所述的CNN模型处理方法，其特征在于，获取所述训练后CNN模型对应的网络结构模型文件和权重文件的过程，包括：运行与所述训练后CNN模型对应的代码，并在所述代码的运行过程中，检索出所述训练后CNN模型对应的网络结构模型文件和权重文件。5.一种基于深度学习的图片对象检测方法，其特征在于，应用于移动终端，包括：获取如权利要求1至4任一项所述的CNN模型处理方法得到的定点CNN模型文件；根据所述定点CNN模型文件进行相应的模型重构，得到定点CNN模型；将获取到的待检测图片输入至所述定点CNN模型，得到所述定点CNN模型输出的图片对象检测信息。6.根据权利要求5所述的图片对象检测方法，其特征在于，所述图片对象检测信息包括图片对象位置信息以及相应的置信度。7.一种CNN模型处理设备，其特征在于，包括：模型文件获取模块，用于获取训练后CNN模型对应的模型文件，得到训练后CNN模型文件；其中，所述训练后CNN模型对应的训练样本包括对目标对象进行图像采集后得到的图片以及相应的目标对象信息；模型文件转换模块，用于将所述训练后CNN...

【专利技术属性】
技术研发人员：黄锦标，侯林立，
申请(专利权)人：深圳市图芯智能科技有限公司，
类型：发明
国别省市：广东,44