一种图像的处理方法、装置及电子设备制造方法及图纸

本说明书实施例涉及一种图像的处理方法、装置及电子设备。其中，处理方法包括：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。

【技术实现步骤摘要】
一种图像的处理方法、装置及电子设备
本说明书实施例涉及计算机网络
，尤其涉及一种图像的处理方法、装置及电子设备。
技术介绍
随着人工智能技术的发展，卷积神经网络在近几年被广泛应用在图像识别领域。目前一些终端设备的摄像头在组装后具有旋转角度，这使得终端设备基于摄像头采集获得的图像也具有旋转角度，导致在使用卷积神经网络处理这类图像前，终端设备必须要先对图像进行反向旋转，使其与卷积神经网络模型的卷积核相匹配。而终端设备旋转图像耗时较久，尤其当图像的分辨率较大或是帧数较多的情况下，旋转图像带来的延迟会影响用户的使用体验。
技术实现思路
本说明书实施例其中一个目的是提供一种图像的处理方法、装置及电子设备，能够提高卷积神经网络模型的图像处理效率。为了实现上述目的，本说明书实施例采用下述技术方案：第一方面，本说明书实施例提供一种图像的处理方法，包括：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。第二方面，提供了一种图像的处理装置，包括：获取模块，获取卷积神经网络模型的输入图像；卷积核配置模块，基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；图像处理模块，以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书中，对卷积神经网络模型的卷积核进行调整，让卷积核主动适应输入图像的旋转角度，因此不需要终端设备再对输入图像进行旋转，从而大幅提高了卷积神经网络模型的图像处理效率，进而提高了用户的使用体验。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例提供的图像的处理方法的流程示意图；图2为本说明书实施例提供的图像的处理方法的详细流程示意图；图3为本说明书实施例提供的图像的处理方法在实际应用中的流程示意图；图4为本说明书实施例提供的图像的处理装置的逻辑结构示意图；图5为本说明书实施例提供的电子设备的硬件结构示意图。具体实施方式为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书实施例保护的范围。现有技术中，摄像头具有旋转角度的终端设备在利用卷积神经网络模型处理图像时，需要先对图像进行旋转，从而让图像主动适应卷积神经网络的卷积核。而在实际应用中，需要处理的图像往往辨率大且帧数多，若为每一帧图像进行旋转则耗时较久，造成图像处理效率不高，影响用户的使用体验。有鉴于此，本说明书提出一种提高卷积神经网络模型的图像处理效率的技术方案。一方面，本说明书实施例提供一种图像的处理方法，如图1所示，包括：步骤102，获取卷积神经网络模型的输入图像；针对步骤102而言：输入图像可以由终端设备的摄像头采集得到，并通过终端设备发送获得。若终端设备的摄像头的具有旋转角度，则输入图像也具有同样的旋转角度；同理，若终端设备的摄像头不具有旋转角度，则输入图像也不具有的旋转角度。步骤104，基于卷积神经网络模型的原始卷积核，确定与输入图像的旋转角度匹配的目标卷积核；针对步骤104而言：卷积神经网络模型的原始卷积核适用于常规的不具有旋转角度的输入图像；进一步参考图2；首先判断输入图像的旋转角度是否为零；若输入图像的旋转角度为零，则将卷积神经网络模型的原始卷积核作为与输入图像的旋转角度匹配的目标卷积核，即卷积神经网络模型沿用原始卷积核；若输入图像的旋转角度不为零，则对卷积神经网络模型的原始卷积核按照旋转角度进行旋转，确定与输入图像的旋转角度匹配的目标卷积核。作为示例性介绍，假设大小为2×2原始卷积核的元素阵列为：[1，23，4]若输入图像的旋转角度为顺时针90°，则需要按照顺时针90°对原始卷积核的元素矩阵按照顺时针90°进行整体旋转，获得的目标卷积核，该目标卷积核的元素阵列为：[3，14，2]步骤106，以目标卷积核作为卷积神经网络模型的卷积核，对输入图像进行处理。针对步骤106而言：将输入图像输入至卷积神经网络模型，卷积神经网络模型基于目标卷积核，对输入图像进行卷积，从而完成相关的图形处理流程。需要说明的是，使用卷积神经网络模型对输入图像进行图像处理为现有技术，由于本文不对其进行改进，因此不再举例赘述。本实施例中，对卷积神经网络模型的卷积核进行调整，让卷积核主动适应输入图像的旋转角度，因此不需要终端设备再对输入图像进行旋转，从而大幅提高了卷积神经网络模型的图像处理效率，进而提高了用户的使用体验。具体地，在执行步骤104前，本实施例的处理方法还包括：步骤103，获取输入图像的旋转角度。如前所述，由于输入图像的旋转角度取决于终端设备的摄像头的旋转角度，而摄像头的旋转角是终端设备的固定设置，因此可以根据终端设备的信息确定输入图像的旋转角度。作为示例性介绍：可以根据终端设备的型号信息，确定输入图像的旋转角度。在实际应用中，可以建立型号信息列表，用于关联记录终端设备的型号信息以及终端设备的摄像头的旋转角度。在型号信息列表中的终端设备发送的图像作为卷积神经网络模型的输入图像时，可输直接从型号信息列表中获取向对应的摄像头的旋转角度，该摄像头的旋转角度即为输入图像的旋转角度。此外，还可根据终端设备的系统信息，确定输入图像的旋转角度。目前安卓的终端设备的摄像头具有旋转角度，一般是顺时针90°。因此，在安卓系统的终端设备的图形作为卷积神经网络模型的输入图像时，可直接确定输入图像的旋转角度为90°。下面结合实现方式，对本实施例的处理方法进行详细介绍。在本实现方式中，假设网络侧的服务设备作为处理方法执行主体，用于实用卷积神经网络模型对终端设备的用户进行人脸识别，则主要流程如图3所示，包括：终端设备向服务设备发送人脸识别请求消息，人脸识别请求消息携带终端设备的型号信息(也可以是本文档来自技高网...

【技术保护点】
1.一种图像的处理方法，包括：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。

【技术特征摘要】
1.一种图像的处理方法，包括：获取卷积神经网络模型的输入图像；基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核；以所述目标卷积核作为所述卷积神经网络模型的卷积核，对所述输入图像进行处理。2.根据权利要求1所述的处理方法，基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核，包括：若所述输入图像的旋转角度为零，则将所述卷积神经网络模型的原始卷积核作为与所述输入图像的旋转角度匹配的目标卷积核。3.根据权利要求1所述的处理方法，基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核，包括：若所述输入图像的旋转角度不为零，则对所述卷积神经网络模型的原始卷积核按照所述旋转角度进行旋转，得到与所述输入图像的旋转角度匹配的目标卷积核。4.根据权利要求3所述的处理方法，若所述输入图像的旋转角度不为零，则对所述卷积神经网络模型的原始卷积核按照所述旋转角度进行旋转，包括：若所述输入图像的旋转角度不为零，则对所述卷积神经网络模型的原始卷积核的元素阵列按照所述旋转角度进行整体旋转。5.根据权利要求3所述的处理方法，在基于所述卷积神经网络模型的原始卷积核，确定与所述输入图像的旋转角度匹配的目标卷积核之前，还包括：获取所述输入图像的旋转角度。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：谢昭，王立彬，郭明宇，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY