一种图像特征提取方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种图像特征提取方法，该方法包括：获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像；将目标图像输入至定点化的深度卷积神经网络模型中；利用深度卷积神经网络模型对目标图像进行定点化计算，获得目标图像的图像特征。在计算速度上定点化计算相较于浮点化计算更为快速，且在实际应用中更容易实现。在特征提取时，以定点化计算还可以降低存储开销，可减少计算机资源的占用，进一步提升计算速度，进而可以进行实时的图像特征提取。本发明专利技术还公开了一种图像特征提取装置、设备及可读存储介质，具有相应的技术效果。

【技术实现步骤摘要】
一种图像特征提取方法、装置、设备及可读存储介质
本专利技术涉及图像处理
，特别是涉及一种图像特征提取方法、装置、设备及可读存储介质。
技术介绍
以深度神经网络为主导的算法，所设计的图像特征提取应用，被广泛应用到人们的日常工作和学习中。深度神经网络往往由其十几甚至上百的卷积层构成，计算过程中产生的特征映射需要占据大量的存储空间。另外，权重浮点化计算无法实现实时的图像特征提取的处理效果。这都导致图像特征提取的计算速度缓慢。但是，目前对深度卷积神经网络模型的压缩，主要通过特征映射定点量化，特别是指通过层间规则或者非规则量化方法进行模型压缩，以提升图像特征提取速度的方法，存在压缩后的深度神经网络模型的处理精度无法得到保障的缺点，使得提取到的图像特征的精度达不到用户需求。综上所述，如何快速、有效地提取图像特征等问题，是目前本领域技术人员急需解决的技术问题。
技术实现思路
本专利技术的目的是提供一种图像特征提取方法、装置、设备及可读存储介质，以实现对深度神经网络模型进行压缩的目的。为解决上述技术问题，本专利技术提供如下技术方案：一种图像特征提取方法，包括：获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；将所述目标图像输入至定点化的深度卷积神经网络模型中；利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。优选地，利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，包括：在卷积层获取到所述目标图像对应的处理数据之后，利用定点化计算的方式对所述处理数据进行卷积操作，并输出卷积结果至所述卷积层的下一层。优选地，在将所述目标图像输入至定点化的深度卷积神经网络模型中之前，还包括：利用预设训练数据，对卷积层后具有BN层的预设深度卷积神经网络模型进行浮点化训练，获得第一深度卷积神经网络模型；在所述第一深度卷积神经网络模型中，将所述卷积层的权重参数与所述BN层的参数进行融合并更新卷积权重，获得第二深度卷积神经网络模型；去掉所述第二深度卷积神经网络中的所述BN层，获得第三深度卷积神经网络模型；对所述第三深度卷积神经网络模型进行定点化训练，获得定点化的深度卷积神经网络。优选地，所述对所述第三深度卷积神经网络模型进行定点化训练，包括：将所述第三深度卷积神经网络模型中的卷积层的卷积权重乘以与所述定点化位数匹配的目标数值后，进行卷积操作；在所述卷积层输出数据时，将所述卷积权重及输出数据除以所述目标数值。优选地，在所述利用预设训练数据，对卷积层后具有BN层的预设深度卷积神经网络模型进行浮点化训练，获得第一深度卷积神经网络模型之前，还包括：获取训练数据，并对所述训练数据的数值范围进行压缩处理；将压缩处理后的训练数据制作为imdb格式数据。优选地，对所述训练数据的数值范围进行压缩处理，包括：将所述训练数据中的各个数值除以2后进行取整。优选地，将所述卷积层的权重参数与所述BN层的参数进行融合并更新卷积权重，包括：利用将所述卷积层和所述BN层进行合并；其中，w为权重参数，mean、var依次为所述训练数据的一个子集的均值、方差，gamma为缩放系数，beta为平移系数，b为偏置；利用计算新的权重参数，利用计算新的偏置。一种图像特征提取装置，包括：目标图像获取模块，用于获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；目标图像输入模块，用于将所述目标图像输入至定点化的深度卷积神经网络模型中；图像特征提取模块，用于利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。一种图像特征提取设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述图像特征提取方法的步骤。一种可读存储介质，所述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上述图像特征提取方法的步骤。应用本专利技术实施例所提供的方法，获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像；将目标图像输入至定点化的深度卷积神经网络模型中；利用深度卷积神经网络模型对目标图像进行定点化计算，获得目标图像的图像特征。获取到原始图像之后，首先利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，可以获得像素值范围与定点化位数相匹配的目标图像。其中，定点化位数为定点数(小数点固定不变)的机械字长。然后，将目标图像输入至定点化的深度卷积神经网络模型中。利用深度卷积神经网络模型对目标图像进行以定点化数值的方式进行计算，获得目标图像的图像特征。在利用深度卷积神经网络进行特征提取前，首先将原始图像中的各个像素点的像素值进行压缩，得到目标图像。由于压缩时利用与定点化位数对应的压缩值，因而在定点化的深度卷积神经网络模型对图像特征提取的计算过程中，可以以定点化计算方式进行。由于定点化计算中的数据为定点数，而浮点化计算中的数据为浮点数，显然地，在计算速度上定点化计算相较于浮点化计算更为快速，且在实际应用中更容易实现。在特征提取时，以定点化计算还可以降低存储开销，可减少计算机资源的占用，进一步提升计算速度，进而可以进行实时的图像特征提取。相应地，本专利技术实施例还提供了与上述图像特征提取方法相对应的图像特征提取装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中一种图像特征提取方法的实施流程图；图2为本专利技术实施例中模型训练的实施流程图；图3为本专利技术实施例中定点化训练流程图；图4为本专利技术实施例中一种图像特征提取装置的结构示意图；图5为本专利技术实施例中一种图像特征提取设备的结构示意图；图6为本专利技术实施例中一种图像特征提取设备的具体结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。实施例一：请参考图1，图1为本专利技术实施例中一种图像特征提取方法的流程图，该方法包括以下步骤：S101、获取原始图像，并利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩，获得目标图像。可以通过读取存储设备中预先存储的原始图像，也可以通过外部的图像采集设备如摄像头获得原始图像。原始图像可以为彩色图像，即像素点的像素值在0～255的取值区间内。然后利用与定点化位数对应的压缩值，对原始图像的各个像素值进行压缩。具体的，即将原始图像的每一个像素点的像素值除以压缩值，并进行取整，获得像素值范围压缩后的目标图像。其中，压缩值即将原始图像的数据范围与定点位数的数据范围的比值；定点化位数即为定点数(小数点位置固定的数)的机械字长。下面以8为定点化位数为例进行说明，其他定点化位数对应的压缩值本文档来自技高网...

【技术保护点】
1.一种图像特征提取方法，其特征在于，包括：获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；将所述目标图像输入至定点化的深度卷积神经网络模型中；利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。

【技术特征摘要】
1.一种图像特征提取方法，其特征在于，包括：获取原始图像，并利用与定点化位数对应的压缩值，对所述原始图像的各个像素值进行压缩，获得目标图像；将所述目标图像输入至定点化的深度卷积神经网络模型中；利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，获得所述目标图像的图像特征。2.根据权利要求1所述的图像特征提取方法，其特征在于，利用所述深度卷积神经网络模型对所述目标图像进行定点化计算，包括：在卷积层获取到所述目标图像对应的处理数据之后，利用定点化计算的方式对所述处理数据进行卷积操作，并输出卷积结果至所述卷积层的下一层。3.根据权利要求1所述的图像特征提取方法，其特征在于，在将所述目标图像输入至定点化的深度卷积神经网络模型中之前，还包括：利用预设训练数据，对卷积层后具有BN层的预设深度卷积神经网络模型进行浮点化训练，获得第一深度卷积神经网络模型；在所述第一深度卷积神经网络模型中，将所述卷积层的权重参数与所述BN层的参数进行融合并更新卷积权重，获得第二深度卷积神经网络模型；去掉所述第二深度卷积神经网络中的所述BN层，获得第三深度卷积神经网络模型；对所述第三深度卷积神经网络模型进行定点化训练，获得定点化的深度卷积神经网络。4.根据权利要求3所述的图像特征提取方法，其特征在于，所述对所述第三深度卷积神经网络模型进行定点化训练，包括：将所述第三深度卷积神经网络模型中的卷积层的卷积权重乘以与所述定点化位数匹配的目标数值后，进行卷积操作；在所述卷积层输出数据时，将所述卷积权重及输出数据除以所述目标数值。5.根据权利要求3所述的图像特征提取方法，其特征在于，...

【专利技术属性】
技术研发人员：孙茂芬，葛鹤银，牛群遥，章勇，曹李军，陈卫东，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏,32