确定图像特征的方法和装置制造方法及图纸

本公开实施例公开了一种确定图像特征的方法和装置，其中，该方法包括：获取目标图像在第一色彩空间的第一图像数据；通过神经网络模型的预设卷积层对所述第一图像数据进行卷积处理，将所述图像数据转换到第二色彩空间的第二图像数据；基于所述神经网络模型中的位于所述预设卷积层之后的卷积层对所述第二图像数据进行卷积处理，确定所述目标图像的图像特征。本公开实施例可以利用卷积操作灵活地对图像进行色彩空间转换，在硬件上减少了色彩空间转换各种格式的读写逻辑，简化了硬件设计，提高了神经网络模型处理图像的效率。

【技术实现步骤摘要】
确定图像特征的方法和装置
本公开涉及计算机
，尤其是一种确定图像特征的方法和装置。
技术介绍
目前，深度神经网络算法被广泛地使用于自动驾驶、目标识别与检测、机器翻译等诸多领域之中。随着深度学习算法应用的日益复杂化，一系列的深度神经网络算法专用加速芯片应运而生。在神经网络加速芯片进行图像处理时，需要首先根据图像的格式，对图片进行色彩空间转换以适应神经网络支持的格式。为了支持各种格式，通常需要对硬件进行配置，以使神经网络加速器支持各种色彩空间数据的读取与拆包，每种格式转换方法需要设计不同的数据读取与拆包方式。
技术实现思路
根据本公开实施例的一个方面，提供了一种确定图像特征的方法，该方法包括：获取目标图像在第一色彩空间的第一图像数据；通过神经网络模型的预设卷积层对第一图像数据进行卷积处理，将图像数据转换到第二色彩空间的第二图像数据；基于神经网络模型中的位于预设卷积层之后的卷积层对第二图像数据进行卷积处理，确定目标图像的图像特征。根据本公开实施例的另一个方面，提供了一种确定图像特征的装置，该装置包括：获取模块，用于获本文档来自技高网...

【技术保护点】
1.一种确定图像特征的方法，包括：/n获取目标图像在第一色彩空间的第一图像数据；/n通过神经网络模型的预设卷积层对所述第一图像数据进行卷积处理，将所述图像数据转换到第二色彩空间的第二图像数据；/n基于所述神经网络模型中的位于所述预设卷积层之后的卷积层对所述第二图像数据进行卷积处理，确定所述目标图像的图像特征。/n

【技术特征摘要】
1.一种确定图像特征的方法，包括：
获取目标图像在第一色彩空间的第一图像数据；
通过神经网络模型的预设卷积层对所述第一图像数据进行卷积处理，将所述图像数据转换到第二色彩空间的第二图像数据；
基于所述神经网络模型中的位于所述预设卷积层之后的卷积层对所述第二图像数据进行卷积处理，确定所述目标图像的图像特征。


2.根据权利要求1所述的方法，其中，所述通过神经网络模型的预设卷积层对所述目标图像的图像数据进行卷积处理，包括：
确定用于进行色彩空间转换的系数矩阵；
通过神经网络模型的预设卷积层，利用所述系数矩阵对所述目标图像的图像数据进行卷积处理。


3.根据权利要求2所述的方法，其中，所述确定用于进行色彩空间转换的系数矩阵，包括：
获取预设的初始系数矩阵；
确定所述神经网络加速芯片的内部数据存储分量；
基于所述内部数据存储分量，将所述初始系数矩阵转换为所述用于进行色彩空间转换的系数矩阵。


4.根据权利要求2所述的方法，其中，所述通过神经网络模型的预设卷积层，利用所述系数矩阵对所述目标图像的图像数据进行卷积处理，包括：
确定所述神经网络加速芯片的数据存储排布方式；
基于所述数据存储排布方式，通过所述神经网络模型的预设卷积层利用所述系数矩阵对所述目标图像的图像数据进行卷积处理。


5.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述神经网络模型中的位于所述预设卷积层后并且与所述预设卷积层相邻的设定层数的卷积层对所述第二图像数据进行图像预处理操作；
所述基于所述神经网络模型中的位于所述预设卷积层之后的卷积层对所述第二图像数据进行卷积处理，确定所述目标图像的图像特征，包括：
基于所述神经网络模型中的位于所述预设卷积层之后的卷积层对预处理后的所述第二图像数据进行卷积处理，得到所述目标图像的图像特征。


6.根据权利要求5所述的方法，其中，设定层数的卷积层的层数与所述图像预处理操作的数量相同。


7.一种确定图像特征的装置，包括：
获取模块，用于获取目标图像在第一色彩空间的第一图像数据；
转换模块，用于通过神经网络模型的预设卷积层对所...

【专利技术属性】
技术研发人员：孙晨，陈亮，
申请(专利权)人：北京地平线机器人技术研发有限公司，
类型：发明
国别省市：北京;11