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；确定模块，用于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，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序用于执行上述确定图像特征的方法。根据本公开实施例的另一个方面，提供了一种电子设备，电子设备包括：神经网络加速芯片；用于存储神经网络加速芯片可执行指令的存储器；神经网络加速芯片，用于从存储器中读取可执行指令，并执行指令以实现上述确定图像特征的方法。基于本公开上述实施例提供的确定图像特征的方法、装置、计算机可读存储介质及电子设备，通过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。从而实现了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。下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。附图说明通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1是本公开所适用的系统图。图2是本公开一示例性实施例提供的确定图像特征的方法的流程示意图。图3是本公开另一示例性实施例提供的确定图像特征的方法的流程示意图。图4是本公开的实施例提供的利用卷积层对目标图像进行色彩空间转换及预处理的示例性流程图。图5是本公开一示例性实施例提供的确定图像特征的装置的结构示意图。图6是本公开另一示例性实施例提供的确定图像特征的装置的结构示意图。图7是本公开一示例性实施例提供的电子设备的结构图。具体实施方式下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。申请概述通常来说，对于应用在视频或图像领域的神经网络加速芯片包括图像/视频前处理模块和神经网络处理模块。其中，图像/视频前处理模块主要包括图像/视频数据处理不服和写存储部分。通常为应对各种图像格式，需要在图像/视频处理模块中加入一个色彩空间转换(CSC，ColorSpaceConvert)模块，输出可选不同格式的图像或视频数据，在写到写存储部分的时候，需要写存储部分支持各种格式的存储方式，通常需要根据各种格式以及总线宽度，来决定打包和写的方式。写入存储之后，每个像素点的每个颜色分量在存储的位置也是跟色彩空间不同而不同的。例如，对于YUV4228b和RGB56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