【技术实现步骤摘要】
一种应用于嵌入式系统的图像择优方法和装置
[0001]本专利技术属于图像处理领域,特别涉及一种应用于嵌入式系统的图像择优方法和装置。
技术介绍
[0002]近年来,基于深度学习的神经网络模型被广泛应用在了图像分类,图像识别,物体检测等计算机视觉任务中,取得了巨大的成功。而随着人工智能技术在工业界的落地,大家开始更加关注神经网络的实际应用性能,在边缘端平台上部署高性能的神经网络模型成为未来的大趋势,只有这样,才能够在更多的场景中得到落地和应用,走进千家万户。嵌入式设备功耗低、体积小、集成度高、成本低,是网络模型在产业界落地的最佳选择,但成本低会带来两方面问题,一方面是传感器的性能有限,采集到的图片质量不高;另一方面是计算资源有限,不能应用最高精度的模型,只能折中采用“性价比”最高的轻量化模型,且不能做到对每一帧都进行识别。同时,轻量化模型要想达到较高的识别精度,无形中又提高了对图片质量的要求,如何在有限的条件下,从一系列连续的图片帧中筛选出最清晰的图片,送入神经网络模型中进行识别,成为一个必须解决的问题,由此产生了图像择优的需求。
[0003]目前通用的图片择优方法均基于这么一个假设,即在一定时间内,最清晰的图像通常是边缘最强的图像的假设,来筛选出最清晰的图像,实现方法通常是采用拉普拉斯(Laplacian)、索贝尔(Sobel)等算子计算图像的梯度(边缘),然后通过统计平方和或绝对值的和,根据值的大小来选出高质量的图像。这些方法本质上都是逐像素计算的方法,存在一个问题,即待评估的图像分辨率越高,所需要的计算资 ...
【技术保护点】
【技术特征摘要】
1.一种应用于嵌入式系统的图像择优方法,其特征在于,该方法包括以下步骤:步骤S1:截取YUV图像的Y通道矩阵,假定所述通道矩阵为M*N,其中,M是矩阵行数,N是矩阵列数;步骤S2:计算分辨率无关步长stridex和stridey;步骤S3:基于步长stridex和stridey进行清晰度指标Vmetric的计算;步骤S4:比较每一张图像的清晰度指标Vmetric,选取所述清晰度指标Vmetric最大的图像作为最优图像,送入神经网络模型进行识别。2.如权利要求1所述的一种应用于嵌入式系统的图像择优方法,其特征在于:所述步骤S2中计算分辨率无关步长stridex和stridey,计算公式如下:srride
x
=M/virtual
w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2
‑
1)stride
y
=N/virtual
h
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2
‑
2)其中,virtualw、virtualh为基于当前嵌入式设备上的视觉传感器采集的图像宽度和高度方向上的分辨率,其是在综合评估了图像清晰度和性能后,通过实验确定的最佳分辨率。3.如权利要求1所述的一种应用于嵌入式系统的图像择优方法,其特征在于:所述步骤S3中具体为:以步长stridey选取Y通道矩阵的行进行清晰度指标Vmetric计算,在被选取的行中,以每stridex的步长选取对应的元素,计算当前元素和下一元素的差值abs_diff(i,j),当差值的绝对值大于指定阈值thresh时,将其累加至Vmetric中。4.如权利要求3所述的一种应用于嵌入式系统的图像择优方法,其特征在于:所述清晰度指标Vmetric的计算公式为:5.一种应用于嵌入式系统的图像择优装置,其特征在于,该装置包括以下模块:通道矩阵截取模块,截取YUV图像的Y通道矩阵,假定所述通道矩阵为M*N,其中,M是矩阵行数,N是矩阵列数;步长计算模块:计算分辨率无关步长str...
【专利技术属性】
技术研发人员:盛金平,贺鹏飞,胡志恒,
申请(专利权)人:深圳市探鸽智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。