图像处理方法及装置制造方法及图纸

本申请涉及图像处理方法及装置。该方法包括：获取目标图像的图像数据；通过神经网络的第一卷积层对所述图像数据进行归一化处理和/或量化处理得到待处理图像数据；通过神经网络中除了第一卷积层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。本申请提供的方案，能够提升系统处理速度和稳定性。处理速度和稳定性。处理速度和稳定性。

【技术实现步骤摘要】
图像处理方法及装置


[0001]本申请涉及人工智能
，尤其涉及图像处理方法及装置。

技术介绍

[0002]神经网络也称为人工神经网络或称作连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。神经网络常常被用于对图像进行识别，例如视频中人脸图像的识别，道路中违法车辆的图像识别等。
[0003]在相关技术中，会先在中央处理器(central processing unit，CPU)中对图像进行预处理操作，然后将预处理过的图像输入到神经网络中进行推理。相较于没有使用图像预处理的神经网络，使用预处理操作的神经网络能够加速收敛，在训练过程中也能防止梯度爆炸和塌陷。
[0004]但是，对于分辨率较高的图像，在CPU上进行预处理就会耗费较长的时间，例如分辨率为4k的图像，在批尺寸(batch size)为32的条件下，需要5.5秒才能完成预处理，即预处理会造成5.5秒的延时，这个延时无法满足实时场景对深度学习任务的要求，同时预处理过程也会大量占用CPU资源影响了系统稳定性和可靠性。

技术实现思路

[0005]为解决或部分解决相关技术中存在的问题，本申请提供一种图像处理方法及装置，能够提升系统处理速度和稳定性。
[0006]本申请第一方面提供一种图像处理方法，包括：获取目标图像的图像数据；通过神经网络的第一卷积层对所述图像数据进行归一化处理和/或量化处理得到待处理图像数据；通过神经网络中除了第一卷积层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。
[0007]本申请第二方面提供一种图像处理方法，包括：获取目标图像的图像数据；在神经网络的输入层中对所述图像数据进行量化处理得到量化图像数据；在神经网络的目标归一化层中对所述量化图像数据进行归一化处理得到待处理图像数据，所述目标归一化层位于所述输入层与第一卷积层之间；在神经网络中除了输入层和目标归一化层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。
[0008]本申请第三方面提供一种图像处理装置，包括：
[0009]获取模块，用于获取目标图像的图像数据；
[0010]第一处理模块，用于通过神经网络的第一卷积层对所述图像数据进行归一化处理和/或量化处理得到待处理图像数据；
[0011]第二处理模块，用于通过神经网络中除了第一卷积层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。
[0012]本申请第四方面提供一种图像处理装置，包括：
[0013]获取模块，用于获取目标图像的图像数据；
[0014]量化模块，用于在神经网络的输入层中对所述图像数据进行量化处理得到量化图像数据；
[0015]归一化模块，用于在神经网络的目标归一化层中对所述量化图像数据进行归一化处理得到待处理图像数据，所述目标归一化层位于所述输入层与第一卷积层之间；
[0016]处理模块，用于在神经网络中除了输入层和目标归一化层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。
[0017]本申请第五方面提供一种电子设备，包括：
[0018]处理器；以及
[0019]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上第一方面所述的方法。
[0020]本申请第六方面提供一种电子设备，包括：
[0021]处理器；以及
[0022]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上第二方面所述的方法。
[0023]本申请第七方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上第一方面所述的方法。
[0024]本申请第八方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上第二方面所述的方法。
[0025]本申请提供的技术方案可以包括以下有益效果：提升系统处理速度和稳定性。
[0026]本申请的技术方案，可以获取目标图像的图像数据，通过神经网络的第一卷积层对图像数据进行归一化和/或量化处理得到待处理图像数据，然后通过神经网络的其他层对待处理图像数据进行特征提取处理得到目标图像的特征数据。也就是说本申请的技术方案可以在神经网络的第一卷积层完成图像的预处理，神经网络的图像处理是基于加速硬件(如图像处理器(graphics processing unit，GPU))实现的，因此通过神经网络对图像进行预处理，处理速度将会大大提升，还可以节省CPU的资源，提升系统稳定性和可靠性。
[0027]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0028]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0029]图1是本申请实施例示出的图像处理方法的流程示意图；
[0030]图2是本申请实施例示出的图像处理方法的流程示意图；
[0031]图3是本申请实施例示出的图像处理装置的结构示意图；
[0032]图4是本申请实施例示出的图像处理装置的另一结构示意图；
[0033]图5是本申请实施例示出的图像处理装置的结构示意图；
[0034]图6是本申请实施例示出的图像处理装置的另一结构示意图；
[0035]图7是本申请实施例示出的电子设备的结构示意图。
具体实施方式
[0036]下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0037]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0038]应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0039]本申请实施例提供一种图像处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取目标图像的图像数据；通过神经网络的第一卷积层对所述图像数据进行归一化处理和/或量化处理得到待处理图像数据；通过神经网络中除了第一卷积层以外的其他层对所述待处理图像数据进行特征提取处理得到所述目标图像的特征数据。2.根据权利要求1所述的方法，其特征在于，所述通过神经网络的第一卷积层对所述图像数据进行归一化处理和/或量化处理得到待处理图像数据包括：通过神经网络第一卷积层中的目标卷积单元对图像数据进行归一化处理和/或量化处理得到待处理图像数据，所述目标卷积单元包括第一参数与第二参数，其中，所述第一参数与所述目标图像对应的量化系数和/或归一化系数正相关，所述第二参数与所述目标图像对应的量化偏置和/或归一化偏置正相关。3.根据权利要求2所述的方法，其特征在于，所述通过神经网络的第一卷积层对所述图像数据进行归一化处理和量化处理得到待处理图像数据包括：通过神经网络的第一卷积层中目标卷积单元对应的如下公式对图像数据进行归一化处理和量化处理：其中，k为卷积层输出通道索引；c为卷积层输入通道索引；i为像素点索引；y
k
为k输出通道数量对应的感受野的输出值；X
(c，i)
为c输入通道，像素点i对应的像素值；Ω
k，c，i
＝ω
k，c，i
×
scale
c
，ω
k，c，i
为k输出通道，c输入通道，像素点i对应的权重系数，var
c
为数据集中c输入通道像素值的标准差，为c输入通道的量化系数；B
k
＝∑
c
∑
i
ω
k，c，i
×
bias
c
+b
k
，，mean为数据集中c输入通道像素值的平均值，为c输入通道的量化偏置，b
k
为k输出通道对应的卷积偏置。4.一种图像处理方法，其特征在于，包括：获取目标图像的图像数据；在神经网络的输入层中对所述图像数据进行量化处理得到量化图像数据；在神经网络的目标归一化层中对所述量化图像数据进行归一化处理得到待处理图像数据，所述目标归一化层位于所述输入层与第一卷积层之间；在...

【专利技术属性】
技术研发人员：胡宇，熊恒昌，李天元，刘嘉超，刘兰个川，
申请(专利权)人：广州小鹏自动驾驶科技有限公司，
类型：发明
国别省市：