[发明专利]一种图像特征提取的方法、系统、设备及可读存储介质

说明书

本申请公开了一种图像特征提取的方法，包括：获取图像矩阵、卷积核及卷积特性参数；根据卷积核的阶数及卷积特性参数对图像矩阵进行数据调度，得到第一待乘矩阵；将卷积核转换为第二待乘矩阵，并确定第一待乘矩阵与第二待乘矩阵的乘积为图像矩阵的特征矩阵。本申请通过根据卷积核的阶数及卷积特性参数对图像矩阵进行数据调度，得到第一待乘矩阵，然后确定第一待乘矩阵与第二待乘矩阵的乘积为图像矩阵的卷积运算结果，使得整个卷积计算过程不需要进行数据查表，而是直接根据卷积核的阶数及卷积特性参数进行数据调度，提高了图像特征提取的速度。本申请同时还提供了一种图像特征提取的系统、设备及可读存储介质，具有上述有益效果。

技术领域

本申请涉及图像特征提取领域，特别涉及一种图像特征提取的方法、系统、设备及可读存储介质。

背景技术

随着科学技术的发展，机器学习在众多领域里都有涉及，深度学习作为机器学习领域最前沿的分支，在近几年也得到了飞速发展。卷积神经网络模型是深度学习中应用较为广泛的一种算法模型，在图像特征提取模型中通常以卷积神经网络模型作为主干。

然而随着卷积神经网络的复杂度不断提高，计算量也越来越大，但是计算机资源存在限制，导致图像特征提取的速度慢。

因此，如何提高图像特征提取的速度是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种图像特征提取的方法、系统、设备及可读存储介质，用于提高图像特征提取的速度。

为解决上述技术问题，本申请提供一种图像特征提取的方法，该方法包括：

获取图像矩阵、卷积核及卷积特性参数；

根据所述卷积核的阶数及所述卷积特性参数对所述图像矩阵进行数据调度，得到第一待乘矩阵；

将所述卷积核转换为第二待乘矩阵，并确定所述第一待乘矩阵与所述第二待乘矩阵的乘积为所述图像矩阵的特征矩阵。

可选的，根据所述卷积核的阶数及所述卷积特性参数对所述图像矩阵进行数据调度，得到第一待乘矩阵，包括：

根据公式计算所述第一待乘矩阵与所述第二待乘矩阵的乘积的维度；

根据公式计算所述第一待乘矩阵中第j列第i块在所述图像矩阵中的地址；

按照所述地址从所述图像矩阵中获取对应的元素在所述第一待乘矩阵中进行排列；

其中，col_i^j为所述第一待乘矩阵中第j列第i块在所述图像矩阵中的地址，m为所述图像矩阵的阶数，s为卷积运算时的步长，f为所述卷积核的阶数，o为所述第一待乘矩阵与所述第二待乘矩阵的乘积的维度。

可选的，在根据公式计算所述第一待乘矩阵与所述第二待乘矩阵的乘积的维度之前，还包括：

根据公式m＝n+2p计算所述图像矩阵的阶数；

其中，n为所述图像矩阵执行补零操作前的阶数，p为补零操作所补的0的圈数。

可选的，所述获取图像矩阵、卷积核及卷积特性参数，包括：

获取图像集，并调用matlab工具将所述图像集中的每一张图像转化为对应的图像矩阵。

本申请还提供一种图像特征提取的系统，该系统包括：

获取模块，用于获取图像矩阵、卷积核及卷积特性参数；

数据调度模块，用于根据所述卷积核的阶数及所述卷积特性参数对所述图像矩阵进行数据调度，得到第一待乘矩阵；

确定模块，用于将所述卷积核转换为第二待乘矩阵，并确定所述第一待乘矩阵与所述第二待乘矩阵的乘积为所述图像矩阵的特征矩阵。