[发明专利]图像特征提取方法、装置以及计算机可读存储介质

说明书

本发明涉及图像处理技术领域，具体提供了一种图像特征提取方法、装置以及计算机可读存储介质，旨在解决如何有效提高图像特征提取效率的技术问题。为此目的，根据本发明实施例的方法可以根据图像特征提取模型中每个神经网络层的算子生成FPGA的配置文件，根据该配置文件对FPGA进行配置，以在FPGA上形成多个能够分别模拟每个算子运算的算子处理模块并且使输入图像的行数据以数据流的形式按照每个算子的先后运算顺序依次传输至相应的算子处理模块，每个算子处理模块分别对各自输入的多个行数据进行并行特征提取，利用配置后的FPGA可以在采集输入图像的过程中同步完成图像特征的提取，因而显著提高了图像特征的提取效率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像特征提取方法、装置以及计算机可读存储介质。

背景技术

图像识别(image identification)主要是通过提取图像特征，根据图像特征识别不同的图像目标。目前常规的图像识别方法主要是使用基于神经网络构建的图像识别模型进行图像识别，并且为了提高图像识别的准确性，往往是采用网络结构较为复杂的神经网络构建图像识别模型。但是，由于网络结构较为复杂，神经网络在提取图像特征时需要较大的计算量，会显著影响图像目标的识别速度。因此，这种图像识别方法无法适用于对图像识别准确性与实时性要求较高的应用场景如车辆自动驾驶等场景。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何有效提高图像特征提取效率的技术问题的图像特征提取方法、装置以及计算机可读存储介质。

第一方面，提供一种图像特征提取方法，所述方法包括：

获取基于神经网络的图像特征提取模型，根据所述图像特征提取模型中每个神经网络层的算子生成FPGA的配置文件；

根据所述配置文件对所述FPGA进行配置，以在所述FPGA上形成多个能够分别模拟每个所述算子运算的算子处理模块并且使输入图像的行数据以数据流的形式按照每个所述算子在所述图像特征提取模型中的先后运算顺序依次传输至每个所述算子对应的算子处理模块；

利用配置后的FPGA对待识别图像进行特征提取；

其中，每个所述算子处理模块分别被配置成对各自输入的多个所述行数据进行并行特征提取。

在上述图像特征提取方法的一个技术方案中，在“根据所述图像特征提取模型中每个神经网络层的算子生成FPGA的配置文件”的步骤之前，所述方法还包括：

分别对每个所述算子的算子参数进行低比特量化处理和/或对多个所述神经网络层的算子进行算子融合；

并且/或者，所述方法还包括通过下列方式分别存储每个神经网络层的算子参数：

判断当前神经网络层的算子参数的比特数是否小于等于预设的比特数阈值；若是，则将所述当前神经网络层的算子参数存储至所述FPGA的片上内存；若否，则将所述当前神经网络层的算子参数存储至预设的外部存储器。

在上述图像特征提取方法的一个技术方案中，“根据所述配置文件对所述FPGA进行配置”的步骤具体包括：

获取所述配置文件中每个所述神经网络层中算子的算子参数；

根据所述算子参数的比特数与预设的比特数阈值的比较结果，对所述神经网络层进行分类，以形成第一类型的神经网络层和第二类型的神经网络层，其中，所述第一类型的神经网络层中算子参数的比特数小于等于所述预设的比特数阈值，所述第二类型的神经网络层中算子参数的比特数大于所述预设的比特数阈值；

根据所述算子参数对所述FPGA中的LUT查找表进行配置，以基于所述LUT查找表形成多个第一算子处理模块，每个所述第一算子处理模块分别被配置成模拟每个所述第一类型的神经网络层的算子运算；