[发明专利]一种基于低分辨率压缩图像的IOT便携式设备视觉识别加速方法

说明书

本发明涉及一种基于低分辨率压缩图像的IOT便携式设备视觉识别加速方法，首先通过设备的采集端进行图像采集，获得原始图像；接着将步骤S1采集到的原始图像经过低分辨率压缩，减少数据量，并将压缩后的图像数据传输至设备的推理端；最后设备的推理端利用已经训练好的卷积神经网络进行推理识别，并将推理识别结果实时显示出来。本发明能够在不怎么损失精度的情况下，大幅度的减少了计算量和参数数量。

技术领域

本发明涉及IOT设备设计领域，特别是一种基于低分辨率压缩图像的IOT便携式设备视觉识别加速方法。

背景技术

近年来，随着人工智能技术发展和相关硬件性能的提升，卷积神经网络已经广泛应用于视觉识别领域。而基于视觉识别的IOT便携式设备一直是人们研究的一个焦点，但由于IOT便携式设备属于低功耗设备，在计算量、存储量上都有一定的限制，不适合直接将计算复杂、参数数量庞大的卷积神经网络运行在设备中，而且在某些情况下设备需要达到实时性要求，这势必需要加快卷积神经网络的计算时间。

针对以上提出的问题，目前已经有许多在IOT便携式设备上加速卷积神经网络视觉识别的方法。一种方案是对IOT便携式设备的图像采集端设计符合的硬件，提出了角度敏感像素代替传统相机，它是一种基于光学边缘滤波的图像传感器，能够直接将采集到的数据作为卷积神经网络的第一层，节省了图像传感器功耗，数据带宽和卷积神经网络的计算复杂度。但角度敏感像素在降低分辨率、低亮光时，识别效果相对较差。

另一种方案通过现场可编程门阵列平台加速卷积神经网络，能够根据硬件资源快速设计出针对卷积神经网络加速的硬件处理单元，例如部分计算并行化处理、量化参数、软硬件协同设计等，处理单元相对于通用处理器有高性能、低功耗特点。但该方案由于需要大量的对硬件架构进行优化，设计难度大，开发时间周期长。

还有一种方案是优化卷积神经网络算法，通过结构化稀疏学习方法来正则化卷积神经网络中卷积层的滤波器、通道、滤波器形状、深度结构，结构化稀疏学习能够从卷积神经网络中学习紧凑的结构，减少计算开销，能够获得一种硬件友好的卷积神经网络结构稀疏性，有效加速了卷积神经网络在CPU或GPU的运行，同时能够改进分类识别的精度。该方案在计算时间上有了很大的优势，但由于只针对卷积层进行优化，对卷积神经网络全连接层中庞大的参数问题并没有得到解决，无法有效的应用到IOT便携式设备中。

发明内容

有鉴于此，本发明的目的是提出一种基于低分辨率压缩图像的IOT便携式设备视觉识别加速方法，在不怎么损失精度的情况下，大幅度的减少了计算量和参数数量。

本发明采用以下方案实现：一种基于低分辨率压缩图像的IOT便携式设备视觉识别加速方法，包括以下步骤：

步骤S1：通过设备的采集端进行图像采集，获得原始图像；

步骤S2：将步骤S1采集到的原始图像经过低分辨率压缩，减少数据量，并将压缩后的图像数据传输至设备的推理端；

步骤S3：设备的推理端利用已经训练好的卷积神经网络进行推理识别，并将推理识别结果实时显示出来。

本发明从优化卷积神经网络输入单元的角度出发，利用降低图像分辨率的方法，将原始图像进行低分辨率压缩，在保留每帧图像主要特征的前提下实现了减少了数据量，并将低分辨率压缩后的数据作为卷积神经网络的输入单元，保持原有卷积神经网络模型，在不怎么损失精度的情况下，大幅度的减少了计算量和参数数量，因此适合应用在IOT便携式设备上加速视觉识别。

进一步地，所述步骤S2中，采用M×N的高斯随机矩阵对原始图像进行低分辨率压缩，该矩阵中的元素服从均值为0、方差为1的正态分布，且元素间相互独立，其中M为低分辨率压缩后图像像素个数，N为原始图像像素个数。

进一步地，步骤S3中，将经过低分辨率压缩得到的图像数据作为卷积神经网络的输入单元，将经过低分辨率压缩的一维数据重新调整成二维数据并作为卷积神经网络的输入。