[发明专利]图像识别处理方法和装置

说明书

本发明提供一种图像识别处理方法和装置。该方法包括：获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，原始图像数据包括M个像素点数据，M为正整数；由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对所述原始图像数据进行卷积神经网络运算，其中，所述卷积神经网络运算模块包括N个并行设置的运算组件，每个运算组件包括依次连接的卷积运算单元、批处理运算单元和激活运算单元，所述N个运算组件分别对所述原始图像数据中的N个像素点数据同时进行卷积运算、批处理运算和激活运算，N为小于或等于M的正整数。本发明实施例还提供对应的装置，本发明实施例提供的技术方案提升了图像识别处理的实时性。

技术领域

本发明属于数据处理领域，具体涉及一种图像识别处理方法和装置。

背景技术

卷积神经网络(Convolutional Neural Network，简称CNN)最早由Yann Lecun提出，并且应用于手写数字识别并一直保持了其在该领域的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。CNN可以被扩大规模并且被配置成支持对学习处理的数据集添加标签。在这些条件下，已经发现CNN在学习复杂并且鲁棒的图像特征方面是成功的。

CNN是一种前馈人工神经网络，其中各个单独的神经元以使得其对视场中的重叠区段作出响应的方式被拼贴。CNN是受到生物的视神经行为的启发。CNN利用多层神经元连接处理图像数据，从而在图像识别中实现高准确度。

单一处理器在计算能力方面受到限制，因此，需要对其他计算配置进行探索以便满足支持CNN的需求。在各个探索领域当中，对于以图形处理单元(GPU)、多核处理器、现场可编程门阵列(FPGA)和专用集成电路(ASIC)上的通用计算的形式，利用硬件专门化的CNN加速器进行实现。需要说明的是，因为软件无法满足图像数据处理速度方面的需求，所以在图像数据处理领域，CNN加速器是通过硬件来实现的。

现有技术中在进行图像识别处理时，其中的CNN运算需要对图像数据进行多次运算，且运算过程采用串行方式进行，存在运算效率低，实时性差的技术问题。

发明内容

针对现有技术中的图像识别处理方法实时性较差的问题，本发明提供了一种图像识别处理方法和装置，实现卷积神经网络运算的并行处理，提升图像识别处理的实时性。

为了达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种图像识别处理方法，包括：

获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数，原始图像数据包括M个像素点数据，M为正整数；

由卷积神经网络运算模块根据卷积神经网络配置参数和卷积神经网络运算参数对原始图像数据进行卷积神经网络运算，其中，卷积神经网络运算模块包括N个并行设置的运算组件，每个运算组件包括依次连接的卷积运算单元、批处理运算单元和激活运算单元，所述N个运算组件分别对原始图像数据中的N个像素点数据同时进行卷积运算、批处理运算和激活运算，N为小于或等于M的正整数。

可选的，获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数包括：

通过数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数。

可选的，通过数据传输总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数包括：

通过先进可扩展接口AXI总线获取原始图像数据、卷积神经网络配置参数和卷积神经网络运算参数。

可选的，获取原始图像数据包括通过第一接口获取原始图像数据，并将原始图像数据写入到第一存储单元中；