[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将卷积核及图像矩阵划分为对应的卷积块及图像块；将卷积块与图像块进行顺序相乘，并确定得到的乘积结果为图像矩阵的特征矩阵。本申请通过划分卷积块及图像块，然后将卷积块与图像块进行顺序相乘，并最后根据得到的乘积结果计算图像矩阵的处理结果，使得整个卷积计算过程去除了不需要的乘法运算，降低了对存储单元的需求，并且通过并行运算单元的复用，在有限存储单元运用的前提下，实现了高速运算的改进，极大的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将所述卷积核及所述图像矩阵划分为对应的卷积块及图像块；

将所述卷积块与所述图像块进行顺序相乘，并确定得到的乘积结果为所述图像矩阵的特征矩阵。

可选的，所述根据所述卷积核的阶数及所述卷积特性参数将所述卷积核及所述图像矩阵划分为对应的卷积块及图像块，包括：

将所述卷积核划分为所述卷积核的阶数对应数目的卷积块；其中，每个所述卷积块具有所述卷积核的阶数对应数目的卷积元素。

可选的，所述根据所述卷积核的阶数及所述卷积特性参数将所述卷积核及所述图像矩阵划分为对应的卷积块及图像块，包括：

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，得到待划分矩阵；

将所述待划分矩阵划分为所述图像块。

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，得到待划分矩阵，包括：

根据公式计算拍数的最大值；

根据公式计算所述待划分矩阵中第j行第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待划分矩阵中进行排列；

其中，col_i^j为所述待划分矩阵中第j列第i块在所述图像矩阵中的地址，且1≤i≤m-f，1≤j≤f，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为所述拍数的最大值。

可选的，将所述卷积块与所述图像块进行顺序相乘，包括：

按照第一拍到第o拍的顺序依次确定与第j个的卷积块中卷积元素相乘的第j行图像块中的图像元素；

将每个所述卷积块中的卷积元素与所述图像块中的图像元素按照所述第一拍到所述第o拍的顺序进行顺序相乘。