CN106599840A - 一种图像识别协处理器、图像识别系统及方法 - Google Patents

Abstract

本申请公开了一种图像识别协处理器，包括：第一数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；第一转换模块，用于将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；数据处理模块，用于利用预设的图像识别算法，对转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；第二转换模块，用于将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。本申请公开的技术方案有利于提高图像识别效果。另外，本申请还公开了一种图像识别系统及方法。

Description

一种图像识别协处理器、图像识别系统及方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像识别协处理器、图像识别系统及方法。

背景技术

当前，在利用图像识别算法对图像进行识别过程中，通常采用单精度浮点型的数据即可满足实际的精度需求。然而，对于一些较为复杂的图像识别算法，如深度神经网络算法，它们在对图像进行识别的过程中，需要对初始输入的单精度浮点型数据进行大量的运算，而每一次运算都有可能造成有效数字的偏移，精度变低，这样导致运算结束之后其结果中单精度浮点数的准确率大幅降低，从而降低了图像识别效果。

综上所述可以看出，如何提高图像识别效果是目前有待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像识别协处理器、图像识别系统及方法，提高了图像识别效果。其具体方案如下：

一种图像识别协处理器，包括：

第一数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第一转换模块，用于将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；

数据处理模块，用于利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；

第二转换模块，用于将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可选的，所述数据处理模块，具体用于利用深度神经网络算法，对所述转换后的待处理图像数据进行相应的计算处理。

本发明还公开另一种图像识别协处理器，包括：

第二数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第三转换模块，用于将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据，并将所述转换后的待处理图像数据发送至中央处理器，以利用所述中央处理器对所述转换后的待处理图像数据进行相应的图像识别处理，得到数据类型为整型的初始图像识别结果；

第四转换模块，用于获取所述中央处理器发送的所述初始图像识别结果，并将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可选的，所述第四转换模块获取到的所述初始图像识别结果为利用深度神经网络算法得到的图像识别结果。

本发明还进一步公开了一种图像识别系统，包括前述公开的图像识别协处理器和中央处理器。

本发明还相应公开了一种图像识别方法，包括：

获取数据类型为单精度浮点型的原始待处理图像数据；

将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；

利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；

将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可选的，所述利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理的过程，包括：

利用深度神经网络算法，对所述转换后的待处理图像数据进行相应的计算处理。

本发明中，图像识别协处理器，包括：第一数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；第一转换模块，用于将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；数据处理模块，用于利用预设的图像识别算法，对转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；第二转换模块，用于将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可见，本发明在获取到单精度浮点型的原始待处理图像数据后，先将原始待处理图像数据的数据类型由单精度浮点型转换成整型，然后再对转换后得到的整型数据进行相应的计算处理，而不是直接对单精度浮点型数据进行计算处理，由于整型数的有效位数多于单精度浮点数的有效位数，所以使得相对于采用单精度浮点数展开的计算，采用整型数展开的计算能够保留更高的精度，从而使得最终图像识别结果的准确率得到提升，由此提高了图像识别效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种图像识别协处理器结构示意图；

图2为本发明实施例公开的另一种图像识别协处理器结构示意图；

图3为本发明实施例公开的一种图像识别方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种图像识别协处理器，参见图1所示，该协处理器包括：

第一数据获取模块11，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第一转换模块12，用于将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；

数据处理模块13，用于利用预设的图像识别算法，对转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；

第二转换模块14，用于将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

需要说明的是，上述第一转换模块12在将原始待处理图像数据的数据类型由单精度浮点型转换成整型的过程中，需要保留单精度浮点数的符号位，并通过对单精度浮点数的浮点信息位和有效位进行计算转换后，得到相应的整型数据。

另外，上述数据处理模块13具体可以利用深度神经网络算法，对转换后的待处理图像数据进行相应的计算处理。当然，除了深度神经网络算法之外，本发明实施例也可以通过其他现有的图像识别算法来对上述转换后的待处理图像数据进行相应的计算处理，在此不一一列举。

可见，本发明实施例在获取到单精度浮点型的原始待处理图像数据后，先将原始待处理图像数据的数据类型由单精度浮点型转换成整型，然后再对转换后得到的整型数据进行相应的计算处理，而不是直接对单精度浮点型数据进行计算处理，由于整型数的有效位数多于单精度浮点数的有效位数，所以使得相对于采用单精度浮点数展开的计算，采用整型数展开的计算能够保留更高的精度，从而使得最终图像识别结果的准确率得到提升，由此提高了图像识别效果。

本发明实施例还公开了另一种图像识别协处理器，参见图2所示，该协处理器包括：

第二数据获取模块21，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第三转换模块22，用于将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据，并将转换后的待处理图像数据发送至中央处理器，以利用中央处理器对转换后的待处理图像数据进行相应的图像识别处理，得到数据类型为整型的初始图像识别结果；

第四转换模块23，用于获取中央处理器发送的初始图像识别结果，并将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可见，本发明实施例中，第三转换模块22在得到上述转换后的待处理图像数据之后，将会把该数据发送至中央处理器，由中央处理器来展开相应的计算处理。

本实施例中，上述第四转换模块获取到的初始图像识别结果具体可以为利用深度神经网络算法得到的图像识别结果。

进一步的，本发明还公开了一种图像识别系统，包括上一实施例中公开的图像识别协处理器和中央处理器。关于该图像识别协处理器的具体构造可以参考前述实施例中公开的相应内容，在此不再进行赘述。

相应的，本发明实施例还公开了一种图像识别方法，参见图3所示，该方法包括：

步骤S11：获取数据类型为单精度浮点型的原始待处理图像数据。

步骤S12：将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据。

本实施例中，上述步骤S12中数据类型的转换过程具体包括：在保留单精度浮点数的符号位的基础上，通过对单精度浮点数的浮点信息位和有效位进行计算转换后，得到相应的整型数据。

步骤S13：利用预设的图像识别算法，对转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果。

具体的，可以利用深度神经网络算法，对转换后的待处理图像数据进行相应的计算处理，得到相应的初始图像识别结果。

步骤S14：将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

可见，本发明实施例在获取到单精度浮点型的原始待处理图像数据后，先将原始待处理图像数据的数据类型由单精度浮点型转换成整型，然后再对转换后得到的整型数据进行相应的计算处理，而不是直接对单精度浮点型数据进行计算处理，由于整型数的有效位数多于单精度浮点数的有效位数，所以使得相对于采用单精度浮点数展开的计算，采用整型数展开的计算能够保留更高的精度，从而使得最终图像识别结果的准确率得到提升，由此提高了图像识别效果。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种图像识别协处理器、图像识别系统及方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种图像识别协处理器，其特征在于，包括：

第一数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第一转换模块，用于将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；

数据处理模块，用于利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；

第二转换模块，用于将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

2.根据权利要求1所述的图像识别协处理器，其特征在于，所述数据处理模块，具体用于利用深度神经网络算法，对所述转换后的待处理图像数据进行相应的计算处理。

3.一种图像识别协处理器，其特征在于，包括：

第二数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；

第三转换模块，用于将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据，并将所述转换后的待处理图像数据发送至中央处理器，以利用所述中央处理器对所述转换后的待处理图像数据进行相应的图像识别处理，得到数据类型为整型的初始图像识别结果；

第四转换模块，用于获取所述中央处理器发送的所述初始图像识别结果，并将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

4.根据权利要求3所述的图像识别协处理器，其特征在于，所述第四转换模块获取到的所述初始图像识别结果为利用深度神经网络算法得到的图像识别结果。

5.一种图像识别系统，其特征在于，包括如权利要求3或4所述的图像识别协处理器和中央处理器。

6.一种图像识别方法，其特征在于，包括：

获取数据类型为单精度浮点型的原始待处理图像数据；

将所述原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；

利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；

将所述初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。

7.根据权利要求6所述的图像识别方法，其特征在于，所述利用预设的图像识别算法，对所述转换后的待处理图像数据进行相应的计算处理的过程，包括：

利用深度神经网络算法，对所述转换后的待处理图像数据进行相应的计算处理。