CN114418824A - 图像处理方法、装置及存储介质 - Google Patents
图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114418824A CN114418824A CN202210101831.2A CN202210101831A CN114418824A CN 114418824 A CN114418824 A CN 114418824A CN 202210101831 A CN202210101831 A CN 202210101831A CN 114418824 A CN114418824 A CN 114418824A
- Authority
- CN
- China
- Prior art keywords
- image
- acceleration engine
- artificial intelligence
- processed
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 claims description 65
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种图像处理方法、装置及存储介质,涉及图像处理领域,该方法包括:获取待处理图像;将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。本申请实施例提供的方法,能够减少图像预处理的耗时,从而可以提高图像处理的效率。
Description
技术领域
本申请实施例涉及图像处理领域,尤其涉及一种图像处理方法、装置及存储介质。
背景技术
随着各种人工智能(Artificial Intelligence,AI)芯片的普及,算法芯片化应用越来越多。其中,大多数AI芯片仅提供了网络的加速单元。在网络被加速后,人脸识别链路中的模型推理的耗时极大下降,大约从500ms可以下降到80ms。然而,算法预处理慢慢地变成了瓶颈,由于带神经网络处理单元(Neural-network Processing Units,NPU)的芯片一般中央处理单元(Center Processing Units,CPU)的处理能力较弱,算法预处理在优化后,仍然需要25ms,占整个人脸识别链路耗时的30%左右,耗时较长,效率较低。因此,如何减少算法预处理的耗时成为一个亟需解决的问题。
发明内容
本申请实施例提供了一种图像处理方法、装置及存储介质,能够减少图像预处理的耗时,从而可以提高图像处理的效率。
第一方面,本申请实施例提供了一种图像处理方法,包括:
获取待处理图像;
将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
本申请实施例中,通过将算法预处理硬件化实现,由此可以使得硬件加速引擎在预处理时无需和CPU进行频繁交互,能够减少图像预处理的耗时,从而可以提高图像处理的效率。
其中一种可能的实现方式中,还包括:
将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
其中一种可能的实现方式中,所述将所述预处理图像输入预设人工智能AI加速引擎之前,所述方法还包括:
将所述预处理图像进行尺寸补齐。
其中一种可能的实现方式中,还包括:
将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
其中一种可能的实现方式中,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
其中一种可能的实现方式中,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
第二方面,本申请实施例提供一种图像处理装置,包括:
获取模块,用于获取待处理图像;
处理模块,用于将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
其中一种可能的实现方式中,所述装置还包括:
识别模块,用于将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
其中一种可能的实现方式中,所述装置还包括:
尺寸补齐模块,用于将所述预处理图像进行尺寸补齐。
其中一种可能的实现方式中,所述装置还包括:
存储模块,用于将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
其中一种可能的实现方式中,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
其中一种可能的实现方式中,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
第三方面,本申请实施例提供一种电子设备,包括:
存储器,上述存储器用于存储计算机程序代码,上述计算机程序代码包括指令,当上述电子设备从上述存储器中读取上述指令,以使得上述电子设备执行以下步骤:
获取待处理图像;
将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
其中一种可能的实现方式中,上述指令被上述电子设备执行时,使得上述电子设备还执行以下步骤:
将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
其中一种可能的实现方式中,上述指令被上述电子设备执行时,使得上述电子设备执行将所述预处理图像输入预设人工智能AI加速引擎的步骤之前,还执行以下步骤:
将所述预处理图像进行尺寸补齐。
其中一种可能的实现方式中,上述指令被上述电子设备执行时,使得上述电子设备还执行以下步骤:
将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
其中一种可能的实现方式中,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
其中一种可能的实现方式中,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序,当上述计算机程序被计算机执行时,用于执行第一方面所述的方法。
在一种可能的设计中,第五方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
附图说明
图1为本申请提供的传统图像识别的流程示意图;
图2为本申请实施例提供的图像识别方法的流程示意图;
图3为本申请实施例提供的图像识别装置的结构示意图;
图4为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
随着各种AI芯片的普及,算法芯片化应用越来越多。其中,大多数AI芯片仅提供了网络的加速单元。在网络被加速后,人脸识别链路中的模型推理的耗时极大下降,大约从500ms可以下降到80ms。然而,算法预处理慢慢地变成了瓶颈,由于带NPU的芯片一般CPU的处理能力较弱,算法预处理在优化后,仍然需要25ms,占整个人脸识别链路耗时的30%左右,耗时较长,效率较低。因此,如何减少算法预处理的耗时成为一个亟需解决的问题。
图1为现有技术的硬件加速示意图。如图1所示,待处理图像等数据可以输入CPU,并可以根据CPU的指令将上述待处理图像等数据输入例如G2D等图像加速引擎,以便进行图像加速处理。其中,图像加速处理可以包括例如裁剪(crop)、缩放(resize)、填充(pad)及仿射(affine)等图像处理操作。需要说明的是,在图像加速引擎中进行上述任一项图像处理操作时,需要将结果返回CPU,并根据CPU的指令再将结果返回图像加速引擎,以便进行下一个操作。以crop操作和resize操作为例,当图像加速引擎完成crop操作后,可以得到crop操作结果,并可以将该crop操作结果返回给CPU。接着,CPU可以进一步将crop操作结果发送给图像加速引擎,并可以通过指令指示图像加速引擎进行resize操作。因此,由于每一次操作图像加速引擎和CPU均需要进行交互,由此会导致图像处理的时延增加,降低了图像处理的效率。
基于上述问题,本申请实施例提出了一种图像处理方法。
现结合图2对本申请实施例提供的图像处理方法进行说明。
如图2所示为本申请实施例提供的图像处理方法一个实施例的流程示意图,包括:
步骤201,获取待处理图像。
具体地,该待处理图像可以是本地获取,也可以从互联网下载。本申请对待处理图像的来源不作特殊限定。其中,该待处理图像可以是人物图像、动物图像、车辆图像或其他类型的图像。本申请实施例对待处理图像的类型不作特殊限定。
需要说明的是,当该待处理图像为人物图像时,还可以获取与该人物图像对应的人脸框,也就是,还可以获取人脸框在该待处理图像中的位置,以便对人脸进行识别。
步骤202,将待处理图像输入预设硬件加速引擎进行预处理,得到预处理图像。
具体地,该预设硬件加速引擎可以例如是G2D等图形加速硬件模块,也可以是其他类型的图形加速硬件模块,本申请实施例对该预设硬件加速引擎的形式不作特殊限定。
当该预设硬件加速引擎接收到输入的待处理图像后,可以对该预处理图像进行一个或多个预处理,用于得到预处理图像。其中,该一个或多个预处理可以包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。需要说明的是,该一个或多个预处理操作是串联执行的,也就是说,每个预处理操作的结果可以直接输入到下一个预处理操作模块中,无需和CPU进行交互,由此可以减少预处理的耗时,进而可以提高预处理的效率。示例性的,当对待处理图像经过裁剪操作后,可以直接将裁剪后的结果输入至缩放模块,用于进行缩放处理。接着,当进行缩放处理后,可以直接将缩放结果输入至填充模块,用于进行填充处理,以此类推。
当该预设硬件加速引擎通过上述一个或多个预处理操作,对待处理图像进行预处理后,可以得到预处理图像。接着,可以将该预处理图像存储在预设硬件加速引擎的中间缓存中。可以理解的是,该预设硬件加速引擎的中间缓存可以和AI加速引擎共享,由此可以使得AI加速引擎可以直接访问预设硬件加速引擎的中间缓存,用于获取预处理图像,从而可以减少图像识别的耗时,进而可以提高图像识别的效率。
步骤203,将预处理图像输入至AI加速引擎,进行图像识别。
具体地,该AI加速引擎可以例如是NNE等AI硬件模块,也可以是其他形式的AI硬件模块,本申请实施例对该AI引擎的形式不作特殊限定。在具体实现时,以人物图像为例,该AI加速引擎可以包括人脸深度学习网络及人脸特征识别模块,用于对人物图像中的人脸进行识别。
可以理解的是,AI加速引擎通常对输入的预处理图像的尺寸有一定的要求,例如,该输入的预处理图像的像素可以是16的倍数。需要说明的是,上述示例仅示例性的示出了以16为倍数的像素要求,但并不够成对本申请实施例的限定,在一些实施例中,也可以是其他倍数。因此,若预处理图像的像素不为16的倍数,可以将该预处理图像的像素补齐为16的倍数。然后,再将像素补齐后的预处理图像输入至AI加速引擎。
当AI加速引擎通过图像识别得到图像识别结果后,可以将该图像识别结果存储在AI加速引擎的缓存中,无需将该图像识别结果发送给CPU,由此可以使得其他模块可以直接访问AI加速引擎的缓存中的图像识别结果,从而可以提高访问效率。
图3为本申请图像处理装置一个实施例的结构示意图,如图3所示,上述图像处理装置30可以包括:获取模块31及处理模块32;其中,
获取模块31,用于获取待处理图像;
处理模块32,用于将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
其中一种可能的实现方式中,所述装置30还包括:
识别模块33,用于将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
其中一种可能的实现方式中,所述装置30还包括:
尺寸补齐模块34,用于将所述预处理图像进行尺寸补齐。
其中一种可能的实现方式中,所述装置30还包括:
存储模块35,用于将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
其中一种可能的实现方式中,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
其中一种可能的实现方式中,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
应理解,以上图3所示的图像处理装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块以软件通过处理元件调用的形式实现,部分模块通过硬件的形式实现。例如,检测模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Singnal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些模块可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
图4为本说明书电子设备400一个实施例的结构示意图,如图4所示,上述电子设备可以包括至少一个处理器;以及与上述处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,上述处理器调用上述程序指令能够执行本说明书图2所示实施例提供的方法。
其中,上述电子设备可以为能够进行图像处理的设备,例如:计算机或服务器,本说明书实施例对上述电子设备的具体形式不作限定。可以理解的是,这里的电子设备即为上述实施例中提到的计算机或服务器。
图4示出了适用于来实现本说明书实施方式的示例性电子设备的框图。图4显示的电子设备600仅仅是一个示例,不应对本说明书实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于:一个或者多个处理器410,存储器430,连接不同系统组件(包括存储器430和处理器410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器430可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本说明书各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器430中,这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过通信接口420进行。并且,电子设备还可以通过网络适配器(图4中未示出)与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide AreaNetwork;以下简称:WAN)和/或公共网络,例如因特网)通信,上述网络适配器可以通过通信总线440与电子设备的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Drives;以下简称:RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器410通过运行存储在存储器430中的程序,从而执行各种功能应用以及数据处理,例如实现本说明书图2所示实施例提供的方法。
以上各实施例中,涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,当所述计算机指令在计算机上运行时,所述计算机指令使所述计算机执行本说明书图2所示实施例提供的方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本说明书操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network;以下简称:LAN)或广域网(Wide Area Network;以下简称:WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本说明书的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本说明书的实施例所属技术领域的技术人员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本说明书实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (13)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像;
将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述预处理图像输入预设人工智能AI加速引擎之前,所述方法还包括:
将所述预处理图像进行尺寸补齐。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
6.根据权利要求5所述的方法,其特征在于,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
7.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取待处理图像;
处理模块,用于将所述待处理图像输入预设硬件加速引擎,执行一个或多个预处理操作,得到预处理图像。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
识别模块,用于将所述预处理图像输入预设人工智能AI加速引擎,进行图像识别,得到图像识别结果。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
尺寸补齐模块,用于将所述预处理图像进行尺寸补齐。
10.根据权利要求8或9所述的装置,其特征在于,所述装置还包括:
存储模块,用于将所述图像识别结果存储在所述预设人工智能AI加速引擎的中间缓存中;其中,所述预设人工智能AI加速引擎的中间缓存与所述预设人工智能AI加速引擎共享。
11.根据权利要求7-10中任一项所述的装置,其特征在于,所述预处理图像由所述一个或多个预处理操作串联执行后获得。
12.根据权利要求11所述的装置,其特征在于,所述一个或多个预处理操作包括裁剪操作、缩放操作、填充操作及仿射操作中的一种或多种。
13.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101831.2A CN114418824A (zh) | 2022-01-27 | 2022-01-27 | 图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101831.2A CN114418824A (zh) | 2022-01-27 | 2022-01-27 | 图像处理方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418824A true CN114418824A (zh) | 2022-04-29 |
Family
ID=81280103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210101831.2A Pending CN114418824A (zh) | 2022-01-27 | 2022-01-27 | 图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418824A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094194A1 (en) * | 2003-11-03 | 2005-05-05 | David Dolev | Enhanced image processing with shared data storage |
CN110334577A (zh) * | 2019-05-05 | 2019-10-15 | 四川盛通智联网络科技有限公司 | 一种基于海思安防芯片的人脸识别方法 |
CN112162942A (zh) * | 2020-09-30 | 2021-01-01 | 南京蕴智科技有限公司 | 一种多模态图像处理硬件加速系统 |
CN113436232A (zh) * | 2021-06-29 | 2021-09-24 | 上海律信信息科技有限公司 | 一种基于跟踪算法的硬件加速方法 |
CN113807166A (zh) * | 2021-07-31 | 2021-12-17 | 深圳市数商时代科技有限公司 | 图像处理方法、装置及存储介质 |
-
2022
- 2022-01-27 CN CN202210101831.2A patent/CN114418824A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094194A1 (en) * | 2003-11-03 | 2005-05-05 | David Dolev | Enhanced image processing with shared data storage |
CN110334577A (zh) * | 2019-05-05 | 2019-10-15 | 四川盛通智联网络科技有限公司 | 一种基于海思安防芯片的人脸识别方法 |
CN112162942A (zh) * | 2020-09-30 | 2021-01-01 | 南京蕴智科技有限公司 | 一种多模态图像处理硬件加速系统 |
CN113436232A (zh) * | 2021-06-29 | 2021-09-24 | 上海律信信息科技有限公司 | 一种基于跟踪算法的硬件加速方法 |
CN113807166A (zh) * | 2021-07-31 | 2021-12-17 | 深圳市数商时代科技有限公司 | 图像处理方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
天上下橙雨: "《AWTK G2D 硬件加速移植案例》", pages 1 - 4, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_40026797/article/details/119519744> * |
左宪禹;张哲;黄祥志;葛强;张理涛;臧文乾;: "一种适用于GPU图像处理算法的合并存储结构", 计算机工程与科学, no. 02, 15 February 2020 (2020-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200110154A (ko) | 시각적 질문응답 모델, 전자 기기 및 저장 매체 | |
CN111242273B (zh) | 一种神经网络模型训练方法及电子设备 | |
CN110825440A (zh) | 指令执行方法和装置 | |
CN112783506B (zh) | 一种模型运行方法及相关装置 | |
US20200050481A1 (en) | Computing Method Applied to Artificial Intelligence Chip, and Artificial Intelligence Chip | |
CN112668588A (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
US20220343512A1 (en) | Method and apparatus of processing image, electronic device, and storage medium | |
CN111091182A (zh) | 数据处理方法、电子设备及存储介质 | |
CN112712498A (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN111209856A (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN113096201B (zh) | 嵌入式视频图像深度学习方法、设备及存储介质 | |
CN112508005B (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
US11195248B2 (en) | Method and apparatus for processing pixel data of a video frame | |
CN114418824A (zh) | 图像处理方法、装置及存储介质 | |
KR20170108412A (ko) | 캔버스 이미지 연산 장치 | |
CN110033406B (zh) | 用于处理图像的方法和装置 | |
CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114647411A (zh) | 编程界面加载方法、装置、电子设备及存储介质 | |
CN114881235A (zh) | 推理服务调用方法、装置、电子设备及存储介质 | |
CN109816536B (zh) | 清单去重方法、装置和计算机设备 | |
WO2020238119A1 (en) | Video understanding neural network systems and methods using the same | |
CN111667411A (zh) | 一种图像传输方法、装置、电子设备及存储介质 | |
EP4227807A1 (en) | Method for displaying information on electronic device, and electronic device | |
WO2023092383A1 (en) | Apparatus, method, device and medium for accelerating computation of process engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |