CN108491890A - 图像方法和装置 - Google Patents
图像方法和装置 Download PDFInfo
- Publication number
- CN108491890A CN108491890A CN201810299833.0A CN201810299833A CN108491890A CN 108491890 A CN108491890 A CN 108491890A CN 201810299833 A CN201810299833 A CN 201810299833A CN 108491890 A CN108491890 A CN 108491890A
- Authority
- CN
- China
- Prior art keywords
- image
- processor
- pending
- response
- receiving
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括:从第一处理器接收待处理图像;将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求,该实施方式提升了图像处理效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像处理方法和装置。
背景技术
图像处理技术在航空航天、公共安全、生物医学、电子商务、多媒体等领域都具有巨大的应用价值和广泛的应用市场。其中,应用于人工智能的图像处理方法涉及大量的图像运算。例如在机器学习模型的训练和测试中需要对大量的样本图像进行运算,运行图像处理方法的设备需要在对当前处理的图像的所有处理程序(包括图像获取、采用机器学习模型对图像进行预测、预测结果输出等)都完成后,开始执行新的图像的处理。
发明内容
本申请实施例提出了图像处理方法和装置。
第一方面,本申请实施例提供了一种图像处理方法,包括:从第一处理器接收待处理图像;将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求,其中,所述第一处理器响应于接收到所述图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果,其中,所述第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
在一些实施例中,上述从第一处理器接收待处理图像,包括:从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的图像;上述第一处理器响应于接收到所述图像获取请求且已获取新的目标图像,发送所获取的新的目标图像,包括:所述第一处理器响应于接收到所述图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的所述下一组待处理图像。
第二方面,本申请实施例提供了一种图像处理方法,包括:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,所述第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;向所述第二处理器发送图像处理结果获取请求,并接收所述第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;响应于接收到所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
在一些实施例中,在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,上述方法还包括:读取待处理图像序列中的待处理图像并对待处理图像进行预处理;所述响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,包括:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像;在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,所述方法还包括:从所述待处理图像序列中删除所述目标图像对应的待处理图像。
在一些实施例中,上述对待处理图像进行预处理,包括:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
第三方面,本申请实施例提供了一种图像处理方法,包括:第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像;第二处理器从第一处理器接收待处理图像,并将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;第二处理器响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求;第二处理器响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果;第一处理器接收所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送处理结果获取请求。
在一些实施例中,上在所述第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,所述方法还包括:第一处理器依次读取待处理图像序列中的各组待处理图像并对待处理图像进行预处理;所述第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,包括:第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送待处理图像序列中的一组已读取并预处理的待处理图像。
在一些实施例中,上述对待处理图像进行预处理,包括:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
在一些实施例中,在第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,所述方法还包括:从待处理图像序列中删除目标图像对应的待处理图像。
第四方面,本申请实施例提供了一种图像处理装置,包括:接收单元,用于从第一处理器接收待处理图像;第一处理单元,用于将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;第一发送单元,用于响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求,其中,所述第一处理器响应于接收到所述图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;第二发送单元,用于响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果,其中,所述第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
在一些实施例中,上述接收单元进一步用于:从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的图像;所述第一处理器进一步响应于接收到所述图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的所述下一组待处理图像。
第五方面,本申请实施例提供了一种图像处理装置,包括:第三发送单元,用于响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,所述第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;第四发送单元,用于向所述第二处理器发送图像处理结果获取请求,并接收所述第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;第二处理单元,用于响应于接收到所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
在一些实施例中,上述装置还包括:预处理单元,用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,读取待处理图像序列中的待处理图像并对待处理图像进行预处理;以及删除单元,用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,从所述待处理图像序列中删除所述目标图像对应的待处理图像;上述第三发送单元进一步用于:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像。
在一些实施例中,上述预处理单元进一步用于按照如下方式对待处理图像进行预处理:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
第六方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的图像处理方法、或实现如第二方面提供的图像处理方法、或实现如第三方面提供的图像处理方法。
第七方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的图像处理方法、或实现如第二方方面提供的图像处理方法、或实现如第三方面提供的图像处理方法。
本申请上述实施例的图像处理方法和装置,通过首先从第一处理器接收待处理图像,然后将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果,之后响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像,最后响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求,从而减少了图像处理任务中图像获取、基于机器学习模型的图像预测、处理结果融合和输出等流程的等待时间,有利于提升图像处理效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的图像处理方法的一个实施例的流程图;
图3是根据本申请的图像处理方法的另一个实施例的流程图;
图4是根据本申请的图像处理方法的又一个实施例的流程图;
图5是根据本申请的图像处理装置的一个结构示意图;
图6是根据本申请的图像处理装置的另一个结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像处理方法或图像处理装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104、以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以为运行目标检测模型的电子设备,终端设备上可以安装有各种交互应用。
终端设备101、102、103可以是具有图像采集装置并支持互联网访问的各种电子设备,包括但不限于人脸识别闸机、监控摄像头、智能手机、平板电脑、笔记本电脑等。
服务器105可以是提供图像处理服务的服务器,服务器105可以接收终端设备101、102、103发送的图像处理请求,并图像处理请求进行处理,对待处理的图像进行目标识别、目标检测/跟踪、图像融合等处理,将处理结果返回给终端设备101、102、103。
需要说明的是,服务器105的本地可以直接存储待处理图像,服务器105可以直接提取本地的待处理图像进行处理,此时,示例性***架构100可以不存在终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,终端设备101、102、103也可以基于图像处理类应用对待处理图像进行处理,此时,图像处理方法也可以由终端设备101、102、103执行,相应地,图像处理装置也可以设置于终端设备101、102、103中。此时,示例性***架构100可以不存在服务器105和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器。
继续参考图2,其示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法,包括以下步骤:
步骤201,从第一处理器接收待处理图像。
在本实施例中,图像处理方法的执行主体可以从第一处理器接收待处理图像。待处理图像可以是由第一处理器预先获取的图像,待处理图像可以是待处理图像序列中的一幅或多幅图像。第一处理器可以从内存中读取待处理图像,或者可以通过网络从其他电子设备接收待处理图像。
可选地,图像处理方法的执行主体可以向第一处理器发出图像获取请求,第一处理器可以响应于接收到上述执行主体发出的图像获取请求而向上述执行主体发送待处理图像。上述执行主体可以通过与第一处理器的连接接收待处理图像。
在本实施例中,图像处理方法的执行主体可以为不同于第一处理器的第二处理器,第一处理器和第二处理器可以通过总线相连接。第二处理器在空闲时可以向第一处理器发出图像获取请求,第一处理器在收到图像获取请求后向第二处理器发送已获取的待处理图像
上述第一处理器和第二处理器可以是诸如中央处理单元(Central ProcessingUnit,CPU)、图形处理单元(Graphics Processing Unit,GPU)、加速处理单元(AcceleratedProcessing Unit,APU)或者基于现场可编程门阵列(Field-Programmable Gate Array,FPGA)等逻辑阵列的处理器。其中第一处理器可以创建多个线程。可选地,上述第一处理器可以是CPU,第二处理器可以是GPU。
步骤202,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果。
上述图像处理方法的执行主体可以将接收到的待处理图像作为目标图像,将目标图像输入基于神经网络的机器学习模型,得到目标图像的处理结果。在这里,基于神经网络的机器学习模型可以是用于执行目标识别、目标检测、目标跟踪等任务的模型。将目标图像输入该基于神经网络的机器学习模型之后,可以得到相应的处理结果。例如基于神经网络的机器学习模型可以是已训练的用于识别人脸的模型,则将目标图像输入该模型之后,可以得出目标图像所包含的人脸的识别结果;基于神经网络的机器学习模型可以是物品检测模型,则将目标图像输入该模型之后,可以得出目标图像所包含的物品的位置和/或类型的检测结果。
上述基于神经网络的机器学习模型可以是运行于上述图像处理方法的执行主体上的。该基于神经网络的机器学习模型可以是已训练的机器学习模型,也可以是待训练的机器学习模型。
在训练场景中,可以将目标图像作为样本图像,利用待训练的机器学习模型对样本图像进行预测,之后根据待训练的机器学习模型对样本图像的预测结果与样本图像中该机器学习模型所执行的任务(例如人脸识别任务)对应的真实结果(例如标注的样本图像所包含的人脸对应的用户的身份信息)之间的差异不断迭代调整待训练的机器学习模型的参数,使得模型的预测结果逼近真实结果。
在测试场景或利用模型执行任务的场景中,将上述目标图像输入已训练的机器学习模型中之后,可以得出目标图像的测试结果或任务执行结果。例如在人脸检测和跟踪的场景中,可以得到目标图像所包含的人脸的运动轨迹。
步骤203,响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求。
在对目标图像处理完成得到处理结果之后,上述图像处理方法的执行主体可以向第一处理器发送图像获取请求,以获取新的待处理图像。第一处理器可以响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像。
通常基于神经网络机器学习模型需要执行大量的矩阵和向量运算,运算复杂度较高,因此上述执行主体需要一段时间来完成目标图像的处理。在完成之后,可以立即请求获取新的待处理图像,执行下一个或下一组目标图像的处理。即上述执行主体不需要等待目标图像的处理结果通过第一处理器输出等处理完成、之后第一处理器读取新的待处理图像之后才开始处理新的待处理图像,而是在对目标图像处理得到处理结果之后立即请求处理第一处理器已获取的新的待处理图像。从而减少了上述执行主体的等待时间,能够有效提升图像处理效率。
步骤204,响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果。
第一处理器可以向上述执行主体发送处理结果获取请求,以获取上述执行主体对目标图像的处理结果。上述执行主体可以在第一处理器发出处理结果获取请求后,将目标图像的处理结果发送至第一处理器。第一处理器可以响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
在这里,第一处理器可以在空闲状态下向上述执行主体发送处理结果获取请求,例如可以在启动后持续向上述执行主体发送处理结果获取请求,又例如第一处理器在完成对上一个目标图像的处理结果的融合处理之后恢复空闲状态,这时第一处理器可以向上述执行主体发送当前的目标图像的处理结果。
本申请上述实施例的图像处理方法,通过首先从第一处理器接收待处理图像,然后将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果,之后响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像,最后响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求,减少了图像处理任务中图像获取、基于机器学习模型的图像预测、处理结果融合和输出等流程的等待时间,有利于提升图像处理效率。
在本实施例的一些可选的实现方式中,上述从第一处理器接收待处理图图像的步骤201可以包括:从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的目标图像。具体来说,待处理图像序列可以包括多组待处理图像,每组待处理图像可以包括至少一幅待处理图像。第一处理器可以读取待处理图像序列中的一组待处理图像,并对读取的一组待处理图像进行尺度缩放和/或滤波去噪等预处理,得到预处理后的待处理图像。
并且,在上述实现方式中,第一处理器响应于接收到上述执行主体发送的图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的下一组待处理图像。也就是说,在上述执行主体对当前的目标图像处理完成后,可以理解请求获取新的待处理图像,这时如果第一处理器完成了新的待处理图像的读取和预处理,则可以将新的待处理图像发送给上述执行主体。通过第一处理器对图像进行预处理,可以提升输入机器学习模型的图像的质量,进而提升图像处理效率。
请参考图3,其示出了根据本申请的图像处理方法的另一个实施例的流程图。如图3所示,本实施例的图像处理方法的流程300,可以包括以下步骤:
步骤301,响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像。
在本实施例中,图像处理方法的执行主体可以为第一处理器,第一处理器可以接收第二处理器发送的图像获取请求,在接收到图像获取请求之后,可以向第二处理器发送已获取的待处理图像。第二处理器可以响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求。在这里,第一处理器和第二处理器可以分别为CPU和GPU。
上述第二处理器发送的图像获取请求可以是第二处理器在空闲状态下发送的图像获取请求。例如第二处理器可以在启动后向图像处理方法的执行主体发送图像获取请求,又例如第二处理器在完成对接收到的待处理图像的处理之后恢复空闲状态,这时第二处理器可以向上述执行主体发出获取新的待处理图像的请求。
步骤302,向第二处理器发送图像处理结果获取请求,并接收第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果。
上述执行主体可以向第二处理器发送图像处理结果获取请求,以获取第二处理器对目标图像的处理结果,第二处理器在接收到该图像处理结果获取请求之后,如果确定对目标图像的处理完成且已得出处理结果,可以将处理结果发送至图像处理方法的执行主体。如果第二处理器在接收到图像处理结果获取请求时,未完成对目标图像的处理,则在对目标图像的处理完成后将处理结果发送至图像处理方法的执行主体。
步骤303,响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
在接收到第二处理器发送的目标图像的处理结果之后,上述执行主体可以对目标图像的处理结果进行后处理,具体可以对处理结果进行融合处理,将第二处理器对目标图像的处理结果融合后输出,随后可以向第二处理器发送图像处理结果获取请求,以在第二处理器完成新的待处理图像的处理之后,将处理结果发送至上述执行主体进行处理。
上述第二处理器可以采用基于神经网络的机器学习模型对目标图像进行处理。通常第二处理器可以生成以向量、矩阵、数值等形式表示的处理结果,上述执行主体可以对第二处理器生成的处理结果进行融合去重,得到融合后的结果。例如第二处理器可以采用已训练的人脸检测模型对目标图像进行人脸检测,得到用于表征图像中的人脸位置的数组,作为第二处理器的人脸检测结果。上述执行主体可以对第二处理器的人脸检测结果进行融合,去除位置重合的人脸对应的数组,并将去重后的人脸位置标记在待处理图像中输出,则第一处理器可以输出易读性较强的图像处理结果。
在本实施例中,图像处理方法的执行主体可以创建图像获取线程和图像后处理线程。其中图像处理线程可以执行待处理图像的获取操作,以及接收并对第二处理器发送的图像获取请求进行响应的操作。图像后处理线程可以执行对第二处理器的处理结果的融合处理操作,以及接收并对第二处理器发送的处图像处理结果获取请求进行响应的操作。图像获取线程可以依次执行各待处理图像的获取操作,图像后处理线程可以依次执行第二处理器发来的每个图像处理结果的后处理操作。这样,图像获取线程获取图像的操作不依赖于第二处理器是否完成图像的处理以及图像后处理线程是否完成图像的后处理,能够减少处理器的空闲等待时间,提升图像处理效率。
在一些实施例中,在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,上述图像处理方法的流程300还可以包括:读取待处理图像序列中的待处理图像并对待处理图像进行预处理。即上述图像处理线程可以从内存或网络中读取待处理图像序列中的一组待处理图像,并对读取的待处理图像进行尺度缩放、滤除噪声、图像亮度调整等预处理。这时,上述响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像的步骤301,可以包括:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像。即上述执行主体可以向第二处理器发送预处理后的待处理图像。
可选地,上述对待处理图像进行预处理,可以包括:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。即可以将待处理图像缩放至多个预设的尺度,形成具有不同尺寸、不同分辨率的多幅图像,然后利用不同尺寸、不同分辨率的多幅图像构建待处理图像的图像金字塔。这样,第二处理器可以对多尺度的图像进行处理,可以在多个尺度上完成图像处理任务,诸如可以实现多个尺度的人脸检测和跟踪。
进一步地,在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,上述图像处理方法的流程300还可以包括:从待处理图像序列中删除目标图像对应的待处理图像。即在上述执行主体成功获取待处理图像并发送至第二处理器后,第二处理器可以将接收到的待处理图像作为目标图像进行处理。这时,可以将目标图像作为已处理的图像。可以将待处理图像序列中的目标图像对应的待处理图像删除,之后上述执行主体可以读取未处理的待处理图像。这样可以避免待处理图像的重复读取影响待处理图像序列的处理效率。
请参考图4,其示出了根据本申请的图像处理方法的又一个实施例的流程图。该图像处理方法可以运行于包含两个处理器的电子设备上。如图4所示,该图像处理方法的流程400可以包括:
步骤401,第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像。
在本实施例中,在启动图像处理流程之后,第一处理器的图像获取线程可以获取待处理图像。第二处理器可以向第一处理器发送图像获取请求,第一处理器在接收到第二处理器的图像获取请求之后,可以向第二处理器发送获取的待处理图像。在这里,第一处理器和第二处理器可以分别为CPU和GPU。
具体来说,启动图像处理流程之后,第二处理器处于空闲状态,可以发出图像获取请求;或者在图像处理流程中,第二处理器完成输入的目标图像的图像处理、得到处理结果之后恢复空闲状态,这时第二处理器也可以向第一处理器发出图像获取请求。第一处理器在启动图像处理流程后,可以启动图像获取线程,从内存读取或从网络下载待处理图像。并且,第一处理器的图像获取线程在完成当前的待处理图像的获取操作之后,可以继续从内存或网络中获取新的待处理图像。
步骤402,第二处理器从第一处理器接收待处理图像,并将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果。
第二处理器接收到待处理图像之后,可以将待处理图像作为目标图像,利用第二处理器上运行的基于神经网络的机器学习模型对目标图像进行处理,具体可以例如利用基于神经网络的目标识别模型、基于神经网络的目标跟踪模型、基于神经网络的目标检测模型等对目标图像进行响应的目标识别、目标跟踪、目标检测等,该机器学习模型输出的数据即为第二处理器对目标图像的处理结果。
步骤403,第二处理器响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求。
第二处理器在得到目标图像的处理结果之后,可以确定目标图像处理完毕,这时,可以向第一处理器发送图像获取请求,以获取新的待处理图像。第一处理器在接收到图像获取请求之后,可以将已获取的新的待处理图像发送至第二处理器,以供第二处理器将新的待处理图像作为目标图像,利用基于神经网络的机器学习模型对目标图像进行处理。
步骤404,第二处理器响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果。
在图像处理流程启动后,第一处理器可以向第二处理器发送处理结果获取请求,以获取第二处理器对目标图像的处理结果。第二处理器可以将已得出的目标图像的处理结果发送至第一处理器。在这里,第一处理器的图像后处理线程处于空闲状态时,可以发出上述处理结果获取请求。
步骤405,第一处理器接收目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送处理结果获取请求。
第一处理器的图像后处理线程可以接收第二处理器发送的目标图像的处理结果,然后对目标图像的处理结果进行融合去重,并将融合去重后的处理结果映射至待处理图像中输出。在输出融合后的结果之后,可以确定已完成目标图像的后处理,这时,第一处理器的图像后处理线程恢复空闲状态,可以向第二处理器发送新的处理结果获取请求,以在第二处理器生成了新的目标图像的处理结果之后将新的目标图像的处理结果发送至第一处理器进行后处理。
本实施例的图像处理方法,第一处理器执行图像获取操作、图像后处理操作、第二处理器执行图像处理操作,第一处理器获取当前图像的操作和第二处理器执行图像处理的操作不依赖于第一处理对上一图像的后处理操作是否完成,实现了流水线式的图像处理。这样,可以避免第一处理器中的线程和第二处理器等待其他线程或其他处理器的处理结果而花费较多的时间,能够提升第二处理器和第一处理器的利用率,从而提升图像处理效率。
在本实施例的一些可选的实现方式中,在第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像的步骤401之前,图像处理方法的流程400还可以包括:第一处理器依次读取待处理图像序列中的各组待处理图像并对待处理图像进行预处理。上述第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像的步骤401,可以包括:第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送待处理图像序列中的一组已读取并预处理的待处理图像。
具体来说,待处理图像序列可以包括多组待处理图像,第一处理器的图像获取线程可以依次读取各组待处理图像并进行预处理。在完成一组待处理图像的读取和预处理之后,读取并预处理下一组待处理图像。当接收到第二处理器发送的图像获取请求时,第一处理器可以向第二处理器发送已读取并预处理完成的待处理图像。在这里,预处理可以包括图像去噪、图像的尺度缩放、图像去模糊等等。
可选地,上述对待处理图像进行预处理,可以包括:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。第一处理器的图像获取线程可以将读取到的待处理图像缩放至多个预设的尺度,形成具有不同尺寸、不同分辨率的多幅图像,然后利用不同尺寸、不同分辨率的多幅图像构建待处理图像的图像金字塔。这样,第二处理器可以对多尺度的图像进行处理,可以在多个尺度上完成图像处理任务,诸如可以实现多个尺度的人脸检测和跟踪。
在进一步的实施例中,在第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,上述图像处理方法的流程400还可以包括:从待处理图像序列中删除目标图像对应的待处理图像。也即在第一处理器的图像获取线程待处理图像成功发送至第二处理器之后,第二处理器可以将接收到的待处理图像作为目标图像。这时可以将待处理图像序列中的已发送至第二处理器的待处理图像删除,这样可以避免对待处理图像的重复读取和运算影响图像处理效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种图像处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的图像处理装置500包括:接收单元501、第一处理单元502、第一发送单元503和第二发送单元504。其中接收单元501可以用于从第一处理器接收待处理图像;第一处理单元502可以用于将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;第一发送单元503可以用于响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中,第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;第二发送单元504可以用于响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
在一些实施例中,接收单元501可以进一步用于:从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的图像;第一处理器进一步响应于接收到图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的下一组待处理图像。
装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本实施例的图像处理装置500,通过接收单元从第一处理器接收待处理图像;第一处理单元将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;第一发送单元,响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中,第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;第二发送单元,响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求,实现了图像处理效率的提升。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种图像处理装置的一个实施例,该装置实施例与图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的图像处理装置600包括:第三发送单元601、第四发送单元602和第二处理单元603。其中,第三发送单元601可以用于响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;第四发送单元602可以用于向第二处理器发送图像处理结果获取请求,并接收第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;第二处理单元603可以用于响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
在一些实施例中,装置600还可以包括:预处理单元和删除单元。预处理单元用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,读取待处理图像序列中的待处理图像并对待处理图像进行预处理;删除单元用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,从待处理图像序列中删除目标图像对应的待处理图像。第三发送单元601可以进一步用于:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像。
在一些实施例中,上述预处理单元可以进一步用于按照如下方式对待处理图像进行预处理:将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
本实施例的图像处理装置600,通过第三发送单元响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;第四发送单元向第二处理器发送图像处理结果获取请求,并接收第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;第二处理单元响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求,实现了图像处理效率的提升。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机***700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括第一处理器——中央处理单元(CPU)7011,和第二处理器——图形处理单元(GPU)7012。CPU和GPU可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 7011、GPU7012、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)7011和图形处理单元(GPU)7012执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的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或者是上述两者的任意组合。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***、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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(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。在本申请中,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***、装置或者器件使用或者与其结合使用。而在本申请中,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***、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申请的操作的计算机程序代码,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(LAN)或广域网(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)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、第一处理单元、第一发送单元和第二发送单元,或一种处理器包括第三发送单元、第四发送单元和第二处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“从CPU接收待处理图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:从第一处理器接收待处理图像;将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;响应于确定得到目标图像的处理结果,向第一处理器发送图像获取请求,其中,第一处理器响应于接收到图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送目标图像的处理结果,其中,第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;向第二处理器发送图像处理结果获取请求,并接收第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种图像处理方法,包括:
从第一处理器接收待处理图像;
将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;
响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求,其中,所述第一处理器响应于接收到所述图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;
响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果,其中,所述第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
2.根据权利要求1所述的方法,其中,所述从第一处理器接收待处理图像,包括:
从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的图像;
所述第一处理器响应于接收到所述图像获取请求且已获取新的目标图像,发送所获取的新的目标图像,包括:
所述第一处理器响应于接收到所述图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的所述下一组待处理图像。
3.一种图像处理方法,包括:
响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,所述第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;
向所述第二处理器发送图像处理结果获取请求,并接收所述第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;
响应于接收到所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
4.根据权利要求3所述的方法,其中,在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,所述方法还包括:
读取待处理图像序列中的待处理图像并对待处理图像进行预处理;
所述响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,包括:
响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像;
在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,所述方法还包括:
从所述待处理图像序列中删除所述目标图像对应的待处理图像。
5.根据权利要求4所述的方法,其中,所述对待处理图像进行预处理,包括:
将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
6.一种图像处理方法,包括:
第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像;
第二处理器从第一处理器接收待处理图像,并将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;
第二处理器响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求;
第二处理器响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果;
第一处理器接收所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送处理结果获取请求。
7.根据权利要求6所述的方法,其中,在所述第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,所述方法还包括:
第一处理器依次读取待处理图像序列中的各组待处理图像并对待处理图像进行预处理;
所述第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,包括:
第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送待处理图像序列中的一组已读取并预处理的待处理图像。
8.根据权利要求7所述的方法,其中,所述对待处理图像进行预处理,包括:
将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
9.根据权利要求7所述的方法,其中,在第一处理器响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,所述方法还包括:
从待处理图像序列中删除目标图像对应的待处理图像。
10.一种图像处理装置,包括:
接收单元,用于从第一处理器接收待处理图像;
第一处理单元,用于将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果;
第一发送单元,用于响应于确定得到所述目标图像的处理结果,向第一处理器发送图像获取请求,其中,所述第一处理器响应于接收到所述图像获取请求且已获取新的待处理图像,发送所获取的新的待处理图像;
第二发送单元,用于响应于接收到第一处理器发送的处理结果获取请求,向第一处理器发送所述目标图像的处理结果,其中,所述第一处理器响应于接收到目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果并向第一处理器发送处理结果获取请求。
11.根据权利要求10所述的装置,其中,所述接收单元进一步用于:
从第一处理器接收对待处理图像序列中的一组待处理图像进行读取并预处理得到的图像;
所述第一处理器进一步响应于接收到所述图像获取请求且已对待处理图像序列中目标图像的下一组待处理图像完成读取及预处理,发送已完成读取及预处理的所述下一组待处理图像。
12.一种图像处理装置,包括:
第三发送单元,用于响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像,其中,所述第二处理器响应于接收到待处理图像,将待处理图像作为目标图像输入基于神经网络的机器学习模型进行处理,得到处理结果并发送图像获取请求;
第四发送单元,用于向所述第二处理器发送图像处理结果获取请求,并接收所述第二处理器响应于接收到图像处理结果获取请求而发送的目标图像的处理结果;
第二处理单元,用于响应于接收到所述目标图像的处理结果,对目标图像的处理结果进行融合处理,输出融合后的处理结果,并向第二处理器发送图像处理结果获取请求。
13.根据权利要求12所述的装置,其中,所述装置还包括:
预处理单元,用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之前,读取待处理图像序列中的待处理图像并对待处理图像进行预处理;以及
删除单元,用于在响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已获取的待处理图像之后,从所述待处理图像序列中删除所述目标图像对应的待处理图像;
所述第三发送单元进一步用于:
响应于接收到第二处理器发送的图像获取请求,向第二处理器发送已读取并预处理的待处理图像。
14.根据权利要求13所述的装置,其中,所述预处理单元进一步用于按照如下方式对待处理图像进行预处理:
将待处理图像进行至少一个尺度的缩放,以构建待处图像的图像金字塔。
15.一种电子设备,包括:
第一处理器和第二处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述第一处理器和第二处理器执行,使得所述第一处理器和第二处理器实现如权利要求1-9中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299833.0A CN108491890B (zh) | 2018-04-04 | 2018-04-04 | 图像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810299833.0A CN108491890B (zh) | 2018-04-04 | 2018-04-04 | 图像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491890A true CN108491890A (zh) | 2018-09-04 |
CN108491890B CN108491890B (zh) | 2022-05-27 |
Family
ID=63314830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810299833.0A Active CN108491890B (zh) | 2018-04-04 | 2018-04-04 | 图像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491890B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956600A (zh) * | 2019-11-27 | 2020-04-03 | 北京百度网讯科技有限公司 | 信息融合方法、装置、电子设备及可读存储介质 |
CN111522771A (zh) * | 2020-04-20 | 2020-08-11 | 北京百度网讯科技有限公司 | 眼底图像处理方法、终端设备及存储介质 |
CN111724312A (zh) * | 2019-03-22 | 2020-09-29 | Tcl集团股份有限公司 | 一种处理图像的方法及终端 |
CN112036503A (zh) * | 2020-09-11 | 2020-12-04 | 浙江大华技术股份有限公司 | 基于分步线程的图像处理方法和装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550640A (zh) * | 2015-12-07 | 2016-05-04 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105574585A (zh) * | 2015-12-14 | 2016-05-11 | 四川长虹电器股份有限公司 | 基于多线程互斥的神经网络模型的样本训练方法 |
JP2016177393A (ja) * | 2015-03-19 | 2016-10-06 | カシオ計算機株式会社 | 情報処理装置、顔認識方法、及びプログラム |
CN107220652A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 用于处理图片的方法和装置 |
US20170323224A1 (en) * | 2016-05-07 | 2017-11-09 | 1026 Labs, Inc. | Apparatus for hardware accelerated machine learning |
CN107463990A (zh) * | 2016-06-02 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | 一种卷积神经网络的fpga并行加速方法 |
CN107515736A (zh) * | 2017-07-01 | 2017-12-26 | 广州深域信息科技有限公司 | 一种在嵌入式设备上加速深度卷积网络计算速度的方法 |
CN107657316A (zh) * | 2016-08-12 | 2018-02-02 | 北京深鉴科技有限公司 | 通用处理器与神经网络处理器的协同***设计 |
CN107679561A (zh) * | 2017-09-15 | 2018-02-09 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、***、计算机设备 |
-
2018
- 2018-04-04 CN CN201810299833.0A patent/CN108491890B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016177393A (ja) * | 2015-03-19 | 2016-10-06 | カシオ計算機株式会社 | 情報処理装置、顔認識方法、及びプログラム |
CN105550640A (zh) * | 2015-12-07 | 2016-05-04 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105574585A (zh) * | 2015-12-14 | 2016-05-11 | 四川长虹电器股份有限公司 | 基于多线程互斥的神经网络模型的样本训练方法 |
US20170323224A1 (en) * | 2016-05-07 | 2017-11-09 | 1026 Labs, Inc. | Apparatus for hardware accelerated machine learning |
CN107463990A (zh) * | 2016-06-02 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | 一种卷积神经网络的fpga并行加速方法 |
CN107657316A (zh) * | 2016-08-12 | 2018-02-02 | 北京深鉴科技有限公司 | 通用处理器与神经网络处理器的协同***设计 |
CN107220652A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 用于处理图片的方法和装置 |
CN107515736A (zh) * | 2017-07-01 | 2017-12-26 | 广州深域信息科技有限公司 | 一种在嵌入式设备上加速深度卷积网络计算速度的方法 |
CN107679561A (zh) * | 2017-09-15 | 2018-02-09 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、***、计算机设备 |
Non-Patent Citations (2)
Title |
---|
A-RAM BAEK等: "Speed-up image processing on mobile CPU and GPU", 《2015 ASIA PACIFIC CONFERENCE ON MULTIMEDIA AND BROADCASTING》, 20 August 2015 (2015-08-20), pages 79 - 81 * |
张银叶: "一种可适应多变需求的数据处理平台设计与应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 2015, 15 September 2015 (2015-09-15), pages 138 - 1302 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724312A (zh) * | 2019-03-22 | 2020-09-29 | Tcl集团股份有限公司 | 一种处理图像的方法及终端 |
CN110956600A (zh) * | 2019-11-27 | 2020-04-03 | 北京百度网讯科技有限公司 | 信息融合方法、装置、电子设备及可读存储介质 |
CN111522771A (zh) * | 2020-04-20 | 2020-08-11 | 北京百度网讯科技有限公司 | 眼底图像处理方法、终端设备及存储介质 |
CN111522771B (zh) * | 2020-04-20 | 2023-08-15 | 北京百度网讯科技有限公司 | 眼底图像处理方法、终端设备及存储介质 |
CN112036503A (zh) * | 2020-09-11 | 2020-12-04 | 浙江大华技术股份有限公司 | 基于分步线程的图像处理方法和装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108491890B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038469B (zh) | 用于检测人体的方法和装置 | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN108491890A (zh) | 图像方法和装置 | |
CN107578017A (zh) | 用于生成图像的方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
US20210042504A1 (en) | Method and apparatus for outputting data | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN108491823B (zh) | 用于生成人眼识别模型的方法和装置 | |
CN110443222A (zh) | 用于训练脸部关键点检测模型的方法和装置 | |
CN112508120B (zh) | 学生模型训练方法、装置、设备、介质和程序产品 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN110209658B (zh) | 数据清洗方法和装置 | |
CN112231663A (zh) | 结合rpa和ai的数据采集方法、装置、设备及存储介质 | |
CN109871791A (zh) | 图像处理方法和装置 | |
CN112241330A (zh) | 结合rpa和ai的流程处理方法、装置、设备及存储介质 | |
CN113963110A (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN110427915A (zh) | 用于输出信息的方法和装置 | |
CN109543068A (zh) | 用于生成视频的评论信息的方法和装置 | |
CN110353688A (zh) | 基于人工智能和电子皮肤的臀部接触数据进行坐姿分析的方法 | |
CN108171167A (zh) | 用于输出图像的方法和装置 | |
CN114529945A (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN109829520A (zh) | 图像处理方法和装置 | |
CN115147547B (zh) | 人体重建方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |