申请/专利权人：北京君正集成电路股份有限公司

申请日：2017-03-02

公开（公告）日：2021-04-27

公开（公告）号：CN108537340B

主分类号：G06N20/00(20190101)

分类号：G06N20/00(20190101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.27#授权;2018.10.16#实质审查的生效;2018.09.14#公开

摘要：本发明提供了一种模型数据的读取方法和装置，其中，该方法包括：采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；获取XML文件中数据块对应的维度；根据数据块对应的维度，计算得到CELL的坐标信息；根据CELL的坐标信息，计算得到矩形的横坐标和纵坐标；将矩形的横坐标、矩形的纵坐标、矩形的宽、矩形的高、CELL的坐标信息，作为XML文件的特征数据部分；读取预设的数据类型的层数据部分和特征数据部分；根据预设的数据类型的层数据部分和特征数据部分，进行目标对象的检测识别。本发明解决了现有的模型数据读取过程中所存在的内存消耗大、效率低下的技术问题，达到了减少内存消耗和提高数据读取效率的技术效果。

主权项：1.一种模型数据的读取方法，其特征在于，包括：采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；获取所述XML文件中数据块对应的维度；根据数据块对应的维度，计算得到CELL的坐标信息；根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；读取预设的数据类型的层数据部分和所述特征数据部分；根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。

全文数据：模型数据的读取方法和装置技术领域[0001]本发明涉及智能识别技术领域，特别涉及一种模型数据的读取方法和装置。背景技术[0002]目前，机器学习算法一般是先进行模型的训练得到相应的XML文件，然后，在检测的时候，先加载训练好的XML文件，再进行窗口的遍历，以进行目标的检测。[0003]对于基于hog特征的XML可以包括两个部分：[0004]Istages部分层部分），主要包括的是:maxWeakCountstage包含的弱分类器个数）、stageThreshold该stage的阈值）。假设一共五个5个弱分类器了，那么对于每个弱分类器而言，其中包括有：internalNodes和IeafValues两个节点，分别记录：left和right标记、featureID^Pthresholdl0[0005]2features部分特征部分），分类器中的features节点中保存的可以是该分类器使用到的各种特征值，featureID就是在这些中的ID，就是在这些之中的顺序位置。其中，对于一个HOG特征，rect节点例如:〈rect0888l〈rect中的前四个数字0888代表提到的矩形，而最后的一个数字（1表示要提取的特征值是block中提取的36维向量中的哪一个。[0006]其中，特征的读取最终将保留在featureEvaluator中的vector〈Feature中，具体地，Feature的定义（以hog特征为例）：[0009]其中的CELL_NUM这里是4和BIN_NUM这里是9分别表示hog特征提取的过程中block内cell的个数和梯度方向划分的区间的个数。即，在一个block内，将提取出CELL_NUM*BIN_NUM维度的hog特征向量。[0010]其中，rect[CELL_NUM]保存的是block的四个矩形位置，featComponent表明该特征是364*9维hog特征中的哪一个维度的值。[0011]对于pF和pN而言，首先可以假设featComponent=10,也就是说，提取的特征值是该rect描述的block内提取的HOG特征的第10个值，而第一个cell中会产生9个值，那么第10个值就是第二个cell中的第一个值。通过原图计算梯度和按照区间划分的梯度积分图之后，共产生9个积分图，那么pF应当指向第1个积分图内rect描述的block内的第二个cell矩形位置的四个点。[0012]由此可见，上述生成XML的过程中，存在一些无用的数据，且这些数据大多数是浮点数据，如果直接采用原始的load加载数据模型的方式进行模型加载，那么将消耗较多的资源，且占用内存量比较大，效率比较低。[0013]进一步的，在将所有的features遍历填充到vector〈Feature中的过程中，即，计算pN、pF时，需要将block的4个矩形框均计算保存下来（S卩rect[4]，具体计算哪一维特征时，还需要计算featComponent9和featComponent%9结合前面的rect[4]才能得到，因此效率比较低下。[00M]针对上述问题，目前尚未提出有效的解决方案。发明内容[0015]本发明实施例提供了一种模型数据的读取方法，以解决现有的模型数据读取过程中所存在的内存消耗大、效率低下的技术问题，该方法包括：[0016]采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；[0017]获取所述XML文件中数据块对应的维度；[0018]根据数据块对应的维度，计算得到CELL的坐标信息；[0019]根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；[0020]将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；[0021]读取预设的数据类型的层数据部分和所述特征数据部分；[0022]根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。[0023]在一个实施方式中，所述层数据部分包括以下至少之一:训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。[0024]在一个实施方式中，所述预设的数据类型包括以下至少之一:unsignedshort、int、uchar〇[0025]在一个实施方式中，根据数据块对应的维度，计算得到CELL的坐标信息，包括：[0026]按照以下规则，计算得到所述CELL的坐标信息：[0027]如果featComponent9=0，那么rx=rxO，ry=ry0;[0028]如果featComponent9=I，那么rx=rx0+rw0，ry=ryO;[0029]如果featComponent9=2，那么rx=rx0，ry=ry0+rh0;[0030]否则，rx=rx0+rw0，ry=ry0+rh0;[0031]其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。[0032]在一个实施方式中，在将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分的过程中，还包括：[0033]采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息。[0034]在一个实施方式中，所述XML文件是基于HOG特征的XML文件。[0035]本发明实施例还提供了一种模型数据的读取装置，以解决现有的模型数据读取过程中所存在的内存消耗大、效率低下的技术问题，该装置包括：[0036]第一读取模块，用于采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；[0037]获取模块，用于获取所述XML文件中数据块对应的维度；[0038]第一计算模块，用于根据数据块对应的维度，计算得到CELL的坐标信息；[0039]第二计算模块，用于根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；[0040]生成模块，用于将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；[0041]第二读取模块，用于读取预设的数据类型的层数据部分和所述特征数据部分；[0042]识别模块，用于根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。[0043]在一个实施方式中，所述层数据部分包括以下至少之一:训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。[0044]在一个实施方式中，所述第一计算模块具体用于按照以下按照以下规则，计算得到所述CELL的坐标信息：[0045]如果featComponent9=0，那么rx=rxO，ry=ry0;[0046]如果featComponent9=I，那么rx=rxO+rwO，ry=ryO;[0047]如果featComponent9=2，那么rx=rx0，ry=ry0+rh0;[0048]否则，rx=rxO+rwO，ry=ry0+rh0;[0049]其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。[0050]在一个实施方式中，所述生成模块，还用于采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息。[0051]在本发明实施例中，通过在线下按照预定的数据格式读取XML文件，避免了浮点型数据导致的数据读写复杂的问题，进一步的，通过在线下进行从数据块对应的维度到CELL的坐标信息的计算，并确定矩形的横纵坐标，从而可以提高识别的效率，通过上述方式解决了现有的模型数据读取过程中所存在的内存消耗大、效率低下的技术问题，达到了减少内存消耗和提高数据读取效率的技术效果。附图说明[0052]此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：[0053]图1是根据本发明实施例的模型数据的读取方法的方法流程图；[0054]图2是根据本发明实施例的模型数据的读取装置的结构框图。具体实施方式[0055]为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。[0056]为了更好地理解本发明，下面先对几个名词解释如下：[0057]1模型，指代检测时用到的XML文件，在目标检测中，可以利用训练好的XML文件去遍历检测图像中是否存在目标对象；[0058]2XML文件，可以是提取训练样本的某个特征，利用某个机器学习方法，最终得到的结果数据文件，可以包括:分类器的级数、阈值、叶子值以及特征池等相关数据。[0059]考虑到现有的模型数据读取过程中所存在的内存消耗大、冗余计算多，而导致的效率低下的问题，发明人想到这主要是因为现有的模型数据中，存在很多的无用数据，且大多是浮点型数据，直接读取这种数据，占用的内存势必会很多，因此，可以考虑对数据类型进行一个转换，同时，现有的在对某一维度的特征计算的时候，需要计算featComponent9和featComponent%9结合前面的rect[4]才能得到，因此，考虑可以在线下计算featComponent9,直接存入featComponentO中，从而减少特征池中的数据，通过featComponentO即可得到首地址后直接计算即可。[0060]为此，在本例中提供了一种模型数据的读取方法，如图1所示，可以包括以下步骤：[0061]步骤101:采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；[0062]该预设的数据类型可以是unsignedshort数据类型。具体地，考虑到在训练得到XML文件后，在线下读取时，可以采用将同一类数值保存在一个数组中的方式，并对训练出来的浮点数的阈值、左右叶子节点值做定点转化，例如，乘以10的6次方，这样int[]里面存的就是弱分类器的阈值，进一步的，实际值是不会超出16位的，因此，可以采用unsignedshort，以降低内存。[0063]在实现的时候，层数据部分可以包括但不限于以下至少之一：训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。即，这些数据都可以采用设置的数据类型进行存储，例如：uchar0W、0H训练样本的宽高）、unsignedshortsnt[]每一级强分类器弱分类器的个数）、unsignedshortwt总的弱分类器的个数）、intthresholds!!]每个弱分类器的阈值）、unsignedshortnf[]特征索引）、intleaves[]左右叶子值，偶下标对应左叶子值，右下标对应右叶子值）。[0064]步骤102:获取所述XML文件中数据块对应的维度；[0065]步骤103:根据数据块对应的维度，计算得到CELL的坐标信息；[0066]步骤104:根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；[0067]具体地，可以按照以下规则，计算得到所述CELL的坐标信息：[0068]如果featComponent9=0，那么rx=rxO，ry=ry0;[0069]如果featComponent9=I，那么rx=rxO+rwO，ry=ry0;[0070]如果featComponent9=2，那么rx=rxO，ry=ryO+rhO;[0071]否则，rx=rxO+rwO，ry=ryO+rhO;[0072]其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。[0073]步骤105:将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；[0074]为了实现数据的简单读取，只保存有用的数据，在使用时再一次性存到对应的元素里，可以采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息。[0075]步骤106:读取预设的数据类型的层数据部分和所述特征数据部分；[0076]步骤107:根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。[0077]在上述各个实施方式中，XML文件可以是基于HOG特征的XML文件。[0078]下面结合一个具体实施例对上述模型数据读取方法进行说明，然而，值得注意的是，给具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。[0079]训练得到的XML文件在线下读取时将同一个类值保存在一个数组里，并对训练出来的浮点数的阈值、左右叶子值做定点转化（同时乘上10Λ6，例如：intnt[]里面存的就是每个弱分类器的阈值，进一步的，通过实际应用发现实际该值是不会超过16位的，因此，可以采用unsignedshort以降低内存;类似地，可以设置:uchar0W、0H训练样本的宽高）、unsignedshortsnt[]每一级强分类器弱分类器的个数）、unsignedshortwt总的弱分类器的个数）、intthresholds!!]每个弱分类器的阈值）、unsignedshortnf[]特征索引）、intleaves[]左右叶子值，偶下标对应左叶子值，右下标对应右叶子值）。即，只保存有用的数据，在使用时再一次性存到对应的元素中即可。[0080]对于特征池feature部分，可以分别包含左上角cel1的矩形信息rx0、ry0、rw0、rh0以及在当前block的索引featComponent0〜35。在实际应用的时候，可以通过featComponent9值和featComponent%9获取对应cell的坐标信息以及在该ce11种对应的方向数。实际实现的时候，可以已知featC〇mp〇nent值的情况下，在线下就做featComponent9、featComponent%9的计算，并由featComponent9得到相应的rx、ry，如下：[0086]将featComponent%9直接存入featComponentO，这样特征池部分只需要五个数组ucharrx[]、ry□、:rw□、:rh□、:featComponentO□，原来的structFeature里面的Rectrect[4]只需要变为Rectrect即可，而且后面计算偏移的时候不需要再通过9和％9的计算之后获取四个顶点的偏移，而是由featComponentO得到首地址之后直接计算即可。[0087]通过弱分类器对应特征下标t9、t%9提前运算提前线下运算，可以有效提高模型数据读取和处理的效率。[0088]基于同一发明构思，本发明实施例中还提供了一种模型数据的读取装置，如下面的实施例所述。由于模型数据的读取装置解决问题的原理与模型数据的读取方法相似，因此模型数据的读取装置的实施可以参见模型数据的读取方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图2是本发明实施例的模型数据的读取装置的一种结构框图，如图2所示，可以包括:第一读取模块201、获取模块202、第一计算模块203、第二计算模块204、生成模块205、第二读取模块206和识别模块207,下面对该结构进行说明。[0089]第一读取模块201，用于采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；[0090]获取模块202，用于获取所述XML文件中数据块对应的维度；[0091]第一计算模块203,用于根据数据块对应的维度，计算得到CELL的坐标信息；[0092]第二计算模块204,用于根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；[0093]生成模块205,用于将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；[0094]第二读取模块206,用于读取预设的数据类型的层数据部分和所述特征数据部分；[0095]识别模块207,用于根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。[0096]在一个实施方式中，层数据部分可以包括但不限于以下至少之一：训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。[0097]在一个实施方式中，第一计算模块具体可以用于按照以下按照以下规则，计算得到所述CELL的坐标信息：[0098]如果featComponent9=0，那么rx=rxO，ry=ry0;[0099]如果featComponent9=I，那么rx=rxO+rwO，ry=ryO;[0100]如果featComponent9=2，那么rx=rx0，ry=ry0+rh0;[0101]否则，rx=rxO+rwO，ry=ry0+rh0;[0102]其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。[0103]在一个实施方式中，生成模块，还可以用于采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息。[0104]在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。[0105]在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。[0106]从以上的描述中，可以看出，本发明实施例实现了如下技术效果:通过在线下按照预定的数据格式读取XML文件，避免了浮点型数据导致的数据读写复杂的问题，进一步的，通过在线下进行从数据块对应的维度到CELL的坐标信息的计算，并确定矩形的横纵坐标，从而可以提高识别的效率，通过上述方式解决了现有的模型数据读取过程中所存在的内存消耗大、效率低下的技术问题，达到了减少内存消耗和提高数据读取效率的技术效果。[0107]显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。[0108]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种模型数据的读取方法，其特征在于，包括：采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；获取所述XML文件中数据块对应的维度；根据数据块对应的维度，计算得到CELL的坐标信息；根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；读取预设的数据类型的层数据部分和所述特征数据部分；根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。2.根据权利要求1所述的方法，其特征在于，所述层数据部分包括以下至少之一：训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。3.根据权利要求1所述的方法，其特征在于，所述预设的数据类型包括以下至少之一：unsignedshort、int、uchar〇4.根据权利要求1所述的方法，其特征在于，根据数据块对应的维度，计算得到CELL的坐标信息，包括：按照以下规则，计算得到所述CELL的坐标信息：如果1^七3!1^〇116111:9=0，那么犷叉=犷叉0，犷7=犷7〇;如果featComponent9=1，那么rx=rxO+rwO，ry=ryO;如果1^1:311^〇116111:9=2，那么犷叉=犷叉0，犷7=犷7〇+1'11〇;否则，rx=rxO+rwO，ry=ryO+rhO;其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。5.根据权利要求1所述的方法，其特征在于，在将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分的过程中，还包括：采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述XML文件是基于HOG特征的XML文件。7.—种模型数据的读取装置，其特征在于，包括：第一读取模块，用于采用预设的数据类型，在线下，读取训练得到的XML文件中的层数据部分；获取模块，用于获取所述XML文件中数据块对应的维度；第一计算模块，用于根据数据块对应的维度，计算得到CELL的坐标信息；第二计算模块，用于根据所述CELL的坐标信息，计算得到矩形的横坐标和纵坐标；生成模块，用于将所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标信息，作为所述XML文件的特征数据部分；第二读取模块，用于读取预设的数据类型的层数据部分和所述特征数据部分；识别模块，用于根据所述预设的数据类型的层数据部分和所述特征数据部分，进行目标对象的检测识别。8.根据权利要求7所述的装置，其特征在于，所述层数据部分包括以下至少之一：训练样本的高度、每一级强分类器的个数、每一级弱分类器的个数、总的弱分类器的个数、每个弱分类器的阈值、特征索引、左右叶子节点值。9.根据权利要求7所述的装置，其特征在于，所述第一计算模块具体用于按照以下按照以下规则，计算得到所述CELL的坐标信息：如果亡6七〇311^〇11611七9=0，那么1^=1^0，1^=1^0;如果featComponent9=1，那么rx=rxO+rwO，ry=ryO;如果亡6七〇311^011611七9=2，那么1^=1^0，1^=1^0+1'11〇;否则，rx=rxO+rwO，ry=ryO+rhO;其中，featComponent9表示数据块对应的维度，rx表示的横坐标，ry表示矩阵的纵坐标，rxO表示纵坐标初始值、ryO表示横坐标初始值、rwO表示矩阵宽度初始值、rhO表示矩阵高度初始值。10.根据权利要求7所述的装置，其特征在于，所述生成模块，还用于采用数组方式，存储所述矩形的横坐标、所述矩形的纵坐标、所述矩形的宽、所述矩形的高、所述CELL的坐标fg息C5

百度查询： 北京君正集成电路股份有限公司 模型数据的读取方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD