원래 이름 기록: 北京君正集成电路股份有限公司

本发明提供一种改进的神经网络量化校准方法，包括：S1.构建校准数据集；S2.保存浮点神经网络特征图；S3.量化神经网络输入；S4.校准量化参数；S5，量化权重；S6.量化特征图；S7，量化效果评估。这项改进为现有的校准方法提供了有效的补充，提高了校准过程的鲁棒性，减少由于极端情况导致的量化异常，从而提高了神经网络的可靠性，在实际应用中具有重要意义。

本发明提供一种提升人形动检性能的方法，包括：S1，移动检测：检测出视频流中移动的物体，输出移动物体的位置，即左上和右下坐标；方法是将相邻的两帧图片做帧差；S2，合并移动检测结果：合并移动框为了减少检测次数和减少重复检测的次数，假设两个移动目标离的近时，这时将这两个移动框合并在一起，做一次人形检测即可，无需每个移动框都扣一次进行人形检测；并且，合并移动检测分两种情况：一种是近距离，人形目标在3m内；一种是远距离，人形目标在3m外；S3，抠图：对进检测的图片宽高最大值，将扣出的图片按长边缩放到256，短边等比缩放；S4，人形检测：将扣出的移动图片做人形检测。在不压缩模型的情况下，降低人形动检性能，并提升检测效率。

本发明提供一种提升自动对焦AutoFocus性能的方法，包括：S1，sobel算子提取边缘值：通过cv2.Soble()指令提取图片边缘信息，表示为：sobelx＝cv2.Sobel(img,cv2.CV_32F,1,0)，sobely＝cv2.Sobel(img,cv2.CV_32F,0,1)；S2.求方差：af＝(np.var(sobelx)+np.var(sobely))*N，np.var为求方差的函数，公式为sobelx和sobely的方差和，再乘系数N，获得的af即是图片的清晰度值；Sobel算子处理后得到的像素值分布比较散，所以可以利用方差做评判标准，因为方差是衡量随机变量或一组数据时离散程度的度量。在效果优于之前方法的同时又提升了性能，效果方面优化后的方法峰值和峰谷的差值更大，这样就更容易找到峰值性能方面主要是计算量少了，所以CPU利用率和内存使用会降低。