基于深度学习的车型识别算法与DSP平台实现

发布时间：2021-01-15 16:45

　　在军事侦察领域,对地面上各种轮式车辆、履带式车辆等进行准确无误的侦察和识别,便于准确评估其威胁度,实时感知战场局势,掌握战争的主动权。但由于军事车辆数据库的特殊性,本文以民用车辆数据库作为训练集,设计实现一个通用性强、识别率高、分类结果更精细并且功耗更低的实时车型识别系统,可以应用到任何嵌入式设备中。本文嵌入式车型识别系统的设计工作主要分为以下四个方面来进行:（1）在PC平台上,利用深度学习算法设计了一个识别率高、分类结果更精细、通用性更强的车型识别模型,将常见的小型乘用车分为皮卡车、面包车、SUV、MPV、三厢轿车、两厢轿车六类。（2）通过将车型识别模型成功应用到TMS320C6678 DSP芯片上,构建了嵌入式车型识别系统。（3）结合DSP体系结构特点,对单核上的嵌入式车型识别系统进行了一系列优化,最终系统对于单张图片的识别时间仅为0.36s。（4）利用多核处理器的优势,采取多线程并行的方式来对嵌入式车型识别系统进行了性能优化,最终系统的识别时间为0.15s。经过性能对比分析验证,构建好的嵌入式车型识别系统具有低功耗、实时识别等优点。 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

sigmoid的函数曲线

国防科学技术大学研究生院硕士学位论文元构成，输入层负责接收外界信号，然后。神经网络是一个有向无环的网络结构负责接收样本数据，隐含层负责处理和传为三层的神经网络图，神经元间的互连的置的线性作用以及 sigmoid 函数的非线性单向全连接，而同一层内的神经元之间

输入层卷积核卷积层池化层卷积核卷积层池化层全连接层输出层图 2.4 卷积神经网络结构图神经网络的图像识别算法中的特征提取部分主要由隐含层完成，神经元的输入与上一层的神经元采用局部相连的方法，通过卷积局部特征，然后经激活函数处理后生成当前层的输出特征平面，降低数据维度以及对特征进行二次提取。）卷积层提取显著特征，降低特征维度，减少数据量，需要对图像进行像用一个卷积核进行卷积运算，卷积核实质上是提供了一个权重)所示的黄色矩阵，大小为3×3，这个模板每次在图像上按照一个。将中心依次与图像的每个元素对齐，如图 2.5(b)所示，然后计模板元素值的乘积和，最后将模板区域内计算的结果作为中心点核的滑动步长为 1，最终得到的卷积后的图像如图 2.5(c)所示。

【参考文献】：
期刊论文
[1]深度学习在图像识别领域的应用现状与优势[J]. 周宇杰.  中国安防. 2016(07)
[2]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚.  计算机科学. 2016(02)
[3]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰.  计算机应用研究. 2016(03)
[4]一种新的基于模板匹配的车型识别[J]. 李涛,李冬梅,唐红强,赵雪专,黄仁杰.  电视技术. 2014(15)
[5]地面车辆目标识别研究综述[J]. 李开明,张群,罗迎,梁必帅,杨小优.  电子学报. 2014(03)
[6]主流乘用车企业分类标准研究[J]. 曹波,余成龙,廖俊.  四川兵工学报. 2013(12)
[7]采用改进的尺度不变特征转换及多视角模型对车型识别[J]. 华莉琴,许维,王拓,马瑞芳,胥博.  西安交通大学学报. 2013(04)
[8]基于BP神经网络的车型识别研究[J]. 吴志攀.  现代计算机(专业版). 2013(04)
[9]多核图像处理并行设计范式的研究与应用[J]. 王成良,谢克家,刘昕.  计算机工程. 2011(14)
[10]DSP应用技术综述[J]. 廖娜.  科技信息. 2008(32)

硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[2]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[3]基于图像识别的车型自动分类系统[D]. 沈勇武.浙江大学 2008
[4]基于FPGA和DSP的车牌识别系统的硬件设计与实现[D]. 李科.电子科技大学 2007



本文编号：2979165