基于深度學習的車型識別算法與DSP平臺實現(xiàn)
發(fā)布時間：2021-01-15 16:45
在軍事偵察領(lǐng)域,對地面上各種輪式車輛、履帶式車輛等進行準確無誤的偵察和識別,便于準確評估其威脅度,實時感知戰(zhàn)場局勢,掌握戰(zhàn)爭的主動權(quán)。但由于軍事車輛數(shù)據(jù)庫的特殊性,本文以民用車輛數(shù)據(jù)庫作為訓練集,設計實現(xiàn)一個通用性強、識別率高、分類結(jié)果更精細并且功耗更低的實時車型識別系統(tǒng),可以應用到任何嵌入式設備中。本文嵌入式車型識別系統(tǒng)的設計工作主要分為以下四個方面來進行:（1）在PC平臺上,利用深度學習算法設計了一個識別率高、分類結(jié)果更精細、通用性更強的車型識別模型,將常見的小型乘用車分為皮卡車、面包車、SUV、MPV、三廂轎車、兩廂轎車六類。（2）通過將車型識別模型成功應用到TMS320C6678 DSP芯片上,構(gòu)建了嵌入式車型識別系統(tǒng)。（3）結(jié)合DSP體系結(jié)構(gòu)特點,對單核上的嵌入式車型識別系統(tǒng)進行了一系列優(yōu)化,最終系統(tǒng)對于單張圖片的識別時間僅為0.36s。（4）利用多核處理器的優(yōu)勢,采取多線程并行的方式來對嵌入式車型識別系統(tǒng)進行了性能優(yōu)化,最終系統(tǒng)的識別時間為0.15s。經(jīng)過性能對比分析驗證,構(gòu)建好的嵌入式車型識別系統(tǒng)具有低功耗、實時識別等優(yōu)點。
【文章來源】：國防科技大學湖南省 211工程院校 985工程院校
【文章頁數(shù)】：76 頁
【學位級別】：碩士
【部分圖文】：
sigmoid的函數(shù)曲線
國防科學技術(shù)大學研究生院碩士學位論文元構(gòu)成，輸入層負責接收外界信號，然后。神經(jīng)網(wǎng)絡是一個有向無環(huán)的網(wǎng)絡結(jié)構(gòu)負責接收樣本數(shù)據(jù)，隱含層負責處理和傳為三層的神經(jīng)網(wǎng)絡圖，神經(jīng)元間的互連的置的線性作用以及 sigmoid 函數(shù)的非線性單向全連接，而同一層內(nèi)的神經(jīng)元之間
輸入層卷積核卷積層池化層卷積核卷積層池化層全連接層輸出層圖 2.4 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖神經(jīng)網(wǎng)絡的圖像識別算法中的特征提取部分主要由隱含層完成，神經(jīng)元的輸入與上一層的神經(jīng)元采用局部相連的方法，通過卷積局部特征，然后經(jīng)激活函數(shù)處理后生成當前層的輸出特征平面，降低數(shù)據(jù)維度以及對特征進行二次提取。）卷積層提取顯著特征，降低特征維度，減少數(shù)據(jù)量，需要對圖像進行像用一個卷積核進行卷積運算，卷積核實質(zhì)上是提供了一個權(quán)重)所示的黃色矩陣，大小為3×3，這個模板每次在圖像上按照一個。將中心依次與圖像的每個元素對齊，如圖 2.5(b)所示，然后計模板元素值的乘積和，最后將模板區(qū)域內(nèi)計算的結(jié)果作為中心點核的滑動步長為 1，最終得到的卷積后的圖像如圖 2.5(c)所示。
【參考文獻】：
期刊論文
[1]深度學習在圖像識別領(lǐng)域的應用現(xiàn)狀與優(yōu)勢[J]. 周宇杰. 中國安防. 2016(07)
[2]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學. 2016(02)
[3]基于深度卷積神經(jīng)網(wǎng)絡的車型識別研究[J]. 鄧柳,汪子杰. 計算機應用研究. 2016(03)
[4]一種新的基于模板匹配的車型識別[J]. 李濤,李冬梅,唐紅強,趙雪專,黃仁杰. 電視技術(shù). 2014(15)
[5]地面車輛目標識別研究綜述[J]. 李開明,張群,羅迎,梁必帥,楊小優(yōu). 電子學報. 2014(03)
[6]主流乘用車企業(yè)分類標準研究[J]. 曹波,余成龍,廖俊. 四川兵工學報. 2013(12)
[7]采用改進的尺度不變特征轉(zhuǎn)換及多視角模型對車型識別[J]. 華莉琴,許維,王拓,馬瑞芳,胥博. 西安交通大學學報. 2013(04)
[8]基于BP神經(jīng)網(wǎng)絡的車型識別研究[J]. 吳志攀. 現(xiàn)代計算機(專業(yè)版). 2013(04)
[9]多核圖像處理并行設計范式的研究與應用[J]. 王成良,謝克家,劉昕. 計算機工程. 2011(14)
[10]DSP應用技術(shù)綜述[J]. 廖娜. 科技信息. 2008(32)
碩士論文
[1]深度學習在圖像識別中的研究及應用[D]. 李衛(wèi).武漢理工大學 2014
[2]卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012
[3]基于圖像識別的車型自動分類系統(tǒng)[D]. 沈勇武.浙江大學 2008
[4]基于FPGA和DSP的車牌識別系統(tǒng)的硬件設計與實現(xiàn)[D]. 李科.電子科技大學 2007
本文編號：2979165
【文章來源】：國防科技大學湖南省 211工程院校 985工程院校
【文章頁數(shù)】：76 頁
【學位級別】：碩士
【部分圖文】：
sigmoid的函數(shù)曲線
國防科學技術(shù)大學研究生院碩士學位論文元構(gòu)成，輸入層負責接收外界信號，然后。神經(jīng)網(wǎng)絡是一個有向無環(huán)的網(wǎng)絡結(jié)構(gòu)負責接收樣本數(shù)據(jù)，隱含層負責處理和傳為三層的神經(jīng)網(wǎng)絡圖，神經(jīng)元間的互連的置的線性作用以及 sigmoid 函數(shù)的非線性單向全連接，而同一層內(nèi)的神經(jīng)元之間
輸入層卷積核卷積層池化層卷積核卷積層池化層全連接層輸出層圖 2.4 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖神經(jīng)網(wǎng)絡的圖像識別算法中的特征提取部分主要由隱含層完成，神經(jīng)元的輸入與上一層的神經(jīng)元采用局部相連的方法，通過卷積局部特征，然后經(jīng)激活函數(shù)處理后生成當前層的輸出特征平面，降低數(shù)據(jù)維度以及對特征進行二次提取。）卷積層提取顯著特征，降低特征維度，減少數(shù)據(jù)量，需要對圖像進行像用一個卷積核進行卷積運算，卷積核實質(zhì)上是提供了一個權(quán)重)所示的黃色矩陣，大小為3×3，這個模板每次在圖像上按照一個。將中心依次與圖像的每個元素對齊，如圖 2.5(b)所示，然后計模板元素值的乘積和，最后將模板區(qū)域內(nèi)計算的結(jié)果作為中心點核的滑動步長為 1，最終得到的卷積后的圖像如圖 2.5(c)所示。
【參考文獻】：
期刊論文
[1]深度學習在圖像識別領(lǐng)域的應用現(xiàn)狀與優(yōu)勢[J]. 周宇杰. 中國安防. 2016(07)
[2]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學. 2016(02)
[3]基于深度卷積神經(jīng)網(wǎng)絡的車型識別研究[J]. 鄧柳,汪子杰. 計算機應用研究. 2016(03)
[4]一種新的基于模板匹配的車型識別[J]. 李濤,李冬梅,唐紅強,趙雪專,黃仁杰. 電視技術(shù). 2014(15)
[5]地面車輛目標識別研究綜述[J]. 李開明,張群,羅迎,梁必帥,楊小優(yōu). 電子學報. 2014(03)
[6]主流乘用車企業(yè)分類標準研究[J]. 曹波,余成龍,廖俊. 四川兵工學報. 2013(12)
[7]采用改進的尺度不變特征轉(zhuǎn)換及多視角模型對車型識別[J]. 華莉琴,許維,王拓,馬瑞芳,胥博. 西安交通大學學報. 2013(04)
[8]基于BP神經(jīng)網(wǎng)絡的車型識別研究[J]. 吳志攀. 現(xiàn)代計算機(專業(yè)版). 2013(04)
[9]多核圖像處理并行設計范式的研究與應用[J]. 王成良,謝克家,劉昕. 計算機工程. 2011(14)
[10]DSP應用技術(shù)綜述[J]. 廖娜. 科技信息. 2008(32)
碩士論文
[1]深度學習在圖像識別中的研究及應用[D]. 李衛(wèi).武漢理工大學 2014
[2]卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012
[3]基于圖像識別的車型自動分類系統(tǒng)[D]. 沈勇武.浙江大學 2008
[4]基于FPGA和DSP的車牌識別系統(tǒng)的硬件設計與實現(xiàn)[D]. 李科.電子科技大學 2007
本文編號：2979165
本文鏈接：http://sikaile.net/kejilunwen/jingguansheji/2979165.html
