隨著計(jì)算機(jī)視覺(jué)技術(shù)發(fā)展不斷提升,圖像識(shí)別技術(shù)在自動(dòng)駕駛、航海航空、醫(yī)療等領(lǐng)域應(yīng)用廣泛,在計(jì)算機(jī)視覺(jué)應(yīng)用領(lǐng)域中,特征點(diǎn)發(fā)揮重要作用。目前,大多數(shù)圖像處理都是基于軟件的方式,但巨大的計(jì)算量會(huì)導(dǎo)致整個(gè)系統(tǒng)在性能和速度上處于劣勢(shì),雖然現(xiàn)在有了專門圖形處理器（GPU）,但是也是通過(guò)犧牲功耗為代價(jià)的。傳統(tǒng)的圖像特征點(diǎn)提取算法中,如SIFT、SURF等的特征點(diǎn)提取都是依賴于手工設(shè)計(jì)的特征,手工設(shè)計(jì)的特征過(guò)于繁瑣。針對(duì)以上的一些問(wèn)題,本文主要研究了基于FPGA實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)圖像特征點(diǎn)提取方法。在綜合分析和對(duì)比了FPGA和CPU、GPU在運(yùn)算上的優(yōu)缺點(diǎn),本文最終采用了“ARM+FPGA”的設(shè)計(jì)方法,使用了Xilinx的PYNQ FPGA平臺(tái),該平臺(tái)包含可編程邏輯（Programmable Logic,PL）端和處理系統(tǒng)（Process System,PS）端,通過(guò)軟硬件結(jié)合的方式,合理的分配軟硬件任務(wù),最終實(shí)現(xiàn)圖像的特征點(diǎn)提取,不但增加了整個(gè)系統(tǒng)運(yùn)行的靈活性,而且在保證性能的前提下大大降低功耗。本文研究的主要內(nèi)容包括以下幾個(gè)方面:首先對(duì)整個(gè)系統(tǒng)的功能進(jìn)行全面分析,然后對(duì)系統(tǒng)進(jìn)行了合理軟硬件任務(wù)劃分,在PL... 

【文章來(lái)源】：桂林電子科技大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高斯金字塔尺度空間的極值點(diǎn)，就是在DOG空間上，遍歷空間內(nèi)的每一個(gè)點(diǎn)，將這個(gè)點(diǎn)與

圖 2-1 高斯金字塔的極值點(diǎn)，就是在 DOG 空間上，遍歷空間內(nèi)的每一個(gè)點(diǎn)，將點(diǎn)比較，只有當(dāng)該像素點(diǎn)大于（或者小于）所有這些鄰域的點(diǎn)極值點(diǎn)。但是每組圖像的第一層和最后一層因沒(méi)有可以比較值點(diǎn)。為了使尺度變換具有連續(xù)性，需要在每組圖像的起始位圖像。

第二章 圖像特征點(diǎn)及神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ), =, +1 , 1+1, 1,后，會(huì)用一個(gè)直方圖來(lái)表示梯度，梯度方向的范成為 8 個(gè)柱（或 10 個(gè)柱），統(tǒng)計(jì)以上得到的那些每一個(gè)模值按照 1.5σ大小的高斯分布加成)，在得關(guān)鍵點(diǎn)的主方向。如圖 2-3 所示的直方圖，該圖柱最高方向的就是主方向。在確定好特征點(diǎn)的主置和方向三個(gè)信息，并由這些信息就可以確定一

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)算法在山區(qū)植被分類中的應(yīng)用[J]. 王健.  價(jià)值工程. 2019(04)
[2]基于SIFT的新特征提取匹配算法[J]. 楊福嘉,鄭麗穎.  應(yīng)用科技. 2019(02)
[3]基于TensorFlow深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 袁文翠,孔雪.  微型電腦應(yīng)用. 2018(02)
[4]深度神經(jīng)網(wǎng)絡(luò)并行化研究綜述[J]. 朱虎明,李佩,焦李成,楊淑媛,侯彪.  計(jì)算機(jī)學(xué)報(bào). 2018(08)
[5]基于Zynq的LBP人臉識(shí)別算法的實(shí)現(xiàn)[J]. 彭凌霄,符意德.  自動(dòng)化技術(shù)與應(yīng)用. 2016(12)
[6]基于SDSoC的SIFT特征點(diǎn)檢測(cè)[J]. 張波,韓俊剛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(12)
[7]基于深度學(xué)習(xí)的人臉識(shí)別方法的探究[J]. 王微.  信息與電腦(理論版). 2016(11)
[8]FPGA軟硬件協(xié)同處理實(shí)時(shí)圖像處理系統(tǒng)[J]. 沈淦松,葉玉堂,劉霖,劉娟秀.  光電工程. 2012(10)
[9]基于高斯金字塔與差分法的多目標(biāo)檢測(cè)和跟蹤算法[J]. 姜靚,詹永照.  微電子學(xué)與計(jì)算機(jī). 2011(11)
[10]圖像特征點(diǎn)提取及匹配技術(shù)[J]. 楊曉敏,吳煒,卿粼波,華驊,何小海.  光學(xué)精密工程. 2009(09)

博士論文
[1]基于生成對(duì)抗網(wǎng)絡(luò)的自監(jiān)督表示學(xué)習(xí)研究及應(yīng)用[D]. 翟中華.浙江大學(xué) 2018

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別算法優(yōu)化及嵌入式實(shí)現(xiàn)[D]. 張玉婷.西安郵電大學(xué) 2018
[2]基于LPPNet的圖像特征提取及識(shí)別方法[D]. 肖美紅.河南大學(xué) 2018
[3]FPGA加速卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的研究與實(shí)現(xiàn)[D]. 魏小淞.西安電子科技大學(xué) 2018
[4]基于PYNQ的圖像視覺(jué)顯著性檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 董亦博.哈爾濱工業(yè)大學(xué) 2018
[5]基于頭肩特征的行人檢測(cè)研究與應(yīng)用[D]. 張航.蘭州理工大學(xué) 2018
[6]基于Zynq的深度學(xué)習(xí)圖像分類識(shí)別系統(tǒng)的設(shè)計(jì)[D]. 黃偉杰.廣東工業(yè)大學(xué) 2018
[7]基于深度學(xué)習(xí)的調(diào)制識(shí)別算法研究[D]. 吳彥倫.電子科技大學(xué) 2018
[8]深度學(xué)習(xí)在車牌識(shí)別中的應(yīng)用研究[D]. 張宇澄.南京大學(xué) 2018
[9]基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李澤坤.哈爾濱工業(yè)大學(xué) 2017
[10]基于Zynq的嵌入式圖像特征提取系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊宗明.西南交通大學(xué) 2017



本文編號(hào)：3458045