论文部分内容阅读
近年来,社会经济的发展极大的提高了汽车保有量,由此带来的道路交通安全和交通拥堵问题日益突出。车载交通标志识别系统作为驾驶员辅助系统的重要组成部分,能够有效的提升汽车安全性能,降低交通事故发生率,缓解交通拥堵问题,具有重要的研究价值。本文的主要研究内容是张量神经网络(Tensorizing Neural Networks,简称TNN)算法在交通标志识别上的应用及算法的现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)验证。总结常用交通标志识别方法,研究卷积神经网络算法,针对卷积神经网络在实际应用中参数量大、计算复杂度高的问题,本文采用张量神经网络算法进行交通标志识别,使用张量分解优化卷积神经网络全连接层的参数,全连接层参数量降低80%。本文设计了卷积神经网络、张量神经网络和硬件验证网络结构,以德国交通标志识别库(German Traffic Sign Recognition Benchmark,简称GTSRB)为对象,对三种结构训练和分析。实验结果表明,张量神经网络参数共0.93百万个(Million,简称M),为卷积神经网络的60%,识别率为97.63%,比卷积神经网络下降了0.72%,硬件验证网络参数为0.58M,识别率为95.11%。本文设计了算法的FPGA验证系统和通用定点数神经网络加速器。使用总线协议(Advanced eXtensible Interface,简称AXI)进行数据传输,提高识别速度。ARM与FPGA协同工作,提高系统可扩展能力。本文基于Zynq-FPGA完成张量神经网络交通标志识别算法的FPGA电路设计和ARM软件设计,并搭建系统完成测试验证。测试结果表明,在100MHz的工作频率下,交通标志识别算法占用Zynq-702N型FPGA上LUT资源20372个(38.29%)和片上RAM资源2007Kb(79.64%),对于大小为48?48的灰度图识别速度为33帧/秒,识别率为95.11%。本文设计的算法硬件验证系统具有识别率高、实时性好、体积小、资源利用率高等特点,能够满足应用的需求。