CN112418248B - 基于fpga加速器的目标检测方法及系统 - Google Patents
基于fpga加速器的目标检测方法及系统 Download PDFInfo
- Publication number
- CN112418248B CN112418248B CN202011297548.9A CN202011297548A CN112418248B CN 112418248 B CN112418248 B CN 112418248B CN 202011297548 A CN202011297548 A CN 202011297548A CN 112418248 B CN112418248 B CN 112418248B
- Authority
- CN
- China
- Prior art keywords
- hog
- classifier
- feature
- characteristic
- decision tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004069 differentiation Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 239000013078 crystal Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于FPGA加速器的目标检测方法及系统，涉及智能识别技术领域，解决了目标检测中算法与硬件不能协同优化的技术问题，其技术方案要点是通过聚合通道特征算法提取目标图像的特征，聚合通道特征算法具有良好的检测精度，可以与FPGA加速器相结合进行目标检测。另外，第一分类器包括N个决策树，第一分类器通过决策树实现级联，将数据在前级决策树的置信度累加到变量中，让前级决策树的信息为后级决策树所用，缓解了分类器通过硬件级联的漏检问题，最终达到高精度检测、快速检测和低功耗的有益效果。
Description
技术领域
本公开涉及智能识别技术领域，尤其涉及一种基于FPGA加速器的目标检测方法及系统。
背景技术
目标检测在智能交通、智能监控等计算机视觉领域是一大研究热点，尤其在图像识别和图像分类领域上表现出极大的研究价值。目标检测简单来说可分为三个步骤：样本的创建，训练分类器，再利用训练好的分类器进行目标检测。
ACF(Aggregate Channel Feature，聚合通道特征)最初是为软件实现而开发的，它具有计算量小、精度高的特点。它包含了三种特征通道：三个颜色通道、一个梯度幅值通道和六个梯度方向通道。关于颜色特征，比如根据颜色特征可以将穿不同颜色衣服的行人检测出来，用于行人检测的主要颜色特征有:LUV(全称CIE 1976(L*,u*,v*)(也作CIELUV)色彩空间，L*表示物体亮度，u*和v*是色度)、RGB、HSV(Hue,Saturation,Value；色调，饱和度，明度)。其中，HOG(Histogram of Oriented Gradient，方向梯度直方图)特征能够描述图像的局部梯度方向和梯度强度分布，能够在边缘位置未知时，利用边缘方向的分布来表示目标的外形轮廓。
但目标检测系统从输入图像中提取HOG特征过程中会产生昂贵的计算，若使用三角函数和平方根来进行归一化处理，就需要耗费大量的硬件资源。另外，GBDT(GradientBoosting Decision Tree,梯度提升决策树)的并行硬件实现很困难，已知内存访问模式依赖于输入数据，会造成直接的内存分割无法避免内存访问冲突。
发明内容
本公开提供了一种基于FPGA加速器的目标检测方法及系统，其技术目的是实现目标检测中算法与硬件的协同优化，从而提高吞吐量和最小化目标检测的硬件成本，并实现性能最大化。
本公开的上述技术目的是通过以下技术方案得以实现的：
一种基于FPGA加速器的目标检测方法，包括FPGA加速器，所述FPGA加速器用于：
通过聚合通道特征算法提取目标图像的第一DV-HOG特征；
通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征；
将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，所述第一分类器包括N个决策树，N为正整数。
进一步地，通过聚合通道特征算法提取目标图像的第一DV-HOG特征包括：
将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)；
计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中， gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，/>
将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图；
将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即
聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征。
进一步地，所述第一分类器为Adaboost分类器，所述Adaboost分类器包括N个决策树，将所述第三DV-HOG特征投入到第一分类器进行训练的具体过程如下：
设定初始累积置信度为h0＝0，将所述第三DV-HOG特征i依次输入到N个决策树中，任一决策树k设有拒绝阈值threshold(k)，k＝1,2,...,N，i为正整数；
所述第三DV-HOG特征i输入到所述决策树k后，所述决策树k输出wk(i)，wk(i)＝0或1，则有累积置信度hk＝hk-1+αkwk(i)，所述hk＜threshold(k)时，所述第三DV-HOG特征i被判定为负类并对所述第三DV-HOG特征i停止训练；若hk≥threshold(k)，则所述第三DV-HOG特征i被判定为正类并将所述第三DV-HOG特征i投入到下一级决策树(k+1)进行训练；其中，αk为权重系数，且
若所述第三DV-HOG特征i被全部决策树判定为正类，则得到所述第三DV-HOG特征i的置信度为hN＝hN-1+αNwN(i)；
根据得到的全部第三DV-HOG特征的置信度hN得到第二分类器。
一种基于FPGA加速器的目标检测系统，包括FPGA加速器，所述FPGA加速器包括：
特征提取模块，通过聚合通道特征算法提取目标图像的第一DV-HOG特征；
决策模块，通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征；
分类器模块，将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，所述第一分类器包括N个决策树，N为正整数。
进一步地，所述特征提取模块还包括：
第一归一化单元，用于将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)；
梯度向量计算单元，用于计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中，gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，
加权投影单元，将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图；
第二归一化单元，将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即
特征提取单元，聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征。
本公开的有益效果在于：本公开所述的基于FPGA加速器的目标检测方法及系统，通过聚合通道特征算法提取目标图像的特征，聚合通道特征算法具有良好的检测精度，可以与FPGA加速器相结合进行目标检测。另外，第一分类器包括N个决策树，第一分类器通过决策树实现级联，将数据在前级决策树的置信度累加到变量中，让前级决策树的信息为后级决策树所用，缓解了分类器通过硬件级联的漏检问题，最终达到高精度检测、快速检测和低功耗的有益效果。
附图说明
图1为本公开方法流程图；
图2为本公开系统示意图；
图3为通过聚合通道特征算法提取特征的流程图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本公开的描述中，需要理解地是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，仅用来区分不同的组成部分。
图1为本公开方法流程图，如图1所示，该目标检测方法通过FPGA加速器来实现：100：通过聚合通道特征算法提取目标图像的第一DV-HOG特征；101：通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征；102：将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，所述第一分类器包括N个决策树，N为正整数；DV-HOG(Directional Vector-Histogram of Oriented Gradient)特征表示的是定向梯度分解矢量直方图特征。
作为具体实施例地，通过聚合通道特征算法提取目标图像的第一DV-HOG特征如图3所示，具体包括：200：将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)；201：计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中，gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，/>202：将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图；203：将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即/>204：聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征。
图2为本公开系统示意图，该目标检测系统包括FPGA加速器，FPGA加速器又包括特征提取模块、决策模块和分类器模块。
特征提取模块用户通过聚合通道特征算法提取目标图像的第一DV-HOG特征。决策模块用于通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征。分类器模块用于将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，第一分类器包括N个决策树，N为正整数。
作为具体实施例地，特征提取模块还包括第一归一化单元、梯度向量计算单元、加权投影单元、第二归一化单元和特征提取单元。其中，第一归一化单元用于将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)。梯度向量计算单元用于计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中，gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，
加权投影单元用于将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图。第二归一化单元用于将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即特征提取单元用于聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征。
作为具体实施例地，第一分类器为Adaboost分类器，且Adaboost分类器包括N个决策树，将第三DV-HOG特征投入到第一分类器进行训练的具体过程如下：(1)设定初始累积置信度为h0＝0，将第三DV-HOG特征i依次输入到N个决策树中，任一决策树k设有拒绝阈值threshold(k)，k＝1,2,...,N，i为正整数；(2)第三DV-HOG特征i输入到决策树k后，决策树k输出wk(i)，wk(i)＝0或1，则有累积置信度hk＝hk-1+αkwk(i)，hk＜threshold(k)时，第三DV-HOG特征i被判定为负类并对第三DV-HOG特征i停止训练；hk≥threshold(k)时，则第三DV-HOG特征i被判定为正类并将第三DV-HOG特征i投入到下一级决策树(k+1)进行训练；αk为权重系数，且(3)若第三DV-HOG特征i被全部决策树判定为正类，则得到第三DV-HOG特征i的置信度为hN＝hN-1+αNwN(i)，根据得到的全部第三DV-HOG特征的置信度hN得到第二分类器。
软级联Adaboost分类器是将普通Adaboost的求和分解成N个累加步骤，即通过N个决策树实现软级联，每个步骤分别需要选取一个拒绝阈值threshold(k)，输入数据在每一步累加步骤后都要进行一次阈值判定，Adaboost分类器把数据在前级决策树的分类置信度累加到变量hk中，让前级决策树的信息为后级所用，缓解了分类器通过硬件级联的漏检问题。
Claims (2)
1.一种基于FPGA加速器的目标检测方法，其特征在于，包括FPGA加速器，所述FPGA加速器用于：
通过聚合通道特征算法提取目标图像的第一DV-HOG特征；
通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征；
将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，所述第一分类器包括N个决策树，N为正整数；
其中，通过聚合通道特征算法提取目标图像的第一DV-HOG特征包括：
将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)；
计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中，gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，/>
将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图；
将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即
聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征；
其中，所述第一分类器为Adaboost分类器，所述Adaboost分类器包括N个决策树，将所述第三DV-HOG特征投入到第一分类器进行训练的具体过程如下：
设定初始累积置信度为h0＝0，将所述第三DV-HOG特征i依次输入到N个决策树中，任一决策树k设有拒绝阈值threshold(k)，k＝1,2,...,N，i为正整数；
所述第三DV-HOG特征i输入到所述决策树k后，所述决策树k输出wk(i)，wk(i)＝0或1，则有累积置信度hk＝hk-1+αkwk(i)，所述hk＜threshold(k)时，所述第三DV-HOG特征i被判定为负类并对所述第三DV-HOG特征i停止训练；若hk≥threshold(k)，则所述第三DV-HOG特征i被判定为正类并将所述第三DV-HOG特征i投入到下一级决策树(k+1)进行训练；其中，αk为权重系数，且
若所述第三DV-HOG特征i被全部决策树判定为正类，则得到所述第三DV-HOG特征i的置信度为hN＝hN-1+αNwN(i)；
根据得到的全部第三DV-HOG特征的置信度hN得到第二分类器。
2.一种基于FPGA加速器的目标检测系统，其特征在于，包括FPGA加速器，所述FPGA加速器包括：
特征提取模块，通过聚合通道特征算法提取目标图像的第一DV-HOG特征；
决策模块，通过决策树对所述第一DV-HOG特征进行量化编码得到第二DV-HOG特征，将所述第二DV-HOG特征与预设阈值进行比较，获取在所述预设阈值内的所述第二DV-HOG特征即为第三DV-HOG特征；
分类器模块，将所述第三DV-HOG特征投入到第一分类器进行训练，得到第二分类器，使用所述第二分类器对目标进行检测；其中，所述第一分类器包括N个决策树，N为正整数；
其中，所述特征提取模块还包括：
第一归一化单元，用于将目标图像灰度化后进行归一化处理，所述目标图像的像素点(x,y)的像素值I(x,y)归一化后为I(x,y)gamma，其中gamma∈(1.8,2.5)；
梯度向量计算单元，用于计算I(x,y)gamma的梯度向量g，g＝au0+bu1，u0、u1都为单位向量，且u0与u1的夹角为θ1，u0与g的夹角为θ，u1与g的夹角为(θ1-θ)，其中，gx为梯度向量g在x轴方向的微分，gy为梯度向量g在y轴方向的微分，/>
加权投影单元，将目标图像分割成细胞单元，每个细胞单元包括至少一个像素点，在所述梯度向量g的方向上对所述细胞单元进行加权投影，得到所述细胞单元的梯度方向直方图；
第二归一化单元，将所述细胞单元聚合成图像块，通过一阶范数L1对聚合后的图像块的梯度方向直方图进行归一化，得到所述图像块的第一DV-HOG特征，即
特征提取单元，聚合所有图像块的第一DV-HOG特征，得到目标图像的第一DV-HOG特征；
其中，所述第一分类器为Adaboost分类器，所述Adaboost分类器包括N个决策树，将所述第三DV-HOG特征投入到第一分类器进行训练的具体过程如下：
设定初始累积置信度为h0＝0，将所述第三DV-HOG特征i依次输入到N个决策树中，任一决策树k设有拒绝阈值threshold(k)，k＝1,2,...,N，i为正整数；
所述第三DV-HOG特征i输入到所述决策树k后，所述决策树k输出wk(i)，wk(i)＝0或1，则有累积置信度hk＝hk-1+αkwk(i)，所述hk＜threshold(k)时，所述第三DV-HOG特征i被判定为负类并对所述第三DV-HOG特征i停止训练；若hk≥threshold(k)，则所述第三DV-HOG特征i被判定为正类并将所述第三DV-HOG特征i投入到下一级决策树(k+1)进行训练；其中，αk为权重系数，且
若所述第三DV-HOG特征i被全部决策树判定为正类，则得到所述第三DV-HOG特征i的置信度为hN＝hN-1+αNwN(i)；
根据得到的全部第三DV-HOG特征的置信度hN得到第二分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011297548.9A CN112418248B (zh) | 2020-11-19 | 2020-11-19 | 基于fpga加速器的目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011297548.9A CN112418248B (zh) | 2020-11-19 | 2020-11-19 | 基于fpga加速器的目标检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418248A CN112418248A (zh) | 2021-02-26 |
| CN112418248B true CN112418248B (zh) | 2024-02-09 |
Family
ID=74773931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011297548.9A Active CN112418248B (zh) | 2020-11-19 | 2020-11-19 | 基于fpga加速器的目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418248B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787470A (zh) * | 2016-03-25 | 2016-07-20 | 黑龙江省电力科学研究院 | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 |
| CN107273099A (zh) * | 2017-05-10 | 2017-10-20 | 苏州大学 | 一种基于FPGA的AdaBoost算法加速器及控制方法 |
| WO2017190574A1 (zh) * | 2016-05-04 | 2017-11-09 | 北京大学深圳研究生院 | 一种基于聚合通道特征的快速行人检测方法 |
| WO2019196394A1 (zh) * | 2018-04-10 | 2019-10-17 | 华南理工大学 | 使用capi加速的fpga医学超声成像系统 |
| CN110910434A (zh) * | 2019-11-05 | 2020-03-24 | 东南大学 | 基于fpga高能效实现深度学习视差估计算法的方法 |
| CN111459877A (zh) * | 2020-04-02 | 2020-07-28 | 北京工商大学 | 基于FPGA加速的Winograd YOLOv2目标检测模型方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170116003A1 (en) * | 2015-10-27 | 2017-04-27 | International Business Machines Corporation | Dynamic determination of the applicability of a hardware accelerator to a request |
-
2020
- 2020-11-19 CN CN202011297548.9A patent/CN112418248B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787470A (zh) * | 2016-03-25 | 2016-07-20 | 黑龙江省电力科学研究院 | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 |
| WO2017190574A1 (zh) * | 2016-05-04 | 2017-11-09 | 北京大学深圳研究生院 | 一种基于聚合通道特征的快速行人检测方法 |
| CN107273099A (zh) * | 2017-05-10 | 2017-10-20 | 苏州大学 | 一种基于FPGA的AdaBoost算法加速器及控制方法 |
| WO2019196394A1 (zh) * | 2018-04-10 | 2019-10-17 | 华南理工大学 | 使用capi加速的fpga医学超声成像系统 |
| CN110910434A (zh) * | 2019-11-05 | 2020-03-24 | 东南大学 | 基于fpga高能效实现深度学习视差估计算法的方法 |
| CN111459877A (zh) * | 2020-04-02 | 2020-07-28 | 北京工商大学 | 基于FPGA加速的Winograd YOLOv2目标检测模型方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Hardware Architecture for Fast General Object Detection using Aggregated Channel Features";Mitsunari, Koichi 等;《2018 IEEE ASIAN SOLID-STATE CIRCUITS CONFERENCE 》;55-58 * |
| "用于实时目标检测的FPGA神经网络加速器设计";李岑，等;《微电子学与计算机》;第37卷(第7期);6-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418248A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Robust traffic sign recognition based on color global and local oriented edge magnitude patterns | |
| US10088600B2 (en) | Weather recognition method and device based on image information detection | |
| CN106156777B (zh) | 文本图片检测方法及装置 | |
| CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
| US20120213422A1 (en) | Face recognition in digital images | |
| Buza et al. | Skin detection based on image color segmentation with histogram and k-means clustering | |
| US9633264B2 (en) | Object retrieval using background image and query image | |
| CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
| CN104598924A (zh) | 一种目标匹配检测方法 | |
| Zuo et al. | An insulator defect detection algorithm based on computer vision | |
| Alvarez et al. | Learning appearance models for road detection | |
| CN106909884B (zh) | 一种基于分层结构和可变形部分模型的手部区域检测方法和装置 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| CN104598929A (zh) | 一种hog特征快速提取方法 | |
| CN111259756A (zh) | 基于局部高频次特征和混合度量学习的行人重识别方法 | |
| Tarvekar | Hand gesture recognition system for touch-less car interface using multiclass support vector machine | |
| Huang et al. | Text detection and recognition in natural scene images | |
| Guofeng et al. | Traffic sign recognition based on SVM and convolutional neural network | |
| Tomikj et al. | Vehicle detection with HOG and linear SVM | |
| Guennouni et al. | Face detection: Comparing Haar-like combined with cascade classifiers and Edge Orientation Matching | |
| CN112418248B (zh) | 基于fpga加速器的目标检测方法及系统 | |
| Li et al. | Real-time traffic sign detection algorithm based on dynamic threshold segmentation and SVM | |
| Jeong et al. | Homogeneity patch search method for voting-based efficient vehicle color classification using front-of-vehicle image | |
| CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
| KR101419837B1 (ko) | 분할 이미지 셀을 이용하는 아다부스트 기반의 보행자 검출 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220111 Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd. Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000 Applicant before: Jiangsu Yu Space Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220919 Address after: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000 Applicant after: Jiangsu Yu Space Technology Co.,Ltd. Address before: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant before: Wuxi yuspace Intelligent Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230906 Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd. Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000 Applicant before: Jiangsu Yu Space Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |