原文传递
基于嵌入式平台的细粒度目标识别的研究与应用
| 论文题名： | 基于嵌入式平台的细粒度目标识别的研究与应用 |
| 关键词： | 目标识别;深度学习;DCL模型;嵌入式平台;智慧停车 |
| 摘要： | 随着我国居民人均车辆保有量不断上升，停车成为了居民与城市管理者的难题。为了解决城市中停车困难的问题，为智慧城市的管理和建设做出贡献，本文结合计算机视觉技术，并依托嵌入式设备的优点，基于嵌入式平台构建了智慧停车系统。为了解决系统中使用车辆跟踪算法时出现的问题，辅助车辆的重识别，提高系统运行的稳定性以及准确率，本文基于该智慧停车系统，对车辆细粒度目标识别作出了相应研究并进行应用。 本文的主要研究工作包含以下三个部分： 1、本文基于JetsonTX2嵌入式平台构建了智慧停车系统，在自然场景下，使用深度学习算法对车辆进行检测与跟踪，对停入的车辆进行车牌识别，从而实现对车辆的自动计时收费。现场实验表明，系统能够有效工作，但是发现在车辆跟踪过程中，因为ID切换的问题，导致系统准确率不高。并且系统无法获得除了车牌以外的车辆信息，在车牌识别失败的情况下，无法标识停入的车辆，造成计费错误的问题。 2、为了提高系统准确率，为管理者提供更多的车辆信息，通过对细粒度目标识别模型进行对比分析，本文将DCL模型应用于智慧停车系统中。通过实验发现，使用标准数据集训练后的模型在实际场景中无法识别车型，难以得到正确的结果。因此本文构建了更符合国内自然停车场景的，包含了643类车型的数据集CARS643，基于该数据集对DCL模型进行了重新训练。实验结果表明，在该数据集上top1准确率为98.6%，top3准确率为99.71%，能够满足在国内自然场景下对车型进行识别的需求。 3、本文将训练后的模型与智慧停车系统整合之后，通过实验发现，直接部署在TX2上会占用过多的系统资源，导致处理帧率下降，影响系统的实时性。因此本文使用TensorRT对重新训练的模型进行了优化加速，性能方面，经过优化之后的DCL模型在速度上提升了2.7倍，运行过程中模型推理时间减少了9%，整个系统的内存占用量从6.5G减少到了5.1G，处理的FPS由不到一帧提升到了一帧以上。最后通过现场的实验结果表明，智慧停车系统在加入了车型细粒度目标识别模型后，系统的整体准确率提升了8.1%。 |
| 作者： | 魏傲寒 |
| 专业： | 软件工程 |
| 导师： | 蔡竟业 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
