如何使用小型Zynq SoC硬件加速改進實時車輛檢測算法的實現(xiàn)

　　針對 TINY YOLO車輛檢測算法計算量過大，且在小型嵌入式系統(tǒng)中難以達到實時檢測要求的問題。利用小型Zynq SoC系統(tǒng)的架構(gòu)優(yōu)勢以及TINY Y0LO的網(wǎng)絡(luò)權(quán)值中存在大量接近零的權(quán)值參數(shù)這一特點，提出硬件并行加速的改進算法，稱為濃縮小型深度網(wǎng)絡(luò)（ Xerantic-TINY YOLO， X-TINY YOLO）車輛檢測算法。首先對TINYY0LO中網(wǎng)絡(luò)結(jié)構(gòu)進行壓縮;其次采用高效多級流水線、流水線內(nèi)全并行的方式對卷積計算部分進行算法加速;最后提出與網(wǎng)絡(luò)結(jié)構(gòu)相配合的數(shù)據(jù)切割和傳輸方案。實驗結(jié)果表明，X-TINYYOLO僅消耗50%的片內(nèi)硬件資源，可在相。對于GPU和CPU性價比更高更適合嵌入式場景的Zynq SoC系統(tǒng)上實現(xiàn)，且其檢測速度達到24幀/s，滿足車輛檢測的實時性要求。

　　實時車輛檢測算法主要分為三類：基于先驗知識的車輛檢測算法、基于淺層機器的學(xué)習(xí)車輛檢測算法以及基于深度學(xué)習(xí)的車輛檢測算法o

　　基于先驗知識的檢測算法是根據(jù)車身所帶有的線條、陰影或邊緣特征對前方車輛進行識別。通過對車輛尾部特定水平直線（如保險杠后車窗下邊沿等）的檢測達到車輛檢測目的。該算法易將車身周邊環(huán)境中存在的類似直線誤判為車輛，且對處于轉(zhuǎn)彎狀態(tài)的車輛會出現(xiàn)檢測丟失現(xiàn)象。中提出對剎車燈進行檢測的方法實現(xiàn)車輛夜間檢測，效果較好但無法應(yīng)用于外部光強較好的白天或地下停車場等環(huán)境。行駛中車輛周邊環(huán)境的多樣性常常會以噪聲形式干擾此類檢測方法準(zhǔn)確率，故此類方法難以在環(huán)境變化劇烈的使用場景中適用。

　　基于淺層機器學(xué)習(xí)的車輛檢測算法以先驗知識類算法中提取的車輛特征為基礎(chǔ)，結(jié)合機器學(xué)習(xí)算法實現(xiàn)車輛的檢測。中提出Haar-like與Online Boosting 相結(jié)合的方式，使用大量特征集對網(wǎng)絡(luò)進行訓(xùn)練使其能檢測車輛，與單純的先驗知識檢測相比該算法在各種環(huán)境中的魯棒性有了顯著提高。對Har-like特征進行了優(yōu)化，提升了該特征對環(huán)境中光強變化的適應(yīng)性。該類算法特點是檢測效率高、復(fù)雜度低，但依然嚴(yán)重依賴特征選取，使得其在復(fù)雜且變化的路況場景下重建模工程量大。