[发明专利]基于CPU-GPU异构多处理器片上系统的实时目标检测方法及系统

说明书

本发明属于目标检测领域，提供了基于CPU‑GPU异构多处理器片上系统的实时目标检测方法及系统。其中该方法包括实时接收图片序列并存储至缓存；调取缓存中的图片序列并利用部署在CPU‑GPU异构多处理器片上系统的YOLOv2网络进行处理，输出目标检测结果；YOLOv2网络包括卷积层和池化层，池化层部署在GPU上，最后一个卷积层部署在CPU上；对于其他卷积层，计算量大于或等于预设计算量阈值的卷积层部署在GPU上，计算量小于预设计算量阈值的卷积层部署在CPU或GPU上；其中，计算量以BFLOPS为单位。其充分利用了CPU‑GPU异构多处理器结构，降低了片上系统的功耗，提高了目标检测的实时性。

技术领域

本发明属于目标检测领域，尤其涉及一种基于CPU-GPU异构多处理器片上系统的实时目标检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

深度学习和计算机视觉技术的快速发展促使无人机在军事、安全、物流等领域有广泛的应用前景。基于深度学习的目标检测技术是现代无人机的研究热点之一，而近年来，深度学习在语音识别、计算机视觉等多类应用中取得突破性进展，将深度学习融入到无人机技术中，将会对多种场景下的应用产生巨大影响。深度学习通过大量数据集进行训练,得到适当的权值,可以检测到各类目标，例如人,船,车辆,建筑物等，是无人机目标检测技术重要的研究方向。随着技术的不断发展，人们对于基于深度学习的目标检测技术有了更高的要求，所以针对不同的问题涌现出了多种不同特征的神经网络模型，如YOLO、SSD等。

发明人发现，目标检测技术在NVIDIA Jetson TX2等嵌入式异构多处理器片上系统上搭建运行，由于硬件平台功率和资源受限，在进行大量数据处理时速度受限，增加了整个平台系统的功耗，最终降低了目标检测的实时性。

发明内容

为了解决上述问题，本发明的第一个方面提供一种基于CPU-GPU异构多处理器片上系统的实时目标检测方法，其充分利用了CPU-GPU异构多处理器结构，降低了片上系统的功耗，提高了目标检测的实时性。

为了实现上述目的，本发明采用如下技术方案：

一种基于CPU-GPU异构多处理器片上系统的实时目标检测方法，包括：

实时接收图片序列并存储至缓存；

调取缓存中的图片序列并利用部署在CPU-GPU异构多处理器片上系统的YOLOv2网络进行处理，输出目标检测结果；

其中，YOLOv2网络包括卷积层和池化层，池化层部署在GPU上，最后一个卷积层部署在CPU上；对于其他卷积层，计算量大于或等于预设计算量阈值的卷积层部署在GPU上，计算量小于预设计算量阈值的卷积层部署在CPU或GPU上；计算量以BFLOPS为单位。

为了解决上述问题，本发明的第二个方面提供一种用于实时目标检测的CPU-GPU异构多处理器片上系统，其充分利用了CPU-GPU异构多处理器结构，降低了片上系统的功耗，提高了目标检测的实时性。

为了实现上述目的，本发明采用如下技术方案：

一种用于实时目标检测的CPU-GPU异构多处理器片上系统，包括：

缓存模块，其用于实时接收图片序列并缓存存储；

目标检测模块，其用于调取缓存中的图片序列并利用部署在CPU-GPU异构多处理器片上系统的YOLOv2网络进行处理，输出目标检测结果；其中，YOLOv2网络包括卷积层和池化层，池化层部署在GPU上，最后一个卷积层部署在CPU上；对于其他卷积层，计算量大于或等于预设计算量阈值的卷积层部署在GPU上，计算量小于预设计算量阈值的卷积层部署在CPU或GPU上；计算量以BFLOPS为单位。

本发明的有益效果是：