[发明专利]一种基于FPGA的faster-RCNN目标检测方法

说明书

本发明公开了一种基于FPGA的faster‑RCNN目标检测方法，涉及智能识别领域，包括对数据集进行预处理；构建faster‑RCNN模型；将数据集载入faster‑RCNN模型，并根据faster‑RCNN模型定制FPGA；利用定制的FPGA训练faster‑RCNN模型；根据faster‑RCNN模型的训练结果进行测试，若训练结果低于平均精确率AP阈值，则修改参数，再次进行训练后对训练结果进行测试，直至训练结果达到阈值；输入需要检测的图片，利用训练后的faster‑RCNN模型进行目标识别。本发明根据faster‑RCNN模型定制FPGA各个处理模块，既能实现faster‑RCNN模型精确识别物体，并且还能解决faster‑RCNN模型识别速度慢的问题，从而实现更快的检测速度、更高的检测精度、更优的性能和更低的功耗。

技术领域

本发明涉及智能识别领域，具体涉及一种基于FPGA的faster-RCNN目标检测方法。

背景技术

随着智能识别技术的发展，终端系统需要对周围物体进行检测，尤其是在自动驾驶领域，出于人身安全的考虑，目标识别必须做到快速且准确。因此，构建一种快速、准确的目标检测方法具有很重要的现实意义。

现有的自动驾驶的目标检测同时要求高精度和高速度，现有的基于深度学习的目标检测算法，如SSD,YOLO等算法，速度快但精度不够。另外faster-RCNN算法在目标检测方面，精度够但速度不够快。每一类检测具体的都或多或少的存在一些问题。比如，在实际行车过程中，一旦目标检测出现延迟或不准确，就会对人身安全产生极大的危害。

此外，目前计算机视觉领域多采用GPU作为处理器，处理速度慢，功耗高，发热量大，并需要风扇为主要芯片散热，这些因素导致了GPU无法作为实时目标检测的主力处理器，需要另外一种解决方法。

发明内容

本发明的目的在于：提供了一种基于FPGA的faster-RCNN目标检测方法，基于现有的深度学习网路和计算机视觉技术，并且使用FPGA根据faster-RCNN模型进行深度定制，FPGA既能实现精确识别物体，并且还能解决识别速度慢的问题，实现faster-RCNN模型的并行计算，达到加速faster-RCNN目标检测的目的。

本发明采用的技术方案如下：

本发明是一种基于FPGA的faster-RCNN目标检测方法，该方法具体包括以下步骤：

步骤1：获取一个现有的用于目标检测的数据集，对数据集进行预处理；

步骤2：构建faster-RCNN模型；

步骤3：将步骤1的数据集载入faster-RCNN模型，并根据faster-RCNN模型定制FPGA；

步骤4：利用定制的FPGA训练步骤3中的faster-RCNN模型；

步骤5：设置一个平均精确率AP阈值，根据faster-RCNN模型的训练结果进行测试，若测试结果低于平均精确率AP阈值，则修改参数，再次进行步骤4后对训练结果进行测试，直至测试结果达到阈值；

步骤6：输入需要检测的图片，利用训练后的faster-RCNN模型进行目标识别。

进一步的，所述步骤1中faster-RCNN模型搭建的步骤为：

步骤21：搭建Conv layers，用于提取图片的特征图，包括conv，pooling，relu三种层；

步骤22：搭建区域生成网络层，并且使用区域生成网络层生成检测框，即初步提取图片中目标候选区域；

步骤23：搭建感兴趣区域池化层，获取步骤21的特征图和步骤22的目标候选区域，并综合信息后提取候选特征图；