[发明专利]基于FPGA加速器的目标检测方法及系统

说明书

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。

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)；