[发明专利]一种基于龙芯2K1000处理器实现高精度车辆识别的方法

权利要求书

1.一种基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：包括以下步骤：

步骤1：车辆数据收集与标签化处理，制作深度学习数据集；

步骤2：对深度学习模型进行训练

步骤2.1：搭建深度学习模型框架；

步骤2.2：选择深度学习模型网络结构；

步骤2.3：使用深度学习数据集对深度学习模型框架进行训练，得到深度学习模型；

步骤3：对深度学习模型进行优化

步骤3.1：对深度学习模型进行裁剪，根据深度学习模型中各个参数在验证集中得到验证值为true的次数对各个参数的贡献值进行降序排列，裁剪掉贡献值低于设定标准的参数；

步骤3.2：对深度学习模型进行量化，降低模型进行推断所用的数据量；

步骤4：部署深度学习模型

步骤4.1：对2K1000处理器进行硬件适配，对不支持2K1000处理器的算子进行删减；

步骤4.2：深度学习模型格式转换：生成2K1000处理器适配的可调用文件，并将可调用文件转换为tmfile格式进行存储；

步骤4.3：深度学习模型部署：调用深度学习模型，将可调用文件编译生成可执行文件；

步骤5：选取视频流进行车辆检测：对视频流进行预处理，将预处理后得到的数据输入车辆识别模型进行检测识别以及显示输出。

2.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述深度学习模型采用pytorch框架或paddle框架进行训练，得到车辆识别的卷积神经网络模型，所述深度学习模型网络结构选用小型网络模型yolov3_tiny。

3.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述步骤1的具体过程为：

步骤1.1：高视角采集高速公路车辆图像数据；

步骤1.2：将图片上的车辆进行框定，对图片上的车辆信息进行标注，生成对应的xml文件；

步骤1.3：制作针对图像对应场景的数据集作为深度学习数据集；

所述图片中标注的信息包括图片大小、车辆种类、车辆在图中的位置信息，所述位置信息包括车辆框的x坐标极值和y坐标极值。

4.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述对深度学习模型进行优化采用EMA方法，对于特征模块采取整体丢弃方式。

5.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述步骤3.2对深度学习模型进行量化，将模型推断所用数据从float类型的浮点数，转换为8bit低精度值数据。

6.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述步骤4深度学习模型的部署采用C++部署，其具体过程为：

步骤4.1：将深度学习模型转为onnx深度学习通用模型；

步骤4.2：对2K1000处理器进行硬件适配；

步骤4.3：将可调用文件转换为tmfile格式进行存储；

步骤4.4：调用深度学习模型，将可调用文件编译生成可执行文件。

7.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述步骤5对视频流进行预处理，根据检测频率挑选图片进行显示。

8.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述步骤5中选取视频流，包括选取本地视频流、通过usb摄像机接入视频流或者外接RTSP视频流中的一种或多种。

9.根据权利要求1所述的基于龙芯2K1000处理器实现高精度车辆识别的方法，其特征在于：所述视频流预处理，在2K1000处理器中实现opencv部署，将opencv所需库直接移入源中实现调用。