本实用新型涉及机器学习和嵌入式技术领域，尤其涉及一种基于深度神经网络和DSP芯片的人数统计装置。
背景技术：
随着计算机技术和人工智能的发展，图像识别技术开始逐渐走进人们的生活。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术，是人工智能的一个重要领域，另外在地理学中也指将遥感图像进行分类的技术。目前人脸识别、多目标检测等的兴起也使得图像识别的发展方兴未艾。目前的图像识别技术主要是通过深度神经网络来实现，将深度神经网络应用到人数统计方面也有前车之鉴。运用深度神经网络进行人数统计，适应了当今经济社会发展的需要，将其运用到医院、商场、学校、室内等各种公共场所，能够有效地协助安全人员，在遇到紧急情况时更加及时的处理，保证公民的人身和财产安全。而使用神经网络的平台主要是PC和服务器，体积大，功耗大，成本高，不能满足嵌入式产品的需求。而DSP作为主要的嵌入式开发平台之一，并不能支持现有的神经网络框架所使用的语言。
技术实现要素：
针对现有技术的缺陷，本实用新型提供一种基于深度神经网络和DSP芯片的人数统计装置，将现有的神经网络框架植入到DSP芯片，实现对摄入图像中的人数进行统计。
基于深度神经网络和DSP芯片的人数统计装置，包括中央控制单元、存储单元、输入单元、显示单元、输入A/D转换单元、输出A/D转换单元、人机交互单元、仿真单元和复杂可编程逻辑器件(Complex Programmable Logic Device，简称CPLD)；所述中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连；所述复杂可编程逻辑器件CPLD通过总线与中央控制单元相连；所述输入单元的输出端与输入A/D转换单元的输入端相连，所述显示单元的输入端与输出A/D转换单元的输出端相连；所述中央控制单元内置深度神经网络框架程序。
优选地，所述中央控制单元采用DSP微处理器。
优选地，所述存储单元包括数据存储器SDRAM和FLASH闪存，并且数据存储器SDRAM在200MHz下运行。
优选地，所述输入单元采用摄像头，显示单元采用TFT-LCD液晶显示器。
优选地，所述输入A/D转换单元和输出A/D转换单元均采用CMOS传感器。
优选地，所述人机交互单元采用键盘按键进行人机交互。
优选地，所述仿真单元采用XDS560仿真器。
由上述技术方案可知，本实用新型的有益效果在于：本实用新型提供的基于深度神经网络和DSP芯片的人数统计装置，通过C语言构建的深度学习神经网络模型框架，可以很好地实现各种图像识别功能，再将深度学习神经网络模型植入到中央控制单元中，使图像识别的平台具有具有更高的计算处理能力，可以实现现场数据高精度、高速度实时采集，适用于多种复杂环境，且成本低，具有较高的实用价值，同时，方便后续的开发使用。
附图说明
图1为本实用新型实施例提供的基于深度神经网络和DSP芯片的人数统计装置的结构框图；
图2为本实用新型实施例提供的中央控制单元所使用的TMS320DM642型DSP芯片的原理框图；
图3为本实用新型实施例提供的摄像头视频口的结构框图；
图4为本实用新型实施例提供的摄像头采集到的图像；
图5为本实用新型实施例提供的采集的图像经过中央控制单元处理后得到的人数分布密度图。
具体实施方式
下面结合附图和实施例，对本实用新型的具体实施方式作进一步详细描述。以下实施例用于说明本实用新型，但不用来限制本实用新型的范围。
基于深度神经网络和DSP芯片的人数统计装置，如图1所示，包括中央控制单元、存储单元、输入单元、显示单元、输入A/D转换单元、输出A/D转换单元、人机交互单元、仿真单元和复杂可编程逻辑器件(Complex Programmable Logic Device，简称CPLD)。中央控制单元与输入A/D转换单元的输出端、输出A/D转换单元的输入端、仿真单元、存储单元以及人机交互单元均相连。复杂可编程逻辑器件CPLD通过总线与中央控制单元相连，输入单元的输出端与输入A/D转换单元的输入端相连，显示单元的输入端与输出A/D转换单元的输出端相连，中央控制单元内置深度神经网络框架程序。
本实施例中，中央控制单元采用如图2所示型号为TMS320DM642DSP微处理器，其设有PPI、SPORT、SPI端口。存储单元包括型号为DDR-400的数据存储器SDRAM和FLASH闪存，并且数据存储器SDRAM在200MHz下运行。输入单元采用如图3所示型号为SNA-825ABC的摄像头，显示单元采用TFT-LCD液晶显示器。输入A/D转换单元和输出A/D转换单元均采用型号为SAA7113的CMOS传感器。人机交互单元采用键盘按键进行人机交互。仿真单元采用XDS560仿真器，进行实时调试和检测。
本实施例还提供采用上述基于深度神经网络和DSP芯片的人数统计装置进行人数统计的方法，包括以下步骤：
步骤1、使用C语言在集成开发环境下对DSP微处理器进行编程构建神经网络模型，然后烧写DSP微处理器的电路；
编程构建神经网络模型的具体方法为：
步骤1.1、通过使用神经网络框架tensorflow获得所需要功能的深度神经网络的权值数据，将权值数据储存成npy格式，再将.npy文件中的数据通过python语言读取，并存储为.mat文件；
步骤1.2、使用一个结构体代替了面向对象编程中的类，并且作为权系数矩阵和数据流动过程临时数据的数据类型，搭建一个神经网络，具体方法为：
1、使用C语言读取png图片的数据，将图片信号转换为数字输入；
2、根据设计好的神经网络选择卷积核的数目、尺寸以及pad和stride并输入；
3、根据设计好的神经网络选择选择池化类型为最大池化或平均池化，定义池化的size、pad和stride并输入；
4、根据神经网络的结构，在卷积层或池化层后调用本系统的全连接层，并且在之后接softmax层用以计算图像各识别结果的概率；
5、将softmax层中概率最大的结果作为图像识别结果输出；
步骤2、按下人机交互单元的键盘按键，开启摄像头进行图像采集，并将其传送到作为输入A/D转换单元的CMOS传感器，将图像信息转换为数字信号，再按一次按键停止图像采集；
步骤3、输入A/D转换单元的输出端口与DSP微处理器的视频端口相连接，预处理过的数字信号进入DSP微处理器中，通过内置的深度神经网络模型对图像内容进行处理，图像识别结果再通过DSP微处理器的视频输出端口输出到作为输出A/D转换单元的CMOS传感器进行数模转换，进而输出到液晶显示器，液晶显示器实时显示人数分布密度图，密度图人数的疏密通过颜色来体现；
步骤4、DSP微处理器根据人数分布密度图，采用像素逐点统计的方法，计算出当前图片上的人数，并将计算结果输出到显示单元进行显示。
本实施例中，作为输入单元的摄像头采集到的图像如图4所示，该图像经过DSP微处理和CMOS传感器进行处理后在液晶显示器上进行显示的人数分布密度图如图5所示，图中白色区域表示人数集中的区域。
最后应说明的是：以上实施例仅用以说明本实用新型的技术方案，而非对其限制；尽管参照前述实施例对本实用新型进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用新型权利要求所限定的范围。