本发明实施例涉及物体识别,尤其涉及一种基于卷积神经网络的物体识别方法。
背景技术:
1、神经网络(nn)作为一种模仿动物神经网络特征的算法数学模型,因其并行处理离散信息的能力,一直是业界研究热点。卷积神经网络(cnn)在传统神经网络的基础上将关键节点进行多次组合堆叠,使其在处理复杂数据上有极大优势,具有精度高的特点。因而被广泛用于图像和视频处理等领域。
2、随着图像处理算法的不断发展,对算法的准确度和响应时间提出了更高的要求。如果算法在处理实时图像时得出最终结果的时间过长,可能会丢失关键帧的数据,降低了整个算法的精度。
3、传统卷积神经网络由3层组成:卷积层、池化层和全连接层。在实际情况中,这些层可以在卷积神经网络中进行多次组合和堆叠。图像输入将被不断归结,直至确定最终答案。通常卷积神经网络矩阵中可能包含数百万个浮点参数,换句话说,处理一次图像数据需要数十亿次浮点运算,甚至更多才能识别单个图像。尽管浮点参数的应用会得到高准确率的结果,但数十亿次之多的浮点运算会产生显著的冗余,使整个图像处理算法对硬件逻辑资源以及处理速率有极其严苛的要求。
技术实现思路
1、本发明提供一种基于卷积神经网络的物体识别方法和装置,以实现在保留识别算法高准确度的前提下减小处理算法产生的冗余。
2、第一方面,本发明实施例提供一种基于卷积神经网络的物体识别方法,包括:
3、通过摄像头采集待识别目标的实时图像;
4、根据红绿蓝三色将采集到的实时图像转为二进制整数构成的矩阵后输入卷积神经网络进行物体识别,从而得到图像的识别结果。
5、可选的,所述卷积神经网络由2层3x3卷积、2层2x2池化迭代2次以及1层2x512全连接层构成。
6、可选的,根据算法准确度和采集窗大小的关系,确定图像采集所对应的采集窗。
7、可选的,方法还包括:
8、根据神经网络中各层神经元数量和突触数量对二值化后矩阵向量单元内部的多数据流通道s和运算单元p进行调整,以实现数据的并行运算。
9、第二方面,本发明实施例还提供了一种基于卷积神经网络的物体识别装置,包括:
10、图像采集模块,用于通过摄像头采集待识别目标的实时图像;
11、图像识别模块,用于根据红绿蓝三色将采集到的实时图像转为二进制整数构成的矩阵后输入卷积神经网络进行物体识别,从而得到图像的识别结果。
12、本发明的有益效果:
13、1、本发明的技术方案采用整数代替浮点数来进行运算,能够减少硬件的使用资源,提高算法结果的输出效率;
14、2、本发明通过选取合适的采集窗可以进一步提高模型识别的准确度;
15、3、本发明通过根据神经网络中各层神经元数量和突触数量对二值化后矩阵向量单元内部的多数据流通道s和运算单元p进行调整,可以实现数据的并行处理,从而控制神经网络设计的资源利用率,显著改善整体设计延迟。
1.一种基于卷积神经网络的物体识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络由2层3х3卷积、2层2х2池化迭代2次以及1层2х512全连接层构成。
3.根据权利1所述的方法,其特征在于,根据算法准确度和采集窗大小的关系,确定图像采集所对应的采集窗。
4.根据权利要求1所述的方法,其特征在于,方法还包括:根据神经网络中各层神经元数量和突触数量对二值化后矩阵向量单元内部的多数据流通道s和运算单元p进行调整,以实现数据的并行运算。
5.一种基于卷积神经网络的物体识别装置,其特征在于,包括: