论文部分内容阅读
改革开放的发展也随之带来了经济的发展，然而经济的发展也造成了一系列问题，特别是交通拥堵成为当今亟待解决的热门话题之一。本文利用FPGA与深度学习相结合的方式对公路交通流量和车辆种类进行判别。这为交通部门对车流量监控与检测提供了较为新颖的方法。
首先通过MT9V034对视频数据进行采集，将采集到的数据经图像预处理发送至写fifo的ip核中，再将写fifo中数据读出并发送至axi4_full总线模块，然后将其写至DDR3中，最后将存入DDR3的数据经读fifo读出送至显示器。通过对视频显示模块的设计，可以得到在Zynq开发板中LUT消耗5543个，占10.42%。LUTRAM消耗708个，占4.07％。FF(寄存器)消耗7921个，占7.44%。BRAM(block RAM)消耗7个占5%。IO口消耗34个，占17%。BUFG消耗7个，占21.88%。MMCM消耗1个，占25%。
接着需要把视频流数据转化成.bmp格式数据存储于SD卡中，对于SD卡控制器的设计，首先分析了SD卡控制器的帧头部文件，确定了.bmp帧头部文件的格式和字节数。其次设置没一幅图片的调色板，采取红色、绿色和蓝色分量均与图像颜色一致且透明度分量为0的原则对调色板进行调色。当设置完成后即可从PL端读取视频流数据信息，从而将该信息转化成.bmp格式的图片信息。
最后在Keras的框架下搭建Yolov3的深度学习算法。该算法主要通过上文采集到的视频信息转化成.bmp的图片格式，结合小车(Car)、卡车(Truck)等车辆类型标签完成了对车辆的识别以及车流量的统计。通过对Yolov3结果的分析，该算法具有识别速度快、精度高，迁移能力强的特点，能达到较好的识别效果。
首先通过MT9V034对视频数据进行采集，将采集到的数据经图像预处理发送至写fifo的ip核中，再将写fifo中数据读出并发送至axi4_full总线模块，然后将其写至DDR3中，最后将存入DDR3的数据经读fifo读出送至显示器。通过对视频显示模块的设计，可以得到在Zynq开发板中LUT消耗5543个，占10.42%。LUTRAM消耗708个，占4.07％。FF(寄存器)消耗7921个，占7.44%。BRAM(block RAM)消耗7个占5%。IO口消耗34个，占17%。BUFG消耗7个，占21.88%。MMCM消耗1个，占25%。
接着需要把视频流数据转化成.bmp格式数据存储于SD卡中，对于SD卡控制器的设计，首先分析了SD卡控制器的帧头部文件，确定了.bmp帧头部文件的格式和字节数。其次设置没一幅图片的调色板，采取红色、绿色和蓝色分量均与图像颜色一致且透明度分量为0的原则对调色板进行调色。当设置完成后即可从PL端读取视频流数据信息，从而将该信息转化成.bmp格式的图片信息。
最后在Keras的框架下搭建Yolov3的深度学习算法。该算法主要通过上文采集到的视频信息转化成.bmp的图片格式，结合小车(Car)、卡车(Truck)等车辆类型标签完成了对车辆的识别以及车流量的统计。通过对Yolov3结果的分析，该算法具有识别速度快、精度高，迁移能力强的特点，能达到较好的识别效果。