【技术实现步骤摘要】
本专利技术涉及加速器，尤其涉及一种车牌识别算法硬件加速器及方法。
技术介绍
1、随着计算机视觉技术与神经网络的发展，社会管理方式逐渐向着调度自动化和智能化发展，如智慧交通，智慧城市，智慧家庭等。而对于智慧交通，车牌识别的准确率及实时性则决定了整体系统能否高效且准确地运作。
2、基于深度学习的车牌识别算法已经被广泛研究。现有的基于计算机或服务器的车牌识别算法重点强调准确性而忽略了实际应用场景的算力和高效性。
技术实现思路
1、本专利技术提供一种车牌识别算法硬件加速器及方法，用以解决现有技术中无法满足车牌识别算法在实际应用场景的算力和高效性的缺陷。
2、第一方面，本专利技术提供一种车牌识别算法硬件加速器，离线算法模块以及硬件加速模块，所述硬件加速模块包括编译模块以及开发板运行模块；
3、所述离线算法模块，用于生成车牌识别算法；
4、所述编译模块，用于将所述车牌识别算法编译成dpu指令序列，所述dpu指令序列包括可以在fpga现场可编程的门阵列开发板上执行的用于对dpu硬件优化的指令；
5、所述开发板运行模块，用于在使用所述车牌识别算法进行车牌识别时，在fpga开发板中调用所述dpu指令序列对所述车牌识别算法进行加速。
6、根据本专利技术提供的一种车牌识别算法硬件加速器，所述硬件加速模块还包括：模型训练模块以及量化模块；
7、所述模型训练模块，用于将所述车牌识别算法在基于vitis-ai开发堆栈的dock
8、所述量化模块，用于将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，以通过所述车牌识别算法的量化模型将所述车牌识别算法编译成dpu指令序列。
9、根据本专利技术提供的一种车牌识别算法硬件加速器，所述量化模块，还用于基于量化模型参数的位数以及数据范围，调用vitis-ai开发堆栈的ai量化器将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，所述量化模型参数包括量化模型的权重与量化模型的激活值。
10、根据本专利技术提供的一种车牌识别算法硬件加速器，所述编译模块，还用于基于vitis-ai开发堆栈的编译器，将所述车牌识别算法的量化模型编译成dpu指令序列。
11、根据本专利技术提供的一种车牌识别算法硬件加速器，所述离线算法模块包括：车牌识别算法训练模块；
12、所述车牌识别算法训练模块，用于基于车牌图像训练数据对卷积神经网络进行训练，得到训练好的车牌识别算法。
13、根据本专利技术提供的一种车牌识别算法硬件加速器，所述离线算法模块还包括：数据集处理模块与车牌分割模块；
14、所述数据集处理模块，用于获取图像采集传感器所采集到的若干个车牌图像；
15、所述车牌分割模块，用于对所述若干个车牌图像进行图像分割，以构建出车牌图像训练数据。
16、本专利技术还提供一种车牌识别算法硬件加速方法，应用于上述任一种所述的车牌识别算法硬件加速器，包括：
17、生成车牌识别算法；
18、将所述车牌识别算法编译成dpu指令序列，所述dpu指令序列包括可以在fpga现场可编程的门阵列开发板上执行的用于对dpu硬件优化的指令；
19、在使用车牌识别算法进行车牌识别时，在fpga开发板中调用所述dpu指令序列对所述车牌识别算法进行加速。
20、根据本专利技术提供的一种车牌识别算法硬件加速方法，所述方法，还包括：
21、将所述车牌识别算法在基于vitis-ai开发堆栈的docker容器化运行环境中进行训练，得到所述车牌识别算法的浮点模型；
22、将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，以通过所述车牌识别算法的量化模型将所述车牌识别算法编译成dpu指令序列。
23、根据本专利技术提供的一种车牌识别算法硬件加速方法，所述方法，还包括：
24、基于量化模型参数的位数以及数据范围，调用vitis-ai开发堆栈的ai量化器将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，所述量化模型参数包括量化模型的权重与量化模型的激活值。
25、根据本专利技术提供的一种车牌识别算法硬件加速方法，所述方法，还包括：
26、基于vitis-ai开发堆栈的编译器，将所述车牌识别算法的量化模型编译成dpu指令序列。
27、本专利技术提供的车牌识别算法硬件加速器，包括：离线算法模块以及硬件加速模块，硬件加速模块包括编译模块以及开发板运行模块；离线算法模块，用于生成车牌识别算法；编译模块，用于将车牌识别算法编译成dpu指令序列，dpu指令序列包括可以在fpga现场可编程的门阵列开发板上执行的用于对dpu硬件优化的指令；开发板运行模块，用于在使用车牌识别算法进行车牌识别时，调用dpu指令序列对车牌识别算法进行加速。本专利技术通过引入硬件加速模块，特别是硬件加速模块中的编译模块将车牌识别算法编译成dpu指令序列，能够充分利用fpga现场可编程门阵列开发板的并行处理能力，对车牌识别算法进行硬件级别的优化和加速，实现了对车牌识别算法的硬件加速。
本文档来自技高网...【技术保护点】
1.一种车牌识别算法硬件加速器，其特征在于，包括：离线算法模块以及硬件加速模块，所述硬件加速模块包括编译模块以及开发板运行模块；
2.根据权利要求1所述的车牌识别算法硬件加速器，其特征在于，所述硬件加速模块还包括：模型训练模块以及量化模块；
3.根据权利要求2所述的车牌识别算法硬件加速器，其特征在于，所述量化模块，还用于基于量化模型参数的位数以及数据范围，调用Vitis-AI开发堆栈的AI量化器将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，所述量化模型参数包括量化模型的权重与量化模型的激活值。
4.根据权利要求2所述的车牌识别算法硬件加速器，其特征在于，所述编译模块，还用于基于Vitis-AI开发堆栈的编译器，将所述车牌识别算法的量化模型编译成DPU指令序列。
5.根据权利要求1所述的车牌识别算法硬件加速器，其特征在于，所述离线算法模块包括：车牌识别算法训练模块；
6.根据权利要求5所述的车牌识别算法硬件加速器，其特征在于，所述离线算法模块还包括：数据集处理模块与车牌分割模块；
7.一种车牌识
8.根据权利要求7所述的车牌识别算法硬件加速方法，其特征在于，所述方法，还包括：
9.根据权利要求8所述的车牌识别算法硬件加速方法，其特征在于，所述方法，还包括：
10.根据权利要求8所述的车牌识别算法硬件加速方法，其特征在于，所述方法，还包括：
...【技术特征摘要】
1.一种车牌识别算法硬件加速器，其特征在于，包括：离线算法模块以及硬件加速模块，所述硬件加速模块包括编译模块以及开发板运行模块；
2.根据权利要求1所述的车牌识别算法硬件加速器，其特征在于，所述硬件加速模块还包括：模型训练模块以及量化模块；
3.根据权利要求2所述的车牌识别算法硬件加速器，其特征在于，所述量化模块，还用于基于量化模型参数的位数以及数据范围，调用vitis-ai开发堆栈的ai量化器将所述车牌识别算法的浮点模型转换为所述车牌识别算法的量化模型，所述量化模型参数包括量化模型的权重与量化模型的激活值。
4.根据权利要求2所述的车牌识别算法硬件加速器，其特征在于，所述编译模块，还用于基于vitis-ai开发堆栈的编译器，将所述车牌识别算...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。