[发明专利]基于DSP芯片与量化模型的三维物体识别方法

说明书

本发明涉及一种基于DSP芯片与量化模型的三维物体识别方法。包括三维数据采集器、三维数据特征提取器以及特征解码器，三维数据采集器为RGB‑D摄像头，拍摄后得到画面中物体的深度信息，最终合成为点云数据；将该点云数据输入到三维数据特征提取器中，特征提取器中的量化参数模型存储模块用于存量化模型的储参数，利用DSP并行计算加速模块加速特性，快速完成深度神经网络中卷积、池化、残差操作，得到输入数据的特征；特征解码器根据模型训练时对特征加密的方式反向解码，得到需要的特征格式。发明中的特征提取器可以提取三维数据的特征，并且可以通过数据结构优化和硬件加速的方法加速特征提取的速度。

技术领域

本发明属于计算机视觉领域，更具体地，涉及一种基于DSP芯片与量化模型的三维物体识别方法。

背景技术

将模型参数量化表示，称为量化模型，模型文件大小可以减少约3/4，同时可以将浮点运算转换为整型运算，理论上可以提高特征提取的速率。

现有的基于DSP的特征提取器，利用DSP芯片可以并行计算的优势，相较于ARM架构的CPU，可以更快地完成深度网络中各种层的操作，包括卷积层、池化层、残差层等。

使用点云数据进行物体识别，物体识别的方法有很多种，有使用二维数据的和使用三维点云数据的，该类发明或使用模式识别，或采用深度学习方法对对应的物体数据进行特征提取，最终完成识别任务。

三维数据的特征提取器，该类发明的输入不是传统的图像数据(包含xy平面坐标，每个像素点的颜色)，而是三维数据，如点云(包含xyz三维坐标，可能包含颜色和其他信息)，不同于平面数据，点云数据是连续数据，若将其离散化，则非常稀疏，因此现有的高效方法常常是直接对原始点云信息进行操作，得到输入点云的特征值或特征向量。

现有发明仅分别有上述部分，而未有将它们进行整合使用的，尽管这些技术的领域和方向不尽相同。现有的技术既没有量化的三维数据特征提取器，也没有基于DSP的三维数据特征提取器。之所以尚未有量化的三维数据特征提取器，是因为现有的网络量化结构多基于处理传统的二维图像设计，而要处理三维数据的网络结构的量化结构需要一些变体，如需要处理混合32位整形数和8位整形数、除了卷积外的一般运算的量化计算方式，现今尚未有统一的处理方式。之所以尚未有基于DSP的三维数据特征提取器，是尚未有通用的、成型的、开源的基于DSP芯片的深度学习框架，其开发门槛和难度较大，需要准确地把需要加速的内存数据写入到DSP缓存中，才能利用DSP并行运算的硬件加速的优势。

发明内容

本发明为克服上述现有技术中的缺陷，提供一种基于DSP芯片与量化模型的三维物体识别方法，使得发明中的特征提取器可以提取三维数据的特征，并且可以通过数据结构优化和硬件加速的方法加速特征提取的速度。

为解决上述技术问题，本发明采用的技术方案是：一种基于DSP芯片与量化模型的三维物体识别方法，包括三维数据采集器、三维数据特征提取器以及特征解码器，所述的三维数据特征提取器包括量化参数模型存储模块和DSP并行计算加速模块；所述的三维数据采集器为RGB-D摄像头，拍摄后得到画面中物体的深度信息，最终合成为点云数据；将该点云数据输入到三维数据特征提取器中，特征提取器中的量化参数模型存储模块用于存量化模型的储参数，储存的参数为8bit整型参数；利用DSP并行计算加速模块加速特性，最高可以并行完成相较于x86框架下的32条指令，快速完成深度神经网络中卷积、池化、残差操作，最后得到输入数据的特征；特征解码器根据模型训练时对特征加密的方式反向解码，得到需要的特征格式，如识别任务是将特征解码，得到长度为K的特征向量，以及最大特征值的索引，对照索引-标签表即可得到该数据的标签。