基于DSP的實時圖像識別系統設計與應用

饒蔚巍 張小祿 姚新濤 丁毅

摘要：設計實現了一種基于DSP的實時圖像識別系統，該系統功能包括采集圖片、傳輸圖片、圖片預處理、圖像識別等基本功能，研究分析了兩種常見的圖像識別算法，并利用系統對字符數據進行了圖像識別實例分析，取得了較好的試驗結果。

關鍵詞：DSP；圖像識別；實例應用

1 DSP概述

1.1DSP的發展與應用。隨著計算機科學技術的迅速成熟與廣泛使用，數字信號處理技術也隨之迅猛的發展起來，研究人員提出了越來越多切實可行的數字信號處理方法，上世紀七十年代末研究人員首次提出了DSP的基本概念與處理方法，在此之前，解決數字信號處理問題只能憑借微型計算機來完成，算法編譯速度慢，系統運行效率低，八十年代初，第一枚DSP芯片橫空出世，即使在功率損耗以及大小上面稍有缺陷，但是就運行效率而言，遠遠將微型計算機甩在了身后。

現如今DSP制造技術日益成熟，應用領域越來越廣泛，無論是在通信、電力，亦或是人工智能、日常生活等方方面面都能看到DSP的影子。

1.2DSP系統的特點。DSP系統最大的特點就是實時性，簡單來說就是系統運行的速度遠遠大于采集信號的速度，整個系統將圖片信號處理完成后的截止時間與采集圖像信號的開始時間相差極小，時間差在誤差允許范圍內，則說明這個系統是具有實時性的，不同信號類型對系統的運行效率影響不同，就文字、語音或者電信號而言，數據樣本極小，占用空間幾乎可以忽略不計，但是圖像信號往往是以二維、三維矩陣的形式傳輸儲存，信號數據量極大，因此對系統采樣速率以及處理信號的能力要求最高，想要利用MCU或者PC機來實現圖像識別系統的設計難度極大，且很難達到理想效果。

相較于MCU與PC而言，DSP內部總線結構采用典型的哈佛結構，將數據與程序分別儲存在不同的區域，有利于并行讀指令與取操作數，加大程序處理效率。另外，DSP系統的邏輯與運算單元具有很多特點，比如采用專用的硬件乘法器來提高運算效率，縮短算法執行時間，并且還存在多功能單元使得DSP系統在最短的時間里并行完成最大的工作量。流水線結構、指令周期短等都是DSP系統優秀性能的基本保證。

2實時DSP圖像識別系統的環境搭建

圖像識別系統一般包括兩大部分，分別是圖像采集與圖像識別，基本結構如圖1所示。

系統初始化完成之后，觸發信號導致DSP中斷，DSP通過12C總線對采集芯片SAA7111寄存器設置特定參數，進而開始采集圖片，經過CPLD實現采集芯片的幀控制、時序邏輯，發出特定的地址信號，結合鎖存器便可生成RGB圖像，圖像采集完成之后，繼而通過DSP的直接內存存取就可存入SDRAM以便進行圖像識別算法的處理，同時也可以再通過PCI總線輸送到Pc端顯示。同時需要對DSP與各模塊的接口進行設計搭建，完成各數據傳輸總線的邏輯控制，另外整個系統時鐘設計與電源配置也都是十分重要的。

3

圖像識別算法的設計

算法是整個實時圖像識別系統的靈魂，優秀的圖像識別算法必須符合運行速度快，簡便易編寫，并且識別圖像的錯誤率低等基本特點。圖像識別算法多種多樣，各有各的特點，需要根據系統需要設計采取最適合的方案。

綜上所述，職業技能競賽的不僅使我們看到了職業教育課程中存在的問題，而且通過舉行大賽可以促進對這些問題的解決，同時構建校企合作平臺，疏通就業“出口”，響應國家“產教融合、雙創精神”的號召。職業技能競賽活動的開展，為職業院校創新培養模式、提高學生就業競爭核心能力找到了載體和切入點，為修改教學計劃、增補教學內容、加強實訓環節提供了依據。

3.1圖像模板匹配算法。在多個時間、不同成像條件對相同成像對象的多個圖像在空間上校準，也可以根據已知圖像模式到另一幅圖像中尋找相應模式的圖像處理方法被稱為圖像模板匹配算法。在待處理圖像之中搜尋目標，一般說來目標與模板具有相同的尺寸、方向與圖像，設定匹配閡值，計算兩者相關性再與閾值相比較，便可以在待處理圖片中匹配到目標，根據像素確定目標所在位置，算法簡單且容易實現，是最常用的圖像識別算法之一。

3.2BP神經網絡識別算法。BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科研小組首次提出，是一種按照誤差逆傳播算法訓練的多層前饋網絡，是應用領域非常多的一種模型。一般BP算法可以訓練多層神經網絡，近似最速下降法，其誤差函數為平均平方誤差。每個樣本作用于網絡時，權值或閾值都會得到一次修改，BP網絡能夠逼近任意的連續函數，非線性映射能力強，網絡的中間層數、各層的處理單元數及網絡的學習系數等按照實際需要設置，靈活性極強，算法流稗如圖2所示。

4 DSP圖像識別系統實例應用

采用本次設計的DSP實時圖像識別系統對不同字體的字符串圖片“0123456789”進行識別，采集到圖像之后先進行圖像預處理，降低運算難度，增大匹配準確性，將預處理之后的圖片作為待搜索圖片進行處理，考慮到神經網絡算法運算量較大，過程復雜，所以采用圖像模板匹配算法，依據試驗結果發現，當不設定閾值的時候，識別錯誤字符數量為三個，當設定閾值時，錯誤數量變為兩個，正確識別率高達百分之九十，錯誤率為僅占百分之五，另外百分之五系統無法識別，當設定閡值大于0.60時，正確率降低，并且無法識別的字符數增加。當閾值設定值小于0.60時，正確率增加，無法識別的字符減少但是識別不準確的字符數增加。最后系統使用固定閾值0.60對規范樣本字符數據進行識別，識別結果如表1所示。

5結束語

本文首先介紹了DSP的發展與應用，在分析DSP特點的基礎上搭建了DSP實時圖像識別系統的基本結構，對常用的兩種圖像識別算法，即模板匹配算法與BP神經網絡算法做了簡單介紹，并選擇模板匹配算法作為此次設計的系統所采用的圖像識別算法，對樣本圖像字符進行了識別處理，取得了較好的試驗結果。