基于DSP和ARM的车牌识别系统设计

研究了一种基于DSP和ARM的嵌入式车牌识别系统,通过DSP实现视频图像数据采集、车牌识别算法处理、网络传输等任务;ARM处理器使用Linux系统调度和管理视频接收、视频显示、识别结果显示等控制任务。整个系统通过网络实现通信与同步。     

基于TMS320VC5501和DSP/BIOS的指纹识别系统设计

针对目前嵌入式指纹识别系统设计的不足,提出了基于单DSP处理器结构的指纹识别设计方案.系统硬件采用TMS320VC5501作为处理核心,CMOS图像传感器HV7131R为图像采集器件,片上系统芯片CY8C21534设计的电容性触摸按键提供系统控制输入.系统软件以嵌入式实时操作系统DSP/BIOS为开发平台进行实时多任务设计,并对指纹识别算法进行了硬件平台优化和改进.调试结果表明,该系统运行稳定可靠,匹配精度高,满足设计要求.     

基于线阵图像传感器点钞机纸币号码识别系统

利用0.1ms/line线阵图像传感器和数字信号处理器(DSP)实现了立式点钞机1200张/分运行速度下的纸币号码图像的同步识别.解决了DSP的有限存储空间与数字图像处理的大数据量之间的矛盾.阐述了整个系统与点钞机速度匹配的实现方法,以及DSP同时进行算法处理及全局控制的实现,给出识别结果通过USB主机控制器保存到U盘中的过程.该系统实现了人民币号码的动态采集,实时处理,便捷式存储.系统运行可靠,为解决金融安全问题提供了一种途径.     

基于ADSP-BF533的电力线覆冰监测

介绍了基于ADSP-BF533的电力线覆冰监测系统。该系统是基于图像监测的电力线覆冰监测装置。系统通过采用简化的Sobel算法和Hough变换对图像进行边缘识别,借助DSP的高速运算性能和优化的DSP代码,实现了电力线覆冰厚度的终端识别和自动报警功能;采用终端识别的方式,是智能监控中一种新的尝试。     

基于DSP平台的网络视频监控系统构建

本文设计实现了一个基于DSP的嵌入式智能网络视频监控系统.整个系统包括视频服务器端、视频客户端和视频控制端三大部分.其中服务器端采用自行研制的嵌入式DSP开发平台实现,具有体积小、智能判断运动目标等特点.测试结果表明,该系统运行稳定,对于D1格式的视频图像,能达到实时网络视频监控的目的.     

基于OMAPL138的视频监控烟雾检测系统

基于低功耗浮点DSP+ARM双核架构的高性能芯片OMAPL138,开发一个带烟雾检测功能的视频监控与处理系统。该系统利用Davinci异构多核通信的基础组件SysLink,实现了视频信号在异构多核处理器之间的通信与处理,具有体积小,功耗低,算法实现灵活高效,可以脱离计算机独立运行等特点。在OMAPL138的DSP端运行了基于图像频度特征的烟雾检测算法,综合运用频度图像和灰度图像相对于基准图的相关系数,既能检测浓烟也能检测稀薄烟雾,并利用烟雾的独有特征避免了物体移动与光照变化等场景引起的误检测。     

基于Blackfin533的便携式QR code识别系统

一种基于 Blackfin533 DSP 的便携式 QR code 识别终端系统的设计方案。系统以 Black-fin533DSP 为核心处理单元,通过 COMS 图像传感器采集 QR code 条码图像信息,借助 DSP 的高速运算性能,对采集到的 QR code 图像信息进行图像预处理和 QR code 算法识别,然后通过 TFT LCD 实时显示识别结果,最后再运用 Zigbee 节点无线传输方式代替传统的有线和无线芯片传输技术,将识别后的条码图像数据准确可靠地向主机传输。     

基于AM5728的嵌入式图像处理系统

本文研究了基于AM5728的嵌入式图像处理系统的设计方案和实现方法，选择了基于ARM15的AM5728处理器为硬件平台和嵌入式Linux操作系统来完成图像处理技术的开发。在宿主机上安装虚拟机并在虚拟机上创建Linux系统的交叉编译环境，以此作为后续项目开发的软件环境。其次本文通过视频采集方法，进行了图像的采集、保存以及时延测试。使用Gstreamer API通过ARM端获取视频，通过OpenCL调用DSP端对图像进行Sobel（边缘检测）算法处理。测试结果显示该系统不仅拥有很好的设备兼容性，同时具有良好的图像处理实时性。     

基于Linux的嵌入式实时视频跟踪系统

将ARM与DSP相结合,设计并实现了一套嵌入式实时视频传输跟踪系统;该系统以集成ARM和DSP双内核的OMAP3730作为核心处理器,首先通过ARM上搭载的Linux操作系统实现基于V4L2的图像采集功能,然后调用DSP完成H.264视频编码,压缩后的图像由基于实时流传输协议的流媒体服务器传输至远程计算机端解码并显示,最后利用camshift跟踪算法实现对运动目标物体的实时跟踪。该系统是小型无人机自主导航与控制的视觉导航以及以无人机为平台的运动目标检测的基础,有很好的应用前景。     

DSP处理器上的高效串匹配实现

字符串匹配是生物识别、入侵检测的基础,也是大数据互联网时代的研究热点.随着现代信息技术的发展,日常工作生活中移动及手持小型化设备的使用越发普遍.这些设备的应用场景中包含大量有关串匹配的需求,如人脸识别、实时数据查询等.串匹配算法的实时和准确性决定了使用场景的范围,因此在DSP处理器等移动小型化设备的嵌入式处理器上实现高效串匹配算法的问题变得十分迫切.该文针对DSP处理器因缺乏逻辑判断与跳转指令,难以支持高效串匹配运算的问题,提出了一种基于DSP平台特点的改进串匹配算法.该算法采用位并行的思路,在DSP处理器上实现了串匹配算法的并行化.同时通过前序启动、基于VLIW的数学运算替代逻辑判断、Q-grams等优化手段,提高该算法对于DSP平台的适应性与执行效率,最终实现了一种基于HXDSP的高效串匹配算法VBNDM2.实验结果表明,本算法针对DSP平台,有效地提高了串匹配的效率,实现了算法的高效并行化.     

基于新型DSP-BF533的嵌入式运动图像目标跟踪系统的设计

该文提出了一种利用最新高频DSP的强大的运算功能,运用嵌入式的方法裁减软硬件,并将裁减后的硬件系统放置在球机的内部,设计并实现了在使用单颗DSP下完成普通环境下对单个运动图像目标的实时跟踪。     

Integrating the enriched feature with machine learning algorithms for human movement and fall detection

Movement detection is gaining more and more attention among various pattern recognition problems. Recognizing human movement activity types is extremely useful for fall detection for elderly people. Wireless sensor network technology enables human motion data from wearable wireless sensor devices be transmitted for remote processing. This paper studies methods to process the human motion data received from wearable wireless sensor devices for detecting different types of human movement activities such as sitting, standing, lying, fall, running, and walking. Machine learning methods K Nearest Neighbor algorithm (KNN) and the Back Propagation Neural Network (BPNN) algorithm are used to classify the activities from the data acquired from sensors based on sample data. As there are a large amount of real-time raw data received from sensors and there are noises associated with these data, feature construction and reduction are used to preprocess these raw sensor data obtained from accelerometers embedded in wireless sensing motes for learning and processing. The singular value decomposition (SVD) technique is used for constructing the enriched features. The enriched features are then integrated with machine learning algorithms for movement detection. The testing data are collected from five adults. Experimental results show that our methods can achieve promising performance on human movement recognition and fall detection.     

基于深度学习的实时图像目标检测系统设计

针对图像目标检测的嵌入式实时应用需求,采用合并计算层的方法对基于MobileNet和单发多框检测器(SSD)的深度学习目标检测算法进行了优化,并采用软硬件结合的设计方法,基于ZYNQ可扩展处理平台设计了实时图像目标检测系统。在系统中,根据优化后的算法设计了一款多处理器核的深度学习算法加速器,并采用PYTHON语言设计了系统的软件。经过多个实验测试,深度学习目标检测系统处理速度可以达到45FPS,是深度学习软件框架在CPU上运行速度的4.9倍,在GPU上的1.7倍,完全满足实时图像目标检测的需求。     

基于云计算的可穿戴式老龄人异常行为检测系统研究

针对老龄人异常行为的实时检测、识别和在线主动信息推送问题,利用智能移动终端内置的三轴加速传感器来采集人体运动信息。通过匹配追踪算法（MP）对信号进行Gabor原子分解,并利用Wigner-Ville时频分析方法,从时间和三维空间动作特征对其进行时频联合域研究。为解决时频分析过程中的复杂运算问题,并完成异常行为动作的在线训练,分类识别和信息推送,探讨一种运用移动终端APP,无线网络和云计算平台来构建的可穿戴式老龄人异常行为检测系统。实验结果表明,该方法切实可行,可将其应用于老龄人日常监护和紧急救助等相关领域。     

多尺度传感网络失效节点检测系统设计

对多尺度传感网络中的失效节点进行准确检测与定位,实现故障节点的高效检测,保障传感网络的可靠运行。提出一种基于多传感器量化融合跟踪滤波检测的失效节点检测算法,并进行检测系统优化设计。构建多尺度传感网络的节点分布实体对象模型,进行失效节点检测系统总体设计和技术指标分析。设计基于多传感器量化融合跟踪滤波检测的失效节点检测算法。进行系统的硬件设计,包括A/D模块设计、时钟电路设计、程序加载电路设计、传感器通信模块设计和系统电源模块设计。在ARM Cortex?-M0平台上进行检测系统软件开发。系统仿真结果表明,该系统进行多尺度传感网络失效节点检测的准确度较高,提高了传感器网络的寿命周期。     

基于ARM嵌入式系统的软测量应用

在基于Windows CE操作系统的ARM嵌入式系统上实现了一套通用工业过程软仪表。选用ARM嵌入式系统作为硬件平台,基于普通PC机上的嵌入式应用软件开发包Embeded VC 开发,应用双重RBF神经网络的模型作为软测量的数学模型。该软件包采用面向对象的软件体系结构,根据模块细化原则可以划分为系统调度、数据预处理、系统组态、核心算法、通讯和人机界面等6个模块。应用该软仪表对某化工厂加压甲醇精馏塔塔顶甲醇浓度模型进行仿真测试,取得了较好的结果。     

基于改进型高斯混合模型的嵌入式实时运动检测系统

混合高斯模型由于其计算量大,算法结构复杂,难以在嵌入式系统中实现运动物体的实时检测,为解决此问题,文中提出了一种基于改进型混合高斯模型的实时运动检测方案,对混合高斯模型进行简化和结构调整,同时进行了C语言层面和CPU层级的优化,使其更合适于嵌入式平台,并详细分析了DM6446平台的软硬件设计,介绍了该算法在DM6446平台上的实现过程;实验结果表明:该系统能够有效克服外界环境变化带来的干扰,能够实时检测,可以实现多目标跟踪。     

Application of web embedded system and machine learning in english corpus vocabulary recognition

Built-in applications built on a stand-alone device, TCP / IP network and interconnected are a need for high integration with other systems. The system provided through Web services interconnects service-oriented distributed architecture. The TCP / IP network is widely employed to integrate business applications. This integration is still not provided through the embedded application. The applications connected to the Internet are an especially difficult problem in embedded systems to interpret the sensor data. Real-time sensor function generates a training/classification result for IoT application selected, customized, or data structure design. It has an integrated hardware/software system to achieve the continuous training and real-time data analysis and re-training of Machine Learning (ML) algorithm. World of English native speakers on top of all, this is the database of words that have been separated from the local and non-collection English. It also reported a variety of methods that are used in the English vocabulary recognition system. Please check the study of learners of mediation based on the part of the corpus. Students, in writing, too much-advanced technology and general vocabulary. These students, publicly their discourse in and contributed to the professional corpus of "existence" I mentioned that there is a professional writer, is better. To stimulate the different means of integration, it evaluated several network technology today, discussing the balance between the use of shared with this integration in the adaptability and built-in the field of Web network technology of today.     

基于ARM嵌入式系统的数据融合监测系统设计

针对高危场所人工不方便现场监测、环境变化复杂、影响因素较多的问题,设计了一套基于ARM嵌入式控制台的多传感器网络节点的数据融合技术监测设备运行状况的系统。在高危场所组建监测节点传感器网络,融合多传感器网络数据,描述监测对象状态。在ARM嵌入式控制平台上通过MiniGui软件设计监测系统界面,开发监控系统软件以及研究数据融合算法完成监测系统设计。     

Optimizing the performance of sensor network programs through estimation-based code profiling

With the development of sensor technology and embedded systems, building large-scale, low-cost sensor networks, which is a critical step to facilitating the application of pervasive sensing in the future, becomes possible. One of the major challenges in developing sensor network applications is to improve the execution efficiency of programs running on power-constrained embedded devices. While profiling-guided code optimization has been widely used as a compiler-level optimization technique for improving the performance of programs running on general-purpose computers, it has not been applied to sensor network programs due to some defects. In this paper, we overcome these defects and design a more effective profiling-guided code placement approach for sensor network programs. Specifically, we model the execution of sensor network programs taking nondeterministic inputs as discrete-time Markov processes, and propose a novel approach named Code Tomography to estimate parameters of the Markov models that reflect sensor network programs’ dynamic execution behaviors by only using end-to-end timing information measured at the start and end points of each procedure in the source code. The parameters estimated by Code Tomography are fed back to compilers to optimize the code placement. The evaluation results demonstrate that Code Tomography can achieve satisfactory estimation accuracy with low profiling overhead and the branch misprediction rate can be reduced after reorganizing the code placement based on the profiling results. Besides, Code Tomography can also be useful for purposes such as post-mortem analysis, debugging and energy profiling of sensor network programs.