近年来,随着神经网络的快速发展,卷积神经网络在车型识别领域任务中取得了最先进的结果。然而,由于传统的卷积神经网络模型计算复杂度过高、模型参数量巨大等不足,使得其难以部署在资源有限的移动端设备中,如何开发出可以移植到移动端设备的车辆识别模型具有重要的意义。本文的目标是设计并实现移动端车型识别加速平台,主要工作包含轻量级车型识别模型的开发、压缩以及基于ARM平台的计算加速三个方面,具体的工作如下:(1)对比目前主流的轻量级卷积神经网络MobileNet、SqueezeNet、ShuffleNet在车型识别任务上的优劣,并针对车型识别任务的需求对网络结构进行了改进。针对triple loss难以训练的缺点,提出综合使用softmax loss和center loss进行训练。针对轻量级网络特征提取能力较弱的缺点,提出使用密集连接结构加强信息在卷积层之间的流动,提高了车型识别的准确率。(2)提出一种基于通道信息熵的逐层剪枝框架,通过计算每一层中各个通道特征张量的熵值,并以此为依据评估该通道包含信息量的大小,进而评估该通道的重要性,对熵值进行排序,剪除熵值比较低的通道。为了降低剪枝对模型准确率的影响,本文提出按照逐层逐通道的方式进行剪枝,即从最底层开始,对比剪除每个通道前后模型准确率的变化,设定一个阈值,当准确率下降幅度超过阈值时恢复该通道,因此可以确保模型准确率不会因为剪枝而大幅下降。(3)本文探索了对车型识别模型定点化的方法,通过对模型每层参数的分布进行统计,发现本文训练的车型识别模型参数基本呈正态分布,因此使用线性量化的方式对模型进行量化。设置对比实验分析量化精度对模型准确率的影响,经过大量实验,本文以小于1%的准确率损失为代价完成了车型识别模型的8bit定点化。(4)为了进一步加快车型识别模型的前向计算速度,本文在visual studio开发环境下,设计并实现了基于移动端的车型识别加速平台。通过单指令多数据技术加快车型识别模型的前向运算速度,提升响应的实时性。单指令多数据技术可以在单个指令周期内完成对多组数据的处理,相当于实现了程序在空间上的并行。通过该项技术,可以有效提高处理器的数据吞吐量,减少内存开销,因此可以进一步减少车型识别的处理时间。最后,本文通过实验测试了车型识别加速平台的效果,在树莓派3B+平台上,对于640×480分辨率图像数据,车型识别处理速度可以达到29.9 FPS,可以达到实时性的要求。