全文总字数：1481字

1. 研究目的与意义及国内外研究现状

随着科技进步，图像处理与模式识别技术得到了长足的发展。由于人们生活水平的提高，对于生活的便捷和智能化提出了越来越高的要求，将机器视觉与人工智能结合的技术成为了发展的主流。具体应用中，常利用提取出的图像特征，并对其利用机器学习算法做分类和预测，完成由视觉到控制的整个流程。但是，由于系统对实时性要求很高，同时图像特征提取是一个多维度，数据量和计算量巨大的任务，传统的基于顺序执行计算机，将很难完成。而对于gpu加速的方案而言，其成本和功耗过高，系统结构复杂。于是本文提出利用fpga来加速特征提取的方法，利用其极高的并行处理能力，实时地完成多个二维卷积操作，并利用hdmi接口接收与回传数据，从而达到系统的要求。

国内外研究现状

图像的特征提取算法有很多种，国内外在此领域有相当多的研究。具体到实现上，常采用传统cpu运算或者gpu加速等方法，但在嵌入式领域则很少涉及。

由于fpga的高度并行的优势，现在有越来越多的计算任务开始在fpga上实现。比如加州大学发表的《scalable object detection accelerators on fpgas using custom designspace exploration》一文中，利用fpga来加速物体检测算法，取得了很好的效果。同时国内也有利用fpga来加速bp反馈人工神经网络的方案，达到了实时性的要求。

2. 研究的基本内容

本文所采用的图像特征提取算法为基本图像特征（Basic Image Features），通过这一算法，可以提取出灰度图像中，包括平坦、坡型、暗点、明点、暗线、明线、鞍型七种纹理特征。每一个特征可以根据给定的参数，生成7个卷积核，并利用二维卷积完成提取。

在FPGA上利用HDMI接口，配合相应的MAC层和数据接收与生成模块，读取图像信息，并实时地存入DDR2内存当中。利用多个乘法器、移位控制器和存储器控制模块组成二维卷积模块，并完成卷积操作。将卷积结果利用HDMI发送模块输出。同时利用千兆以太网接口和控制模块，实时监测运行状态。

3. 实施方案、进度安排及预期效果

2015．12月 – 2016.1月完成fpga及其周边的pcb设计，电路信号完整性和电源完整性的仿真。

2016.1月 – 2月 完成卷积模块的设计与rtl仿真

2016.2月 – 3月 完成hdmi、千兆以太网和ddr2控制器的设计与仿真

4. 参考文献

[1] Chen Huang, Frank Vahid. Scalable Object DetectionAccelerators on FPGAs Using Custom Design Space Exploration[J], IEEE ApplicationSpecific Processors (SASP), 2011, 9

[2] M.CrosierL.D.Griffin. Using Basic Image Features for TextureClassification, Int J Comput Vis, 2010, 88

[3] 郭龙, 平西建. 基本图像特征用于文本图像文种识别. 应用科学学报, 2011, 1