0 引言

    邊緣檢測(cè)是圖像特征提取、目標(biāo)識(shí)別的基礎(chǔ)，圖像邊緣提取的好壞直接影響后續(xù)處理的難易度和準(zhǔn)確度。在眾多邊緣提取算法中，Canny邊緣提取算法由于其良好的檢測(cè)效果在圖像處理中得到廣泛應(yīng)用。而現(xiàn)階段的工業(yè)視覺(jué)檢測(cè)中，圖像處理多為PC平臺(tái)或者ARM平臺(tái)，在這些平臺(tái)下，Canny邊緣檢測(cè)由于計(jì)算量大、耗時(shí)長(zhǎng)，對(duì)平臺(tái)本身性能要求也很高。FPGA憑借高速并行性的特性，在進(jìn)行圖像處理時(shí)能很好地保證系統(tǒng)的實(shí)時(shí)性，因此越來(lái)越多開(kāi)發(fā)人員使用FPGA進(jìn)行圖像處理^[1-3]。但在現(xiàn)有的文獻(xiàn)中，有些受FPGA的歷史功能設(shè)計(jì)局限，過(guò)多地關(guān)注FPGA底層設(shè)計(jì)，有些采用中值濾波、改進(jìn)高斯濾波模板進(jìn)行Canny邊緣檢測(cè)，設(shè)計(jì)周期較長(zhǎng)，硬件加速效果不明顯。武漢科技大學(xué)彭習(xí)武等采用了Xilinx公司的Vivado HLS(高層次綜合)實(shí)現(xiàn)改進(jìn)的Sobel邊緣檢測(cè)^[4]，取得了較好的實(shí)時(shí)檢測(cè)效果，但需選擇不同的結(jié)構(gòu)元素對(duì)不同的目標(biāo)圖像進(jìn)行膨脹腐蝕，算法占用硬件資源較多。本文采用Vivado HLS實(shí)現(xiàn)Canny邊緣檢測(cè)硬件加速實(shí)現(xiàn)方法，研究通用性好、設(shè)計(jì)周期短、硬件資源消耗少的FPGA加速算法。

1 Canny算法基本原理

    Canny邊緣檢測(cè)^[5]算法是CANNY J于1986年提出的，算法目標(biāo)是在圖像中找到最佳邊緣。其主要步驟為：

    (1)圖像高斯濾波：對(duì)原始圖像進(jìn)行高斯濾波，降低輸入圖像中的噪聲對(duì)后續(xù)圖像處理的干擾，有效提升算法抗噪能力。

    (2)梯度計(jì)算：選擇Sobel的水平與垂直方向3×3窗口模板算子與圖像陣列進(jìn)行計(jì)算，原始圖像為I(i，j)，得到水平與垂直方向的偏導(dǎo)數(shù)，水平、垂直方向梯度偏導(dǎo)數(shù)分別為G_x和G_y：

    (3)非極大值抑制：遍歷圖像，若像素點(diǎn)的幅值大于其梯度方向的幅值，則可能為邊緣點(diǎn)；否則不是邊緣，對(duì)其進(jìn)行抑制。

    (4)雙閾值處理：通過(guò)設(shè)定閾值Th、Tl(一般情況下Tl=0.4Th)，抑制后的圖像像素梯度值大于Th的是邊緣點(diǎn)，小于Tl的一定不是邊緣點(diǎn)，如果處于兩者之間，判斷當(dāng)前像素的鄰域像素中是否有邊緣點(diǎn)，若有，則為邊緣點(diǎn)，否則就不是邊緣。

2 Vivado HLS實(shí)現(xiàn)方式

    Vivado HLS是Xilinx公司推出的加速數(shù)字系統(tǒng)設(shè)計(jì)開(kāi)發(fā)工具，直接使用C、C++或SystemC開(kāi)發(fā)的高層描述來(lái)綜合數(shù)字硬件，替代用VHDL或Verilog實(shí)現(xiàn)FPGA硬件設(shè)計(jì)^[6]，實(shí)現(xiàn)設(shè)計(jì)的功能和硬件分離，不需要關(guān)心低層次具體細(xì)節(jié)，具有很強(qiáng)的靈活性，有效降低數(shù)字系統(tǒng)設(shè)計(jì)開(kāi)發(fā)周期。Vivado HLS在算法優(yōu)化指標(biāo)和FPGA硬件設(shè)計(jì)方式指標(biāo)是一致的：(1)面積，算法硬件資源使用的數(shù)量；(2)速度，硬件電路處理數(shù)據(jù)的速率。一般的設(shè)計(jì)是對(duì)兩者之間的特殊需求進(jìn)行優(yōu)化，得到合理的方案。

2.1 Vivado HLS設(shè)計(jì)流程

    Vivado HLS設(shè)計(jì)流程如圖1所示。C代碼設(shè)計(jì)和C測(cè)試集設(shè)計(jì)是HLS設(shè)計(jì)流程的輸入；C功能性驗(yàn)證能確保代碼功能的完整性；高層綜合能產(chǎn)生所需的各個(gè)設(shè)計(jì)文件；C/RTL協(xié)同仿真可以進(jìn)行預(yù)期值與輸出的對(duì)比；設(shè)計(jì)迭代是通過(guò)不斷地調(diào)整指令得到預(yù)期需要的優(yōu)化設(shè)計(jì)，在不改變C代碼的情況下，由優(yōu)化指令轉(zhuǎn)化成小面積高吞吐率的RTL電路^[7]；最后RTL電路被綜合成FPGA邏輯模塊。 

2.2 Vivado HLS圖像實(shí)時(shí)加速

    Vivado HLS圖像實(shí)時(shí)加速設(shè)計(jì)的方式如圖2所示。

    視頻流進(jìn)入FPGA后，由AXI4-Stream協(xié)議將數(shù)據(jù)流轉(zhuǎn)換為HLS視頻庫(kù)下的hls::Mat格式，在進(jìn)行對(duì)應(yīng)的圖像FPGA加速處理后，將hls::Mat格式重新轉(zhuǎn)換為AXI4-Stream數(shù)據(jù)流。

    Vivado HLS提供了以下幾個(gè)方面功能對(duì)圖像視頻處理建模^[8]：(1)內(nèi)存行緩存(Memory Line Buffer)；(2)內(nèi)存窗口緩存(Memory Window Buffer)；(3)視頻數(shù)據(jù)支持格式類型；(4)視頻函數(shù)庫(kù)。HLS內(nèi)存行緩存實(shí)質(zhì)是能存儲(chǔ)多行像素?cái)?shù)據(jù)的多維移位寄存器^[9]，而窗口緩存是行緩存的一個(gè)子集，這兩種存儲(chǔ)結(jié)構(gòu)一般被綜合為Block RAM，并且行緩存的寬度決定了圖像算法能進(jìn)行硬件加速的最大圖像寬度。Vivado HLS對(duì)一幀圖像像素的遍歷是通過(guò)創(chuàng)建上述兩種緩存實(shí)現(xiàn)的，圖3是遍歷圖像像素的計(jì)算內(nèi)核路徑。Vivado HLS下圖像處理基于視頻流訪問(wèn)，因此，基于隨機(jī)存儲(chǔ)訪問(wèn)的圖像處理方式需要進(jìn)行轉(zhuǎn)換，綜合為FPGA處理下的圖像數(shù)據(jù)流處理方式，實(shí)現(xiàn)圖像算法的硬件加速。

3 Vivado HLS實(shí)現(xiàn)Canny邊緣檢測(cè)

    根據(jù)Vivado HLS設(shè)計(jì)流程，Canny邊緣檢測(cè)的硬件加速實(shí)現(xiàn)流程如圖4所示。

3.1 圖像數(shù)據(jù)流輸入

    圖像數(shù)據(jù)通過(guò)AXI4-Stream輸入到Canny邊緣檢測(cè)IP，由AXIvideo2Mat將數(shù)據(jù)流轉(zhuǎn)換為hls::Mat類型，完成Canny邊緣檢測(cè)IP的硬件加速設(shè)計(jì)。

3.2 圖像計(jì)算內(nèi)核創(chuàng)建

    創(chuàng)建類型為hls::Window、大小為1×3和3×3的窗口緩存，以及類型為hls::LineBuffer、大小為3×1 920的行緩存。將圖像像素寫入第一行行緩存，每寫入一次新的圖像數(shù)據(jù)，讀出對(duì)應(yīng)行緩存的數(shù)據(jù)到1×3的窗口緩存，同時(shí)3×3的窗口緩存右移，把1×3的窗口緩存數(shù)據(jù)寫入3×3的窗口緩存的第一列，每一行行緩存寫滿時(shí)，當(dāng)前行緩存數(shù)據(jù)移位寫入下一行。通過(guò)上述方式，由3×3窗口緩存構(gòu)成的計(jì)算內(nèi)核完成圖像的遍歷。

3.3 圖像濾波

    考慮到濾波器窗口太大圖像邊緣會(huì)被過(guò)度平滑，選擇高斯濾波器為3×3的濾波窗口，σ值為1.5，由于模版系數(shù)歸一化后均為小數(shù)，對(duì)于FPGA而言，需要增加硬件資源消耗實(shí)現(xiàn)浮點(diǎn)類型，因此，將模板系數(shù)全部乘以256后取整，對(duì)于實(shí)際處理而言，這種近似值產(chǎn)生的誤差不會(huì)對(duì)濾波效果產(chǎn)生很大影響，實(shí)際模板系數(shù)為：

    將濾波模板GuassBlur與計(jì)算內(nèi)核進(jìn)行卷積，卷積后的結(jié)果右移8位（除以256），移位操作不會(huì)消耗FPGA的DSP資源，節(jié)約了FPGA資源，由上述的移位運(yùn)算后，完成圖像數(shù)據(jù)的高斯濾波。

3.4 梯度計(jì)算

    創(chuàng)建3×3濾波后的圖像計(jì)算內(nèi)核窗口，將計(jì)算內(nèi)核分別與Sobel的水平與垂直方向3×3窗口算子卷積，求得水平、垂直方向梯度偏導(dǎo)數(shù)G_x和G_y大小，由于硬件實(shí)現(xiàn)平方根需要的資源較多，故通過(guò)G_x和G_y的絕對(duì)值之和求梯度G的幅值。對(duì)于梯度的方向θ=arctan(G_y/G_x)，硬件實(shí)現(xiàn)較為困難，需要消耗很多硬件資源，一般是比較像素領(lǐng)域窗口，對(duì)于3×3窗口而言，求其領(lǐng)域8個(gè)方向，由于對(duì)稱性，只需要求得4個(gè)方向，0°、45°、90°和135°，即把梯度G_y的值與G_xtan22.5°和G_xtan67.5°比較，同時(shí)判斷G_yG_x乘積的正負(fù)性，可求得梯度的方向θ值的大小。為節(jié)約硬件資源可以采取對(duì)G_y左移4位，G_xtan22.5°左移4位，取值約為6.625G_x，G_xtan67.5°左移4位，約為38.625G_x，即：

    通過(guò)簡(jiǎn)單移位判斷大小和正負(fù)性，得到梯度方向θ的近似值。

3.5 非極大值抑制和雙閾值處理

    定義位寬為2位的寄存器，4個(gè)方向?qū)?yīng)寄存器值0，1，2，3，將該寄存器與存儲(chǔ)梯度值G寄存器組合輸出到新創(chuàng)建的圖像行緩存，并創(chuàng)建新的3×3計(jì)算內(nèi)核，通過(guò)計(jì)算內(nèi)核窗口判斷圖像數(shù)據(jù)的方向，進(jìn)行極大值抑制。計(jì)算內(nèi)核中心點(diǎn)與對(duì)應(yīng)梯度方向的像素點(diǎn)、高閾值Th、低閾值Tl進(jìn)行比較，若計(jì)算內(nèi)核中心點(diǎn)最大則為圖像強(qiáng)邊緣點(diǎn)；若計(jì)算內(nèi)核中心點(diǎn)大于梯度方向，處于Tl和Th之間，為弱邊緣點(diǎn)；其他情況均不是圖像的邊緣點(diǎn)。

    創(chuàng)建新的行緩存寫入上述圖像邊緣數(shù)據(jù)，由新的3×3計(jì)算內(nèi)核做進(jìn)一步處理：若計(jì)算內(nèi)核中心點(diǎn)是強(qiáng)邊緣點(diǎn)輸出255；若計(jì)算內(nèi)核是弱邊緣點(diǎn)，判斷其八鄰域是否存在強(qiáng)邊緣點(diǎn)，不存在強(qiáng)邊緣點(diǎn)則輸出0，存在則輸出255，同時(shí)把中心點(diǎn)值改變?yōu)閺?qiáng)邊緣點(diǎn)值；其他情況直接輸出0。

3.6 圖像數(shù)據(jù)流輸出

    處理后的數(shù)據(jù)通過(guò)AXIvideo2Mat將hls::Mat格式重新轉(zhuǎn)為AXI4-Stream數(shù)據(jù)流，圖像數(shù)據(jù)通過(guò)上述的處理完成Canny邊緣檢測(cè)的硬件加速。

3.7 指令優(yōu)化迭代

    采用Vivado HLS提供的模塊優(yōu)化指令如inline、pipeline、dataflow以及對(duì)循環(huán)展開(kāi)的unroll等，完成算法硬件加速的優(yōu)化，達(dá)到硬件資源消耗和算法處理速度之間的平衡。一般的優(yōu)化為串行方式和并行方式兩種，串行優(yōu)化方式使用硬件資源少，并行優(yōu)化方式處理速率高^[4]。為獲得良好的硬件加速效果，選擇并行優(yōu)化方式，具體措施為：(1)對(duì)模塊內(nèi)部循環(huán)展開(kāi)；(2)循環(huán)、模塊內(nèi)部流水化處理；(3)模塊之間流水化處理。為驗(yàn)證本方案的資源占用情況，選取文獻(xiàn)[4]進(jìn)行對(duì)比分析，在保證運(yùn)算速度基本相同的情況下，選取并行方案對(duì)硬件資源使用情況列于表1。從表1可以看出，本文邊緣檢測(cè)算法的硬件資源使用少。

4 邊緣檢測(cè)效果與速度驗(yàn)證

    以Zedboard開(kāi)發(fā)板為算法驗(yàn)證平臺(tái)，開(kāi)發(fā)板FPGA芯片型號(hào)為xc7z020484-1，圖像由開(kāi)發(fā)板PS端輸入到FPGA算法IP中，通過(guò)HDMI將原始圖像和處理后圖像輸出到顯示屏。

    圖5(a)為512×512測(cè)試圖像；圖5(b)為PC進(jìn)行的Canny邊緣檢測(cè)圖像；圖5(c)為FPGA驗(yàn)證的圖像；PC的主頻為2.3 GHz，對(duì)應(yīng)的圖5(b)處理時(shí)間約為10 ms左右；FPGA的時(shí)鐘頻率為100 MHz，圖5(c)處理時(shí)間約為3 ms。

    由圖5(c)和圖5(b)處理時(shí)間的對(duì)比可知，圖5(c)算法處理時(shí)間不到圖5(b)的1/3，說(shuō)明加速效果明顯。從文獻(xiàn)[1]中可知，在相同系統(tǒng)時(shí)鐘下處理512×512的圖像，時(shí)間約為20 ms，遠(yuǎn)小于圖5(c)的處理速度。因此，Vivado HLS實(shí)現(xiàn)的Canny邊緣檢測(cè)算法能在較復(fù)雜的情況下檢測(cè)到圖像邊緣，且運(yùn)算速度快。

5 結(jié)論

    由Vivado HLS進(jìn)行FPGA圖像算法硬件加速設(shè)計(jì)方式，既避免了傳統(tǒng)FPGA圖像算法開(kāi)發(fā)中過(guò)于關(guān)注底層細(xì)節(jié)，又能有效地縮短開(kāi)發(fā)周期。通過(guò)仿真與FPGA驗(yàn)證，采用Vivado HLS實(shí)現(xiàn)的Canny邊緣檢測(cè)算法能在較復(fù)雜的情況下檢測(cè)到圖像邊緣，運(yùn)算速度快，資源消耗少，可以應(yīng)用到實(shí)時(shí)視覺(jué)檢測(cè)中。

參考文獻(xiàn)

[1] 肖國(guó)堯，曲仕茹.基于FPGA視頻圖像的Canny算法加速器設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2012(9)：91-94.

[2] 張素文，陳志星，蘇義鑫.Canny邊緣檢測(cè)算法的改進(jìn)及FPGA實(shí)現(xiàn)[J].紅外技術(shù)，2010，32(2)：93-96.

[3] 韋海萍，趙保軍，唐林波，等.Canny算法的改進(jìn)及其硬件的實(shí)現(xiàn)[J].光學(xué)技術(shù)，2006(2)：263-266.

[4] 彭習(xí)武，張濤.基于Vivado HLS的邊緣檢測(cè)硬件加速應(yīng)用[J].電子技術(shù)應(yīng)用，2017，43(5)：70-73.

[5] CANNY J.A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1986(6)：679-698.

[6] CROCKETT L H，ELLIOT R A，ENDERWITZ M A，et al.The Zynq book：embedded processing with the ARM Cortex-A9 on the Xilinx Zynq-7000 all programmable SoC[M].Strathclyde Academic Media，2016.

[7] Xilinx，Inc/Vivado design suite tutorial: high-level synthe-sis[Z].UG871，2015.

[8] Xilinx，Inc.Vivado design suite user guide: high-level synthesis[Z].UG902，2015.

[9] Xilinx，Inc.Implementing memory structures for video processing in the Vivado HLS tool[Z].XAPP793，2012.

作者信息:

譚檢成1，2，吳定祥2，3，李明鑫1，2，唐立軍1，2

（1.長(zhǎng)沙理工大學(xué) 物理與電子科學(xué)學(xué)院，湖南 長(zhǎng)沙410114；

2.近地空間電磁環(huán)境監(jiān)測(cè)與建模湖南省普通高校重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410114；

3.長(zhǎng)沙億旭智能科技有限公司，湖南 長(zhǎng)沙410004）