0 引言

    基于視覺(jué)的動(dòng)作識(shí)別方法可以分為兩大類(lèi)^[1]，其一是采用人工設(shè)計(jì)的特征進(jìn)行識(shí)別的方法，比如基于密集軌跡^[2]、基于空時(shí)濾波器與圖模型^[3]、基于關(guān)節(jié)信息和流形學(xué)習(xí)的方法^[4]、基于HMM的復(fù)雜動(dòng)作建模^[5]等；其二是采用深度網(wǎng)絡(luò)的方法，比如基于空時(shí)卷積神經(jīng)網(wǎng)絡(luò)^[6]、Two-stream卷積網(wǎng)絡(luò)^[7-8]、基于關(guān)節(jié)信息和LSTM的空時(shí)注意力模型^[9]等。雖然使用深度學(xué)習(xí)可以減少人工設(shè)計(jì)特征的工作量，且在圖像識(shí)別等領(lǐng)域有極佳的表現(xiàn)^[10]，但是卻有運(yùn)算量大的問(wèn)題。對(duì)此，可以通過(guò)模型改進(jìn)^[11-12]、壓縮^[13]、量化^[14]等方式減少運(yùn)算量，也可以使用GPU^[15]、ASIC^[16]和FPGA^[17-18]等硬件系統(tǒng)進(jìn)行加速運(yùn)算。

    本文采用CNN模型對(duì)視頻流中的目標(biāo)任務(wù)進(jìn)行動(dòng)作識(shí)別。為了減少運(yùn)算量，首先利用基于光流信息和靜態(tài)圖像處理的行人檢測(cè)方案定位場(chǎng)景中的目標(biāo)，而后使用CNN網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域的圖像和光流進(jìn)行處理，最終給出動(dòng)作識(shí)別結(jié)果。該系統(tǒng)在DE10-Nano開(kāi)發(fā)板上進(jìn)行開(kāi)發(fā)與驗(yàn)證，在FPGA端實(shí)現(xiàn)流水線(xiàn)型LK光流計(jì)算、基于HOG和SVM的行人檢測(cè)、指令集架構(gòu)的NPU處理單元，在HPS端實(shí)現(xiàn)目標(biāo)區(qū)域融合求解、NPU單元調(diào)用，兩者共享DDR內(nèi)存，采用AXI總線(xiàn)實(shí)現(xiàn)片內(nèi)通信。

1 動(dòng)作識(shí)別原理

1.1 LK光流法

    I(x，y，t)表示時(shí)刻t拍攝下的視頻圖像中坐標(biāo)(x，y)點(diǎn)的灰度值，根據(jù)LK光流約束^[19]，光流場(chǎng)的計(jì)算滿(mǎn)足下列式子：

    求解上述優(yōu)化問(wèn)題，可以得到其最優(yōu)解的形式如下：

1.2 基于HOG和SVM的行人檢測(cè)

    通常使用滑動(dòng)窗口對(duì)原始圖像進(jìn)行HOG特征提取，再對(duì)HOG特征向量進(jìn)行分類(lèi)識(shí)別，達(dá)到行人檢測(cè)的目的。圖像中(x，y)坐標(biāo)點(diǎn)的像素值為I(x，y)。該點(diǎn)的像素梯度的大小和方向可以計(jì)算為M(x，y)和Θ(x，y)。將梯度的方向Θ(x，y)劃分到N個(gè)區(qū)間，每個(gè)區(qū)間占據(jù)π/N角度值，如圖1所示。

其中：

    將檢測(cè)窗口（window）劃分成數(shù)個(gè)元胞（cell）。在本設(shè)計(jì)中，窗口尺寸設(shè)定為140×80，可被劃分成14×8個(gè)10×10的元胞。首先，對(duì)這14×8個(gè)10×10的元胞，依次統(tǒng)計(jì)每個(gè)元胞里面的梯度直方圖；將其通過(guò)規(guī)則化模塊，得到最終的cell特征；通過(guò)組合2×2的元胞特征，可以得到塊特征；最后，將窗口中的塊特征依次排列，得到最終的91×36=3 276維度的窗口特征，如圖2所示。

    在提取HOG特征后，可以利用SVM進(jìn)行分類(lèi)識(shí)別。本文選擇使用線(xiàn)性SVM進(jìn)行分類(lèi)判別。其判別的依據(jù)如式(3)所示。

其中，w和b分別是SVM的權(quán)值和偏置，x則是輸入的HOG特征。最后輸出y=+1說(shuō)明是正樣本(即行人)；輸出y=-1則說(shuō)明是負(fù)樣本(即非行人)。

1.3 動(dòng)態(tài)窗口與靜態(tài)窗口的融合

    使用光流信息和靜態(tài)圖像信息都可以對(duì)視頻流中的行人進(jìn)行檢測(cè)^[20-21]。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，使用基于HOG和SVM的靜態(tài)圖像檢測(cè)方法不易受到物體運(yùn)動(dòng)影響，但是誤檢率較高；而基于光流信息的動(dòng)態(tài)檢測(cè)方法誤檢率較低，但是一旦物體長(zhǎng)時(shí)間靜止或者緩慢運(yùn)動(dòng)就難以定位目標(biāo)。因此，本文提出將兩種檢測(cè)方法相融合的方案，如圖3所示。

    融合光流和行人檢測(cè)結(jié)果的窗口融合算法流程如下：

    通過(guò)上述窗口融合算法，可以得到目標(biāo)人物在視頻幀中的位置。針對(duì)這個(gè)區(qū)域的視頻圖像和光流數(shù)據(jù)進(jìn)行采集，對(duì)于不同的動(dòng)作有不同的數(shù)據(jù)形態(tài)。如圖4所示，每個(gè)動(dòng)作對(duì)應(yīng)的四張圖分別是原始視頻圖像、光流x軸分量、光流y軸分量和顯著運(yùn)動(dòng)檢測(cè)掩膜。

1.4 基于CNN的動(dòng)作識(shí)別

    計(jì)算每一幀視頻的光流，提取行人存在區(qū)域的視頻圖像、光流場(chǎng)x軸分量、y軸分量以及顯著運(yùn)動(dòng)檢測(cè)掩膜。將這四類(lèi)圖像信息統(tǒng)一形變到94×94大小，并作為CNN的輸入通道，交由CNN進(jìn)行卷積層和池化層運(yùn)算；最后的結(jié)果經(jīng)過(guò)全連接層計(jì)算得到姿勢(shì)識(shí)別結(jié)果。其中，卷積核的尺寸統(tǒng)一設(shè)置為3×3大小，池化核的尺寸統(tǒng)一為2×2；而為了提高CNN的泛化性能，在全連接層使用了dropout，并對(duì)CNN中的卷積核、全連接權(quán)值都添加L2正則化。使用CNN模型識(shí)別目標(biāo)人物的動(dòng)作如圖5所示。

2 動(dòng)作識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

2.1 軟硬件協(xié)同開(kāi)發(fā)示意圖

    本文提出的動(dòng)作識(shí)別系統(tǒng)發(fā)揮了SoC FPGA的軟硬件協(xié)同處理能力。

    將運(yùn)算量巨大的光流計(jì)算、靜態(tài)行人檢測(cè)和CNN運(yùn)算放置在FPGA端，充分發(fā)揮其并行計(jì)算、流水線(xiàn)型處理的運(yùn)算能力；而將運(yùn)算需求較低的窗口融合算法在HPS端實(shí)現(xiàn)，使其發(fā)揮C語(yǔ)言程序設(shè)計(jì)的便捷性。HPS和FPGA之間通過(guò)AXI橋?qū)崿F(xiàn)通信。而為了訓(xùn)練CNN模型，在HPS端增加數(shù)據(jù)采樣模塊，將樣本保存到ima文件，通過(guò)網(wǎng)絡(luò)傳輸?shù)絇C。針對(duì)站立、揮手、下蹲和行走四種姿勢(shì)分別采樣，其中存在一定數(shù)量的“離群值”，為了更好地訓(xùn)練CNN，在MATLAB上實(shí)現(xiàn)了可視化樣本篩選程序。所有樣本和標(biāo)簽代入TensorFlow框架，進(jìn)行CNN模型訓(xùn)練；將訓(xùn)練得到的CNN模型參數(shù)和CNN模型結(jié)構(gòu)傳輸?shù)紿PS端，HPS會(huì)將CNN參數(shù)加載到DDR內(nèi)存，并將CNN模型對(duì)應(yīng)的NPU指令發(fā)送到FPGA端的指令集架構(gòu)NPU單元的指令Cache中。一旦HPS將目標(biāo)窗口融合完成，可以發(fā)送一次CNN運(yùn)算啟動(dòng)的指令，等待FPGA端NPU運(yùn)算完成，讀取DDR中的判別結(jié)果。動(dòng)作識(shí)別系統(tǒng)框架圖如圖6所示。

2.2 硬件系統(tǒng)框架

    整個(gè)動(dòng)作識(shí)別系統(tǒng)的硬件部分框架的細(xì)節(jié)圖如圖7所示。DDR存儲(chǔ)空間為1 GB，被劃分為7個(gè)部分。其中，Linux操作系統(tǒng)占用0~480 MB空間；光流計(jì)算結(jié)果占用480 MB~512 MB這32 MB空間；原始視頻流數(shù)據(jù)占用512 MB~544 MB空間；行人檢測(cè)的結(jié)果占用576 MB~608 MB空間；行人加框視頻占用608 MB~640 MB空間；而將640 MB~1 024 MB空間用于NPU運(yùn)算過(guò)程中的數(shù)據(jù)緩存。

    攝像頭MT9D111的數(shù)據(jù)進(jìn)入FPGA后，會(huì)同時(shí)傳輸?shù)絃K光流計(jì)算模塊、行人檢測(cè)模塊，計(jì)算結(jié)果會(huì)緩存到DDR中；而通過(guò)視頻緩存與顯示模塊，原始視頻可以存儲(chǔ)到DDR中，同時(shí)HDMI視頻輸出所需的數(shù)據(jù)從DDR中獲取。這些模塊對(duì)DDR的讀寫(xiě)優(yōu)先級(jí)較高，且占用DDR帶寬較大，使用FPGA-to-SDRAM（F2S）接口直接和HPS上的SDRAM控制器交互。

    HPS端的C程序需讀取行人檢測(cè)結(jié)果，并使用NMS算法對(duì)行人檢測(cè)的框進(jìn)行聚合、優(yōu)化。調(diào)用memcpy()將原始視頻復(fù)制到加框視頻的內(nèi)存空間，并加上打框的結(jié)果；同時(shí)使用通過(guò)HPS-to-FPGA（H2F）接口傳輸指令，啟動(dòng)FPGA端NPU的運(yùn)算，并讀取NPU運(yùn)算狀態(tài)。

    NPU運(yùn)算時(shí)會(huì)對(duì)DDR進(jìn)行讀寫(xiě)訪(fǎng)問(wèn)，該訪(fǎng)問(wèn)通過(guò)FPGA-to-HPS（F2H）接口和L3互聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)。NPU單元可以計(jì)量指令執(zhí)行時(shí)間，將運(yùn)算狀態(tài)與執(zhí)行時(shí)間寫(xiě)入到狀態(tài)寄存器中，隨后HPS可以通過(guò)Light Weight HPS-to-FPGA（H2F-LW）接口獲取NPU運(yùn)行狀態(tài)信息。

2.3 流水線(xiàn)LK光流計(jì)算模塊設(shè)計(jì)

    本文設(shè)計(jì)的流水線(xiàn)LK光流計(jì)算框架如圖8所示。

    每當(dāng)MT9D111完成一幀圖像傳輸(VSYNC下降)，或者一行傳輸完成(HSYNC下降)，都會(huì)啟動(dòng)從DDR中讀取一行的視頻數(shù)據(jù)緩存到FIFO內(nèi)，生成I(x，y，t-1)；而后，MT9D111輸出的像素點(diǎn)分別進(jìn)入長(zhǎng)度為一行像素點(diǎn)數(shù)量和長(zhǎng)度為1的移位寄存器，得到I(x，y-1，t)和I(x-1，y，t)；將I(x，y，t)，I(x-1，y，t)，I(x，y-1，t)和I(x，y，t-1)輸入到梯度計(jì)算模塊，得到在x，y和t方向上的一階差分為I_x，I_y和I_t；使用4個(gè)長(zhǎng)度一致為一幀圖像一行像素點(diǎn)數(shù)量的移位寄存器，以及5×6個(gè)寄存器陣列構(gòu)造LK光流法計(jì)算區(qū)域，即Ω域。使用互乘矩陣模塊，分別計(jì)算寄存器陣列中previous對(duì)應(yīng)數(shù)據(jù)I_x，prev，I_{y，prev}和I_t，prev的乘法交叉項(xiàng)；同理，計(jì)算出current對(duì)應(yīng)數(shù)據(jù)I_x，curr，I_y，curr和I_t，curr的乘法交叉項(xiàng)。Ω域內(nèi)乘法交叉項(xiàng)可以更新為：

    結(jié)合光流場(chǎng)計(jì)算式(2)，可以通過(guò)流水線(xiàn)型除法器實(shí)現(xiàn)光流場(chǎng)的計(jì)算。最后將運(yùn)算結(jié)果回寫(xiě)到DDR中的480 MB~512 MB空間。

2.4 指令集架構(gòu)NPU設(shè)計(jì)

    為了便于實(shí)現(xiàn)、修改CNN架構(gòu)，本文設(shè)計(jì)了基于指令集架構(gòu)的NPU處理單元，能夠執(zhí)行矩陣運(yùn)算(如ADD、SUB、MULT、DOT等)、立即數(shù)運(yùn)算(ADDi、MULTi等)、2-D圖像處理(如卷積CONV、池化POOL等)、激活函數(shù)(如SIGM、TANH、ReLU等)。指令集架構(gòu)NPU結(jié)構(gòu)框圖如圖9所示。通過(guò)不同NPU指令組合，能夠?qū)崿F(xiàn)不同CNN結(jié)構(gòu)。NPU指令設(shè)計(jì)參考RISC格式，如表1所示，每條指令是128 bit長(zhǎng)度，其中高4 bit區(qū)分指令類(lèi)型，[123:92]表示參數(shù)$1內(nèi)存首地址，[91:60]表示參數(shù)$2的內(nèi)存首地址或者立即數(shù)IMM，[59:28]表示運(yùn)算結(jié)果$3的內(nèi)存首地址，[27:0]用于表示運(yùn)算參數(shù)，如函數(shù)輸入矩陣尺寸、卷積核尺寸等。

    比如全連接層的NPU指令可以表述如下。將存儲(chǔ)在首地址0x0F000000的輸入矩陣$1（尺寸為1×112）與存儲(chǔ)在0x0A6B0000的權(quán)值矩陣$2（尺寸為112×32）相乘，結(jié)果緩存在0x0C000000；而后加上存儲(chǔ)在0x0A6C0000的偏置(尺寸為1×32)，緩存到0x0C010000；最后通過(guò)SIGM指令實(shí)現(xiàn)非線(xiàn)性映射，結(jié)果保存到0x0E000000。

    Layer 6: fully_connection

    MULT, @0F000000, @0A6B0000, @0C000000,M=1,N=112, P=32

      inst=40F0000000A6B00000C0000000170200

    ADD, @0C000000, @0A6C0000, @0C010000, M=1, N=32

      inst=00C0000000A6C00000C0100000120000

    SIGM, @0C010000, xx, @0E000000, M=1, N=32

      inst=90C010000000000000E0000000120000

    整個(gè)NPU劃分成FSM控制邏輯、NPU指令解析邏輯、NPU指令運(yùn)算邏輯和DDR讀寫(xiě)接口邏輯四個(gè)部分。

    如果NPU就緒，那么會(huì)給出cnn_inst_ready信號(hào)，表示可以接收運(yùn)算指令；cnn_inst信號(hào)則是外部控制邏輯給出的運(yùn)算指令；cnn_inst_en信號(hào)則表示cnn_inst指令有效使能。

    DDR讀寫(xiě)接口由ddr_write_*和ddr_read_*兩組信號(hào)構(gòu)成，且都符合Avalon-MM接口協(xié)議。由*_addr給出讀寫(xiě)地址，*_req給出讀寫(xiě)請(qǐng)求，對(duì)于DDR寫(xiě)入使用ddr_write_data表示寫(xiě)入數(shù)據(jù)。讀寫(xiě)過(guò)程中信號(hào)都要保持穩(wěn)定，直到DDR控制器給出*_ready讀寫(xiě)請(qǐng)求完成信號(hào)。對(duì)于DDR讀取，ddr_read_data表示讀取的數(shù)據(jù)，而ddr_read_data_valid則表示DDR讀取數(shù)據(jù)有效。

2.5 軟件設(shè)計(jì)架構(gòu)

    HPS中的軟件程序框架圖如圖10所示。其中分別實(shí)現(xiàn)了下述功能模塊。

    (1)初始化接口，使用mmap()函數(shù)將HPS-to-FPGA接口和DDR物理內(nèi)存映射到Linux用戶(hù)空間，方便其他模塊訪(fǎng)問(wèn)、讀寫(xiě)FPGA和DDR內(nèi)的數(shù)據(jù)；

    (2)按鍵響應(yīng)模塊，一旦用戶(hù)按下鍵盤(pán)上的按鍵，程序能夠及時(shí)響應(yīng)；

    (3)目標(biāo)窗口生成模塊，加載光流數(shù)據(jù)和靜態(tài)圖像行人檢測(cè)結(jié)果，生成動(dòng)態(tài)窗口和靜態(tài)窗口，并通過(guò)窗口融合算法對(duì)其進(jìn)行融合，確定目標(biāo)所在的位置；

    (4)數(shù)據(jù)采集模塊，從DDR中采集視頻、光流等數(shù)據(jù)，并保存到相應(yīng)的文件中，用于CNN的離線(xiàn)學(xué)習(xí)使用；

    (5)NPU指令傳輸和狀態(tài)監(jiān)控模塊，能夠通過(guò)HPS-to-FPGA接口傳輸NPU指令到FPGA端的指令cache中；并且能夠啟動(dòng)NPU的運(yùn)算、監(jiān)控NPU的指令執(zhí)行情況；

    (6)繪圖模塊，能夠?qū)⒋翱谌诤辖Y(jié)果保存到DDR中的內(nèi)存區(qū)間，便于HDMI輸出顯示。

3 動(dòng)作識(shí)別系統(tǒng)測(cè)試

3.1 CNN參數(shù)訓(xùn)練

    為了訓(xùn)練本文的CNN模型，對(duì)于“無(wú)人”、“揮手”、“下蹲”、“站立”和“行走”這5種情況分別采集600個(gè)訓(xùn)練樣本，共計(jì)3 000個(gè)樣本。采用深度學(xué)習(xí)框架TensorFlow對(duì)CNN模型參數(shù)進(jìn)行訓(xùn)練^[22]。整個(gè)訓(xùn)練過(guò)程在Nvidia GeForce 940M顯卡進(jìn)行，大約消耗3小時(shí)，識(shí)別精度可以在訓(xùn)練集達(dá)到90%，在測(cè)試集達(dá)到88%。對(duì)于不同的動(dòng)作，訓(xùn)練結(jié)果如表2所示。本文采用的動(dòng)作識(shí)別方法能夠較好識(shí)別“揮手”、“站立”和“行走”這三種姿勢(shì)；而對(duì)于“無(wú)人”、“下蹲”這兩個(gè)情況檢出率較低，但是誤報(bào)率也相對(duì)較低。

3.2 硬件資源消耗與運(yùn)行性能

    由于本文設(shè)計(jì)的LK光流模塊、基于HOG和SVM的行人檢測(cè)模塊、指令集架構(gòu)NPU單元都是采用流水線(xiàn)處理，數(shù)據(jù)吞吐量極大。各模塊的資源消耗與理論最大性能如表3所示。

    選擇DE10-Nano開(kāi)發(fā)板作為軟硬件運(yùn)行平臺(tái)，在Quartus II 14.0環(huán)境下對(duì)動(dòng)作識(shí)別系統(tǒng)進(jìn)行綜合、布局布線(xiàn)，工程消耗FPGA資源如表4所示。

    布局布線(xiàn)后各模塊分布情況如圖11所示。

3.3 實(shí)際運(yùn)行測(cè)試

    對(duì)本文提出的動(dòng)作識(shí)別系統(tǒng)進(jìn)行運(yùn)行測(cè)試。將開(kāi)發(fā)板和攝像頭MT9D111、HDMI顯示器進(jìn)行連接，如圖12所示。

    針對(duì)“站立”、“行走”、“下蹲”和“揮手”等不同的人物動(dòng)作進(jìn)行識(shí)別，結(jié)果輸出到顯示器。其中，左上角為原始視頻；左下角為光流計(jì)算結(jié)果；右上角為行人加框結(jié)果；右下角為動(dòng)作識(shí)別結(jié)果。系統(tǒng)運(yùn)行測(cè)試情況如圖13所示。

4 結(jié)論

    本文提出并實(shí)現(xiàn)了一種基于SoC FPGA和CNN模型的動(dòng)作識(shí)別系統(tǒng)。該系統(tǒng)具有流水線(xiàn)型運(yùn)算結(jié)構(gòu)，能快速地執(zhí)行光流計(jì)算和靜態(tài)的行人檢測(cè)；同時(shí)，指令集架構(gòu)NPU的設(shè)計(jì)可以很方便地適應(yīng)于多種CNN模型結(jié)構(gòu)；該姿勢(shì)識(shí)別系統(tǒng)在訓(xùn)練和實(shí)際識(shí)別測(cè)試中都表現(xiàn)出較高的準(zhǔn)確率。

參考文獻(xiàn)

[1] 范嘉義.基于骨架信息的人體動(dòng)作識(shí)別[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2017.

[2] WANG H，KLASER A，SCHMID C，et al.Action recognition by dense trajectories[C].IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society，2011：3169-3176.

[3] TURAGA P，CHELLAPPA R，SUBRAHMANIAN V S，et al.Machine recognition of human activities：a survey[J].IEEE Transactions on Circuits & Systems for Video Technology，2008，18(11)：1473-1488.

[4] 王鑫，沃波海，管秋，等.基于流形學(xué)習(xí)的人體動(dòng)作識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2014，19(6)：914-923.

[5] 戰(zhàn)青卓，王大東.基于深度神經(jīng)網(wǎng)絡(luò)的人體動(dòng)作識(shí)別研究[J].智能計(jì)算機(jī)與應(yīng)用，2018，8(2)：151-154.

[6] VAROL G，LAPTEV I，SCHMID C.Long-term temporal convolutions for action recognition[J].IEEE Trans on Pattern Anal & Mach Intell，2015，PP(99)：1-1.

[7] SILVA V D O，VIDAL F D B，ROMARIZ A R S.Human action recognition based on a two-stream convolutional network classifier[C].IEEE International Conference on Machine Learning and Applications.IEEE，2017：774-778.

[8] 王亮亮. 基于視覺(jué)的人體動(dòng)作識(shí)別研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[9] SONG S，LAN C，XING J，et al.An end-to-end spatiotemporal attention model for human action recognition from skeleton data[J].arXiv:1611.06067，2016.

[10] 周凱龍.基于深度學(xué)習(xí)的圖像識(shí)別應(yīng)用研究[D].北京：北京工業(yè)大學(xué)，2016.

[11] GIRSHICK R.Fast R-CNN[J].Computer Science，2015.

[12] REN S，HE K，GIRSHICK R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[C].International Conference on Neural Information Processing Systems.MIT Press，2015：91-99.

[13] HAN S，KANG J，MAO H，et al.ESE：efficient speech recognition engine with sparse LSTM on FPGA[J].arXiv:1612.00694，2017.

[14] COURBARIAUX M，HUBARA I，SOUDRY D，et al.Binarized neural networks: training deep neural networks with weights and activations constrained to +1 or -1[J].arXiv:1602.02830，2016.

[15] ABADI M，AGARWAL A，BARHAM P，et al.TensorFlow：large-scale machine learning on heterogeneous distributed systems[J].arXiv:1603.04467，2016.

[16] LIU S，DU Z，TAO J，et al.Cambricon：an instruction set architecture for neural networks[C].International Symposium on Computer Architecture.IEEE Press，2016：393-405.

[17] 王思陽(yáng).基于FPGA的卷積神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)[D].成都：電子科技大學(xué)，2017.

[18] GUO K，SUI L，QIU J，et al.Angel-Eye：a complete design flow for mapping CNN onto embedded FPGA[J].IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems，2017，PP(99)：1-1.

[19] BARRON J L，F(xiàn)LEET D J，BEAUCHEMIN S S，et al.Performance of optical flow techniques[J].International Journal of Computer Vision，1994，12(1)：43-77.

[20] 謝紅，原博，解武.LK光流法和三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].應(yīng)用科技，2016，43(3)：23-27，33.

[21] LI J，YIN Y，LIU X，et al.12,000-fps Multi-object detection using HOG descriptor and SVM classifier[C].IEEE/RSJ International Conference on Intelligent Robots and Systems.IEEE，2017：5928-5933.

[22] ZHANG M，XU H，WANG X，et al.Application of Google TensorFlow machine learning framework[J].Microcomputer & Its Applications，2017.

作者信息:

陳旭東1，周昱琪2，李夢(mèng)杰1，陳章進(jìn)1，3

（1.上海大學(xué) 微電子研究與開(kāi)發(fā)中心，上海200444；

2.上海大學(xué) 納米科學(xué)與技術(shù)研究中心，上海200444；3.上海大學(xué) 計(jì)算中心，上海200444）