王 巍，安友偉

(重慶郵電大學(xué)光電學(xué)院，重慶 400065)

責任編輯:時 雯

紅外圖像廣泛地應(yīng)用于紅外監(jiān)測與跟蹤系統(tǒng)，而對整個系統(tǒng)來說，從紅外圖像中提取目標的邊緣信息是整個系統(tǒng)的前提與基礎(chǔ)。因此，國內(nèi)外研究人員一直關(guān)注于這方面的研究。James W.Davis等人采用兩階段模板方法檢測跟蹤人體在廣域紅外熱成像圖［1］，此方法可以在高噪聲的紅外跟蹤圖像中提取出很好的效果。Basturk等人將克隆算法和細胞神經(jīng)網(wǎng)絡(luò)算法相結(jié)合應(yīng)用于圖像的邊緣檢測［2］。近年來，模糊數(shù)學(xué)、統(tǒng)計分析、小波變換［3］和數(shù)學(xué)形態(tài)學(xué)等算法也被應(yīng)用于紅外圖像的邊緣檢測。盡管這些方法都取得了良好的效果，但是在硬件實現(xiàn)上卻遇到了定點化難度大、開發(fā)周期長、風險高、硬件系統(tǒng)不穩(wěn)定等問題?；谀Ｐ偷脑O(shè)計方法將系統(tǒng)驗證與測試貫穿了整個設(shè)計過程，并且模塊化的設(shè)計方法和Verilog代碼的自動生成，大大降低了設(shè)計時間和開發(fā)成本。本文將Simulink和細胞神經(jīng)網(wǎng)絡(luò)的基本理論相結(jié)合，搭建細胞神經(jīng)網(wǎng)絡(luò)IP核模塊，然后組建紅外邊緣檢測系統(tǒng)模型，最后結(jié)合ISE，Modulsim對系統(tǒng)進行RTL級仿真、綜合和布局布線。

1 細胞神經(jīng)網(wǎng)絡(luò)原理

細胞神經(jīng)網(wǎng)絡(luò)(Cellular Neural Network，CNN)是由美國加州伯克萊大學(xué)的L.O.Chua和L.Yang于1988年提出，是一種將神經(jīng)網(wǎng)絡(luò)和細胞自動機(CA)相結(jié)合的陣列處理器，像細胞自動機一樣，它由大量細胞元組成，且只允許最鄰近的細胞之間直接通信，具有高速的并行處理能力，易于可編程邏輯陣列和VLSI的硬件實現(xiàn)特點［4］。用一階非線性微分方程描述細胞的狀態(tài)方程為

式中:Akl，Bkl是每個胞元的反饋模板和前饋模板;Rx是線性電阻值;I是閾值;ukl，xij，ykl表示胞元的輸入、狀態(tài)、輸出值。

由式(1)可知，整個細胞神經(jīng)網(wǎng)絡(luò)的功能由Akl，Bkl，I決定。由于細胞神經(jīng)網(wǎng)絡(luò)處理圖像的輸入值在［－1，1］之間，而一般的灰度圖像的像素值在［0，255］之間，所以在進行圖像處理之前，式(2)對輸入圖像進行預(yù)處理［5］

式中:gij∈ {0，1，2，…，255};|uij|≤1。

2 系統(tǒng)總體結(jié)構(gòu)設(shè)計

根據(jù)模塊化設(shè)計的原則，將整個紅外圖像邊緣檢測系統(tǒng)劃分為圖像輸入、輸出、模板輸入及細胞神經(jīng)網(wǎng)絡(luò)IP核模塊(如圖1所示)。這種設(shè)計方法將各模塊之間的信息量傳輸降低到最小，使它們的設(shè)計之間保持相對獨立，很大程度上降低了設(shè)計與驗證的難度。

圖1 系統(tǒng)設(shè)計總體結(jié)構(gòu)圖

從整個系統(tǒng)處理的時序角度考慮，在保證細胞神經(jīng)網(wǎng)絡(luò)IP核能實時處理輸入像素點的前提下，將輸入模塊與輸出模塊通過讀寫時能相關(guān)聯(lián)，從而保證整個系統(tǒng)處于時間利用率最高的狀態(tài)。圖2清晰地表述了輸入、輸出模塊的工作流程和相互制約的關(guān)系。根據(jù)圖2的邏輯流程，利用Stateflow的控制行為能力特性，定義全局時鐘CLK、圖像輸入變量image和輸入、輸出模塊相互控制的讀寫時能變量RD，WR，從而搭建了圖像的輸入、輸出模塊，如圖3所示。

圖2 輸入、輸出模塊流程圖

圖3 輸入、輸出模塊的Stateflow圖(截圖)

根據(jù)整個系統(tǒng)結(jié)構(gòu)，從細胞神經(jīng)網(wǎng)絡(luò)IP核模塊實時處理要求和設(shè)計復(fù)雜度角度考慮，利用Simulink的算法行為特性，創(chuàng)建獨立的子系統(tǒng)模塊，從而減小此模塊對整個系統(tǒng)設(shè)計帶來的難度。整個系統(tǒng)搭建的仿真模型如圖4所示。

圖4 紅外圖像邊緣檢測系統(tǒng)Simulink模型(截圖)

3 細胞元IP核模塊設(shè)計

利用細胞神經(jīng)網(wǎng)絡(luò)陣列的規(guī)則特性和互聯(lián)的局域特性，所以只需設(shè)計單個胞元［6－7］便可以擴展成整個CNN網(wǎng)絡(luò)。由于數(shù)字圖像在時間域和空間域都是離散的，為了將CNN應(yīng)用于紅外圖像處理，所以將式(1)中的時間離散化，并且將xij(t)的導(dǎo)數(shù)用其相應(yīng)的差分形式來表示。從而得到近似CNN的狀態(tài)方程式的一階差分方程見式(3)式中:A，B為每個胞元的反饋模板和前饋模板;Rx是性電阻值;I是閾值矩陣;u表示胞元的輸入值;n表示時間點，x(n+1)表示胞元在n+1時刻的狀態(tài)值，y(n)表示在n時刻的輸出值。

根據(jù)上述的狀態(tài)方程，采用3×3的CNN模板設(shè)計方式(即A，B為3×3矩陣)，利用Simulink搭建了細胞神經(jīng)網(wǎng)絡(luò)IP核子模塊(如圖5所示)。從硬件設(shè)計占用資源的方面考慮，本文的設(shè)計方法占用的乘法器就多，因此采用串行處理的設(shè)計方式。所以整個紅外圖像處理系統(tǒng)只包含了一個細胞神經(jīng)網(wǎng)絡(luò)IP核。

圖5 細胞元IP核Simulink模型(截圖)

4 實驗結(jié)果和分析

本文采用基于模型的設(shè)計方法，將整個系統(tǒng)按功能劃分為三個子模塊。然后通過Stateflow和Simulink模塊搭建整個紅外圖像邊緣檢測系統(tǒng)。采用此設(shè)計系統(tǒng)對360×240的原始紅外圖像(如圖6a所示)進行邊緣檢測仿真，得到了如圖6b所示的仿真結(jié)果。從仿真結(jié)果來看，本文提出的基于模型的紅外圖像邊緣檢測設(shè)計方法取得了較好的效果，且與MATLAB軟件m代碼仿真的結(jié)果(如圖6c所示)進行對比并沒有太多差別。在得到滿足設(shè)計要求的結(jié)果后，利用Simulink硬件語言自動生成功能將所設(shè)計的紅外圖像邊緣檢測系統(tǒng)模型生成Verilog代碼文件。接著，在ISE中建立工程并調(diào)用Modelsim對生成的RTL級代碼進行功能仿真。從Modelsim的仿真結(jié)果(如圖7所示)分析，所生成的Verilog代碼完全符合系統(tǒng)設(shè)計需求，并與Simulink仿真得到的結(jié)果基本一致。在ISE12.3軟件環(huán)境下在Xilinx公司的Virtex－6系列的FPGA平臺上對生成的Verilog代碼進行綜合，將綜合后所占用的資源與傳統(tǒng)的設(shè)計方法相比較(如表1所示)。基于模型設(shè)計方法占用更合理、更少的資源，并且達到了142.693 MHz的最高頻率和7.927 Mpixel/s的處理速度。由此可見，基于模型設(shè)計方法無論在占用資源、工作效率和開發(fā)周期方面都有較大的優(yōu)勢。

圖6 不同方法的仿真結(jié)果對比

圖7 Modelsim仿真結(jié)果(截圖)

表1 ISE綜合結(jié)果對比

5 小結(jié)

針對傳統(tǒng)算法硬件實現(xiàn)存在的問題，本文采用基于模型設(shè)計的方法，根據(jù)動態(tài)控制元結(jié)構(gòu)以及由其構(gòu)建系統(tǒng)的理念，根據(jù)模塊化、可視化系統(tǒng)設(shè)計的特點，運用基于Stateflow和Simulink的仿真工具，構(gòu)建了整個基于CNN算法紅外圖像邊緣檢測系統(tǒng)，并對整個系統(tǒng)進行Simulink仿真驗證。在得到滿足要求的仿真結(jié)果后，通過Simulink系統(tǒng)模型自動生成RTL級Verilog代碼，最后運用ISE和Modelsim對生成的Verilog進行仿真驗證。仿真實驗結(jié)果表明，運用基于模型的設(shè)計思想來構(gòu)建系統(tǒng)，可以將系統(tǒng)驗證與測試貫穿了整個設(shè)計過程，大大降低了設(shè)計風險和開發(fā)周期，并且與傳統(tǒng)的設(shè)計方法相比占用資源更少、處理速度更高。

［1］ DAVIS J W，KECK M A.A two－stage template approach to person detection in thermal imagery［C］//Proc.WACV/MOTIONS 2005.［S.l.］:IEEE Press，2005:364－369.

［2］ BASTURK A，GUNAY E.Clonal selection algorithm based cloning template learning for edge detection in digital images with CNN［C］//Proc.Signal Processing，Communication and Applications Conference 2008.［S.l.］:IEEE Press，2008:1－4.

［3］甘斌，張雄偉，甘仲民.基于小波變換的多尺度圖像邊緣處理［J］.電視技術(shù)，2001，25(8):20－22.

［4］ SLAVOVA A，RASHKOVA V.A novel CNN based image denoising model［C］//Proc.ECCTD 2011.［S.l.］:IEEE Press，:226－229.

［5］王懷穎.細胞神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用技術(shù)研究［D］.南京:南京航空航天大學(xué)，2007.

［6］ SULEYMAN M.On hardware implementation of discrete－time cellular neural networks［D］.Lund:Lund University，2008.

［7］ SRIMAT C，MURUGAN S，VENKATA J，et al.A dynamically configurable coprocessor for convolutional neural networks［C］//Proc.International Symposium on Computer Architecture 2010.［S.l.］:IEEE Press，2010:247－257.