CN104978749A - 一种基于fpga的sift图像特征提取系统 - Google Patents
一种基于fpga的sift图像特征提取系统 Download PDFInfo
- Publication number
- CN104978749A CN104978749A CN201410139011.8A CN201410139011A CN104978749A CN 104978749 A CN104978749 A CN 104978749A CN 201410139011 A CN201410139011 A CN 201410139011A CN 104978749 A CN104978749 A CN 104978749A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- module
- value
- difference
- gaussian filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于FPGA的SIFT图像特征提取系统。包括千兆网模块、高斯滤波级联和高斯差分模块、梯度计算模块、极值点检测模块以及主方向和特征描述子模块；千兆网模块与高斯滤波级联和高斯差分模块相连，高斯滤波级联和高斯差分模块同时与梯度计算模块和极值点检测模块相连，主方向和特征描述子模块同时与梯度计算模块和极值点检测模块相连。本发明能够实时、精确地提取目标特征信息的图像配准预处理的系统。
Description
技术领域
本发明属于图像配准技术领域，具体涉及一种基于FPGA的SIFT图像特征提取系统。
背景技术
在运动目标检测与跟踪系统中，对提取的图像特征点的质量要求较高。实际处理的过程中，如果拍摄的视频图像发生一定尺度上的变化，会使特征点匹配出现偏差。
采用SIFT特征提取算法可以提高特征点提取的准确性。例如：文献一（Yan Ke,RahulSukthankar.PCA-SIFT:a more distinctive respresentation for local image descriptors[C].ProcConf Computer Vision and Pattern Recognition,2004:511-517）提出了基于SIFT算法的改进方法，该方法通过PCA（主成分分析）对特征描述符作降维处理，以及使用块状滤波(Boxlet)和积分图像取代原方法中计算复杂的高斯滤波，降低了方法的复杂度，但是该方法是在软件平台上实现的，所以实时性较差；文献二（许飞，刘威.多核下的算法优化[J].信息通信,2012,121(5):42-46）提出了在基于TI多核C6000DSP芯片上实现SITF算法的方法，采用多核DSP可以提高SIFT算法运算精度，且可移植性强，但是该方法占用内存资源较大，且实时性没有得到彻底改善。
发明内容
本发明解决的技术问题是，提供一种在运动目标检测中能够实时、精确地提取目标特征信息的图像配准预处理的系统。
为了解决上述技术问题，本发明提供一种基于FPGA的SIFT图像特征提取系统，包括千兆网模块、高斯滤波级联和高斯差分模块、梯度计算模块、极值点检测模块以及主方向和特征描述子模块；千兆网模块与高斯滤波级联和高斯差分模块相连，高斯滤波级联和高斯差分模块同时与梯度计算模块和极值点检测模块相连，主方向和特征描述子模块同时与梯度计算模块和极值点检测模块相连；千兆网模块接收到电脑端发送的图像数据包后进行解包操作并将数据发送给高斯滤波级联和高斯差分模块；高斯滤波级联和高斯差分模块接收到数据后计算高斯滤波值和高斯差分值，然后将高斯滤波值发送到梯度计算模块，将高斯差分值发送到极值点检测模块；梯度计算模块接收到高斯滤波值后计算梯度值，然后将求得的梯度值发送给主方向和特征描述子模块；极值点检测模块接收到高斯差分值后在差分值之间寻找极值，并将极值代表的特征点的位置坐标发送给主方向和特征描述子模块；主方向和特征描述子模块根据梯度值和特征点的位置坐标使用统计直方图信息的方式先求取特征点的主方向，然后再利用特征点的主方向求取特征点的特征描述子，最后将特征描述子传递给后端进行后续的匹配操作。
本发明与现有技术相比，其显著优点在于：(1)本发明采用定点数表示来表示系统中间的数据，通过选择合理的尺度大小、高斯金字塔层数和组数来保证方法的精度要求；(2)本发明将每一层的二维高斯滤波分解成为对行像素和列像素分别进行一维的高斯滤波，降低了本发明的复杂度；(3)在本发明中，采用SRAM缓存技术来存储算法中间产生的大量数据，利用SRAM读写操作较容易的特点，提高了计算速度，降低了芯片占用的资源；(4)本算法采用纯硬件实现，所以数据传输率快，运算速度快，实时性好，效率高，为后续算法提供了较大的时间余量。
附图说明
图1是本发明基于FPGA的SIFT图像特征提取系统模块结构示意图。
图2是本发明基于FPGA的SIFT图像特征提取系统高斯滤波级联和高斯差分模块示意图。
图3是本发明基于FPGA的SIFT图像特征提取系统二维高斯卷积示意图。
图4是本发明基于FPGA的SIFT图像特征提取系统极值点寻找示意图。
图5是本发明基于FPGA的SIFT图像特征提取系统求取主方向和特征描述子示意图。
具体实施方式
如图1所示，本发明基于FPGA的SIFT图像特征提取系统，包括千兆网模块、高斯滤波级联和高斯差分模块、梯度计算模块、极值点检测模块以及主方向和特征描述子模块；千兆网模块与高斯滤波级联和高斯差分模块相连，高斯滤波级联和高斯差分模块同时与梯度计算模块和极值点检测模块相连，主方向和特征描述子模块同时与梯度计算模块和极值点检测模块相连；
千兆网模块接收到电脑端发送的图像数据包后进行解包操作并将数据发送给高斯滤波级联和高斯差分模块；高斯滤波级联和高斯差分模块接收到数据后计算高斯滤波值和高斯差分值，然后将高斯滤波值发送到梯度计算模块，将高斯差分值发送到极值点检测模块；梯度计算模块接收到高斯滤波值后计算梯度值，然后将求得的梯度值发送给主方向和特征描述子模块；极值点检测模块接收到高斯差分值后在差分值之间寻找极值，并将极值代表的特征点的位置坐标发送给主方向和特征描述子模块；主方向和特征描述子模块根据梯度值和特征点的位置坐标使用统计直方图信息的方式先求取特征点的主方向，然后再利用特征点的主方向求取特征点的特征描述子，最后将特征描述子传递给后端进行后续的匹配操作。
本发明基于FPGA的SIFT图像特征提取系统，中间产生的部分数据利用三片外部的SRAM存储芯片进行缓存。兆网模块与高斯滤波级联和高斯差分模块之间连接有第一SRAM存储芯片，高斯滤波级联和高斯差分模块连接有第二SRAM存储芯片，梯度计算模块与主方向和特征描述子模块之间连接有第三SRAM存储芯片。千兆网模块输出的数据使用第一SRAM存储芯片进行缓存；高斯滤波级联和高斯差分模块求取高斯滤波值时产生的一维高斯卷积值用第二SRAM存储芯片进行缓存；梯度计算模块求得的梯度值用第三SRAM存储芯片进行缓存。
本发明高斯滤波级联和高斯差分模块中，高斯滤波采用多级级联的方式搭建高斯金字塔。如图2所示，每一层高斯滤波值求完后输入到下一层高斯卷积中求取下一层的高斯滤波值，依次级联下去。
本发明高斯滤波级联和高斯差分模块中，高斯滤波采用的二维高斯卷积方法分解为两次一维高斯卷积，如图3所示，即先对图像的行像素进行一维高斯卷积，求取一维高斯卷积值，然后将求得的一维高斯卷积值存储利在第二SRAM存储芯片中进行转置，对转置后的行像素进行一维高斯卷积，求得二维高斯卷积值也即高斯滤波值。
本发明在高斯滤波级联和高斯差分模块中求取高斯差分值时，使用先入先出缓存器FIFO对前一层高斯滤波值进行延时，保证相邻两层高斯滤波值的时序同步，通过对相邻两层高斯滤波值作差求得尺度空间。
本发明极值点检测模块中，极值点检测利用两个先入先出缓存器FIFO1和FIFO2构造n*n大小的比较矩阵，通过比较矩阵求取极值点后再将极值点坐标以及对应尺度输入至先入先出缓存器FIFO3中缓存。
本发明梯度计算模块采用CORDIC（坐标旋转数字计算）迭代算法求取梯度值的。CORDIC算法采用多次迭代的方法进行梯度值的计算，将复杂的数学运算简化成简单的移位和加减运算。
本发明主方向和特征描述子模块中，在直方图统计时采用方形邻域作为统计区域。同时，在模值累加时需要对幅角进行取整进行判断。
实施例
本实施例实现的硬件平台：采用XINLINX公司xc5vfx30t-2ff665为主芯片的FPGA开发板，外置的SRAM存储芯片，千兆网口。算法用verilog语言描述，程序编写和仿真在ISE13.1上完成。
电脑端将摄像头采集到的视频数据通过千兆网网口发送到Virtex-5开发板上的千兆网模块。因电脑端发送的视频图像大小是320*256格式，为了便于千兆网发送数据，电脑端将每4行数据打包成1280字节的UDP数据包，并在每一帧图像的前面加上相同的帧头作为新的图像数据标志。
千兆网模块
千兆网模块接收电脑端传递过来的视频流后，因千兆网传输模块接收到的RXD信号是4位图像数据，所以通过先入先出缓存器FIFO读写将其转换为16位数据，同时进行大小端转换，再对UDP数据包进行拆包处理并检测CRC校验码，如果CRC校验码计算正确，则将四行1280个字节的数据输出到第一SRAM存储芯片进行缓存。
高斯滤波级联和高斯差分模块
如图2，对从第一SRAM存储芯片输出的数据经过6个高斯卷积模块（高斯卷积的参数分别为σ0，σ1，σ2，σ3，σ4，σ5，），连续（即级联）地进行6次高斯卷积，得到6层高斯滤波值，该6层高斯滤波值被称为第一组高斯金字塔。然后以倒数第三个高斯滤波值作为第二组高斯金字塔的初始输入值，同样进行6次级联高斯卷积，得到第二组高斯金字塔的6层高斯滤波值。
其中，如图3所示，二维高斯卷积系采用分别对行像素和列像素进行一维高斯卷积的方式来实现。在FPGA中，先按行对图像进行长度为7的一维高斯卷积，将求得的一维高斯卷积值转置的同时存储到第二SRAM存储芯片中，然后从第二SRAM存储芯片读出后再进行一次一维高斯卷积，得到二维高斯卷积值即高斯滤波值。
在求得高斯滤波值的同时，为了进行高斯差分计算，需要保证相邻两层高斯滤波值保持时序的同步。因此，根据图2，对于相邻的两层高斯滤波值，利用先入先出缓存器FIFO对前一层高斯滤波值延时6行的时钟，然后用延时后的高斯滤波值减去后一层高斯滤波值，即得到5层高斯差分值，参数分别为σ0，σ1，σ2，σ3，σ4，5层高斯差分值也称为尺度空间，参数σ0，σ1，σ2，σ3，σ4也称为尺度。
极值点检测模块
在高斯差分值（尺度空间）确定以后，需要在中间的3层高斯差分值（参数分别为σ1，σ2，σ3）上寻找极值，具体是将这3层高斯差分值分别与其上下两层高斯差分值以及该层高斯差分值中的数据进行比较。以图4为例，DoG1、DoG2、DoG3分别代表相邻的三层高斯差分值，需要在中间层高斯差分值上寻找极值。寻找极值的方法是将每层上需要判断的高斯差分值与它同一层上周围的8个高斯差分值以及上下两层各9个高斯差分值进行比较，本发明使用先入先出缓存器FIFO来实现这一比较。具体过程为：
对于每一层高斯差分值，分别使用两个先入先出缓存器FIFO1和FIFO2先存储高斯差分值的前两行数据，然后在高斯差分值的第三行数据到来时，输出FIFO1与FIFO2的数据，构造成图4中的9*9比较矩阵。同时将第三行数据存储到FIFO2中，FIFO2输出的数据存储到FIFO1中，以此保证数据的循环利用。在每层高斯差分值构造出一个9*9比较矩阵后，如图4所示，用中间高斯差分层的标X的高斯差分值与其周围总共8+9*2=26个差分值进行比较，若该高斯差分值为极值点，则判断该高斯差分值为特征点，将极值点坐标（x，y）以及对应尺度输入至FIFO3中暂存。
梯度计算模块
在每一层高斯滤波值求得之后，立刻求取每一层高斯滤波值对应的梯度值（包括模值和幅角）。由于FPGA不容易实现根号以及三角函数的运算，所以本发明采用cordic（坐标旋转数字计算）算法的向量模式，通过基本的加和移位运算代替乘法运算，完成直角坐标向极坐标的转换，使矢量旋转和方向的计算不再需要平方、开方、反三角等函数，也相比调用IP核节省了很多FPGA资源。本实施例中cordic算法采用16次迭代，最后求得的梯度误差在0.1%左右。本发明中可以根据实际精度的需要和资源的损耗来改变迭代次数。在求得每一层的梯度值后，存储到第三SRAM存储芯片中，便于后面直方图统计时查找对应像素点的梯度信息。
主方向和特征描述子模块
如图5所示，特征点检测完毕后，从FIFO3中读取特征点的坐标（x，y），继而以特征点为中心，将第三SRAM存储芯片中特征点周围9σ*9σ（σ即为图2中的参数，特征点在那一层，就选用哪个参数）范围的坐标对应的模值和幅角读出，先对幅角进行取整判断，然后对特征点周围36个幅角区间内的模值进行累加统计，最后通过比较36个幅角区间模值的大小确定最大值所在的幅角区间的中值为主方向。
主方向确定前先选取特征点周围的（σ即为图2中的参数，特征点在那一层，就选用哪个参数）大小的区域，同时将区域内的坐标点划分为16个子区域。然后在主方向确定好后通过主方向对应的旋转矩阵将各个子区域内的坐标点按逆时针进行旋转。从第三SRAM中读取旋转后每个子区域内坐标点的梯度值（包括模值和幅角），将8个幅角区域内的模值进行累加统计，获得特征描述子。最后将特征描述子传递给后端算法，进行匹配处理。
本实施例FPGA资源消耗占用情况如表1所示。由表1可以看出，本发明SIFT图像特征提取系统及方法在FPGA上消耗片寄存器资源为73%，内部SRAM占用资源仅为49%。表明本发明占用FPGA资源有限，留给后端算法的资源空间量比较大；同时资源消耗少有利于FPGA内部走线，能够保证程序运行的稳定性，提高算法的鲁棒性。
本实施例FPGA各部分数据位宽如表2所示。由表2可以看出，本系发明根据内部数据实际大小情况，合理的设置了各个模块的定点数位宽，不仅有利于各SRAM的存储和数据的计算，同时能够保证计算结果的精度，并且有利于节省硬件的存储资源和逻辑资源。
表1实施例硬件平台FPGA资源消耗占用情况
| 资源分类 | 已使用 | 可用 | 利用率 |
| Slice | 14950 | 20480 | 73% |
| Slice LUTs | 14336 | 20480 | 70% |
| IOBs | 270 | 360 | 75% |
| BlockRAM/FIFO | 33 | 68 | 49% |
表2本实施例FPGA各部分数据位宽
| 数据 | 数据类型 |
| 输入图像数据 | 8位无符号数 |
| 高斯卷积输出数据 | 16位无符号数，8位小数 |
| 高斯差分数据 | 13位有符号数，8位小数 |
| CORDIC迭代数据 | 16位有符号数，8位小数 |
| 特征描述子矢量 | 20位有符号数 |
Claims (8)
1.一种基于FPGA的SIFT图像特征提取系统，其特征在于，包括千兆网模块、高斯滤波级联和高斯差分模块、梯度计算模块、极值点检测模块以及主方向和特征描述子模块；
千兆网模块与高斯滤波级联和高斯差分模块相连，高斯滤波级联和高斯差分模块同时与梯度计算模块和极值点检测模块相连，主方向和特征描述子模块同时与梯度计算模块和极值点检测模块相连；
千兆网模块接收到电脑端发送的图像数据包后进行解包操作并将数据发送给高斯滤波级联和高斯差分模块；
高斯滤波级联和高斯差分模块接收到数据后计算高斯滤波值和高斯差分值，然后将高斯滤波值发送到梯度计算模块，将高斯差分值发送到极值点检测模块；
梯度计算模块接收到高斯滤波值后计算梯度值，然后将求得的梯度值发送给主方向和特征描述子模块；
极值点检测模块接收到高斯差分值后在差分值之间寻找极值，并将极值代表的特征点的位置坐标发送给主方向和特征描述子模块；
主方向和特征描述子模块根据梯度值和特征点的位置坐标使用统计直方图信息的方式先求取特征点的主方向，然后再利用特征点的主方向求取特征点的特征描述子，最后将特征描述子传递给后端进行后续的匹配操作。
2.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，千兆网模块与高斯滤波级联和高斯差分模块之间连接有第一SRAM存储芯片，高斯滤波级联和高斯差分模块连接有第二SRAM存储芯片，梯度计算模块与主方向和特征描述子模块之间连接有第三SRAM存储芯片；千兆网模块输出的数据使用第一SRAM存储芯片进行缓存；高斯滤波级联和高斯差分模块求取高斯滤波值时产生的一维高斯卷积值使用第二SRAM存储芯片进行缓存；梯度计算模块求得的梯度值用第三SRAM存储芯片进行缓存。
3.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，高斯滤波级联和高斯差分模块中，高斯滤波采用多级级联的方式搭建高斯金字塔，每一层高斯滤波值求完后输入到下一层高斯卷积中求取下一层的高斯滤波值。
4.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，高斯滤波级联和高斯差分模块中，先对图像的行像素进行一维高斯卷积，求取一维高斯卷积值，然后将求得的一维高斯卷积值存储利在第二SRAM存储芯片中进行转置，对转置后的行像素再进行一维高斯卷积，求得二维高斯卷积值。
5.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，在高斯滤波级联和高斯差分模块中求取高斯差分值时，使用先入先出缓存器对前一层高斯滤波值进行延时，保证相邻两层高斯滤波值的时序同步，通过对相邻两层高斯滤波值作差求得尺度空间。
6.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，极值点检测模块中进行极值点检测时，使用两个先入先出缓存器构比较矩阵，通过比较矩阵求取极值点后再将极值点坐标以及对应尺度输入另一先入先出缓存器缓存。
7.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，梯度计算模块采用CORDIC迭代算法求取梯度值。
8.如权利要求1所述的基于FPGA的SIFT图像特征提取系统，其特征在于，主方向和特征描述子模块中，在进行直方图统计时采用方形邻域作为统计区域，在模值累加时对幅角进行取整判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410139011.8A CN104978749A (zh) | 2014-04-08 | 2014-04-08 | 一种基于fpga的sift图像特征提取系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410139011.8A CN104978749A (zh) | 2014-04-08 | 2014-04-08 | 一种基于fpga的sift图像特征提取系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104978749A true CN104978749A (zh) | 2015-10-14 |
Family
ID=54275227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410139011.8A Pending CN104978749A (zh) | 2014-04-08 | 2014-04-08 | 一种基于fpga的sift图像特征提取系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104978749A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204660A (zh) * | 2016-07-26 | 2016-12-07 | 华中科技大学 | 一种基于特征匹配的地面目标跟踪装置 |
| CN106504182A (zh) * | 2016-11-02 | 2017-03-15 | 山东正晨科技股份有限公司 | 一种基于fpga的直线特征提取系统 |
| CN107316038A (zh) * | 2017-05-26 | 2017-11-03 | 中国科学院计算技术研究所 | 一种sar图像舰船目标统计特征提取方法与装置 |
| CN108664982A (zh) * | 2018-05-15 | 2018-10-16 | 中山大学 | 一种快速生成sift描述子的方法及其系统 |
| CN108734179A (zh) * | 2018-05-22 | 2018-11-02 | 东南大学 | 基于硬件实现优化的sift关键点描述的方法 |
| CN109522906A (zh) * | 2018-10-23 | 2019-03-26 | 天津大学 | 基于fpga的低复杂度快速sift特征提取方法 |
| CN111009004A (zh) * | 2019-11-24 | 2020-04-14 | 华南理工大学 | 一种加速图像匹配的硬件优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130301930A1 (en) * | 2012-04-24 | 2013-11-14 | Stmicroelectronics S.R.I. | Hardware coprocessor for stripe-based interest point detection |
| CN103646232A (zh) * | 2013-09-30 | 2014-03-19 | 华中科技大学 | 飞行器地面运动目标红外图像识别装置 |
-
2014
- 2014-04-08 CN CN201410139011.8A patent/CN104978749A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130301930A1 (en) * | 2012-04-24 | 2013-11-14 | Stmicroelectronics S.R.I. | Hardware coprocessor for stripe-based interest point detection |
| CN103646232A (zh) * | 2013-09-30 | 2014-03-19 | 华中科技大学 | 飞行器地面运动目标红外图像识别装置 |
Non-Patent Citations (2)
| Title |
|---|
| VANDERLEI BONATO ET AL: "A Parallel Hardware Architecture for Scale and Rotation Invariant Feature Detection", 《IEEE TRANSACTION ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
| 陆丽华: "图像匹配算法及其高速并行实现方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204660B (zh) * | 2016-07-26 | 2019-06-11 | 华中科技大学 | 一种基于特征匹配的地面目标跟踪装置 |
| CN106204660A (zh) * | 2016-07-26 | 2016-12-07 | 华中科技大学 | 一种基于特征匹配的地面目标跟踪装置 |
| CN106504182A (zh) * | 2016-11-02 | 2017-03-15 | 山东正晨科技股份有限公司 | 一种基于fpga的直线特征提取系统 |
| CN106504182B (zh) * | 2016-11-02 | 2019-11-08 | 山东正晨科技股份有限公司 | 一种基于fpga的直线特征提取系统 |
| CN107316038B (zh) * | 2017-05-26 | 2020-04-28 | 中国科学院计算技术研究所 | 一种sar图像舰船目标统计特征提取方法与装置 |
| CN107316038A (zh) * | 2017-05-26 | 2017-11-03 | 中国科学院计算技术研究所 | 一种sar图像舰船目标统计特征提取方法与装置 |
| CN108664982A (zh) * | 2018-05-15 | 2018-10-16 | 中山大学 | 一种快速生成sift描述子的方法及其系统 |
| CN108664982B (zh) * | 2018-05-15 | 2022-03-22 | 中山大学 | 一种快速生成sift描述子的方法及其系统 |
| CN108734179A (zh) * | 2018-05-22 | 2018-11-02 | 东南大学 | 基于硬件实现优化的sift关键点描述的方法 |
| CN108734179B (zh) * | 2018-05-22 | 2022-02-11 | 东南大学 | 基于硬件实现优化的sift关键点描述的方法 |
| CN109522906A (zh) * | 2018-10-23 | 2019-03-26 | 天津大学 | 基于fpga的低复杂度快速sift特征提取方法 |
| CN111009004A (zh) * | 2019-11-24 | 2020-04-14 | 华南理工大学 | 一种加速图像匹配的硬件优化方法 |
| CN111009004B (zh) * | 2019-11-24 | 2023-05-23 | 华南理工大学 | 一种加速图像匹配的硬件优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104978749A (zh) | 一种基于fpga的sift图像特征提取系统 | |
| CN111444828B (zh) | 一种模型训练的方法、目标检测的方法、装置及存储介质 | |
| Lu et al. | A resource-efficient pipelined architecture for real-time semi-global stereo matching | |
| CN107463990A (zh) | 一种卷积神经网络的fpga并行加速方法 | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| Cambuim et al. | An FPGA-based real-time occlusion robust stereo vision system using semi-global matching | |
| US20220262093A1 (en) | Object detection method and system, and non-transitory computer-readable medium | |
| CN109657711A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
| CN108960251A (zh) | 一种图像匹配描述子生成尺度空间的硬件电路实现方法 | |
| CN109598250A (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
| CN109522906A (zh) | 基于fpga的低复杂度快速sift特征提取方法 | |
| CN104715470B (zh) | 一种klt角点检测装置及方法 | |
| CN106611030A (zh) | 基于视频的对象相似度比较方法和检索方法及其系统 | |
| CN114757347A (zh) | 低比特量化神经网络加速器实现方法和系统 | |
| Hu et al. | Bi-volution: a static and dynamic coupled filter | |
| CN109902720B (zh) | 基于子空间分解进行深度特征估计的图像分类识别方法 | |
| WO2023109086A1 (zh) | 文字识别方法、装置、设备及存储介质 | |
| CN109710562A (zh) | 一种基于selectmap的可配置且高速的fpga配置电路及实现方法 | |
| CN111009004B (zh) | 一种加速图像匹配的硬件优化方法 | |
| Motten et al. | Low-cost real-time stereo vision hardware with binary confidence metric and disparity refinement | |
| CN108520262B (zh) | 一种基于fpga实时提取fhog特征的方法 | |
| CN113469287A (zh) | 一种基于实例分割网络的航天器多局部构件检测方法 | |
| Sang et al. | A block-based and highly parallel CNN accelerator for seed sorting | |
| Tsai et al. | Hardware Architecture Design for Hand Gesture Recognition System on FPGA | |
| Yong et al. | Efficient parallel recursive Gaussian SIFT algorithm based on multi-core DSP |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151014 |