[發明專利]基于FPGA的卷積神經網絡架構方法及其人臉識別方法

在審

• 申請號: 201911366823.5
• 申請日: 2019-12-26
• 公開（公告）號: CN111126309A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 劉文;蔣云翔;朱佳;蔡曄;丁杰;郝志杰
• 申請（專利權）人: 長沙海格北斗信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

本發明公開了一種基于FPGA的卷積神經網絡架構方法，包括系統初始化；根據crp的內部狀態啟動dma，讀取ps側的圖像信息；根據S3FD算法，復用crp模塊從而完成conv計算；對crp模塊內部的乘加卷積運算進行實現與調度；對結構幀控模塊進行復用；對結構層孔模塊進行復用；對crp_calc模塊進行復用本發明還公開了包括所述基于FPGA的卷積神經網絡架構方法的人臉識別方法。本發明提供的這種基于FPGA的卷積神經網絡架構方法及其人臉識別方法，采用FPGA復用的方式實現卷積神經網絡的架構，兼顧了FPGA內部資源和卷積神經網絡的運算速度；而且本發明方法的可靠性高，適用性好。

技術領域

本發明屬于圖像識別領域，具體涉及一種基于FPGA的卷積神經網絡架構方法及其人臉識別方法。

背景技術

隨著經濟技術的發展，智能網絡時代已經到來。而人臉識別技術，也已經廣泛應用于人們的生產和生活當中，給人們的生產和生活帶來了無盡的便利。

現今的人臉識別技術，往往依靠的是傳統的CNN算法，即卷積神經網絡算法。傳統的CNN算法大多基于通用處理器實現，在實時性和功耗方面都不能滿足應用的需求。就目前卷積神經網絡應用技術的發展而言，算法本身需要對圖片等數據進行卷積運算操作，致使CPU運算速度極慢，資源消耗極高；而這也是限制卷積神經網絡發展的一大重要因素。

現階段出現了各種基于FPGA的卷積神經網絡架構的設計，也確實為神經網絡的發展解決了一些難題，但是由于各種算法中CNN層數不同，乘加運算量的差異，同時也受制于FPGA內部資源及功耗，對于一些權重位寬較大、個數較多的架構，FPGA并不能滿足設計要求。這就要求對算法進行剪枝優化處理：剪枝能使算法的運算量降低，節省FPGA的邏輯消耗；但是，經過剪枝之后的算法在精度方面會降低，影響算法實現的效果。

因此，目前并沒有一種能夠兼顧性能和資源的基于FPGA的卷積神經網絡架構方法。

發明內容

本發明的目的之一在于提供一種能夠兼顧性能和資源、可靠性高且適用性好的基于FPGA的卷積神經網絡架構方法。

本發明的目的之二在于提供一種包括了所述基于FPGA的卷積神經網絡架構方法的人臉識別方法。

本發明提供的這種基于FPGA的卷積神經網絡架構方法，包括如下步驟：

S1.系統初始化；

S2.根據crp(卷積神經網絡模塊)的內部狀態啟動dma(直接存儲器訪問模塊)，讀取ps(programmable system)側的圖像信息；

S3.根據S3FD算法，復用crp模塊從而完成conv計算；所述conv為卷積神經網絡運算模塊；

S4.對crp模塊內部的乘加卷積運算進行實現與調度；

S5.對結構幀控模塊進行復用；

S6.對結構層孔模塊進行復用；

S7.對crp_calc模塊進行復用；所述crp_calc模塊為卷積神經網絡的乘加運算模塊。

步驟S1所述的系統初始化，具體包括接收CPU通過APB總線下發的各項數據。

所述的各項數據包括DMA的讀寫首地址，圖像信息、卷積核信息和反量化信息。

步驟S4所述的crp模塊，具體包括crp_frame_ctrl模塊，crp_layer_ctrl模塊和crp_calc模塊；crp_frame_ctrl模塊用于負責幀控制與調度；crp_layer_ctrl模塊用于負責crp層的控制與調度，crp_calc模塊用于完成卷積神經網絡的乘加運算。