[发明专利]基于FPGA的K近邻分类器

说明书

技术领域

本发明属于视频目标检测领域，特别是一种基于FPGA的K近邻分类器，可应用于实时视频目标检测。

背景技术

视频目标检测就是在前端通过视频采集系统提取关键帧，然后传到后端通过一些图像处理的技术达到自动判别目标的目的。视频目标检测最主要是要做到目标检测的实时性，同时还要达到较高的识别率。

目前视频目标检测主要通过计算机或者数字信号处理器DSP实现，在通用计算机上要做到高的识别率是比较容易的，可以通过复杂的算法来达到高的识别率，但是通用计算机不具备便携性和灵活性，因此用通用计算机做视频目标检测在要求便携的实际应用中价值不大。数字信号处理器是专门为数字信号处理而设计的，内部有硬件乘累加器，在数字信号处理领域有着广泛的应用，但是其指令的执行是串行的，在速度要求很高的场合，很难达到实时处理的要求。

近年来，微电子技术和超大规模集成电路制造技术的发展，特别是现场可编程门阵列FPGA的发展，为提高图像处理技术的各种性能提供了新的思路和方法。由于实时图像处理数据量很大，同时要求处理速度快、系统体积尽可能小，而FPGA具有集成度高、天生的并行结构等特点，以FPGA作为主要处理芯片的图像处理系统非常适合于对图像进行实时处理。

K近邻分类算法是一种简单实用的经典分类算法，其思想非常的简单，它认为：一个待测样本在特征空间中有K个最相似的训练样本，如果K个最相似的训练样本中的大多数属于某一个类别，那么该待测样本也属于这一类别。其中待测样本与训练样本的相似性可以用1范数距离或者欧式距离来度量。K近邻算法的步骤大体如下：首先计算待测样本在特征空间中与所有训练样本的距离，然后对计算得到的所有距离进行排序，找出最小的K个距离所对应的训练样本，这K个训练样本即为待测样本的K近邻，最后，若这K个训练样本中多数样本属于某一个类别，则判决当前的待测样本也属于该类别。

从以上步骤可以发现，K近邻分类算法实现过程中需要大量距离计算和排序运算，其执行过程属于串行流水操作。在实际应用中，为了保证正确率，训练样本的特征数据一般都是浮点数据。

用DSP实现K近邻分类器时，待测样本在特征空间中与所有训练样本的距离计算以及对距离的排序都是浮点运算,运算量大，且定点DSP的浮点运算是通过软件模拟、串行执行实现的，在速度要求很高且数据量很大的视频目标检测场合，计算速度慢，很难达到实时处理的要求。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于FPGA的K近邻分类器，以提高计算速度，保证在视频目标检测运用中达到实时处理的要求。

本发明的技术原理是:利用FPGA良好的并行和流水操作特性，把训练样本的N维特征数据和类别标签分开存储，使得计算待测样本特征与训练样本特征的距离时可以并行运行，加快计算速度，同时使用自定义的流水线排序结构，在排序的同时实现K近邻的选择。

根据上述原理，本发明包括:

N+1个只读存储单元1，其前N个只读存储器单元ROM(1)、ROM(2)、……ROM(N)，分别用于存储训练样本的N维特征数据，N=7；其最后一个只读存储器子模块ROM(N+1)用于存储训练样本的类别标签；

串入并出单元2，用于将串行输入的待测样本的N个特征数据转换成并行的N维特征数据，保存在N个寄存器中：R(1)，R(2)……R(N)中，并作为串入并出模块的输出；

距离计算单元3，设有N对输入端口和1个输出端口，分别与前N个只读储存器ROM(1)、ROM(2)、……ROM(N)和串入并出模块的N个输出端对应连接，用于计算待测样本特征Y与训练样本特征X之间的1范数距离S,其中Y＝(y₁,y₂,…y_N)，X＝(x₁,x₂,…x_N)，S＝||Y-X||1＝|y₁-x₁|+|y₂-x₂|+…+|y_N-x_N|；

标签延时单元4，设有一个输入端口和1个输出端口，它与最后一个只读存储器子模块ROM(N+1)的输出端口相连，用于延时最后一个只读存储器子模块ROM(N+1)的输出数据，使该输出数据与距离计算模块的输出数据保持同步；