基于Simulink與Stateflow的紅外圖像邊緣檢測系統設計

王 巍，安友偉

(重慶郵電大學光電學院，重慶 400065)

責任編輯:時 雯

紅外圖像廣泛地應用于紅外監測與跟蹤系統，而對整個系統來說，從紅外圖像中提取目標的邊緣信息是整個系統的前提與基礎。因此，國內外研究人員一直關注于這方面的研究。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網絡算法相結合應用于圖像的邊緣檢測［2］。近年來，模糊數學、統計分析、小波變換［3］和數學形態學等算法也被應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，但是在硬件實現上卻遇到了定點化難度大、開發周期長、風險高、硬件系統不穩定等問題。基于模型的設計方法將系統驗證與測試貫穿了整個設計過程，并且模塊化的設計方法和Verilog代碼的自動生成，大大降低了設計時間和開發成本。本文將Simulink和細胞神經網絡的基本理論相結合，搭建細胞神經網絡IP核模塊，然后組建紅外邊緣檢測系統模型，最后結合ISE，Modulsim對系統進行RTL級仿真、綜合和布局布線。

1 細胞神經網絡原理

細胞神經網絡(Cellular Neural Network，CNN)是由美國加州伯克萊大學的L.O.Chua和L.Yang于1988年提出，是一種將神經網絡和細胞自動機(CA)相結合的陣列處理器，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的硬件實現特點［4］。用一階非線性微分方程描述細胞的狀態方程為

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、輸出值。

由式(1)可知，整個細胞神經網絡的功能由Akl，Bkl，I決定。由于細胞神經網絡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)對輸入圖像進行預處理［5］

式中:gij∈ {0，1，2，…，255};|uij|≤1。

2 系統總體結構設計

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

圖1 系統設計總體結構圖

從整個系統處理的時序角度考慮，在保證細胞神經網絡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聯，從而保證整個系統處于時間利用率最高的狀態。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系。根據圖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)

根據整個系統結構，從細胞神經網絡IP核模塊實時處理要求和設計復雜度角度考慮，利用Simulink的算法行為特性，創建獨立的子系統模塊，從而減小此模塊對整個系統設計帶來的難度。整個系統搭建的仿真模型如圖4所示。

圖4 紅外圖像邊緣檢測系統Simulink模型(截圖)

3 細胞元IP核模塊設計

利用細胞神經網絡陣列的規則特性和互聯的局域特性，所以只需設計單個胞元［6－7］便可以擴展成整個CNN網絡。由于數字圖像在時間域和空間域都是離散的，為了將CNN應用于紅外圖像處理，所以將式(1)中的時間離散化，并且將xij(t)的導數用其相應的差分形式來表示。從而得到近似CNN的狀態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時刻的狀態值，y(n)表示在n時刻的輸出值。

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

圖5 細胞元IP核Simulink模型(截圖)

4 實驗結果和分析

本文采用基于模型的設計方法，將整個系統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。采用此設計系統對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所示的仿真結果。從仿真結果來看，本文提出的基于模型的紅外圖像邊緣檢測設計方法取得了較好的效果，且與MATLAB軟件m代碼仿真的結果(如圖6c所示)進行對比并沒有太多差別。在得到滿足設計要求的結果后，利用Simulink硬件語言自動生成功能將所設計的紅外圖像邊緣檢測系統模型生成Verilog代碼文件。接著，在ISE中建立工程并調用Modelsim對生成的RTL級代碼進行功能仿真。從Modelsim的仿真結果(如圖7所示)分析，所生成的Verilog代碼完全符合系統設計需求，并與Simulink仿真得到的結果基本一致。在ISE12.3軟件環境下在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的設計方法相比較(如表1所示)。基于模型設計方法占用更合理、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，基于模型設計方法無論在占用資源、工作效率和開發周期方面都有較大的優勢。

圖6 不同方法的仿真結果對比

圖7 Modelsim仿真結果(截圖)

表1 ISE綜合結果對比

5 小結

針對傳統算法硬件實現存在的問題，本文采用基于模型設計的方法，根據動態控制元結構以及由其構建系統的理念，根據模塊化、可視化系統設計的特點，運用基于Stateflow和Simulink的仿真工具，構建了整個基于CNN算法紅外圖像邊緣檢測系統，并對整個系統進行Simulink仿真驗證。在得到滿足要求的仿真結果后，通過Simulink系統模型自動生成RTL級Verilog代碼，最后運用ISE和Modelsim對生成的Verilog進行仿真驗證。仿真實驗結果表明，運用基于模型的設計思想來構建系統，可以將系統驗證與測試貫穿了整個設計過程，大大降低了設計風險和開發周期，并且與傳統的設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，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.細胞神經網絡在圖像處理中的應用技術研究［D］.南京:南京航空航天大學，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.