基于ZYNQ的實時視頻邊緣檢測系統設計

蘇恒　關燁鋒　和河向

關鍵詞：ZYNQ 芯片；實時視頻；邊緣檢測；現場可編程邏輯門陣列

中圖分類號：TP23；TP391.41 文獻標識碼：A

0 引言

人類視覺基礎是圖像信息，隨著嵌入式及集成電路技術的飛速發展，視覺圖像處理在日常生活與科研領域均得到廣泛應用，圖像處理技術的快速發展已使其成為圖像信息傳遞的重要手段[1] 且在相關領域取得顯著成果[2-3]。邊緣是一幀圖像中信息最為豐富的區域，如何對采集到的視頻圖像進行準確、高效的邊緣提取成為圖像處理領域的一個熱點問題。相較于利用軟件實現邊緣檢測算法，硬件電路有著處理速度快、實時性高等優點。本研究的實驗平臺以可擴展處理平臺ZYNQ 作為主要的開發環境[4]，該平臺結合了現場可編程邏輯門陣列（fieldprogrammable gate array，FPGA）和一個雙核ARMCortex-A9 處理器[5-6]。通過軟硬件協同設計，成功構建了一個嵌入式圖像處理系統[7]。與傳統圖像檢測系統相比，基于ZYNQ 的圖像處理系統在邊緣閾值設置合理時，能顯著提升邊緣檢測質量，具備良好的實時性和可擴展性，為后續復雜圖像處理算法的擴展和移植提供了有利條件。

1 系統整體架構

ZYNQ-7000 系列是由Xilinx 公司于2010 年4月推出的采用28 nm 制造工藝的嵌入式處理平臺，也就是一片帶有可編程片上系統的芯片。其包括可編程邏輯（programmable logic，PL）部分和處理系統（processing system，PS）部分。其中，PL 部分是傳統的FPGA，而PS 部分則包含了ARM 處理器，該設計使得ZYNQ 芯片兼具FPGA 的靈活性和ARM 處理器的通用計算能力。如圖1 所示，上方為FPGA 可編程邏輯部分，下方為ARM 處理系統部分，上下部分通過AXI 接口來進行大數據量的交互。PL 端包括圖像OV5640 采集、邊緣檢測和AXI 視頻直接內存訪問（video direct memoryaccess，VDMA）IP 核等模塊。PS 端包括高性能（high performance，HP）接口、通用目的（generalpurpose，GP）接口、OV5640 配置等模塊。根據PL 端獲取外界視頻流信息所做的處理，PS 端通過GP 接口對各IP 核進行任務調度，兩者功能的不同可在圖1 中具體劃分為數據流和控制流。

（1）數據流：首先使用PS 端的串行攝像機控制總線協議（serial camera control bus，SCCB）接口對OV5640 攝像頭進行配置，利用PS 端擴展的多路輸入/ 輸出（extended multi-channel input/output，EMIO）來模擬SCCB 協議[8]，從而驅動500 W 的OV5640 攝像頭采集外界視頻圖像信息。攝像頭圖像采集IP 核負責將攝像頭采集到的外界圖像數據轉換成視頻流數據。然后經過灰度處理和邊緣檢測算法IP 核處理，使用AXI4-Stream IP 核將處理后的視頻流數據處理轉換成AXI4-Stream 格式的數據流。之后VDMA 的寫數據通道將這些數據轉換成Memory Map 格式，并將其寫入PS 端搭載的DDR3存儲器中緩存數據。為了實現與DDR3 存儲器進行大數據量的交互，AXI -SmartConnect 連接VDMA和HP 接口。VDMA 在DDR3 中讀出之前緩存過的視頻圖像信息，并將其按行傳輸至AXI4-Stream toVideo Out IP 核。在視頻時序控制器（video timingcontroller，VTC） 的控制下，AXI4-Stream to VideoOut IP 核將所有AXI4-Stream 數據轉換為視頻傳輸的標準數據流格式，并將已處理過的視頻數據流連接至高清多媒體接口（high definition multimediainterface，HDMI）驅動IP 核的輸入端口。最后，采集并經過處理的圖像會實時顯示在HDMI 屏上。

（2）控制流：ZNYQ 的PS 端通過GP 接口的AXI-Interconnect 連接IP 核對VTC 模塊進行系統配置，使得VTC 根據灰度處理配置信息，將AXI4-Stream 格式的數據轉換成符合HDMI 顯示屏輸出的標準數據流格式。PS 端根據HDMI 顯示屏的不同型號，通過識別顯示屏編碼（identity document，ID）控制動態時鐘IP 核，靈活配置時鐘的IP。這樣的設計允許系統輸出與HDMI 顯示屏兼容的時鐘頻率，從而達到匹配不同分辨率HDMI 顯示屏的目的。

2 軟件算法設計

2.1 RGB 轉YUV

采用500 W 的攝像頭OV5640 采集RGB565 格式的視頻數據流，但由于RGB 格式圖片像素數據的復雜性和龐大性對后續高層次操作的圖像處理構成了挑戰[9]。為了解決這個難題，對RGB 彩色圖像進行預處理，即去除多余的色彩信息，僅保留圖像的亮度等級分布特征。在圖像編碼領域，YUV（YCbCr）是一種更為適合處理的圖像格式，可將色度和亮度進行分離[10]。為了降低圖像數據所需的存儲容量、減少后續算法處理時間，首先需要進行RGB 到YUV 圖像格式的轉換。

在當前的RGB 轉YUV 算法中，采用加權平均法的圖像灰度化效果最為優越[11]，能夠有效保留圖像的亮度特征。通過對彩色圖像的每個像素點的3個分量進行加權平均，其中不同的權值考慮了人眼對不同顏色的敏感度[12]，得到心理學灰度值的計算公式如下：

Y=0.299×R+0.587×G+0.114×B。 （ 1）

Cb=-0.169×R-0.331×G+0.5×B+128。 （ 2）

Cr=0.5×R-0.419×G-0.081×B+128。 （ 3）

其中，Y、Cb、Cr 分別為YCbCr 圖像格式的3 個不同顏色分量，R、G、B 分別為24 位RGB 數據的紅、綠、藍顏色分量。

用Verilog HDL 語言（一種硬件描述語言）對公式進行描述時，由于其無法進行浮點運算，因此將其擴大256 倍再縮小至原值的1/256，最后為避免過程中結果出現負數可以對其進行變換，變換后的計算公式如下：

Y=（77×R+150×G+29×B）÷256。 （ 4）

Cb=（-43×R-85×G+128×B+32768）÷256。 （ 5）

Cr=（128×R-107×G-21×B+32768）÷256。 （ 6）

2.2 Sobel 邊緣檢測

2.2.1 獲得3×3 原始圖像

將周圍像素灰度值變化較為明顯的像素所組成集合稱為邊緣，其代表了圖像中信息最豐富的區域，因此該集合是后續進行復雜圖像處理算法的重要依據。同時在圖像預處理時，保證圖像邊緣信息的完整性、邊緣輪廓的清晰性是后續處理的重要保障。目前在圖像處理領域使用較為廣泛的邊緣檢測算法包括Roberts 算子、改進的LoG 算子、Sobel 算子[13]等，其中Sobel 算子可以滿足本研究的需求，該算子是一種離散性差分算子，具有便于在硬件平臺上實現的特點，因此適用于實際工程。通過在每個像素點上與Sobel 模版因子（2 組3×3 的矩陣）進行卷積，可以得到相應的灰度矢量。在進行Sobel 邊緣檢測算法之前，需要先獲得一個3×3 原始圖像模板。

為了獲取一個3×3 原始圖像模板，可以將輸入圖像數據的前兩行存入隨機存取存儲器（randomaccess memory，RAM）中，第3 行是當前串口輸入的圖像數據。當輸入的圖像數據到達時，使用兩個RAM 模塊（一個用于讀取，一個用于寫入）進行實例化，如表1 所示。同時從RAM1 和RAM0中讀取前兩行數據與第3 行數據進行合并，得到一個“三行一列”的像素數據。通過連續地寄存該“三行一列”的陣列3 次，獲取一個“三行三列”的圖像矩陣，該矩陣就是后續圖像算法處理所需要的3×3 原始圖像模板。

讀出RAM1 和RAM0 中存儲的兩行數據之后，將存儲在RAM0 中的第2 行圖像數據寫入RAM1中作為第1 行，之前輸入的一行圖像數據寫入RAM0，從而不斷刷新兩個RAM 中的數據實現雙RAM 連續操作。

2.2.2 卷積操作

Sobel 模版因子是2 組3×3 的矩陣，2 組矩陣因子用于進行水平和豎直方向的邊緣檢測。將原始圖像模板與各方向上不同權重的Sobel 模版因子做卷積操作可以得到兩個不同方向上的亮度差分近似值。水平和豎直方向的圖像灰度值計算公式如下：

通過將結果邊緣閾值與設定好的合理閾值進行比較，大于設定閾值即可判斷該像素點是邊緣信息點，在顯示屏上顯示白色邊緣，反之顯示黑色。

3 實驗結果及分析

對搭建好的圖像處理系統平臺進行功能和性能測試，通過調整邊緣檢測閾值參數大小，將處理后的圖像數據在HDMI 顯示屏上進行實時顯示。結果表明不同閾值下的實時視頻（分辨率為1 280×720）檢測效果各不相同，通過調整閾值大小可以有效地顯示較小字體，如圖2 所示。當閾值為55 時，圖像邊緣部分變得更加纖細同時也較為清晰，圖像完整性得以保留（圖2b）。如圖2c 所示，經過閾值為160 的檢測算法處理后，由于閾值設置過大導致一些顏色特征變化不明顯的邊緣點未能準確檢測，導致文字邊緣模糊不清。當閾值為30 時，圖像處理結果如圖2d 所示，閾值設置過小是出現很多虛假邊緣的主要原因。因此，設置合適的閾值對邊緣檢測處理效果有較為明顯的影響。通過對相同物體進行不同閾值的邊緣檢測，實驗結果較好地驗證了該系統功能的完備性以及圖像算法的有效性。

同時對系統片內消耗的邏輯資源進行匯總，由表2 可以看出，邊緣檢測算法片內資源使用合理，檢測結果完全符合預期且留有豐富資源，為實現后續更復雜的圖像處理算法提供了一個較好的硬件平臺。

性能測試階段，在OpenCV 平臺和本系統平臺（軟硬件平臺）上對單幀圖像檢測時間進行對比，各平臺邊緣檢測耗時比較如表3 所示。在ARM 處理器上調用OpenCV 函數對一幀圖像進行邊緣檢測從而獲得一幀檢測時間。在本文設計的平臺上，通過調用中斷來獲取單幀的檢測時間，并將其與OpenCV 平臺的檢測時間進行比較，以評估邊緣檢測速度差異。由表3 可知，采用軟硬件協同工作的方法對實時視頻中一幀圖像進行邊緣檢測，軟硬件平臺平均檢測耗時相比于OpenCV 平臺處理速度平均提高了7.225 倍，證明該系統在進行圖像處理時具有更快的速度且后期開發價值大。

4 結論

本文提出一種基于FPGA+ARM 的實時視頻邊緣檢測系統，使用全面可編程芯片ZYNQ 作為開發平臺，系統結合了FPGA 的并行處理數據能力和ARM 處理器的靈活任務調度優勢對圖像進行算法處理，處理后的圖像數據通過HDMI 顯示屏進行實時顯示。該系統充分發揮了ZYNQ 的PL 端和PS 端通過AXI 接口進行大吞吐量數據流交互的優勢，合理利用片內資源，為后續算法的實現提供一定空間。同時視頻采集速度能夠達到實時傳輸的要求，相較于純軟件平臺算法處理具有明顯優勢，為進一步開發復雜功能的嵌入式視覺系統奠定基礎。