[发明专利]基于FPGA的人脸识别数据处理装置及处理方法

说明书

本发明公开了一种基于FPGA的人脸识别数据处理装置，包括第一存储器，用于存储人脸数据；第二存储器，用于存储卷积模板数据；FPGA芯片，用于从第一存储器和第二存储器中读取数据并进行深度学习从而提取人脸特征值；处理器，用于将提取出的人脸特征值与人脸数据库进行比对以完成人脸识别的处理器；FPGA芯片搭载有卷积神经网络模型，用于对读取的数据进行运算，并将运算后的中间计算结果存储至第一存储器中。本发明通过设计两路外部存储器，一路存储人脸数据，另一路存储卷积模板数据，提高了人脸数据和卷积模板读取的速度，缩短了卷积计算的时间，进一步提高了人脸识别的速率。本发明还提供一种基于FPGA的人脸识别数据处理方法。

技术领域

本发明涉及深度学习、卷积技术领域，特别地，涉及一种基于FPGA的人脸识别数据处理装置及方法。此外，本发明还涉及一种包括上述基于FPGA的人脸识别数据处理装置的处理方法。

背景技术

随着深度学习方法的应用，基于神经网络的人脸识别技术的识别率已经得到质的提升，目前该项技术已经应用到安防、金融、社保、教育等各个领域。基于神经网络人脸识别技术由于需要大量的乘加运算，所以需要CPU、GPU、AISC等硬件芯片的支持，CPU不适合用于大量乘加运算，效率最低，专有AISC虽然性能高、功耗低但灵活性也低，不适合技术加速迭代的神经网络技术上应用。目前一般采用GPU实现硬件加速，但是GPU板卡本身周围器件多，体积大、功耗大，不适宜应用在终端设备方面，而在服务器级方面也需要有CPU的芯片配合应用。

发明内容

本发明提供了一种基于FPGA的人脸识别数据处理装置及数据处理方法，以解决现有的人脸识别效率低、灵活性能低并且需要的周围器件多、体积大的技术问题。

本发明采用的技术方案如下：

一种基于FPGA的人脸识别数据处理装置，包括：第一存储器，用于存储人脸数据；第二存储器，用于存储卷积模板数据；FPGA芯片，用于分别从第一存储器和第二存储器中读取数据并进行深度学习从而提取人脸特征值；处理器，与FPGA芯片连接，用于将提取出的人脸特征值与预存的人脸数据库进行比对以完成人脸识别；FPGA芯片搭载有卷积神经网络模型，用于对读取的数据进行运算，并将运算的中间计算结果存储至第一存储器中。

进一步地，FPGA芯片包括：缓存输入模块、提频模块、计算模块、降频模块及缓存输出模块；缓存输入模块用于缓存从第一存储器读取的人脸数据及从第二存储器中读取的卷积模板数据；提频模块用于将缓存输入模块存储的数据输入计算模块，并提升输入数据的时钟频率；计算模块用于对提频模块输入的数据进行卷积和/或池化计算，并得到中间计算结果；降频模块用于输出中间计算结果，并降低输出数据的时钟频率；缓存输出模块用于缓存输出的中间计算结果，并将中间计算结果缓存至第一存储器。

进一步地，缓存输入模块包括：第一缓存输入单元、第二缓存输入单元及第三缓存输入单元；第一缓存单元和第二缓存单元为乒乓缓存结构，用于交替读取人脸数据；第三缓存输入单元用于读取卷积模板数据；缓存输出模块包括：第一缓存输出单元和第二缓存输出单元，第一缓存输出单元和第二缓存输出单元为乒乓存储结构，用于交替输出中间计算结果。

进一步地，提频模块包括：第一FIFO缓存器及第二FIFO缓存器，第一FIFO缓存器分别与第一缓存输入单元和第二缓存输入单元连接；第二FIFO缓存器与第三缓存输入单元连接；降频模块包括：第三FIFO缓存器，第三缓存器分别与第一缓存输出单元和第二缓存输出单元连接。

进一步地，FPGA芯片还包括控制模块，控制模块连接缓存输入模块及缓存输出模块，控制模块用于控制卷积神经网络前M层的中间计算结果存储至第一存储器中，卷积神经网络后N层中间计算结果存储至缓存输入模块。

根据本发明的另一方面，还提供了一种基于FPGA的人脸识别数据处理方法，运用于上述权1至5任一项的数据处理装置中，其特征在于，该方法包括以下步骤：