[发明专利]基于FPGA的卷积神经网络架构方法及其人脸识别方法

说明书

本发明公开了一种基于FPGA的卷积神经网络架构方法，包括系统初始化；根据crp的内部状态启动dma，读取ps侧的图像信息；根据S3FD算法，复用crp模块从而完成conv计算；对crp模块内部的乘加卷积运算进行实现与调度；对结构帧控模块进行复用；对结构层孔模块进行复用；对crp_calc模块进行复用本发明还公开了包括所述基于FPGA的卷积神经网络架构方法的人脸识别方法。本发明提供的这种基于FPGA的卷积神经网络架构方法及其人脸识别方法，采用FPGA复用的方式实现卷积神经网络的架构，兼顾了FPGA内部资源和卷积神经网络的运算速度；而且本发明方法的可靠性高，适用性好。

技术领域

本发明属于图像识别领域，具体涉及一种基于FPGA的卷积神经网络架构方法及其人脸识别方法。

背景技术

随着经济技术的发展，智能网络时代已经到来。而人脸识别技术，也已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。

现今的人脸识别技术，往往依靠的是传统的CNN算法，即卷积神经网络算法。传统的CNN算法大多基于通用处理器实现，在实时性和功耗方面都不能满足应用的需求。就目前卷积神经网络应用技术的发展而言，算法本身需要对图片等数据进行卷积运算操作，致使CPU运算速度极慢，资源消耗极高；而这也是限制卷积神经网络发展的一大重要因素。

现阶段出现了各种基于FPGA的卷积神经网络架构的设计，也确实为神经网络的发展解决了一些难题，但是由于各种算法中CNN层数不同，乘加运算量的差异，同时也受制于FPGA内部资源及功耗，对于一些权重位宽较大、个数较多的架构，FPGA并不能满足设计要求。这就要求对算法进行剪枝优化处理：剪枝能使算法的运算量降低，节省FPGA的逻辑消耗；但是，经过剪枝之后的算法在精度方面会降低，影响算法实现的效果。

因此，目前并没有一种能够兼顾性能和资源的基于FPGA的卷积神经网络架构方法。

发明内容

本发明的目的之一在于提供一种能够兼顾性能和资源、可靠性高且适用性好的基于FPGA的卷积神经网络架构方法。

本发明的目的之二在于提供一种包括了所述基于FPGA的卷积神经网络架构方法的人脸识别方法。

本发明提供的这种基于FPGA的卷积神经网络架构方法，包括如下步骤：

S1.系统初始化；

S2.根据crp(卷积神经网络模块)的内部状态启动dma(直接存储器访问模块)，读取ps(programmable system)侧的图像信息；

S3.根据S3FD算法，复用crp模块从而完成conv计算；所述conv为卷积神经网络运算模块；

S4.对crp模块内部的乘加卷积运算进行实现与调度；

S5.对结构帧控模块进行复用；

S6.对结构层孔模块进行复用；

S7.对crp_calc模块进行复用；所述crp_calc模块为卷积神经网络的乘加运算模块。

步骤S1所述的系统初始化，具体包括接收CPU通过APB总线下发的各项数据。

所述的各项数据包括DMA的读写首地址，图像信息、卷积核信息和反量化信息。

步骤S4所述的crp模块，具体包括crp_frame_ctrl模块，crp_layer_ctrl模块和crp_calc模块；crp_frame_ctrl模块用于负责帧控制与调度；crp_layer_ctrl模块用于负责crp层的控制与调度，crp_calc模块用于完成卷积神经网络的乘加运算。