基于FPGA和SVM的圖像處理方法研究.pdf

1、支持向量機（Support Vector Machine，SVM）是一種基于結構風險最小化準則的學習方法，在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，被廣泛作為一種分類和回歸工具應用到函數擬合等機器學習問題中。目前，在理論研究和算法的優(yōu)化方面，國內外學者對支持向量機做了大量的研究工作。與之相比，在求解方法和實際工程應用方面的研究相對較少，并且很多支持向量機的求解方法都是基于軟件實現(xiàn)的，使SVM在嵌入式實際工程應用中受到了很

2、大的限制。
　　近年來，出現(xiàn)了基于遞歸神經網絡的LS-SVM的FPGA串行計算方法，此方法克服了模擬電路環(huán)境下的很多硬件依賴性，提高了SVM的實用性，與已有的并行實現(xiàn)方法相比，具有靈活的串行計算、并行傳輸的特點，在保證計算效率的前提下，可以大幅較少FPGA內部硬件資源的使用。但是，該方法軟件實現(xiàn)是基于Simulink的仿真，具有模塊化思想，功能模塊的函數化思想較弱，在樣本集合數目增大的情況下，不利于軟件仿真，這也導致了其僅能硬件實

3、現(xiàn)簡單數據的分類和回歸應用問題分析。所以對于SVM在圖像處理領域，復雜的、巨大的樣本數據訓練問題，這種設計實現(xiàn)方法受到了較大限制。
　　針對上述的問題，本文研究了基于 FPGA的SVM圖像處理方法研究。在現(xiàn)有的LS-SVM的硬件實現(xiàn)基礎上，給出了基于FPGA和SVM的圖像處理的硬件實現(xiàn)架構，其各功能模塊具有較強的函數化思想。本文通過MATLAB語言編程仿真實現(xiàn)了基于遞歸神經網絡求解LS-SVM串行計算電路結構，并將其應用于圖像分割