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(jié)構(gòu)風(fēng)險最小化準則的學(xué)習(xí)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(yīng)用到函數(shù)擬合等機器學(xué)習(xí)問題中。目前，在理論研究和算法的優(yōu)化方面，國內(nèi)外學(xué)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(yīng)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(yīng)用中受到了很

2、大的限制。
　　近年來，出現(xiàn)了基于遞歸神經(jīng)網(wǎng)絡(luò)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?shù)奶攸c，在保證計算效率的前提下，可以大幅較少FPGA內(nèi)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(shù)化思想較弱，在樣本集合數(shù)目增大的情況下，不利于軟件仿真，這也導(dǎo)致了其僅能硬件實

3、現(xiàn)簡單數(shù)據(jù)的分類和回歸應(yīng)用問題分析。所以對于SVM在圖像處理領(lǐng)域，復(fù)雜的、巨大的樣本數(shù)據(jù)訓(xùn)練問題，這種設(shè)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(chǔ)上，給出了基于FPGA和SVM的圖像處理的硬件實現(xiàn)架構(gòu)，其各功能模塊具有較強的函數(shù)化思想。本文通過MATLAB語言編程仿真實現(xiàn)了基于遞歸神經(jīng)網(wǎng)絡(luò)求解LS-SVM串行計算電路結(jié)構(gòu)，并將其應(yīng)用于圖像分割