在圖3中，粗箭頭表示圖像數據流的路徑，細箭頭表示控制信號的方向。圖3所示的陰影部分為可裁剪系統(PS)，白色區域為可編程邏輯(PL)。由于Vivado HLS不支持指針訪問幀緩存，需要用AXI VDMA來訪問幀數據。

視頻流經過HDMI輸入到視頻輸入控制器，數據流通過AXI互聯總線存入到DDR3存儲器中，Cortex-A9通過AXI互聯總線控制AXI VDMA和邊緣檢測IP去存取圖像數據，處理完的數據緩存到DDR3，最后 Cortex-A9將處理好的數據輸出到視頻顯示控制器。硬件加速是將Cortex-A9處理的運算轉移到PL去完成，這樣會減少處理器的負載。

3.2 HLS模塊優化

Vivado HLS有兩種優化方式，一種是在Directive控制欄設置優化變量和參數，另一種方法是在代碼中使用#pragma命令來定義變量實現類型和結構。根據系統的需求對邊緣檢測進行串行和并行實現策略。

3.2.1 串行實現方案

串行實現是保持軟件代碼的順序執行結構，邊緣檢測模塊按照順序串行執行。當硬件電路工作在100 MHz頻率時，處理像素為(1 080×1 092)的圖像速率為0.7幀/s。通過表1可知Sobel子模塊消耗了1 142 ms，導致了整個邊緣檢測功能塊的速率降低。當邊緣檢測IP的數據的寬度為16 bit、像素深度為8 bit時，邊緣檢測的處理速率為825.5 KB/s。

3.2.2 并行實現方案

并行實現是將for循環打平、替換數組和增加流水線操作來實現并行執行。與串行實現對比可知，在速率方面提高68.5倍左右，在100 MHz的頻率下，處理像素為(1 080×1 092)的圖像速率為48幀/s。當邊緣檢測IP的數據的寬度為16 bit、像素深度為8 bit時，邊緣檢測的處理速率為56 609.28 KB/s。

通過以上兩種實現可知，并行比串行實現的處理速率速度提高了68.5倍左右，與處理時間相對應的數據吞吐率也提高了68.5倍。當數據帶寬不滿足要求時，可以通過修改軟件代碼中變量的位寬來增加IP數據端口的寬度，從而提高數據吞吐量。

硬件電路所使用的資源往往也是算法考慮的因素之一。表2是兩種實現策略所需要的硬件資源。

在資源使用方面，并行比串行實現所使用的資源多，占整個芯片的資源分別為BRAM_18K為10%，DSP48E為0，FF為3%，LUT為10%。可知資源滿足設計要求。

4 結果分析

通過三組公路真實場景來驗證本文邊緣檢測的效果。第一組是在白天拍攝的公路場景，見圖4，圖4(a)為輸入的原始圖像，圖4(b)為OpenCV邊緣檢測的結果，圖4(c)為硬件加速邊緣檢測結果。第二組是在晚間拍攝的公路場景（曝光效果差），見圖5，圖5(a)為輸入的原始圖像，圖5(b)為OpenCV邊緣檢測的結果，圖5(c)為硬件加速邊緣檢測結果。第三組是在晚間拍攝的公路場景，見圖6，圖6(a)為輸入的原始圖像，圖6(b)為OpenCV邊緣檢測的結果，圖6(c)為硬件加速邊緣檢測結果。

?

?

對圖4、圖5和圖6從橫縱兩個角度來分析硬件加速邊緣檢測的效果。橫向分析，與OpenCV邊緣檢測結果比較可知，硬件加速方案輸出邊緣圖像線條更加的明顯，在圖5曝光效果差的情況下OpenCV存在邊緣漏檢測的情形，而硬件加速方案則不存在漏檢的情況；縱向分析，在白天拍攝的場景邊緣檢測的結果要比晚上輸出的效果好些，在晚上拍攝的場景曝光好的邊緣檢測效果要比曝光差輸出的效果好。

對三組場景下的硬件加速邊緣檢測效果分析可知，硬件加速邊緣檢測明效果顯優于OpenCV邊緣檢測，同時在相機曝光效果差或者外界環境復雜的情況下，硬件加速邊緣檢測都能進行有效邊緣檢測。

5 結論

針對傳統OpenCV圖像處理存在延時長和數據帶寬受限的缺點，采用硬件加速可以彌此不足。采用Vivado HLS在軟件應用的基礎上進一步實現硬件電路設計，大大縮短了系統的開發周期。本文不僅提出邊緣檢測的硬件加速方案，同時提出了在數據處理量大和處理速度快的應用中可以通過軟硬件結合來提供系統設計的方案。