|
本文通过对OpenCV中图像类型和函数处理方法的介绍，通过设计实例描述在vivadoHLS中调用OpenCV库函数实现图像处理的几个基本步骤，完成从OpenCV设计到RTL转换综合的开发流程。
开源计算机视觉 （OpenC++V） 被广泛用于开发计算机视觉应用，它包含2500多个优化的视频函数的函数库并且专门针对台式机处理器和GPU进行优化。OpenCV的用户成千上万，OpenCV的设计无需修改即可在 Zynq器件的ARM处理器上运行。但是利用OpenCV实现的高清处理经常受外部存储器的限制，尤其是存储带宽会成为性能瓶颈，存储访问也会限制功耗效率。使用VivadoHLS高级语言综合工具，可以轻松实现OpenCV C++视频处理设计到RTL代码的转换，输出硬件加速器或者直接在FPGA上实现实时视频处理功能。同时，Zynq All-programmable SOC是实现嵌入式计算机视觉应用的极好方法，很好解决了在单一处理器上实现视频处理性能低功耗高的限制，Zynq高性能可编程逻辑和嵌入式ARM内核，是一款功耗优化的集成式解决方案。
1、OpenCV中图像IplImage， CvMat， Mat 类型的关系和VivadoHLS中图像hls：：Mat类型介绍
OpenCv中常见的与图像操作有关的数据容器有Mat，cvMat和IplImage，这三种类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高，openCV对Mat类型的计算也进行了优化。而CvMat和IplImage类型更侧重于“图像”，opencv对其中的图像操作（缩放、单通道提取、图像阈值操作等）进行了优化。在opencv2.0之前，opencv是完全用C实现的，但是，IplImage类型与CvMat类型的关系类似于面向对象中的继承关系。实际上，CvMat之上还有一个更抽象的基类----CvArr，这在源代码中会常见。
1.1 OpenCV中Mat类型：矩阵类型（Matrix）。
在openCV中，Mat是一个多维的密集数据数组。可以用来处理向量和矩阵、图像、直方图等等常见的多维数据。
Mat有3个重要的方法： 1、Mat mat = imread（const String* filename）; 读取图像 2、imshow（const string frameName， InputArray mat）; 显示图像 3、imwrite （const string& filename， InputArray img）; 储存图像
Mat类型较CvMat与IplImage类型来说，有更强的矩阵运算能力，支持常见的矩阵运算。在计算密集型的应用当中，将CvMat与IplImage类型转化为Mat类型将大大减少计算时间花费。
1.2 OpenCV中CvMat类型与IplImage类型：“图像”类型
在openCV中，Mat类型与CvMat和IplImage类型都可以代表和显示图像，但是，Mat类型侧重于计算，数学性较高，openCV对Mat类型的计算也进行了优化。而CvMat和IplImage类型更侧重于“图像”，openCV对其中的图像操作（缩放、单通道提取、图像阈值操作等）进行了优化。
补充：IplImage由CvMat派生，而CvMat由CvArr派生即CvArr -》 CvMat -》 IplImage
CvArr用作函数的参数，无论传入的是CvMat或IplImage，内部都是按CvMat处理。
在openCV中，没有向量（vector）的数据结构。任何时候，但我们要表示向量时，用矩阵数据表示即可。
但是，CvMat类型与我们在线性代数课程上学的向量概念相比，更抽象，比如CvMat的元素数据类型并不仅限于基础数据类型，比如，下面创建一个二维数据矩阵：
CvMat* cvCreatMat（int rows ，int cols ， int type）;
这里的type可以是任意的预定义数据类型，比如RGB或者别的多通道数据。这样我们便可以在一个CvMat矩阵上表示丰富多彩的图像了。
1.3 OpenCV中IplImage类型
在OpenCV类型关系上，我们可以说IplImage类型继承自CvMat类型，当然还包括其他的变量将之解析成图像数据。
IplImage类型较之CvMat多了很多参数，比如depth和nChannels。在普通的矩阵类型当中，通常深度和通道数被同时表示，如用32位表示RGB+Alpha.但是，在图像处理中，我们往往将深度与通道数分开处理，这样做是OpenCV对图像表示的一种优化方案。
IplImage的对图像的另一种优化是变量origin----原点。在计算机视觉处理上，一个重要的不便是对原点的定义不清楚，图像来源，编码格式，甚至操作系统都会对原地的选取产生影响。为了弥补这一点，openCV允许用户定义自己的原点设置。取值0表示原点位于图片左上角，1表示左下角。
1.4 VivadoHLS中图像数据类型hls：：Mat《》
VivadoHLS视频处理函数库使用hls：：Mat《》数据类型，这种类型用于模型化视频像素流处理，实质等同于hls：：steam《》流的类型，而不是OpenCV中在外部memory中存储的matrix矩阵类型。因此，在HLS实现OpenCV的设计中，需要将输入和输出HLS可综合的视频设计接口，修改为Video stream接口，也就是采用HLS提供的video接口可综合函数，实现AXI4 video stream到VivadoHLS中hls：：Mat《》类型的转换。
2、使用VivadoHLS实现OpenCV到RTL代码转换的流程
2.1 OpenCV设计中的权衡
OpenCV图像处理是基于存储器帧缓存而构建的，它总是假设视频frame数据存放在外部DDR 存储器中，因此，OpenCV对于访问局部图像性能较差，因为处理器的小容量高速缓存性能不足以完成这个任务。而且出于性能考虑，基于OpenCV设计的架构比较复杂，功耗更高。在对分辨率或帧速率要求低，或者在更大的图像中对需要的特征或区域进行处理是，OpenCV似乎足以满足很多应用的要求，但对于高分辨率高帧率实时处理的场景下，OpenCV很难满足高性能和低功耗的需求。
基于视频流的架构能提供高性能和低功耗，链条化的图像处理函数能减少外部存储器访问，针对视频优化的行缓存和窗口缓存比处理器高速缓存更简单，更易于用FPGA部件，使用VivadoHLS中的数据流优化来实现。
VivadoHLS对OpenCV的支持，不是指可以将OpenCV的函数库直接综合成RTL代码，而是需要将代码转换为可综合的代码，这些可综合的视频库称为HLS视频库，由VivadoHLS提供。
OpenCV函数不能直接通过HLS进行综合，因为OpenCV函数一般都包含动态的内存分配、浮点以及假设图像在外部存储器中存放或者修改。
VivadoHLS视频库用于替换很多基本的 OpenCV函数，它与OpenCV具有相似的接口和算法，主要针对在FPGA架构中实现的图像处理函数，包含了专门面向FPGA的优化，比如定点运算而非浮点运算（不必精确到比特位），片上的行缓存（line buffer）和窗口缓存（window buffer）。
2.2 VivadoHLS实现OpenCV设计流程介绍
使用VivadoHLS实现OpenCV的开发，主要的三个步骤如下：
在计算机上开发OpenCV应用，由于是开源的设计，采用C++的编译器对其进行编译，仿真和debug，最后产生可执行文件。这些设计无需修改即可在 ARM内核上运行OpenCV应用。
运行HLS生成RTL代码，在vivadoHLS工程中启动co-sim，重用openCV的测试激励验证产生的RTL代码。在ISE或者Vivado开发环境中做RTL的集成和SOC/FPGA实现。
2.2.1 VivadoHLS视频库函数
HLS视频库是包含在hls命名空间内的C++代码。#include “hls_video.h” 与OpenCV等具有相似的接口和等效的行为，例如： OpenCV库：cvScale（src， dst， scale， shift）; HLS视频库：hls：cale《。。。》（src， dst， scale， shift）; 一些构造函数具有类似的或替代性的模板参数，例如： OpenCV库：cv：：Mat mat（rows， cols， CV_8UC3）; HLS视频库：hls：：Mat mat（rows， cols）; ROWS和COLS指定处理的最大图像尺寸 表2.2.1 VivadoHLS视频处理函数库
2.2.2 VivadHLS实现OpenCV设计的局限性
首先，必须用HLS视频库函数代替OpenCV调用。
其次，不支持OpenCV通过指针访问帧缓存，可以在HLS中使用VDMA和 AXI Stream adpater函数代替。
再者，不支持OpenCV的随机访问。HLS对于读取超过一次的数据必须进行复制，更多的例子可以参见见hls：uplicate（）函数。
最后，不支持OpenCVS的In-place更新，比如 cvRectangle （img， point1， point2）。
下面表格2.2.2列举了OpenCV中随机访问一帧图像处理对应HLS视频库的实现方法。
OpenCVHLS视频库 读操作pix = cv_mat.at（i，j） pix = cvGet2D（cv_img，i，j）hls_img 》》 pix 写操作cv_mat.at（i，j） = pix cvSet2D（cv_img，i，j，pix）hls_img 《《 pix
表 2.2.2 OpenCV和HLS中对一帧图像像素访问对应方法
2.3 用HLS实现OpenCV应用的实例（快速角点滤波器image_filter）
我们通过快速角点的例子，说明通常用VivadoHLS实现OpenCV的流程。首先，开发基于OpenCV的快速角点算法设计，并使用基于OpenCV的测试激励仿真验证这个算法。接着，建立基于视频数据流链的OpenCV处理算法，改写前面直觉的OpenCV的通常设计，这样的改写是为了与HLS视频库处理机制相同，方便后面步骤的函数替换。最后，将改写的OpenCV设计中的函数，替换为HLS提供的相应功能的视频函数，并用VivadoHLS综合，最后在Xilinx开发环境下实现。当然，这些可综合代码也可在处理器或ARM上运行。
2.3.1 设计基于OpenCV的视频滤波器设计和测试激励
在这个例子中，首先设计开发完全调用OpenCV库函数的快速角点滤波器设计opencv_image_filter.cpp和这个滤波器的测试激励opencv_image_filter_tb.cpp，测试激励用于仿真验证opencv_image_filter算法功能。算法和测试激励设计代码如下：
void opencv_image_filter（IplImage* src， IplImage* dst） { IplImage* gray = cvCreateImage（ cvGetSize（src）， 8， 1 ）; std：：vector keypoints; cv：：Mat gray_mat（gray，0）; cvCvtColor（ src， gray， CV_BGR2GRAY ）; cv：：FAST（ gray_mat， keypoints， 20， true）; cvCopy（ src，dst）; for （int i=0;i { cvRectangle（dst， cvPoint（keypoints［i］.pt.x-1，keypoints［i］.pt.y-1）， cvPoint（keypoints［i］.pt.x+1，keypoints［i］.pt.y+1）， cvScalar（255，0，0），CV_FILLED）; } cvReleaseImage（ &gray ）; }
例子2.3.1.1 通常的OpenCV视频处理代码opencv_image_filter.cpp
int main （int argc， char** argv） { IplImage* src=cvLoadImage（INPUT_IMAGE）; IplImage* dst = cvCreateImage（cvGetSize（src）， src-》depth， src-》nChannels）; opencv_image_filter（src， dst）; cvSaveImage（OUTPUT_IMAGE_GOLDEN， dst）; cvReleaseImage（&src）; cvReleaseImage（&dst）; return 0; }
例子2.3.1.2 OpenCV视频处理测试激励代码opencv_image_filter_tb.cpp
上面的例子是直接调用OpenCV在处理器上软件应用实现的例子，可以看到在算法设计中直接调用opencV库函数，测试激励读入图像，经过滤波器处理输出的图像保存分析。可以看到，算法的处理基于IPIimage类型，输入和输出图像都使用此类型。
2.3.2 使用IO函数和Vivado HLS视频库替换OpenCV函数库
需要特别说明的是，xilinx通常使用的视频处理模块都是基于axi4 streaming协议进行不同模式见像素数据的交互，也就是我们所说的AXI4 video接口协议格式。为了和xilinx视频库接口协议统一，VivadoHLS提供了视频接口函数库，用于从OpenCV程序中抽取需要进行RTL综合转换的顶层函数，并把这些可综合的代码和OpenCV不可综合转换的代码进行隔离。然后，对需要综合转换为RTL代码的OpenCV函数，用xilinx VivadoHLS提供相应功能的可综合video函数进行替换。最后在C/C++编译环境下仿真验证OpenCV代码和替换video函数后功能的一致，并在VivadoHLS开发环境中做代码综合和产生RTL代码的co-sim混合仿真验证。
VivadoHLS可综合的视频接口函数： Hls：：AXIvideo2Mat 转换AXI4 video stream到hls：：Mat表示格式 Hls：：Mat2AXIvideo 转换hls：：Mat数据格式到AXI4 video stream
首先，我们对2.3.1中OpenCV的设计进行改写，改写的代码还是完全基于OpenCV的函数，目的是为了对视频的处理机制基于视频流的方式，与VivadoHLS视频库提供函数的处理机制一致。下面是OpenCV设计的另一种写法：
void opencv_image_filter（IplImage* src， IplImage* dst） { IplImage* gray = cvCreateImage（ cvGetSize（src）， 8， 1 ）; IplImage* mask = cvCreateImage（ cvGetSize（src）， 8， 1 ）; IplImage* dmask = cvCreateImage（ cvGetSize（src）， 8， 1 ）; std：：vector keypoints; cv：：Mat gray_mat（gray，0）; cvCvtColor（src， gray， CV_BGR2GRAY ）; cv：：FAST（gray_mat， keypoints， 20， true）; GenMask（mask， keypoints）; cvDilate（mask，dmask）; cvCopy（src，dst）; PrintMask（dst，dmask，cvScalar（255，0，0））; cvReleaseImage（ &mask ）; cvReleaseImage（ &dmask ）; cvReleaseImage（ &gray ）; }
例子2.3.2.1另一种OpenCV设计应用opencv_image_filter.cpp
其次，使用Vivado HLS视频库替代标准OpenCV函数，并使用可综合的视频接口函数，采用video stream的方式交互视频数据。用于FPGA的硬件可综合模块由VivadoHLS视频库函数与接口组成，我们用hls命名空间中的相似函数代替OpenCV函数，增加接口函数构建AXI4 stream类型的接口。
void image_filter（AXI_STREAM& input， AXI_STREAM& output， int rows， int cols） { //Create AXI streaming interfaces for the core #pragma HLS RESOURCE variable=input core=AXIS metadata=“-bus_bundle INPUT_STREAM” #pragma HLS RESOURCE variable=output core=AXIS metadata=“-bus_bundle OUTPUT_STREAM” #pragma HLS RESOURCE core=AXI_SLAVE variable=rows metadata=“-bus_bundle CONTROL_BUS” #pragma HLS RESOURCE core=AXI_SLAVE variable=cols metadata=“-bus_bundle CONTROL_BUS” #pragma HLS RESOURCE core=AXI_SLAVE variable=return metadata=“-bus_bundle CONTROL_BUS” #pragma HLS interface ap_stable port=rows #pragma HLS interface ap_stable port=cols hls：：Mat _src（rows，cols）; hls：：Mat _dst（rows，cols）; #pragma HLS dataflow hls：：AXIvideo2Mat（input， _src）; hls：：Mat src0（rows，cols）; hls：：Mat src1（rows，cols）; #pragma HLS stream depth=20000 variable=src1.data_stream hls：：Mat mask（rows，cols）; hls：：Mat dmask（rows，cols）; hls：calar《3，unsigned char》 color（255，0，0）; hls：uplicate（_src，src0，src1）; hls：：Mat gray（rows，cols）; hls：：CvtColor（src0，gray）; hls：：FASTX（gray，mask，20，true）; hls：ilate（mask，dmask）; hls：aintMask（src1，dmask，_dst，color）; hls：：Mat2AXIvideo（_dst， output）; }
例子2.3.2.2 采用VivadoHLS视频库替换后可综合的设计opencv_image_filter.cpp
最后，在vivadoHLS开发环境下综合例子2.3.2.2的设计，产生RTL代码并重用OpenCV的测试激励验证RTL代码功能。
3、VHLS实现OpenCV设计流程总结
通过上面章节介绍以及在vivadoHLS工具中实现opencV设计的例子可以看出，OpenCV函数可实现计算机视觉算法的快速原型设计，并使用VivadoHLS工具转换为RTL代码在FPGA或者Zynq SOC上实现高分辨率高帧率的实时视频处理。计算机视觉应用与生俱来的异构特性，使其需要软硬件相结合的实现方案。Vivado HLS视频库能加快OpenCV函数向FPGA可编程架构的映射。
| 
0
/6 
工商网监
湘ICP备2023018690号
4667
淘帖
