计算机视觉应用之OpenCV基础教程

从工业检测系统到自动驾驶系统，计算机视觉是一个包括许多有趣应用的广泛领域。许多这样的系统在原型和实现阶段都要用到开源计算机视觉 (Open Source Computer Vision Library，OpenCV)。OpenCV优化了许多功能函数，并在实时的计算机视觉程序中得到应用。但是，由于嵌入式优化策略得天独厚的优势，仍然值得大家尝试利用逻辑硬件来加速OpenCV的性能。

目前，OpenCV被广泛用于开发计算机视觉应用中。OpenCV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图形处理器（Graphic Processing Unit，GPU）进行优化。

Xilinx提供的Vivado HLS高层次综合工具能够通过C/C++ 编写的代码直接创建RTL硬件，显著提高设计效率；同时，Xilinx Zynq全可编程SOC系列器件嵌入双核ARM Cortex-A9处理器将软件可编程能力与FPGA的硬件可编程能力实现完美结合，以低功耗和低成本等系统优势实现单芯片无以伦比的系统性能、灵活性、可扩展性，加速图形处理产品设计上市时间。OpenCV拥有成千上万的用户，而且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，存储访问也限制了功耗效率。通过Xilinx公司提供的Vivado HLS高级语言综合工具，设计者可以轻松实现OpenCV C++视频处理设计到RTL代码的转换，将其转换为可以在Zynq实现的硬件加速器或者在FPGA上实现的实时硬件视频处理单元。

如图15.83所示，OpenCV在视频处理系统中可以有不同的应用方式。在图15.83(a)中，算法的设计和实现完全依赖于OpenCV的函数调用，利用文件的访问功能进行图片的输入、输出和处理；在图15.83(b)中，算法可以在嵌入式系统（例如Zynq Base TRD）中实现，利用特定平台的函数调用访问输入输出图像，但是，视频处理的实现依赖于嵌入式系统中处理器（例如Cortex™-A9）对OpenCV功能函数的调用；在图15.83(c）中，处理算法的OpenCV功能函数被Xilinx Vivado HLS视频库函数替换，而OpenCV函数则用于访问输入和输出图像，提供视频处理算法实现的设计原型。Vivado HLS提供的视频库函数可以被综合，在对这些函数综合后，可以将处理程序模块整合到诸如Zynq的可编程逻辑中。这样，这些程序逻辑块就可以处理由处理器生产的视频流、从文件中读取的数据、外部输入的实时视频流。

图15.83 OpenCV应用的不同方式

Vivado HLS包含大量的视频库函数，方便于构建各种各样的视频处理程序。通过可综合的C++代码，实现这些视频库函数。在视频处理功能和数据结构方面，这些综合后的代码与OpenCV基本对应。许多视频概念与抽象和OpenCV非常相似，很多图像处理模块函数和OpenCV库函数一致。

例如，OpenCV中用于代表图片的很重要的一个类便是cv::Mat类，cv::Mat对象定义如下：
cv::Mat image(1080, 1920, CV_8UC3);

该行代码声明了一个1080&TImes;1920像素，每一个像素都是由3个8位无符号数表示的变量image。对应的HLS视频库模板类hls::Mat<>声明如下：
hls::Mat<2047, 2047, HLS_8UC3> image(1080, 1920);

这两行代码的参数形式、图像尺寸最大值、语法规则不同，生成的对象是相似的。如果图像规定的最大尺寸和图像的实际尺寸相同的话，也可以用下面的代码替代：
hls::Mat<1080, 1920, HLS_8UC3> image( );

表15.14给出了一个简单的图像转换函数应用对比（功能实现dst=src*2.0+0.0）。

表15.15和表15.16给出了OpenCV和HLS视频库的核心结构和HLS视频库。

通过AXI4流协议，Xilinx提供的视频处理模块实现像素数据通信。尽管底层AXI4流媒体协议不需要限制图片尺寸，但是，若图片尺寸相同，则将会大大简化大部分的复杂视频处理计算。对于遵循AXI4流协议的输入接口，可以保证每一帧都包含ROWS * COLS的像素。在保证前面视频帧保持完整性和矩形性的情况下，后续模块实现对视频帧有效地处理。

如表15.17所示，Vivado HLS包含2个可综合的视频接口转换函数。