Sn_Mn的博客

最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的，是一种自适合于双峰情况的自动求取阈值的方法，又叫大津法，简称OTSU。它是按图像的灰度特性，将图像分成背景和目标2部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。该模块的代码参考了FPGA图像处理_OTSU算法的实现（含源码）_fpga 实现otsu-优快云博客。

前几个文章我们讲解了关于FPGA实现卷积神经网络的相关细节，因此现在我们需要解决毕设系统的前级处理问题，也就是图像预处理部分，在这里我遇到了一个棘手的问题：我们再进行神经网络识别的时候，输入图像的大小是固定的，因此在摄像头捕获的图像当中的框也是一定的，也就是说在识别过程中，物体距离图像过近或者是过远都会造成输入图像大小的变化，因此只能限制物体与摄像头之间的距离，但是遇到体积相对大的物体便又要调整距离，这无非造成应用过程中的麻烦，因此使用自适应窗口是很有必要的。

在上一篇中提到了在FPGA中实现网络，因为网络过于臃肿而难以综合，因此随后通过资料的查阅发现参数量化这一技术能够大大降低网络的复杂度。但在我调研过程中，我发现网络上关于参数量化的FPGA实现资料太少，因此我打算将这一过程记录下来，希望能够通过这篇博客与大家分享这一技术的实现过程以及我的一些心得。

上一篇文章解决了MATLAB在训练CNN网络时遇到的问题，现在要将网络搬到FPGA中去实现，这篇文章主要介绍该网络在FPGA中的实现方式，供大家学习，后续也会将该项目开源出来。但是该项目只设计了卷积核以及激活函数，因为在后续开发的过程中发现，使用传统的CNN网络在综合时会消耗很多资源，因此后续会考虑更换更加轻量级的Mobilenet V2网络。卷积神经网络（Convolutional Neural Network, CNN）是深度学习中的一种经典模型，特别适用于处理图像、语音和视频等数据。

该项目使用的是两个卷积核以及两个池化层，激活函数使用sigmoid函数，项目中包含很多训练方法，我只选择了最传统的方法——梯度下降法，因此我将该方法套入自己的网络，在池化层后面加两层全连接层（项目中只有一层），但是修改后发现每一次迭代后的准确率只有10%左右，查看结果后发现神经网络预测的数值都相等，这非常让人匪夷所思。