基于Robei EDA工具与FPGA的倒车预警系统设计

2021-06-28 12:23路家琪王金岑徐彰张国亮

电子测试 2021年2期

路家琪，王金岑，徐彰，张国亮

(1.南京信息工程大学电子与信息工程学院,江苏南京，210044；2.南京信息工程大学人工智能学院,江苏南京，210044）

0 引言

根据调查显示，由于汽车倒车所引发的事故占据交通事故的很大比例。因此，汽车的安全也成为亟待解决的问题，对汽车倒车预警技术的研究,具有重要意义。

文献[1-4]以单片机为核心操控红外、超声波等传感器实现倒车预警。但是，其存在系统运行速度较慢、外围电路复杂，不能达到快速反应的效果。而如今大规模可编程逻辑器件的发展，为快速准确的完成倒车预警提供硬件基础。如文献[5]，采用FPGA作为核心，控制芯片对信号进行解析处理，将超声波模块与倒车影像相结合，具有实时性强、精确度高的优点。但没有在图像处理方面加入算法增强倒车预警的效果。

本文设计并制作了一种基于Robei EDA工具以及FPGA的倒车预警系统，可以在实时监控的基础上对人体进行识别追踪，并可以监测后方障碍物的距离和方位信息，且具有预警功能。此外，系统还可以对车内环境参数进行测量并将数据传输至上位机。系统具有误差小、实时性高、可靠性高等优点。

1 Robei EDA工具

Robei EDA软件是一种由青岛若贝公司开发、全新的面向对象的可视化芯片设计软件，可以支持基于Verilog语言的集成电路前端设计与验证。Robei EDA工具具备可视化架构设计、核心算法编程、自动代码生成、语法检查、编译仿真与波形查看等功能。设计完成后可以自动生成Verilog代码，可以应用于FPGA和ASIC设计流程。可视化分层设计架构可以让工程师边搭建边编程，具备例化直观、减少错误、节约代码量等优势。不同于软件编程的抽象，Robei EDA工具将芯片设计变得简单直观，可以极大地降低学习芯片设计的入门门槛，加速设计过程。

2 架构设计

系统的整体架构分为七个部分，即FPGA 主控、摄像头模块、LCD显示屏、舵机云台、超声波模块、环境参数传感器、蓝牙与WiFi上位机系统。系统总体结构框图与结构示意图如下。

图1 Robei设计实例图

图2 系统总体结构框图

摄像头模块搭载在电机云台上，通过摄像头接口电路与FPGA主控相连，FPGA主控同时连接LCD屏幕，超声波模块、环境参数传感器、北斗定位模块通过传感器接口电路连接至FPGA主控。

工作时，系统由FPGA作为主控，通过摄像头驱动电路驱动摄像头对周围环境进行实时检测，同时通过SDRAM控制器控制SDRAM工作，将监测到的图像存入SDRAM，并通过LCD驱动器使图像实时显示在LCD屏幕上，系统同时通过人体检测算法将人体在屏幕上进行框选显示。

图3 系统实物图

系统采用二自由度云台结构，通过舵机云台驱动电路驱动舵机工作，可人为改变摄像头的检测区域，实现360°的图像采集。此外系统还通过传感器驱动电路驱动超声波模块检测后方的距离，并将距离显示在LCD屏幕上，若距离小于所设阈值将通过蜂鸣器发出警报。

此外传感器驱动电路驱动环境参数传感器，实时探测车环境参数并通过蓝牙与WiFi将环境参数信息传输至手机APP与上位机。

3 软件实现

本系统在算法上采用了人体识别算法，滤波算法和除法优化算法。

3.1 人体识别算法

采用识别肤色的方法来检测人体位置，将从SDRAM读出的像素信息进行处理后检测人体的肤色，主要流程图如下。

图4 人体识别流程图

3.1.1 灰度转换

首先团队需要把肤色从外界环境提取出来，在肤色识别算法中，常用的颜色空间为YCbCr，Y代表亮度，Cb代表蓝色分量，Cr代表红色分量。肤色在YCbCr空间受亮度信息的影响较小，本算法直接考虑YCbCr空间的CbCr分量，映射为两维独立分布的CbCr空间。在CbCr空间下，肤色类聚性好，利用人工阈值法将肤色与非肤色区域分开，形成二值图像。

从SDRAM中读出的颜色格式是RGB565格式，团队需要先把RGB565改成RGB888格式，再把RGN888格式改成YCbCr格式，两种格式的转换公式如下:

通过上述运算，将颜色格式转化为了YCbCr格式，经过数据分析，肤色的分量处于下范围：77

图5 灰度与二值化图像

这样经过以上处理后就可以得到了二值化图像（上右图），在人体位置为白色，其他位置为黑色。

3.1.2 中值滤波

中值滤波对于某些类型的随机噪声具有理想的降噪能力，比较适合于实验中的图像滤波。中值滤波的一种典型应用是消除椒盐噪声。

传统的排序法较为耗费资源，这里采用快速中值排序。

图6 中值滤波原理图

3.1.3 高斯滤波

在进行数学仿真或者误差评估时，往往认为传感器所引入的噪声服从正态分布（高斯白噪声），这个时候用高斯滤波器就可以很好地消除高斯噪声。高斯模板名字的由来是二维高斯函数，即我们熟悉的二维正态分布密度函数，如下所示：

高斯滤波后图像被平滑的程度取决于标准差。它的输出是临域像素的加权平均，同时离中心越近的像素权重越高。因此，高斯滤波比均值滤波的平滑效果更柔和，而且边缘保留的也更好。高斯滤波算法克服了边界效应，因而滤波后的图像较好。高斯滤波的平滑力度不如均值滤波，因此其保留细节的能力也比均值滤波好。

图7 滤波效果示意图

3.1.4 开运算

腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。下图为以3×3矩阵实现腐蚀腐蚀之后的图像在进行膨胀，就是开运算。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。开运算可以使细小的沟道断开，将狭窄的白线断开，消除白点。图为以3×3矩阵实现膨胀。

图8 腐蚀原理图

图9 膨胀原理图

图10 腐蚀效果图

图11 人体识别算法效果图

3.2 距离滤波算法

在对超声波传回的数据进行显示之前需要对数据进行滤波处理，去除会干扰测试结果的错误数值，使处理后的数值更为准确。故设计距离滤波算法，该算法分为排序与滤波两个部分。

3.2.1 排序部分

在滤波中需要对数据进行排序，传统的冒泡排序法等耗费的时间较长，且串行的设计思想不能发挥FPGA的优势，于是选择了并行排序法。

一组数据,先进行两两之间的比较,每两个数比较都会得到一个比较结果。可以根据两数的大小定义输出排序结果0或1。对这些比较结果进行累加计算,即可得到该数在序列中的排序值。由于所有数的两两之间的比较都在硬件内同时进行,只需一个时钟的时间，即可得到比较结果,再加上比较结果的和加等计算时间,几个时钟周期,就实现了数字序列的排序。

第一个周期将所有数进行比较，对每个数的比较结果赋值。对于一个序列中的数，将它与其他所有数进行比较，若该数小于另一个数，记一次0分，若该数大于等于其他数，如果这个数在另一个数之后，大于和等于都记一次1分；如果在另一个数之前，大于得1分，等于记0分。

第二个周期将每个数的积分累加。

第三个周期将每个数按照积分重新赋值给新的数组。

该排序方法理论上可以在三个周期内完成排序上任意多个数的排序，具有高速的优点。

3.2.2 滤波部分

滤波部分程序算法主要步骤是：1)采集6个点。2)对6个点小到大排序。3)相邻值两两做差，并比较。4)记录下最差后最大值的那对数所在的位置。5)如果该位置位于所有数的前半部分，则取该位置后半部分数，反之，取前半部分数。并作为有效值。6)取有效值的平均值为最后值。

算法思想是，利用少数遵循多数原则，主要为了将采集的多个数据分成两波，将相邻两个数之差的最大那个作为两拨数的分界点。经过分析，传感器出现较大偏差一般是在相邻的数据内，以差最大的两个数进行分界点，进行简单的滤波处理。