我们做的Sobel、Canny边缘检测、中值、均值、高斯滤波，腐蚀膨胀连通运算，以及帧间加减乘除运算等，其实他的合集就是OpenCV玩过OpenCV 小朋友对这些应该非常熟悉，Lib已经帮你封装好了这些功能，你可以直接调用。。OpenCV用于实现基本的计算机视觉，如上图所示，这就是最基本的应用（深度学习我们另说，这个本文说不清楚）。

那么继续发散一下思维，如何设计一个图像加速引擎呢？这部分内容超出了本教程，但是个人觉得还是得简单的讲一讲。对于终端产品（比如IPC相机）而言，采用CPU实现一系列实时的OpenCV算子非常吃力，毕竟ARM不是让你进行图像处理的，但是如果有一个图像处理引擎，计算只需要调用接口读取结果进行流水线操作，那么日子就好过多了，而这个引擎及就实现了很多个图像运算模块——算子，其功能可以用FPGA实现，或者ASIC中RTL实现。典型的海康集成FPGA的相机，或者采用Hisilicon的IPC IC的芯片，就是这样的结构：CPU只负责调用，硬件负责加速运算。

首先我们身边，监控无处不在，我们无时不刻暴漏在网络中，没有隐私的同时当然安全系数提高了一些，那么监控芯片除了Sensor最重要的SOC，就是IPC芯片了。这类芯片曾经的安霸已经被海思干趴下，现在还有君正，升迈，Mstar等，大家都是ARM+图像加速引擎+其他模块的结构。那么我们简单介绍一下海思3516的CV算子——IVE，IPC的只能加速引擎，如下所示：

该引擎主要的算子如下所示，惊奇的发现，几乎所有的算子我竟然都已经玩过一遍了，虽然我到后面才知道这已经不是什么新鲜的事，但至少被大家认可的硬件加速方式，是值得推说的。

事实证明设计一个OpenCV加速引擎并不是什么很难得事情，这只是一个合集，做的好一点可以实现多个算子的Pipeline运算（据说某对手做了）。但有一个完备的功能和优秀的性能，就不是一朝一夕的事，并且最重要的是有能服务客户的强大生态，以及准确的上层应用，比如家用监控中的遮挡检测，入侵检测，以及人脸检测灯等，就对性能有一定的要求。

然后某些熟悉Xilinx Revison观众要High起来了，是不是好熟悉的问题，因为Vivadp的Revision，竟然也集成了这些很多相似但又更多的算子，如下所示。看来采用FPGA或ASIC进行图像计算的加速，是一个大家公认的架构，并且这样的结构已经成熟应用于目前99.9%的IPC相机，机器视觉产品等。

https://www.xilinx.com/products/design-tools/embedded-vision-zone.html#computer

其实本人也在公司设计过IPC芯片，其中的CV算子就是我负责而设计的，当时非常的high，因为90%的算子我在研究生时代就对着冈萨雷斯的《数字图像处理(Matlab版)》实现过了，因此玩的飞起，最终产品遮挡检测、移动侦测、人脸检测就是基于这个CV引擎，用弱鸡的ARM调用实现的。如下所示，一个简单又够玩基本应用的图像加速引擎，Made By CrazyBingo（由于已经在IEEE Paper发表，因此拿出来说没毛病）。

OK，我们继续往大的说，继续往大的说，传统的CV引擎和我们的现在炙手可热的深度学习加速有什么关联呢？其实关系大而去 。传统检测就是个分类，而卷积神经网络也是个分配匹配的问题，只是一个是正向的检测，另一个是通过学习训练来收敛权重，最后通过打分得到结果。下图是经典的lenet字符识别网络，采用一系列卷积运算得到最终的打分结果。

采用FPGA实现深度学习功能这几年玩的很火，通用的架构无非两：PC+FPGA或ARM+FPGA，而在FPGA只做一个工作，那就是乘加运算，通常说的算力也就是频率*乘加数量。。相应的HLS和OPENCL也火起来了，虽然这两个东东在实现性能上还不能跟人工对比，但是可以快速采用高级语言给你综合出RTL，用于验证算法的可行性。

整体思路和我们设计传统CV引擎是类似的，也就是怎么将浮点定点话，然后流水线/并行的思维实现整个网络的运算。想了解更多FPGA深度学习加速引擎的小伙伴，可以看本人《FPGA设计技巧与案例开发详解（第三版）》的FPGA深度学习相关的内容，再此为了销量，不做展开了。

最后，赶紧清醒清醒，下面的章节我们将回归整体，介绍基于CrazyBingo设计的VIP Mini视频图像算法开发板（如下图所示），实现的FPGA图像处理硬件加速功能，加油加油，最后一次更新了！