基于FPGA的人体行为识别系统的设计

作者：吴宇航; 何军

来源：南京信息工程大学学报(自然科学版), 2021, 1-13.

• 人体行为识别（HAR）
• 边缘端
• 可穿戴传感器
• 卷积神经网络（CNN）
• 现场可编程门阵列（FPGA）
• 硬件加速

为实现边缘端人体行为识别需满足低功耗、低延时的目标，本文设计了一种以卷积神经网络（CNN）为基础、基于可穿戴传感器的快速识别系统。首先通过传感器采集数据，制作人体行为识别数据集，在PC端预训练基于CNN的行为识别模型，在测试集达到93.61%的准确率。然后，通过数据定点化、卷积核复用、并行处理数据和流水线等方法实现硬件加速。最后在FPGA上部署识别模型，并将采集到的传感器数据输入到系统中，实现边缘端的人体行为识别。整个系统基于Ultra96-V2进行软硬件联合开发，实验结果表明，输入时钟为200 M的情况下，系统在FPGA上运行准确率达到91.80%的同时，识别速度高于CPU，功耗仅为CPU的1/10，能耗比相对于GPU提升了91%，达到了低功耗、低延时的设计要求。

• 单位
  南京信息工程大学