В управляющих системах в качестве центрального вычислительного узла все чаще применяются ПЛИС-системы. Однако высокие комбинационные задержки логических схем на гибкой логике и низкая максимальная тактовая частота ПЛИС-систем ограничивают их применение. В работе предложен оригинальный алгоритм выделения признаков изображения - ключевых (реперных) точек, которые могут быть использованы для поиска объекта в кадре по заданному эталону. Ключевые точки определены для участков изображения, которые подвергаются аффинным преобразованиям, т.е. вращению и масштабированию. Применение ПЛИС-систем обусловлено необходимостью использования предложенных алгоритмов во встраиваемых системах с разрешением камер 640×480 пикселей при скорости 25 кадров в секунду. В работе проведен анализ скорости обработки кадра алгоритмами, реализованными на других платформах. Приведены количественные характеристики ресурсов на примере семейства ПЛИС Spartan-6 фирмы Xilinx, качество которых оценивалось тестированием. Разработанный алгоритм характеризуется устойчивостью, инвариантностью, стабильностью, и его аппаратная реализация имеет сравнимую скорость выполнения по отношению к самым быстрым алгоритмам подобного класса. За счет малого количества потребляемых ресурсов ПЛИС имеется возможность масштабирования и повышения производительности.
1. Lee K., Byun K. A hardware design of optimized orb algorithm with reduced hardware cost // Advanced Science and Technology Letters. – 2013. – No. 43. – P. 58–62.
2. Колдаев В.Д., Гагарина Л.Г., Теплова Я.О. Методологические аспекты сшивания кадров аэрофотоснимков // Информатизация и связь. – 2017. – №4. – С. 26–29.
3. Altwaijry H., Veit A., Belongie S. Learning to detect and match keypoints with deep ar-chitectures // British Machine Vision Conference (BMVC 2016). – 2016. – 124 p.
4. Сакович И.О., Белов Ю.С. Обзор основных методов контурного анализа для выде-ления контуров движущихся объектов // Инженерный журнал: наука и инновации. – 2014. – Вып. 12. – С. 1–8.
5. Rublee E., Rabaud V., Konolige K. ORB: An efficient alternative to SIFT or SURF // Computer Vision and 2011 IEEE International Conference. – 2011. – Nov. – P. 2564–2571.
6. Ramakrishna M., Shylaja S. Is ORB efficient over surf for object recognition? // Interna-tional J. of Advanced Research in Science Engineering and Technology. – 2014. – Vol.3. – No. 8. – P. 2783–2788.
7. Tuytelaars T., Mikolajczyk K. Local invariant feature detectors: A survey // Foundations and trends in computer graphics and vision. – 2007. – No. 3(3). – P. 177–280.