近些年来,随着科学技术的飞速发展,人工智能的热度越来越高,其中人们对物体识别领域的关注度也越来越高,特别是在动态识别的需求越来越多,实时性成为识别技术追求的一个重要的特性。当前出现了各式各样的识别算法,在精确度和速度等方面也有了很大的提升,被广泛应用在嵌入式处理系统上实现物体识别,但在实时性方面仍有不足之处。所以研究一套动态物体实时识别系统具有很高的研究意义和商业价值,在智能监控、车辆识别、人脸识别等等领域都有广泛的应用价值。针对实时性,本文基于现场可编程门阵列(Field Programmable Gate Array,FPGA)硬件平台设计了一个动态物体识别系统。为了实现物体的动态实时识别,本文对识别算法进行了研究,最后选用了结构简单、速度更快的YOLO v2-tiny网络,采用Verilog硬件描述语言在FPGA上进行硬件加速的设计、仿真与验证。FPGA作为开发平台,具有体积小、功耗低、并行性运算等等优点,在实时物体识别领域有着广泛应用。本设计的整个系统主要由三个部分构成:视频采集模块、识别模块、显示模块。首先,使用摄像头采集视频流数据,对视频流的格式进行预处理,以满足系统需要的格式;然后,从视频流中间隔几帧选取一帧图像传输到卷积神经网络(Convolutional Neural Network,CNN)识别模块提取图像的信息,得到所需要识别的物体在视频中的位置信息;最后将物体的位置信息在视频流上标记出来并在LCD上进行显示。为了提升CNN的识别速度,本文深入研究YOLO v2-tiny的架构,主要针对卷积层和池化层进行加速设计。本文设计了由2个14×16 PE矩阵组成乘加操作(Multiply-and-Accumulate,MAC)的CNN加速模块,同时CNN所有运算也将都在MAC上实现。而且本文采用了数据输出复用模式,降低设计的复杂度,同时减少片内外数据的访问量,从而降低功耗。为了提高MAC通用性,本文还进行了可配置性设计,可应用到其他的CNN模型。数据传输方面采用了乒乓操作和流水线操作等等,提高数据的传输率。CNN加速模块的图像数据和各种参数数据均采用16 bit的定点数,可以减少资源的利用和提高运行速度。加速模块外部的数据传输频率为200MHz,加速模块的运算频率为100MHz。各个模块设计完成之后,在Vivado软件上进行逻辑综合与实现,最后在Xilinx Zynq-7000 So C ZC706开发板上实现加速。实验结果表明,整个系统的识别速度可达到10 fps(Frames Per Second),功耗仅为4.408W,平均性能可达到59.572 GOPS(Giga Operations Per Second,十亿次运算/秒),实现动态物体实时识别的效果。