基于FPGA和CNN的汉字识别系统的设计与实现

摘要

近年来,卷积神经网络在图像处理方面得到了广泛应用,然而其存在计算复杂,移动端资源有限,无法存储过多数据、进行大规模计算等缺点。提出一种基于CNN的汉字识别系统的硬件实现方法。在TensorFlow框架下用casia数据集训练出20个常用汉字的CNN网络架构,测试集识别率达98.36%,并采用卷积核复用、定点化等方法降低资源消耗,在FPGA上搭建优化后的CNN。最后,将摄像头实时采集的图片输入到上述CNN,实现硬件端的汉字识别。实验结果表明,在结构简化、速度相较CPU提高6.76倍的同时,在FPGA上所构建的CNN达到几乎无损的97.58%的准确率。