Resumen

Implementamos un sistema autorreconfigurable basado en Zynq para realizar la detección de bordes en tiempo real de secuencias de vídeo de 1080p. Aunque la detección de bordes de objetos es una herramienta fundamental en visión por computador, los ruidos en los fotogramas de vídeo afectan negativamente a los resultados de la detección de bordes de forma significativa. Además, debido a la alta complejidad computacional de las operaciones de filtrado de vídeo 1080p, es necesaria la implementación en hardware reconfigurable. En este caso, el sistema embebido propuesto utiliza la capacidad de reconfiguración dinámica del SoC Zynq, de modo que la reconfiguración parcial de los distintos flujos de bits de filtrado se realiza durante el tiempo de ejecución en función del nivel de densidad de ruido detectado en los fotogramas de vídeo entrantes. Se analiza la figura de mérito de Pratt (PFOM) para evaluar la precisión de la detección de bordes para varios niveles de densidad de ruido, y se demuestra que la reconfiguración adaptativa en tiempo de ejecución de las secuencias de bits de filtrado propuestas aumenta significativamente la precisión de los resultados de detección de bordes, al tiempo que proporciona de forma eficiente potencia de cálculo para soportar el procesamiento en tiempo real de fotogramas de vídeo de 1080p. También se comparan los resultados de rendimiento en cuanto a tiempo de configuración, uso de CPU y utilización de recursos de hardware.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:detección de bordes, fotogramas de vídeo, distintos niveles de densidad de ruido, diferentes flujos de bits de filtrado, capacidad de reconfiguración dinámica, resultados de la detección de bordes, utilización de recursos de hardware, alta complejidad computacional, fotogramas de vídeo entrantes, nivel de densidad de ruido
• Keywords:edge detection, video frames, various noise density levels, different filter bitstreams, dynamic reconfiguration capability, edge detection results, hardware resource utilization, high computational complexity, incoming video frames, noise density level