目标检测在机器人导航、智能交通、工业检测、航空航天等诸多领域有着广泛的应用和重大的意义，也是计算机视觉领域的一个重要研究课题。受限于算法复杂度和处理器性能，基于中央处理器CPU、图形处理器GPU以及嵌入式处理器的目标检测系统帧率常为数十帧，甚至仅为十余帧，与人眼处理帧率相近。然而高速视觉目标检测系统在诸多场景，尤其是尖端制造业以及军工领域有着强劲的需求。传统的高速视觉目标检测算法常依赖色彩及亮度信息，仅适用于特定场景下简单背景中的目标检测。本文基于FPGA处理器研究高速视觉目标检测算法，以期提高高速视觉目标检测算法精度，拓展高速视觉目标检测算法适用范围。本文主要的工作和贡献有：
(1) 针对现有高速视觉算法仅适用于简单背景下目标检测的问题，提出了一种基于梯度特征信息的高速视觉目标检测算法，能够以10,000帧/秒的帧率在较复杂场景下进行目标检测。该算法借鉴经典图像特征描述子HOG的思想，计算检测窗口内的梯度直方图，并将其归一化后作为检测窗口的特征信息，通过与定点量化后的SVM分类器参数点乘求和，判断检测窗口内是否包含待检测目标。通过基于硬件的算法优化及参数定点量化，最终依靠FPGA有限的片上资源实现了硬件系统的部署。为了验证所提出算法的可行性，本文借助高帧率投影仪和高速相机搭建了算法验证平台，利用高帧率投影仪进行预设图样的投影并触发高速相机同步拍摄，通过单目标及多目标检测实验进行了算法有效性验证。
(2) 针对前述算法因检测窗口间距过大引起较大定位误差的问题，提出了一种融合投影信息的高速视觉目标检测方法，提高了高速视觉目标检测算法的定位精度。该方法在前述算法的基础上增加了像素值投影模块，用于获取检测窗口内水平和垂直方向的投影信息。通过设定阈值将该投影信息转换为二值向量后，能够分析得到目标中心点与检测窗口中心点之间的距离，从而进行检测结果的补偿。特定投影图样的检测及风扇转速测定实验结果表明，通过检测窗口内图像的梯度特征与投影信息融合，可以将高速视觉目标检测的定位误差缩小到前述算法的30%左右。
(3) 针对基于传统特征算子的高速视觉目标检测算法精度受限的问题，提出了一种结合卷积神经网络的高速视觉目标检测方法，提升了高速视觉目标的检测精度和场景适用性。针对FPGA有限的硬件资源和CNN极大的模型参数之间的矛盾，设计了轻量级的网络结构并提出了适合FPGA硬件实现的量化策略。该系统结构借鉴R-CNN两阶段目标检测方法，利用传统图像特征信息进行候选区域提取，并通过卷积神经网络实现候选区域目标分类。根据权重参数及中间结果特性制定了不同的量化策略并将所有数据以定点数的形式存储于FPGA片内。基于Vivado软件的仿真结果表明，该系统能够实现2,000帧/秒的高速视觉目标检测。同时，精度评估结果表明，该方法在精度上优于前述传统算法。
(4) 面向基于视觉信息的细胞筛选应用需求，搭建了基于高速相机、微流路芯片及显微镜的高速视觉微球检测系统，实现了高速高通量的微球实时检测，验证了高速视觉目标检测算法在实际应用场景中的有效性。该系统利用电动注射泵匀速推动进样针，使聚苯乙烯微球在微流路中匀速流动，通过高速相机采集图像并进行特征提取后传输至上位机。上位机端通过分析附加信息行中的图像特征，可以快速获知微球所在位置、数量等内容。基于Qt开发框架和OpenCV开源视觉库，搭建了上位机软件进行相关信息展示。实验结果表明，本文所提出的高速视觉目标检测算法能够较好地应用于细胞筛选场景且满足其精度要求。