随着人工智能大潮席卷全球，神经网络在生活中的运用越来越多，在阿尔法狗和柯洁围棋大战，语音内容识别，搜索内容推荐，智能订餐等功能上都有神经网络的身影，近期推出的google assistant 在语音对话的订餐，聊天，购物等场景下的对话已经令人觉得和真人难分差距。
与此同时将神经网络置入小型移动设备和小型处理器中也具有了更强的现实意义，使用神经网络能够完成的语音识别，文字识别，图像分析等功能在小型设备和处理器上运行，无疑能使人们获得更优的生活体验。
本文在PC端以caffe神经网络运行神经网络输入层，卷积层，池化层，输出层等实现对图片的读入和处理，完成对图片的识别，之后基于ZEDBOARD开发平台完成摄像头采集数据存入RAM并在VGA显示屏上显示的工作，随后探讨将神经网络迁移至FPGA时的步骤和几种优化方法。
经测试，在PC端神经网络能对图片完成98%的准确率识别，ZEDBOARD开发平台上能在VGA显示屏上实时30FPS显示物体，随后探讨的几种优化方法对于提升运行速度和优化内存使用具有相当功效。本设计对于将神经网络移植至FPGA上具有一定的优化和促进效果。
研究方案：
实现目标分别在神经网络和FPGA上完成相应图像识别和摄像头画面显示工作后，探索将神经网络移植到FPGA上的步骤和优化方法。
1.计划采用卷积神经网络首先提出锚框，使用卷积神经网络抽取特征后来预测其包含的主要物体和更准确的边框，在边框中划出运动物体的部分。
2.在FPGA上写好基础性程序，调用摄像头实现数据采集，将数据传入FIFO保存至DDR3，通过VGA显示到显示屏上，
3.研究将神经网络移植到FPGA的步骤和FPGA对神经网络的优化。包括编译神经网络的支持库，c-veilog的转化，IP核搭建等，优化方法包括移位简化运算，二值化运算，DSP核使用。
