周 晓，黄德湖，郑晓亮

(武汉理工大学 机电工程学院，湖北 武汉 430070)

图像特征提取是实现目标识别算法的一个重要步骤，许多优秀的目标识别算法[1-4]依靠提取有效的图像特征获得了极高的识别率。为了获取出色的识别精度，所提取的特征信息必须足够丰富，这使得算法需要消耗大量的资源进行运算。巨大的计算量在带来优秀的性能表现的同时，也带来了计算资源和时间效率的问题。FPGA(field programmable gatearray)因为其高并行和高吞吐率的特点，使得许多图像处理算法以其作为实现平台进行优化加速[5-6]。

在特征提取算法中，图像的高维特征包含的信息并不完全是研究人员所需要的，在每维度的数据间还存在冗余特征。这些冗余信息不仅妨碍对有用的信息进行筛选，还使数据量变得十分庞大，占用了更多的存储空间，浪费了大量的系统资源。PCA(prinicpal component analysis)技术可使高维数据变为维数较低的数据，并包含了原始数据中的大部分信息，在图像特征提取的领域得到了广泛应用。

LARK(local adaptive regression kernel)算子是韩国学者Hae Jong Seo提出的一种图像特征提取方法[4]。相比许多基于直方图统计的特征描述算子，LARK算子提取的特征信息更为丰富[7]。然而，将所有的特征信息一起用于分析，又会造成信息冗余度过高的问题。因此，在提取出原始LARK特征后，需要进行PCA降维计算，以避免后续分析的计算资源过度消耗。PCA算法中的协方差运算、特征向量分解和线性空间投影等计算需要消耗大量的运算资源，并且需要消耗大量的运算时间。……