2026年FPGA大赛备赛，用Zynq做实时人脸检测，Haar级联还是卷积神经网络硬件加速更稳？

如果你们的目标是拿奖而不是发论文，我建议走Haar级联。原因很简单：稳定性压倒一切。比赛现场演示翻车概率最大的就是时序收敛问题，CNN加速器一旦流水线跑不通，整个系统直接黑屏，你连调试的时间都不够。而Haar级联在Zynq上已经有大量开源参考设计，VDMA配置好就能直接跑，资源占用低，帧率容易做到30fps以上。精度虽然比CNN差一点，但只要光照条件可控，现场演示完全够用。你们可以先拿Haar方案把整个链路调通，如果还有时间再试着加入CNN做对比，但别把宝全押在后者上。另外，关于DDR帧缓存，用AXI VDMA的Scatter Gather模式可以降低延迟，但记得把帧缓冲区的地址对齐到4KB边界，否则性能会打折扣。你们现在手头有开发板的具体型号吗？

作为一个在FPGA大赛拿过两次奖的过来人，我直接说结论：如果你们是第一次做视频处理项目，选Haar级联。原因不是CNN做不了，而是你们目前的问题描述里暴露了三个风险点。第一，你们提到'怕流水线设计太复杂，时序收敛难'，这说明团队对HLS或RTL设计还没有完全把握，而CNN加速器本质上就是一个深度流水线，任何一个stage的时序违规都要花大量时间重做综合和布局布线，比赛前两周最怕的就是这种不可预测的迭代。第二，实时人脸检测对延迟有硬约束，CNN方案如果不用专门的数据流优化，从摄像头采集到显示输出很容易在帧缓冲环节引入超过两帧的延迟，而Haar级联配合单帧乒乓操作可以把延迟控制在1帧以内。第三，评委看演示时更关注系统完整度和实时性，而不是算法精度——你们能稳定跑30fps，哪怕漏检一两个人脸，也比CNN方案时断时续地跑15fps要得分高。具体到摄像头与DDR配合，我建议用Zynq的VDMA IP核，配置成Auto Sync模式，并在PL端做一个简单的帧同步模块来对齐摄像头VSYNC和VDMA的帧触发信号。另外，DDR访问带宽要预留至少30%的余量，因为VDMA在Scatter Gather模式下会额外消耗AXI总线时间。如果你们坚持要上CNN，建议先用Vitis AI的DPU跑量化模型，别自己写卷积加速器，但要注意DPU的license问题。最后问一句：你们队的Verilog和HLS代码经验大概有多少？这直接决定了你们能不能在三个月内做完。

我换个角度说，你们可能忽略了一个关键问题——比赛现场演示的光照环境是不可控的。Haar级联在均匀光照下精度够用，但一旦遇到侧光或背光，误检率会飙升，而CNN对光照鲁棒性明显更好。所以如果你们选Haar方案，一定要在预处理阶段加一个直方图均衡化模块，用PL端的HLS实现，这样只多花几百个LUT，但能显著提升场景适应性。另外，关于帧缓存延迟，有个讨巧的做法：不用DDR，而是用BRAM做双帧乒乓。Zynq-7020的BRAM有4.9Mb，如果图像分辨率控制在QVGA（320×240），灰度图每帧只要76.8KB，两个乒乓缓冲区一共153.6KB，完全塞得进BRAM。这样帧延迟从几十毫秒降到微秒级，实时性拉满，而且省掉了DDR布线带来的信号完整性问题。缺点是分辨率低，但比赛演示时评委更看重实时性和检测效果，而不是像素数。当然，这个方案要求你们把Haar检测器的窗口大小和步长匹配好，不然BRAM会爆。你们有没有考虑过用更小的分辨率来换更低的延迟？如果愿意接受QVGA，我这边可以给出一套完整的BRAM帧缓存和Haar流水线架构图。

其实你们纠结的点可能不在算法本身，而在项目管理的容错率。Haar级联最大的好处是，它的参考设计在Xilinx官方仓库里就有，从VDMA配置到AXI互联都是现成的，你们花一周把demo跑通，剩下三周可以专心调光照、加直方图均衡化、优化帧延迟，这些都是比赛演示时肉眼可见的加分项。CNN加速器虽然精度高，但整个flow从量化、编译到RTL验证，任何一个环节卡住就要重新综合，比赛前两周一旦碰到工具链bug，基本等于放弃治疗。我见过太多队把宝押在CNN上，最后现场演示时人脸框跳得像心电图，还不如隔壁Haar方案稳如狗。你们现在用的开发板是Pynq-Z2还是ZC702？不同板子的BRAM容量和DDR带宽差异挺大的，这会直接影响帧缓存方案的选择。

其实你们讨论Haar和CNN的取舍，可能还忽视了一个更基础的约束——比赛规定的时间线。FPGA大赛从选题到提交一般是三个月左右，前一个月是方案论证和基础外设调试，中间六到七周是核心算法实现，最后两周是系统联调、文档撰写和演示视频录制。如果选CNN，你们至少要在第四周结束前完成模型量化、编译和仿真验证，否则后面一旦发现资源超限或时序违规，几乎没有调整空间。而Haar级联，以Xilinx官方那个vdma+haar_detector的参考设计为模板，两个周末就能把采集、缓存、检测、显示的链路跑通，剩下的时间全部用来优化光照补偿、帧率稳定和UI界面——这些是评委在演示现场能直接看到的加分项。我见过最惨痛的教训是一支队伍在CNN方案上卡了四周的编译问题，最后演示时帧率只有12fps，人脸框还滞后半秒，反而不如隔壁组用Haar在VGA分辨率下跑35fps稳定。另外，你们提到怕流水线设计复杂，其实Haar级联的流水线本质上是多个固定尺寸的滑动窗口和分类器级联，每个stage的阈值和特征位置都是已知常数，用HLS写一个for循环加流水线pragma就能搞定，时序收敛基本没有悬念。CNN的流水线则要处理卷积、池化、激活、全连接等多种算子，每个算子的数据流方向不同，中间还有量化误差需要补偿，综合后的时序报告经常因为某条路径的fanout过高而出现slack为负，这时候你往往要重写HLS代码里的数据类型或循环展开因子，再跑一遍综合——这种试错周期一次就是一整天。所以如果你们团队里没有一个人对HLS优化和Xilinx时序分析工具有实际项目经验，我真心建议先拿Haar兜底，等整个系统调通后，如果最后三周还有余力，再试着在一个独立的PL区域里挂一个小尺寸CNN做并行检测对比，但千万别把CNN作为主力方案。顺便问一下，你们现在有确定的模型大小目标吗？比如打算检测多大人脸、帧率要求多少？这个会直接影响DDR带宽分配方案。