写在前面
 
1）现实意义
 
早期使用的交通信号灯是固定配时的调控方式，无法随着车流量的变动而调整绿灯时间，这降低绿灯的使用效益，增大了车辆在交叉口的延误。堵车现象频繁发生，给市民工作生活带来了极大不便，国民经济受到影响。这时候提高道路通行效率，特别是交叉路口的车辆通行效率就显得尤为重要。
 
2）关键技术
 
智能交通系统的核心是交通信号灯的智能控制算法，根据实时交通流的大小，配置信号周期及各种色灯的闪亮时间， 以在所有道口的全体车辆等待时间最短为目标。
 
3）实时配时算法的实现
 
本文主要以MATLAB的模糊数据工具箱和GUI界面设计模块为基础，结合现有的关于智能交通信号灯控制系统的理论，进行对智能交通系统的实时配时算法的设计和实现。
 
软件工具：MATLAB
 文献参考：https://wenku.baidu.com/view/8c814b04844769eae009ed5e.html
 
关于实时配时模型设计的理论知识，这里就不再 赘述了，通过上方给出的文献，也可以在知网上搜寻其他文献，来了解下理论内容。接下来，主要将智能交通信号灯控制系统的核心部分（即实时配时算法），用MATLAB工具进行设计和实现。
 
1. 模糊控制算法的设计
 
本小节主要内容就是使用MATLAB的模糊数据工具箱，建立基于排队长度和长度差的模糊控制规则、控制算法。
 搭建好的模糊控制算法，如下图所示：
 其中Road01是代表其中一条路上检测到的车辆（关于如何检测车辆数目，可以用视觉识别系统，路面传感器设置等多种方式，由于不是本文的重点内容，本文就不再赘述了）；Road02是代表两条路上车辆数目的差值。
 １）模糊模型具体的步骤建立，参考下方链接：
 https://mp.csdn.net/mdeditor/89057028#
 ２）基于模糊数据模型，用MATLAB中的simulink仿真模块建立一个Model，可以看出两个输入与输出的关系。也就是说，输入一条道路上的车辆数目以及两条道路车辆的差值，那么便可以得到，该道路上的绿灯需要时间，于此同时，另一个道路的红灯时间与此路口绿灯时间一致。
 关于Simulink中建立Model的具体步骤，参考下方链接：
 https://blog.csdn.net/weixin_43958974/article/details/89057396
 
２. 模糊控制平面
 
根据以上步骤得出的绿灯延时模糊控制规则，可以用MATLAB拟合和绘制出相对应的模糊控制平面。
 关于离散二元曲面的拟合，参考如下链接：
 https://blog.csdn.net/weixin_43958974/article/details/89057727
 
3. GUI界面设计
 

 １）Road01与Road02为输入值，它们分别代表着十字路口两条路况下检测到的路况数目。
 既可以手动输入，两条路况车辆的数目进行模拟计算其中一条路口绿灯延时情况。也可以点击输入，自动为Road01和Road02两者进行赋值随机数，并且由于路况车辆数目是随机的，并且根据统计学规律，该随机数是服从泊松分布的，因此，该界面可以自动为两者赋值泊松分布随机数的（泊松分布参数可以根据统计进行修改，暂时分别设定为２０与５方便智能交通信号灯系统的模拟）。如下图所示：
 ２）为Road01与Road02赋值后，点击确定，图框内会模拟绿灯，并且在其下方，根据所建立的模糊数据模型计算得到绿灯的延时时间。此时的时间保留为双精度的。
 
 ３）点击倒计时，右侧的时间会开始以整型数据的形式，进行倒计时。
 
 并且，在倒计时完成之后，会变为红灯。

摘 要
 
 本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析。该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进--步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别。详细介绍了离散小波变换PCA特征提取以及BP神经网络分类设计。通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时，由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率。因此,很难在复杂环境中应用。
 
关键词:人脸识别;人工神经网络;离散小波变换; PCA; BP神经网络
 Abstract
 In this paper, a face recognition system based on BP neural network is designed and its performance is analyzed. The system first uses discrete wavelet transform to obtain the low-frequency components which contain most of the original information of the face image, and then uses PCA algorithm to extract the principal component features of the face image, progressively reducing the processing capacity of the image data. Finally, the trained BP neural network is used to classify and recognize the tested face. Discrete wavelet transform PCA feature extraction and BP neural network classification design are introduced in detail. Through the system simulation experiment and analysis, it is found that the extraction of facial features is the key of the system. At the same time, because of the statistical features of gray information and the supervised training of BP neural network classifier, the system only has a high recognition accuracy in fixed categories and uniform illumination of face recognition application scenarios. Therefore, it is difficult to apply in complex environment.
 
Key words: face recognition; artificial neural network; discrete wavelet transform; PCA; BP neural network
 1绪论
 
  人脸识别是模式识别研究的一个热点，它在身份鉴别、信用卡识别，护照的核对及监控系统等方面有着I泛的应用。人脸图像由于受光照、表情以及姿态等因索的影响，使得同一个人的脸像矩阵差异也比较大。因此,进行人脸识别时，所选取的特征必须对上述因素具备-一定的稳定性和不变性。主元分析(PCA)方法是一种有效的特征提取方法，将人脸图像表示成一一个列向量，经过PCA变换后，不仅可以有效地降低其维数，同时又能保留所需要的识别信息，这些信息对光照、表情以及姿态具有一定的不敏感性。 在获得有效的特征向量后，关键问题是设计具有良好分类能力和鲁棒性的分类器、支持向量机(SVI )模式识别方法,兼顾调练误差和泛化能力，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
 
1.1人脸识别技术的细节
 
一般来说，人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。
 1.2人脸识别技术的广泛应用
 
一项技术的问世和发展与人类的迫切需求是密切相关的，快速发展的社会经济和科学技术使得人类对安全(包括人身安全、隐私保护等)得认识越来越重视。人脸识别得一个重要应用就是人类的身份识别。一-般来说， 人类得身份识别方式分为三类:
 1.特征物品，包括各种证件和凭证，如身份证、驾驶证、房门钥匙、印章等;
 2.特殊知识，包括各种密码、口令和暗号等;
 
3.人类生物特征，包括各种人类得生理和行为特征，如人脸、指纹、手形、掌纹、虹膜. DNA、签名、语音等。前两类识别方式属于传统的身份识别技术，其特点是方便、快捷，但致命的缺点是安全性差、易伪造、易窃取。特殊物品可能会丢失、偷盗和复制，特殊知识可以被遗忘、混淆和泄漏。相比较而言，由于生物特征使人的内在属性，具有很强的自身稳定性和个体差异性，因此生物特征是身份识别的最理想依据。基于以上相对独特的生物特征，结合计算机技术,发展了众多的基于人类生物特征的身份识别技术,如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术和人脸识别技术等。生物识别技术在上个世纪已经有了- -定得发展，其中指纹识别技术已经趋近成熟，但人脸识别技术的研究还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别可以利用已有的照片或是摄像头远距离捕捉图像，无需特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无觉察的情况下完成身份确认识别工作，这对反恐怖活动有非常重要的意义。基于人脸识别技术具有如此多的优势，因此它的应用前最非常广阔，已成为最具潜力的生物特征识别技术之一
 1.3人脸识别技术的难点
 
  虽然人类可以毫不困难地根据人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍然有许多困难。人脸模式差异性使得人脸识别成为-个非常困难的问题，表现在以下方面:

  1.人脸表情复杂，人脸具有多样的变化能力，人的脸上分布着Ii十多块面部肌肉，这些肌肉的运动导致不同面部表情的出现，会造成人脸特征的显著改变。

  2.随着年龄而改变，随着年龄的增长，皱纹的出现和面部肌肉的松驰使得人脸的结构和纹理都将发生改变。

  3.人脸有易变化的附加物，例如改变发型，留胡须，戴帽子或眼镜等饰物。4.人脸特征遮掩，人脸全部、部分遮掩将会造成错误识别。

  5.人脸图像的畸变，由于光照、视角、摄取角度不同，可能造成图像的灰度。
 
1.4国内外研究状况
 
人脸识别是人类视觉最杰出的能力之-。 它的研究涉及模式识别、图像处理、生物学、心理学、认知科学，与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。人脸识别早在六七十年代就引起了研究者的强烈兴趣。20世纪60年代，Bledsoe 提出了人脸识别的半自动系统模式与特征提取方法。70年代，美、英等发达国家开始重视人脸识别的研究工作并取得进展。1972 年，Harmon 用交互人脸识别方法在理论上与实践上进行了详细的论述。同年，Sakai 设计了人脸图像自动识别系统。80年代初
 T. Minami 研究出了优于Sakai的人脸图像自动识别系统。但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。进入九十年代，由于各方面对人脸识别系统的迫切需求，人臉识别的研究变的非常热门。人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，如Kartbunen-Loeve变换等或新的神经网络技术。人脸识别研究
 
得到了前所未有的重视，国际上发表有关人脸识别等方面的论文数量大幅度增加，仅从1990年到2000年之间，sCl 及EI可检索到的相关文献多达数千篇，这期间关于人脸识别的综述也屡屡可见。国外有许多学校在研究人脸识别技术，研究涉及的领域很广。这些研究受到军方、警方及大公司的高度重视和资助，国内的一些知名院校也开始从事人脸识别的研究。
 
  人脸识别是当前模式识别领域的一个前沿课题，但目前人脸识别尚处于研究课题阶段，尚不是实用化领域的活跃课题。虽然人类可以毫不困难地由人脸辨别一个人，但利用计算机进行完全自动的人脸识别存在许多困难，其表现在:人脸是非刚体，存在表情变化:人脸随年龄增长面变化:发型、眼镜等装饰对人脸造成遮挡:人脸所成图像受光照、成像角度、成像距离等影响。人脸识别的困难还在于图像包括大量的数据，输入的像素可能成百上千，每个像素都含有各自不同的灰度级，由此带来的计算的复杂度将会增加。现有的识别方法中，通过从人脸图像中提取出特征信息，来对数据库进行检索的方法速度快，而利用拓扑属性图匹配来确定匹配度的方法则相对较快。
 
1.5人脸识别的研究内容
 
人脸识别技术(AFR)就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别技术的研究始于六十年代末七十年代初，其研究领城涉及图像处理、计算机视觉、模式识别、计算机智能等领城，是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。
 1.5.1人脸识别研究内容
 
  人脸识别的研究范围广义上来讲大致包括以下hi个方面的内容。

  1.人脸定位和检测(Face Detection) :即从动态的场景与复杂的背景中检测出人臉的存在并且确定其位置，最后分离出来。这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。

  2.人脸表征(Face Representation) (也称人脸特征提取) :即采用某种表示方法来表示检测出人脸与数据库中的已知人脸。通常的表示方法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征向量)、固定特征模板等。

  3.人脸识别(Face Recogni tion) :即将待识别的人脸与数据库中已知人脸比较，得出相关信息。这一过程的核心是选择适当的人脸表征方法与匹配策略。

  4.表情姿态分析(Expression/Gesture Analysis) :即对待识别人脸的表情或姿态信息进行分析，并对其加以归类。


  5.生理分类(Physical Classi fication) :即对待识别人脸的生理特征进行分析，得出其年龄、性别等相关信息，或者从几幅相关的图像推导出希望得到的人脸图像，如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。

  人臉识别的研究内容，从生物特征技术的应用前景来分类，包括以下两个方面:人脸验证与人脸识别。

  1.人脸验证((Face Veri ficat ion/Authenticat ion):即是回答“是不是某人?"的问题.它是给定一幅待识别人脸图像，判断它是否是某人的问题，属于一对一的两类模式分类问题，主要用于安全系统的身份验证。

  2.人脸识别(Face 。Recognition) :即是回答“是谁”的问题。它是给定-幅待识别人脸图像，再已有的人脸数据库中，判断它的身份的问题。它是个“-对多”的多类模式分类问题，通常所说的人脸识别即指此类问题，这也是本文的主要研究内容。
 
1.5.2人脸识别系统的组成
 
  在人脸识别技术发展的几十年中，研究者们提出了多种多样的人脸识别方法，但大部分的人脸识别系统主要由三部分组成:图像预处理、特征提取和人脸的分类识别。一个完整的自动人脸识别系统还包括人脸检测定位和数据库的组织等模块，如图1.1.其中人脸检测和人脸识别是整个自动人脸识别系统中非常重要的两个环节，并且相对独立。下面分别介绍这两个环节。
 
人脸检测与定位，检测图像中是否由人脸，若有，将其从背景中分割出来，并确定其在图
 像中的位置。在某些可以控制拍摄条件的场合，如警察拍罪犯照片时将人脸限定在标尺内，此时人脸的定位很简单。证件照背景简单，定位比较容易。在另一些情况下，人脸在图像
 中的位置预先是未知的，比如在复杂背景下拍摄的照片，这时人脸的检测与定位将受以下因素的影响: :
 
  1.人脸在图像中的位置、角度、不固定尺寸以及光照的影响:

  2.发型、眼睛、胡须以及人脸的表情变化等，3.图像中的噪声等。

  特征提取与人脸识别，特征提取之前一般都要敌几何归一化和灰度归一化的工作。前者指根据人脸定位结果将图像中的人脸变化到同一位置和大小:后者是指对图像进行光照补偿等处理，以克服光照变化的影响，光照补偿能够一定程度的克服光照变化的影响而提高识别率。提取出待识别的人脸特征之后，即进行特征匹配。这个过程是一对多或者一对一的匹配过程，前者是确定输入图像为图象库中的哪一个人(即人脸识别)，后者是验证输入图像的人的身份是否属实(人脸验证).  
 
以上两个环节的独立性很强。在许多特定场合下人脸的检测与定位相对比较容易，因此“特征提取与人脸识别环节”得到了更广泛和深入的研究。近几年随着人们越来越关心各种复杂的情形下的人臉自动识别系统以及多功能感知研究的兴起，人脸检测与定位才作为一个独立的模式识别问题得到了较多的重视。本文主要研究人脸的特征提取与分类识别的问题。
 
2基于bp神经网络的人脸识别算法
 
  虽然人脸识别方法的分类标准可能有所不同，但是8前的研究主要有两个方向，一类是从人脸图像整体(Holistic Approaches)出发，基于图像的总体信息进行分类识别，他重点考虑了模式的整体属性，其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数(Feature-Based Approaches), 例如眼、嘴和鼻子的特征，再按照某种距离准则进行分类识别。这种方法非常有效，因为人脸不是刚体，有着复杂的表情，对其严格进行特征匹配会出现困难。面分别介绍- -些常 用的方法，前两种方法属于从图像的整体方面进行研究,后三种方法主要从提取图像的局部特征讲行研究。


  2.1基于特征脸的方法
 
特征脸方法(cigenface)是从生元分析方法PCA c Principal ComponentAnalysis 导出的一种人脸分析识别方法，它根据一-组人脸图像构造主元子空间，由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了-组投影系数，然后和各个已知人的人脸图像进行比较识别，取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。
 
  特征脸方法原理简单、易于实现，它把人脸作为一个整体来处理，大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异，存在着一定的理论缺陷。研究表明:特征脸方法随光线角度及人脸尺寸的影响，识别率会有所下降。
 
2.2基于bp神经网络的方法
 
一、实验要求采用三层前馈BP神经网络实现标准人脸YALE数据库的识别，编程语言为C系列语言。
 二、BP神经网络的结构和学习算法实验中建议采用如下最简单的三层BP神经网络，输入层为，有n个神经元节点，输出层具有m个神经元，网络输出为,隐含层具有k个神经元，采用BP学习算法训练神经网络。BP神经网络的结构BP网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP网络加以训练，网络就具有输入输出对之间的映射能力。BP网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。BP算法主要包括两个阶段：
 
2.2.1向前传播阶段
 
①从样本集中取一个样本(Xp,Yp)，将Xp输入网络，其中Xp为输入向量，Yp为期望输出向量。
 ②计算相应的实际输出Op。在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算：
 
(2) 向后传播阶段
 ①计算实际输出Op与相应的理想输出Yp的差；
 ②按极小化误差的方法调整权矩阵。这两个阶段的工作一般应受到精度要求的控制
 
(1)作为网络关于第p个样本的误差测度（误差函数）。
 
(2)如前所述，之所以将此阶段称为向后传播阶段，是对应于输入信号的正常传播而言的，也称之为误差传播阶段。为了更清楚地说明本文所使用的BP网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N、L和M。X=(x0,x1,…,xN-1)是加到网络的输入矢量，H=(h0,h1,…,hL-1)是中间层输出矢量，Y=(y0,y1,…,yM-1)是网络的实际输出矢量，并且用D=(d0,d1,…,dM-1)来表示训练组中各模式的目标输出矢量。输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。另外用θk和Φj来分别表示输出单元和隐单元的阈值。于是，中间层各单元的输出为：
 
(3)而输出层各单元的输出是：
 
其中f(*)是激励函数，采用S型函数：
 
2.2.2在上述条件下，网络的训练过程如下：
 
(1) 选定训练集。由相应的训练策略选择样本图像作为训练集。
 (2) 初始化各权值Vij，Wjk和阈值Φj，θk，将其设置为接近于0的随机值，并初始化精度控制参数ε和学习率α。
 (3) 从训练集中取一个输入向量X加到网络，并给定它的目标输出向量D。
 (4) 利用式(3)计算出一个中间层输出H，再用式(4)计算出网络的实际输出Y。
 (5) 将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出
 
误差项：
 
对中间层的隐单元也计算出L个误差项：
 
(6) 依次计算出各权值和阈值的调整量：
 
(8) 当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数。
 。
 如果不满足，就返回(3)，继续迭代。如果满足，就进入下一步。
 (9) 训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定，分类器形成。再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
 
YALE数据库是由耶鲁大学计算视觉与扼制中心创立,包括15位志愿者，每个人有11张不同姿势、光照和表情的图片，共计165张图片,图片均为80*100像素的BMP格式图像。我们将整个数据库分为两个部分，每个人的前5幅图片作为网络的训练使用，后6副图片作为测试使用。测试样例：
 
输入输出：
 
  神经网络在人脸识别应用中有很长的历史。早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，用于人脸的“回忆”。所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用Kohonen网络恢复出原来完整的人脸。Intrator 等人用一个无监督/监督混合神经网络进行人脸识别。其输入是原始图像的梯度图像，以此可以去除光照的变化。监督学习目的是寻找类的特征，有监督学习的目的是减少训练样本被错分的比例。这种网络提取的特征明显，识别率高，如果用几个网络同时运算，求其平均，识别效果还会提高。

  与其他类型的方法相比，神经网络方法在人脸识别上有其独到的优势，它避免了复:杂的特征提取工作，可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。此外，神经网络以时示方式处理信息，如果能用硬件实现，就能显著提高速度。神经网络方法除了用于人脸识别外，还适用于性别识别、种族识别等。
 
2.3弹性图匹配法
 
弹性图匹配方法是-种基于动态链接结构DLA C Dynamic Link Architecture的方法。它将人脸用格状的稀疏图表示，图中的节点用图像位置的Gabor小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配时，首先J找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生-一个变形图，其节点逼近模型图的对应点的位置。弹性图匹配方法对光照、位移、旋转及尺度变化都敏感。此方法的主要缺点是对每个存储的人臉需计算其模型图，计算量大，存储量大。为此，Wiskott 在原有方法的基础上提出聚東图匹配，部分克服了这些缺点。在聚束图中，所有节点都已经定位在相应目标上。对于大量数据库，这样可以大大减少识别时间。另外，利用聚束图还能够匹配小同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜等相关信息。
 2.4基于模板匹配的方法
 模板匹配法是一-种经典的模式识别方法，这种方法大多是用归一一化和互相关，直接计算两副图像之间的匹配程度。由于这种方法要求两副图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成-一个椭圆，检测人臉也就是检测图像中的椭圆。另一种方法是将人脸用一-组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度高的边缘，也很难从中自动提取所需的特征量。模板匹配方法在尺度、光照、旋转角度等各种条件稳定的状态下，它的识别的效果优于其它方法，但它对光照、旋转和表情变化比较敏感，影响了它的直接使用。2.5基于人脸特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸检测轮廓的描述与识别，首先根据检测轮廓曲线确定若干显著点，并由这些显著点导出- -组用于识别的特征度量如距离、角度等。采用儿何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征。
 定位眼睛往往是提取人脸几何特征的第-步。由于眼睛的对称性以及眼珠呈现为低灰度值的圆形，因此在人脸图像清晰瑞正的时候，眼睛的提取是比较容易的。但是如果人脸图像模糊，或者噪声很多，则往往需要利用更多的信息(如眼睛和眉毛、鼻子的相对位置等)，而且.这将使得眼睛的定位变得很复杂。而且实际图像中，部件未必轮廓分明，有时人用眼看也只是个大概，计算机提取就更成问题，因而导致描述同-一个人的不同人脸时，其模型参数可能相差很大，面失去识别意义。尽管如此，在正确提取部件以及表情变化微小的前提下，该方法依然奏效，因此在许多方面仍可应用，如对标准身份证照片的应用。
 
2.5九个人脸库介绍
 
 
FERET人脸数据库
 http://www.nist.gov/itl/iad/ig/colorferet.cfm
 由FERET项目创建，此图像集包含大量的人脸图像，并且每幅图中均只有一个人脸。该集中，同一个人的照片有不同表情、光照、姿态和年龄的变化。包含1万多张多姿态和光照的人脸图像，是人脸识别领域应用最广泛的人脸数据库之一。其中的多数人是西方人，每个人所包含的人脸图像的变化比较单一。
 
 
CMU Multi-PIE人脸数据库
 http://www.flintbox.com/public/project/4742/
 由美国卡耐基梅隆大学建立。所谓“PIE”就是姿态（Pose），光照（Illumination）和表情（Expression）的缩写。CMU Multi-PIE人脸数据库是在CMU-PIE人脸数据库的基础上发展起来的。包含337位志愿者的75000多张多姿态，光照和表情的面部图像。其中的姿态和光照变化图像也是在严格控制的条件下采集的，目前已经逐渐成为人脸识别领域的一个重要的测试集合。
 
 
YALE人脸数据库（美国，耶鲁大学）
 http://cvc.cs.yale.edu/cvc/projects/yalefaces/yalefaces.html
 由耶鲁大学计算视觉与控制中心创建，包含15位志愿者的165张图片，包含光照、表情和姿态的变化。
 Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿态以及遮挡变化。
 
 
YALE人脸数据库B
 https://computervisiononline.com/dataset/1105138686
 包含了10个人的5850幅在9种姿态，64种光照条件下的图像。其中的姿态和光照变化的图像都是在严格控制的条件下采集的，主要用于光照和姿态问题的建模与分析。由于采集人数较少，该数据库的进一步应用受到了比较大的限制。
 
 
MIT人脸数据库
 由麻省理工大学媒体实验室创建，包含16位志愿者的2592张不同姿态（每人27张照片），光照和大小的面部图像。
 
 
ORL人脸数据库
 https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
 由英国剑桥大学AT&T实验室创建，包含40人共400张面部图像，部分志愿者的图像包括了姿态,表情和面部饰物的变化。该人脸库在人脸识别研究的早期经常被人们采用，但由于变化模式较少，多数系统的识别率均可以达到90%以上，因此进一步利用的价值已经不大。
 ORL人脸数据库中一个采集对象的全部样本库中每个采集对象包含10幅经过归一化处理的灰度图像，图像尺寸均为92×112，图像背景为黑色。其中采集对象的面部表情和细节均有变化，例如笑与不笑、眼睛睁着或闭着以及戴或不戴眼镜等，不同人脸样本的姿态也有变化，其深度旋转和平面旋转可达20度。
 
 
BioID人脸数据库
 https://www.bioid.com/facedb/
 包含在各种光照和复杂背景下的1521张灰度面部图像，眼睛位置已经被手工标注。
 
 
UMIST图像集
 由英国曼彻斯特大学建立。包括20个人共564幅图像，每个人具有不同角度、不同姿态的多幅图像。
 
 
年龄识别数据集IMDB-WIKI
 https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/
 包含524230张从IMDB和Wikipedia爬取的名人数据图片。应用了一个新颖的化回归为分类的年龄算法。本质就是在0-100之间的101类分类后，对于得到的分数和0-100相乘，并将最终结果求和，得到最终识别的年龄
 
 
3matlab分析人脸方法介绍
 人脸识别之一：查找图片中的人脸并用方框圈出
 这种类似于智能手机拍照时，屏幕里那个框任务头部的红框。大致步骤为：获取RGB图片—>转换为灰度图像—>图像处理—>人脸识别。代码如下：clear all
 clc
 
%获取原始图片
 i=imread(‘face.jpg’);
 I=rgb2gray(i);
 BW=im2bw(I); %利用阈值值变换法将灰度图像转换成二进制图像
 figure(1);
 imshow(BW);
 %最小化背景
 [n1 n2]=size(BW);
 r=floor(n1/10);
 c=floor(n2/10);
 x1=1;x2=r;
 s=r*c;
 
for i=1:10
 y1=1;y2=c;
 for j=1:10
 if(y2<=c || y2>=9c) || (x11 || x2r10)
 loc=find(BW(x1:x2,y1:y2)==0);
 [o p]=size(loc);
 pr=o*100/s;
 if pr<=100
 BW(x1:x2,y1:y2)=0;
 r1=x1;r2=x2;s1=y1;s2=y2;
 pr1=0;
 end
 imshow(BW);
 end
 y1=y1+c;
 y2=y2+c;
 end
 x1=x1+r;
 x2=x2+c;
 end
 figure(2)
 subplot(1,2,1);
 imshow(BW)
 title(‘图像处理’);
 %人脸识别
 L=bwlabel(BW,8);
 BB=regionprops(L,‘BoundingBox’);
 BB1=struct2cell(BB);
 BB2=cell2mat(BB1);
 
[s1 s2]=size(BB2);
 mx=0;
 for k=3:4:s2-1
 p=BB2(1,k)*BB2(1,k+1);
 if p>mx && (BB2(1,k)/BB2(1,k+1))<1.8
 mx=p;
 j=k;
 end
 end
 subplot(1,2,2);
 title(‘人脸识别’);
 imshow(I);
 hold on;
 rectangle(‘Position’,[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j)],‘EdgeColor’,‘r’)实验效果图：
 
         从实验效果图中，可以看出红框框出了人脸部分。
 
人脸识别之二：由输入的人像识别出数据库中人像
 这种情况类似于手机人脸解锁，通过当前的人脸去和保存的人脸做比对来实现解锁等功能；从网上看了好多资料，由于个人能力有限大多都没仿真出来，最后通过学习PCA算法，了解到可通过PCA算法对输入矩阵降维，提取特征值和特征向量的方式来做人脸比对。具体的PCA的东西在这里不作介绍，主要介绍一下如何实现人脸比对。
 大致步骤：制作人脸数据样本—>PCA提取样本数据特征值—>人脸比对1.人脸样本
 从网上搜集了10张人脸图片，来制作成样本。
 
                     %读取转换10张图片，生成数据矩阵function ImgData = imgdata()  
 
%导入图片
 picture1 = rgb2gray(imread(‘1.jpg’));
 picture2 = rgb2gray(imread(‘2.jpg’));
 picture3 = rgb2gray(imread(‘3.jpg’));
 picture4 = rgb2gray(imread(‘4.jpg’));
 picture5 = rgb2gray(imread(‘5.jpg’));
 picture6 = rgb2gray(imread(‘6.jpg’));
 picture7 = rgb2gray(imread(‘7.jpg’));
 picture8 = rgb2gray(imread(‘8.jpg’));
 picture9 = rgb2gray(imread(‘9.jpg’));
 picture10 = rgb2gray(imread(‘10.jpg’));
 [m,n] = size(picture1);
 picture_ten = {picture1,picture2,picture3,picture4,picture5,picture6,picture7,picture8,picture9,picture10};
 for i=1:10
 %把mn的矩阵变换成1(mn)的矩阵
 ImgData(i,:) = reshape(picture_ten{i},1,mn);
 end
 %数据范围缩小到0到1之间
 ImgData = double(ImgData)/255;
 
PCA分析function Cell_ten = PCA(imgdata,k)
 [m,n] = size(imgdata);
 img_mean = mean(imgdata); %计算每列平均值
 img_mean_ten = repmat(img_mean,m,1); %复制m行平均值至矩阵img_mean_ten
 Z = imgdata - img_mean_ten;
 T = Z’Z;%协方差矩阵
 [V,D] = eigs(T,k); %计算T中最大的前k个特征值与特征向量
 img_new = imgdataV*D; %低维度下的各个人脸的数据
 Cell_ten = {img_new,V,D};3.通过输入测试人脸从数据库中找到相对应人脸function face= facefind(Cell_ten,testdata)%此函数代码借鉴于他人，还未征求其同意，这里就暂时略过这里testdata是测试图片的数据4.主程序调用img=imgdata(); %图片矩阵数据
 Cell_ten=PCA(img,2);% PCA
 face1=facefind(Cell_ten,imread(‘test.jpg’));%识别
 subplot(1,2,1)
 imshow(‘test.jpg’)
 title(‘测试图像’)
 subplot(1,2,2)
 imshow(strcat(num2str(face1),’.jpg’))
 title(‘数据库图像’)测试效果： 使用这个方式可以实现简单的人脸识别，但精确度不高；
 
4 分析算法
 在人脸识别系统中有许多关键环节，其中最重要的莫过于特征提取。利用主成分分析法（PCA）进行特征提取是目前应用最多的提取方法。作为一种科学的统计方法，它在模式识别、信号处理、数字图像处理等等领域都有广泛涉猎。基于PCA中空间原始数据主要特征提取，减少数据冗余的思想，一些在低维特征空间的数据被处理，并合理保留了原始数据中有用的信息，数据空间中维数过高的问题也得以解决。
 4.1　　主成分分析的基本原理
 
实际上主成分分析就是一种数学降维演算方法，用若干个综合变量来代替原本更多的变量，让这些综合变量尽可能的实现对原有变量信息的取代，并保持彼此之间不存在关联。这种多变量化为少数相互无关的变量且信息量不变的统计分析方法就叫做主成分分析法。
 　　假设F1表示原变量的首个线性组合所组成的主要成分指标，就有F1=a11X1+a21X2+…ap1Xp。根据这个数学式可知，如果在每一个主成分中提取一个信息量，即可用方差（F1）进行度量，随着方差F1的增大，F1所包含的信息也就越多，同时它的线性组合选取也可表示为X1、X2…XP，它们都被称为方差F1中的第一主成分。如果第一主成分不足以代表原有的P个变量信息时，就可以考虑选取F2，即第二个线性组合，借由它来反映原本的有效信息。在F2中可以不显示第一主成分中已有的信息，以数学语言来表达要求的话即Cov（F1，F2）=0，其中F2为第二主成分。所以按照实际原变量的变化需求，就可以构造出多个主成分指标。
 　　4.2人脸识别的技术特点
 
人脸识别是模式识别中的重要分支，它是指通过计算机系统来分析人脸图像，从中获取有价值的识别信息，从而辨识身份。所以说从技术特点上来看，人脸识别具有以下几个关键特色。
 　1、PCA算法
 算法大致步骤：
 设有m条n维数据。
 1）将原始数据按列组成n行m列矩阵X；
 2）将X的每一行（这里是图片也就是一张图片变换到一行）进行零均值化，即减去这一行的均值(样本中心化和标准化)；将所有的样本融合到一个矩阵里面特征向量就是变换空间的基向量U=[u1,u2,u3,u4,…]，脑袋里面要想到一个样本投影变换就是该空间的一个点，然后对于许多点可以用KNN等不同的方法进行分类。
 3）求出协方差矩阵C=1mXXTC=1mXXT C=\frac {1 }{m } XX^TC=m1XXT；
 4）求出协方差矩阵的特征值及对应的特征向量；
 5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
 6）Y=PXY=PX Y=PXY=PX即为降维到kk kk维后的数据。
 　　对数据进行中心化预处理，这样做的目的是要增加基向量的正交性，便于高维度向低纬度的投影，即便于更好的描述数据。
 　　对数据标准化的目的是消除特征之间的差异性，当原始数据不同维度上的特征的尺度不一致时，需要标准化步骤对数据进行预处理，使得在训练神经网络的过程中，能够加速权重参数的收敛。
 　　过中心化和标准化，最后得到均值为0，标准差为1的服从标准正态分布的数据。
 　　求协方差矩阵的目的是为了计算各维度之间的相关性，而协方差矩阵的特征值大小就反映了变换后在特征向量方向上变换的幅度，幅度越大，说明这个方向上的元素差异也越大（越有投影的必要，矩阵相乘的过程就是投影），故而选取合适的前k个能以及小的损失来大量的减少元数据的维度。
 
2、PCA原理推导
 基于K-L展开的PCA特征提取：
 
5.算法优化方法
 我用了三种方法对其进行优化
 1.采用动量梯度下降算法训练 BP 网络。
 训练样本定义如下：
 输入矢量为
 p =[-1 -2 3 1
 -1 1 5 -3]
 目标矢量为 t = [-1 -1 1 1]
 2. 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯正则化算法（trainbr），用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。其中，样本数据可以采用如下MATLAB 语句生成：
 输入矢量：P = [-1:0.05:1]；
 目标矢量：randn(’seed’,78341223)；
 T = sin(2piP)+0.1randn(size§)；
 3. 采用“提前停止”方法提高 BP 网络的推广能力。对于和例 2相同的问题，在本例中我们将采用训练函数 traingdx 和“提前停止”相结合的方法来训练 BP 网络，以提高 BP 网络的推广能力。在利用“提前停止”方法时，首先应分别定义训练样本、验证样本或测试样本，其中，验证样本是必不可少的。在本例中，我们只定义并使用验证样本，即有
 验证样本输入矢量：val.P = [-0.975:.05:0.975]
 验证样本目标矢量：val.T = sin(2pival.P)+0.1randn(size(val.P))
 值得注意的是，尽管“提前停止”方法可以和任何一种 BP 网络训练函数一起使用，但是不适合同训练速度过快的算法联合使用，比如 trainlm 函数，所以本例中我们采用训练速度相对较慢的变学习速率算法 traingdx 函数作为训练函数。
 参考文献
 
[1] HongZiquan.AlgbricFeatureExcaciofmftfoReonino[JPatteo Recognition. 1991. 22 (1) :43~44.
 [2] Yuille A L Detcction Templates for Face Recognitio[JCognitive Neuroscience , 1991. 191-200
 [3]卢春雨张长水局城区城特征的快速人脸检测法[D北京:清华大学学报.1999.96 (1) ;4-6.
 [4]陈刚,减飞虎实用人脸识别系统的本征脸法实现[D]2001年5月230():45-46.
 [
 5]杜平,徐大为,刘重庆，基F整体特征的人脸识别方法的研究[12003年6月49 (3) ;382-383.
 [6] Chow G, Li X. Towards A System for Automatic Facial Feature Detctio[U] 1993. 2903)2-3.
 [7]杨变若,王煎法,杨未来人脸全局特iE识别研究[Z]1997年11月3(5):; 871-875.
 [8]边肇棋,张学工阎平凡等模式识别D]北京:清华大学出版社2000 302)16-17.
 
致 谢
 
  从毕业设计的选题到论文的指导到最后定稿，期间遇到了无数的困难和阻碍，也曾想过对自己降低要求，也曾想过放弃最初想要坚持的设计，但是最后在孙老师和同学的鼓励和陪伴下，努力克服了所有的困难，独立完成了毕业设计和论文的书写。尤其是要感射我的论文指导老师孙老师，不厌其烦的对我的设计进行指导修改，耐心的帮助我改进设计帮助我搜集相关的资料，感谢孙老师如母亲--般的关怀，在孙老师身上不仅学习到了对学术严谨的态度，更被孙老师亲切无私的个人魅力所感染。

  还要感谢我的同学和其他所有的老师，他们严谨的学术态度，宽容待人严于律己的处世风范都使我受益良多。

　　FPGA国内现状
 
　　目前中国IC厂商在FPGA这个细分领域和国外巨头的差距远远比其他领域要大。
 
　　FPGA技术门槛非常高，核心技术只掌握在及其少数的公司手上，而且xilinx和atlera手头握有6000多项专利，对后进者形成很高的技术壁垒，国内厂商要么和国外巨头专利交叉授权，要么花钱买专利，但当前我们并没有多少专利可以和xilinx和altera进行交叉许可，购买难度更大，这不仅仅是资金的问题。从canyon bridge收购latTIce被美国否决来看，凡涉及到美国国家安全的高新技术公司，我国是不可能通过收购来获得的，latTIce在行业内充其量是第二团队尚且如此，业界领先的企业我国更难获得。
 
　　国内FPGA的发展只能靠自主，虽然这个过程可能会很漫长，但除此之外没有更好的选择。芯片的自主设计是实现信息安全的最底层保障。这也是为什么与信息处理相关的基础芯片（手机芯片、PC处理器等）需要实现自制的原因。在目前FPGA的技术和供给几乎全部来源于美国，包括欧洲和日本等技术强国也没有掌握到核心技术。
 
　　对于中国而言，国家促进集成电路发展已经提升至国家战略。同时特殊的应用场景（军工、导弹、航天航空）的要求的FPGA，国外对中国是禁运的，这也从另一方面促成国内FPGA自制的契机。目前，国内生产的FPGA主要用于军工、通讯、航空航天等领域。
 
　　在民用领域，国内是FPGA需求最大的市场，现在Xilinx、Altera最大的客户就在中国，通讯市场华为中兴烽火包揽了全国60%以上的量。中国FPGA的发展红利在于需求市场足够大，有需求就要有相应产品来支持。这对于国内厂家就是机会，目前，同方国芯片已经和华为中兴合作，想实现一部分的国产替代。
 
　　最后，从技术角度来说，我们已经不像10年前基本不懂核心技术。国内半导体产业链的不断成熟完善，以及芯片设计能力的不断加强，我们自己可以自主设计和流片ARM架构的手机CPU（海思麒麟、大唐联芯），并成功实现商业化，这在10年前都不敢相信。在我们在过去积累的技术沉淀和创新能力，已经使得我们在FPGA的特定应用领域（军工、通讯）实现一定程度上的自我供给。未来也可能类似于CPU+FPGA用于云数据中心节中，这些应用领域都是信息高度敏高的地方，使用自主设计的芯片更能实现安全可控。
 
 
　　中国FPGA的机遇
 
　　为了满足经济发展和国防需求，打破美国的垄断，中国政府多年来投入了数百亿科研经费，通过逆向工程方式仿制美国对我禁运的FPGA产品。但由于知识产权、生产工艺和软件技术等多方面的限制，仿制品种有限，技术无法突破，难以满足国家安全的需要。随着国际形势的变化，通过走私进口禁运产品的渠道可能被切断，进口的关键芯片也可能被人为地嵌入后门通道或定时炸弹等模块，严重危及国家安全。
 
　　我们不得不承认国产FPGA产业与国际巨头还存在较大的差距，不论从产品性能、功能、功耗、软件、应用支撑上都有差距。甚至成本上，我们的优势也不大。
 
　　但是，中国拥有超过50亿元的FPGA市场。“十二五”期间，中国的可编程器件市场仍将保持年均30%以上的增长速度。中国尤其是北京等重要研究部门急需也长期需要FPGA用于国家安全和重点应用，比如航天航空、信息安全、知识产品保护等。此外，中国电子产品市场要求敏捷快速的研发周期和少量多样的产品形态，最适合FPGA应用。
 
　　因此，中国FPGA产业享有巨大的发展空间，机遇与挑战并存。
 
　　全球FPGA市场发展前景展望
 
　　当今，半导体市场格局已成三足鼎立之势，FPGA，ASIC和ASSP三分天下。市场统计数据表明，FPGA已经逐步侵蚀ASIC和ASSP的传统市场，并处于快速增长阶段。
 
　　在全球市场中，Xilinx、Altera两大公司对FPGA的技术与市场仍然占据绝对垄断地位。两家公司占有将近90%市场份额，专利达6000余项之多，而且这种垄断仍在加强。同时，美国政府对我国的FPGA产品与技术出口进行苛刻的审核和禁运，使得国家在航天、航空乃至国家安全领域都受到严重制约。因此，研发具有自主知识产权的FPGA技术与产品对打破美国企业和政府结合构成的垄断，及国家利益意义深远。
 
　　作为一种可编程逻辑器件，FPGA在短短二十多年中从电子设计的外围器件逐渐演变为数字系统的核心。伴随半导体工艺技术的进步，FPGA器件的设计技术取得了飞跃发展及突破。通过FPGA器件的发展历程来看，今后仍将朝下以下几个方向发展：
 
　　·高密度、高速度、宽频带、高保密；
 
　　·低电压、低功耗、低成本、低价格；
 
　　·IP软/硬核复用、系统集成；
 
　　·动态可重构以及单片集群；
 
　　·紧密结合应用需求，多元化发展。
 
　　此外，集成了FPGA架构、硬核CPU子系统（ARM/MIPS/MCU）及其他硬核IP的芯片已经发展到了一个“关键点”，它将在今后数十年中得到广泛应用，为系统设计人员提供更多的选择。例如，以应用为导向，在受专利保护的FPGA平台架构上无缝集成特定功能模块，以形成具备行业竞争优势（高性价比）的独特产品。Altera、Cypress®半导体、Intel®和Xilinx®公司等供应商相继在最近一年发布或者开始发售SoCFPGA器件。
 
　　在FPGA领域，Xilinx和Altera长期稳坐第一第二的位置。根据最新Form-10K数据显示，其分别占有48%和41%的市场份额。其中Xilinx净销售额为23.1亿美元，净收入为6.3亿美元；Altera净销售额为19.5亿美元，净收入为7.8亿美元。这两家公司一直以来是市场和技术的领头羊，而剩余的市场份额被LatTIce占据多数。
 
　　为了在竞争中占据主动，Xilinx与Altera新近分别宣布其下一代FPGA产品都将采用高k金属栅技术的 28nm工艺，以满足诸如云计算、移动互联网和3G应用等领域所不断增长的带宽需求。由于PLD器件采用更高技术的工艺节点制造，无疑可以降低成本、提升性能，尤其是能够改进一直以来为ASIC所诟病的功耗水平，以适应更广阔的设计应用。
 
　　Xilinx和Altera虽然控制世界将近90%的FPGA市场，但是他们的产品是大多以纯FPGA为主。“平台化”已成为FPGA一个发展趋势，尽管Xilinx和Altera在FPGA“平台化”方面在最近几年也有涉及，但概念和特点比较简单，没有完全形成气候。
 
　　权威市场调研机构Gartner 2010年初的预测数据表明，FPGA正处于一个加速增长的市场势态中。未来5年，市场平均增长幅度超过12.6%，这种增长幅度远大于ASIC和ASSP市场。同时，市场数据表明其行业平均毛利大于60%。FPGA行业需要更大的市场规模，以吸引更多的使用者。预计未来5年，随着产量增加，成本进一步降低，FPGA市场份额将会持续增大。
 
 
 
今天先就从FPGA开始说起吧。
 
FPGA——现场可编程门阵列，是指一切通过软件手段更改、配置器件内部连接结构和逻辑单元，完成既定设计功能的数字集成电路。换个简单通俗的介绍方式，就好比一个全能运动员，游泳如孙杨、跨栏像刘翔、网球能力堪比李娜，FPGA就是这么神奇的可以通过设定而实现各种复杂的功能电路。FPGA的核心优点：可编程灵活性高、开发周期短、并行计算可编程灵活性高。同时FPGA也有自身的很多需要解决的问题，FPGA限制因素：成本、功耗和编程设计。
 
 
市场空间：
 
根据权威市场调研机构Gartner数据显示，2014年全球FPGA市场总规模达到50亿美金，其中，中国的市场份额有15亿美金，中国市场占全球市场的三分之一。分析机构预计2015年至2020年全球FPGA市场的年复合增长率为9%，到2020年全球FPGA 市场规模将达84亿美金。
 
具体细分领域来看，在FPGA被用于深度学习之前，FPGA主要有3大应用方向：（1）通信设备的高速接口电路设计，FPGA可以用来做高速信号处理，一般如果AD采样率高，数据速率高，这时就需要FPGA对数据进行处理，比如对数据进行抽取滤波，降低数据速率，使信号容易处理，传输，存储；（2）数字信号处理方向/数学计算方向，包括图像处理，雷达信号处理，医学信号处理等，优势是实时性好，用面积换速度，比CPU快的多；（3）SOPC，即利用FPGA这个平台搭建的一个嵌入式系统的底层硬件环境，然后设计者在上面进行嵌入式软件开发。
 
FPGA国际市场
 
1984年Xilinx刚刚创造出FPGA时，它还是简单的胶合逻辑芯片，而如今在信号处理和控制应用中，它已经取代了自定制专用集成电路（ASIC）和处理器。短短30年的历史长河中，超过上百家行业巨头杀入这个市场，不过最后大部分都铩羽而归。这些公司包括了Intel、Philips、Agere Systems、AMD以及摩托罗拉等国际知名的芯片设计厂商。这是因为，赛灵思和Altera在这个领域深耕几十年，两家持续不断地军备竞赛，占据了90%市场，提前布局的专利保护对后来者形成了强大的市场壁垒，几乎封锁了所有通向FPGA商用产品的通途。而Microsemi和latTIce，QuickLogic曾经挑战他们的霸主地位，但是他们的市场份额加起来也不到10%。而最后也因为种种原因市场份额不断下滑，并没有实现对双寡头的突破和挑战。
 
可以说，FPGA是全球芯片设计业最需要技术和垄断突破的产品之一，在所有的芯片领域中属于最难以突破和打破格局的技术产品。
 
Xilinx：发明的FPGA颠覆了半导体世界，创立了Fabless（无晶圆厂）的半导体模式。Xilinx的产品组合融合了 FPGA、SoC 和 3DIC 系列 All Programmable 器件，以及全可编程的开发模型，包括软件定义的开发环境等。产品支持 5G 无线、嵌入式视觉、工业物联网和云计算所驱动的各种智能、互连和差异化应用。2014年12月，Xilinx的20nm芯片实现量产，2015年Xilinx紧接着推出新的16nm FPGA和SoC，并采用新型存储器UltraRAM，因此继28nm和20nm之后，继续在行业中保持领先。公司产品纵向布局各个制程，因为20nm、28nm、40nm等制程的产品会在市场共存，以满足复杂度不同的各种应用。
 
Altera：是世界上“可编程芯片系统”（SOPC）解决方案倡导者。结合带有软件工具的可编程逻辑技术、知识产权(IP)和技术服务，在世界范围内为14,000多个客户提供高质量的可编程解决方案。2015年，英特尔宣布以167亿美元收购FPGA厂商Altera。这是英特尔公司历史上规模最大的一笔收购。随着收购完成，Altera将成为英特尔旗下可编程解决方案事业部。在和Xilinx的制程战之争中，两家巨头各领风骚，Altera路线图中，最近的产品系列"Cedar"（替代Cyclone）采用了台积电16nm工艺将在2016年上半年交付使用。"Oak"系列采用英特尔的14nm工艺，于2016年下半年交付，"Sequoia"采用英特尔的10nm工艺，将于2018年上市Altera将赢得10nm工艺节点之战。
 
LatTIce：LatTIce（是全球智能互连解决方案市场的领导者，也是全球第二大FPGA厂，提供市场领先的IP和成本低、功耗小、小尺寸的器件。产品主要有三大块：可编程逻辑；视频传输；毫米波解决方案。公司的最终用户主要是通讯、计算机、工业、汽车、医药、军事及消费品市场的原始设备生产商。在双大哥的夹击之下，LatTIce的路也是走的越发艰难，在中高端市场难以与前两者抗衡。
 
中国的破局
 
紫光集团想通过购买Lattice快速发展，受到美国外国投资委员会(CFIUS)的审查和特朗普政府的反对后收购以失败告终。那对于国内FPGA如何破局，如何发展，在无法通过外延引入技术的条件下，国内也只能通过人研发和技术积累打破当前的这种格局。
 
京微雅格：公司聚集了最早在FPGA行业耕耘与尝试的一批技术精英，他们采用了SoC FPGA的战略，片上整合了DSP、Memory、MCU等单元的CME-GM7系列，试图通过整合的优势打破FPGA市场的壁垒。这个公司实际上有两条产品线：1、自身从头研发的，面向中低端市场的金山系列；2、收购美国CSwitch的产品线，面向高速通信市场。
 
产品型号：M7华山系列；HR3纯FPGA低功耗系列；M5金山系列；M1衡山系列。
 
不过比较可惜是，在特定的国内行情和市场环境下，公司在发出自己最强音后也由于种种原因走入困境，让自己举步维艰。FPGA对技术支持的门槛相当高，由于京微雅格没有办法做到Pin-Pin，所以需要每一个产品都要有技术工程师保持长时间的维护和跟进，但是产品的成功率还可能不到10%，这样的市场环境下，公司会陷入一种非常被动的局面，长时间的战略失误让京微雅格陷入了人才、资本和发展僵局。
 
京微雅格的失败有很多值得思考的地方，FPGA产业的成功不仅在产品，还在于产品线的生态系统平台建设。这个生态系统平台包括：FPGA芯片、EDA工具、IP库……缺一不可。完善的生态系统能够提供给用户更全面的设计资源，从而突出系统优势，迅速适应各种市场应用变化，快速抢占市场高地。同时，市场上的认可是决定芯片厂商能不能在高速的产品迭代中实现技术和资金的积累的重要因素，任何不被市场接受的高性能产品都是失败的。
 
黄埔军校之后的国内格局
 
京微雅格在FPGA上的努力和成果给了本土后继者很大的动力；京微雅格很多的技术研究人员在进入了后续成立的上海安路科技，AGM和高云半导体团队里。也就是说，京微雅格在中国FPGA领域的开山鼻祖一样的存在使得散乱后的技术人才分散都国内其余的公司中，成为了人才与技术的黄埔军校。
 
高云半导体：高云半导体的CEO朱璟辉和SVP宋宁都来自于Lattice团队，尤其是朱璟辉，从清华大学毕业后，1996年-2011年任职Lattice，历经七代FPGA产品的研发，曾获得11项美国专利，5项中国专利，目前还是科技部863计划的可编程器件重大专项的技术负责人。而另一个核心人物宋宁除了任职Lattice高工，还任职过Cadence高工。目前负责高云半导体FPGA全流程软件开发，对FPGA架构、硬件设计、软件研发同步开发有独到经验。所以，Synopsys为高云提供前SynplifyPro高云版端软件软件，也是中国唯一由新思授权的FPGA前端软件。
 
低密度非易失性FPGA已经完全取代传统CPLD，并成为低密度FPGA市场的绝对主力，每年约5亿美元的市场销量。可以说，高云半导体切入和对标的是Altera MAX V10和Lattice XO2/3；100万门-500万门易失性FPGA产品，采用台积电55nm基于SRAM，可与Xillinx Spartan及Altera Cyclone系列PK。近日，高云宣布研发成功了GW3AT-100，这是国内首款28纳米中高密度FPGA，由台积电代工。
 
上海安路科技：上海安路信息科技有限公司成立于2011年，总部位于浦东张江，创始人为文余波。公司创始人及核心团队来自海外高级技术管理人才、国外FPGA公司产品开发骨干以及学术界资深FPGA科研人员组成。公司研发团队60%以上是复旦、交大、UCLA、UIUC等国内外高校的硕士或者是博士，具有很强的研究能力和设计水准。核心工作成员大多数在世界前五的FPGA公司和EDA公司中从事数十年以上技术研和管理工作，参与开发了多款世界领先的FPGA 芯片和最好的EDA 开发系统。安路当前已经形成了从小规模CPLD（Elf-300、Elf-650）到2百万门FPGA（EG-4、AL3-6、AL3-10、AL3-S10、EG-20、EG-D20）的系列器件，以及一颗已经实际应用了的千万门级FPGA IP核（AL3-130）。华大半导体入股之后，其作为国内最大的国产EDA软件商华大九天与作为自主FPGA厂商安路科技，双方在EDA工具上的合作空间，包括互补性上，都具有很大的想象力。
 
AGM：上海遨格芯微电子有限公司(AGM)成立于2012年，是国内领先的以可编程逻辑技术为基础，提供应用市场SoC芯片的半导体集成电路无生产线设计公司。由来自美国硅谷知名可编程逻辑芯片企业的团队和国内资深工程团队创办。AGM是以开发自主产权的编译软件开始，兼容切入现有FPGA软件的生态链。看到智能手机风口的AGM也不失时机出了一款用于智能手机和loT的FPGA芯片，在助力客户逐渐退出低端市场之时，把握住机会，通过价格优势抢夺低端市场。通过最近几年的不断地产品迭代和市场扩展，AGM悄悄地积累了比较稳定的客户，产品线也开始丰富起来，成为了国内FPGA的一批发展迅猛的黑马。
 
同创国芯：国产化替代率最大，利润最高的军工院所应用市场，基本上被同创国芯（深圳国微）垄断。连当年的竞争对手成都华微，也是基本没有了声响。而且，同创国芯的民用拳头产品Titan PGT30G已量产，该系列芯片可编程逻辑器件采用了完全自主产权的体系结构和主流先进制造工艺，带有DDR3和PCIe接口，是国内少有的千万门级FPGA。另外采用了台湾联华UMC代工先进的40nm制程，在国内领先。正在中兴通讯，烽火通信试用。
 
FPGA行业的发展靠自力更生
 
国内FPGA的发展只能依靠自主，这个必然需要漫长的等待和尽心的呵护，但除此之外没有更好的选择。芯片的自主设计是实现信息安全的最底层保障。这也是为什么与信息处理相关的基础芯片（手机芯片、PC处理器等）需要实现自制的原因。在目前FPGA的技术和供给几乎全部来源于美国，包括欧洲和日本等技术强国也没有掌握到核心技术。
 
对于中国而言，国家促进集成电路发展已经提升至国家战略。同时特殊的应用场景（军工、导弹、航天航空）要求的FPGA是涉及到国家安全和领土安全的，对芯片的要求也会比较严谨，但这一块本身高性能的产品国外对中国是禁运的，这也从另一方面促成国内FPGA自己满足的契机。目前，国内生产的FPGA主要用于军工、通讯、航空航天等领域。
 
在民用领域，国内是FPGA需求最大的市场，现在Xilinx、Altera最大的客户就在中国，通讯市场华为中兴烽火包揽了全国60%以上的量。同时人工智能芯片需求的高速并行计算对FPGA芯片的需求也在几十亿美元的数量级，而国内是人工智能高速芯片发展最快，需求最大的市场。中国FPGA的发展红利在于需求市场足够大，有需求就要有相应产品来支持。这对于国内厂家就是机会，目前，同方国芯片已经和华为中兴合作，想实现一部分的国产替代。
 
最后，从技术角度来说，我们已经不像10年前基本不懂核心技术。国内半导体产业链的不断成熟完善，以及芯片设计能力的不断加强，我们自己可以自主设计和流片ARM架构的手机CPU（海思麒麟、大唐联芯），并成功实现商业化，这在10年前都不敢相信。在我们在过去积累的技术沉淀和创新能力，已经使得我们在FPGA的特定应用领域（军工、通讯）实现一定程度上的自我供给。未来也可能类似于CPU+FPGA用于云数据中心节中，这些应用领域都是信息高度敏高的地方，使用自主设计的芯片更能实现安全可控。
 
后面，我还要说说我和IC界的朋友交流和我自己的一些感悟。
 
1.大家为什么对于技术的追求会停留下来。因为对于很多人来说，等到技术产生产品并融到资金后，实现技术积累到资本积累了。技术再产生的价值短时间内比资本产生的价值会慢很多，多数人会从技术上转向资本市场。这样一遍遍反反复复，所以能看到在技术达到一定的平台后会长时间的原地踏步，后来者也会跟随前面人的脚步。
 
2.所谓的产业扶持，切不可本末倒置和打着旗帜反革命。芯片不简单的是需要资本的支撑，因为不完善与不合理的资本炒作反而会使的行业在潮水退去后一地鸡毛。芯片更多的属于技术积累型行业，所有的产品和参数都需要技术员工在工作中不断地去突破和思考，而对于这样一群工程师来说，报酬如果不匹配劳动支出，行业内的技术人才出走与流失是再自然不过的事情了。因此，产业的扶持不仅仅是资本对公司层面的支撑，更需要落实到一个个基层中的技术员工。
 
3.芯片行业起步容易，往上层走会很难。芯片做到一定程度后，不再是简单的技术积累能解决的，一定需要对物理和数学有比较深的认知，在整个高的角度去处理基础难点，而这对人才的需求地要求是非常高的。
 
4.市场需求端，任何一种芯片从推出到应用，需要几代产品的更迭。国内芯片起步晚，产品性能和国外差距较大，因此会形成一种困局：国内应用端不用国内产品，国内产品更迭跟不上会导致公司倒闭或者产品无法持续更新。国外芯片行业干了几十年，技术路线上的坑和陷阱被先行者填补了很多，而芯片行业并不存在后发优势，之前别人留下的坑还会继续存在哪里，甚至还需要去避免国外厂商在探索过程中申请的成千上万的知识产权保护新增的坑。
 
5.芯片行业的国产化任重而道远，我们需要在整个过程中慢慢的去探索。急功近利和空喊口号只不过给了投机分子空间可钻。呵护芯片行业同时也要提升技术人员的福利。

 
 

 

 

  
现在不是PoS公链们说放弃的时候，也不是我们放弃PoS公链们的时候。未来，PoS公链还需要进行更加深入的探索。公链必须继续摆脱比特币的辉煌继续往前走，否则，公链叙事便会跌落到澳本聪所说的「最后只剩比特币一条链」的可悲情景中去。
 
 
作者 | 江小渔

 
出品 |碳链价值（ID：cc-value）
 
封图 | CSDN 下载自视觉中国
 
自2020年以来，「比特币减半」和「央行数字货币」就一直是圈内最火热的话题。相比之下，2019年分外火爆的PoS明显冷淡了许多，无论是讨论热度还是关注人群都不复往年。于是有很多人心中产生疑问：PoS是不是不行了？它的前途究竟在哪儿？其面临的问题和发展趋势又如何呢？
 
本文试图对这些问题进行讨论。
 

 
比特币的成功不能证伪PoS
 
一种观点认为，基于PoW共识机制的比特币已经在加密货币中获取了全面胜利，而基于PoS共识机制的加密货币则已经基本失败。因此可以断定：PoS已是昨日黄花。

 
不过，这种观点是错误的。
 
确实，目前真正在社区里获得广泛共识的比特币和以太坊，都是基于PoW共识机制的币种；而采用DPoS共识机制的EOS，以及采用PoS共识机制的Cosmos、AIgorand等其他项目，都只光鲜了一时，后面不仅币价大跌，社区也基本失去了声音。再加上2019年，有不少项目方借着PoS 这股风潮滥发币种，主网却迟迟不上线，薅到钱就走，一些投资者对PoS产生了不好的观感。这些都是客观事实。然而，我们不能因此就断定PoW比PoS强，PoW生态一定比PoS生态繁荣，甚至提前给PoS判死刑。原因如下：
 
首先，比特币的成功不代表其他PoW币种都能像其一样成功。事实上，在比特币之后，有很多项目方（例如莱特币、狗狗币、质数币等老币种）都采用了PoW共识机制，但都远不如比特币。目前PoW项目中市值占比较高的BCH、BSV都是比特币的分叉产物，与其说是作为PoW项目而成功，不如说是因为具有「比特币性」（Bitcoinness）而成功。
 
为什么会出现这种局面？究其原因，作为一种较为低效、去中心化效果更好的共识机制，PoW更适用于低频、单个区块价值承载量高的领域。这样的特性，注定让PoW公链上难以跑大型游戏，或者跑日常应用，但却非常适合用来打造对「去中心化」要求较高的「电子货币」或「数字黄金」。
 
不过，货币天然具有「共识收敛」和「赢者通吃」的特性。昔日号称「比特金，莱特银」的莱特币，其市值现在已经不足比特币的2%；在比特币硬分叉后曾试图与比特币一争高下的BCH，其市值现在也已经不足比特币的3%。而至于差异化发展的门罗币和达世币（曾经也是风光无限的矿币），他们的市值只剩下比特币的千分之二了。
 
可以预见的是，PoW的币种越多，除比特币外的其他币种能在市场上获取的共识也就越割裂，他们相对于比特币的竞争力也就越差。其最后结果，就是这些不跑应用、意图做「电子货币」的PoW币种共识统统被比特币收割。2019年，Grin和Beam一度火透了半个币圈，现在却已基本淡出主流投资者的视线之外，其原因正在于此。
 
因此，比特币的成功，对PoW项目们来说不仅不是一件好事，反而是摆在眼前的发展障碍。比特币不倒，其他依托PoW共识机制做「货币性」项目的团队，基本看不到胜利的希望。
 
以太坊在其非常早期的时候，也曾致力于做一个更好的比特币，但幸运的是后面及时调整了愿景和构想，放弃了电子货币的目标，转向了全球虚拟计算机。智能合约与应用，让以太坊走上了一条完全不同于比特币的道路，最后从其他PoW项目中脱颖而出。
 
不过，随着以太坊的日渐发展，PoW越来越不能够满足以太坊对性能扩展的需要。早在两年前，以太坊就开始准备转向PoS。近日，以太坊 2.0 开发者 Ben Edgington 在以太坊线上虚拟峰会中表示，以太坊 2.0 的 Staking 服务最早将在今年7月启用。
 
从历史的角度来看，我们不仅不能因为暂时的失利而为PoS领域预设悲观立场，还要继续深入研究它。比特币是不可复制的。公链从业者们不要老想着回头去复制经典，而要不断往前走，为公链领域开辟新的道路。
 

 
PoS的理想和问题
 
在肯定PoS发展方向的同时，我们也要给PoS泼一瓢冷水。
 
——我们无法断言PoS就是公链的未来。当前，PoS公链遇到了诸多问题，这也是导致许多参与者对其心灰意冷的原因。
 
摆在PoS公链眼前的第一个问题，就是缺乏使用场景。高性能的公链做出来了，却找不到用途，结果就是链空在那里无人使用，币进入金融市场沦为炒作标的。这样一来，不管公链背后的研发团队有多牛，学术光环有多强，最后项目本身还是变成了「割韭菜」的噱头，只不过比某些低俗项目方看起来要高端罢了。
 
从笔者获取的信息来看，一些背景优秀的PoS项目方其实是想在行业中做一番事业的，他们老老实实做研发和推广，尽量不碰金融市场，让市场自己决定价格。可惜，由于所做的公链缺乏使用场景，项目代币无法从实际用途中捕获价值，最后这些币种还是被交给了金融市场中的大炒家定价，损害了整个生态的长期发展。
 
有人会问：「比特币不也缺乏使用场景吗？你无法用比特币来承载大量的智能合约，更无法用比特币来跑应用，但这也不妨碍比特币获取广大共识吧。」
 
然而，比特币所做的事情是成为「数字黄金」，成为一种价值贮藏的货币。这种特殊的产品本身是可以不具备任何使用价值的，只要不断凝聚人们的共识便可以成功。正如文章前面提到的，由于货币的「赢者通吃」属性，在比特币获取最强网络效应后，其他任何一种币种难以复制比特币的模式。事实上，不仅是PoS币种需要找到使用场景，任何一种想要获得长远成功的加密货币都应该找到使用场景，不然要么被比特币吞噬共识，要么沦为市场上的投机标的。
 
摆在PoS公链眼前的第二大问题，则是治理的失败，甚至是缺位。
 
最初，人们对PoS机制抱有很高期望。在PoS机制被推出之前，开发者们抨击PoW，称它将公链最为关键的决策权交给了矿工而不是持币者，让持币者的利益被矿工代表。此外，由于缺乏必要的治理机制，社区会为一些关键问题吵得不可开交，最后不仅问题没有解决，反而使链分叉。
 
以比特币扩容为例，比特币的扩容必须获得多数矿工的同意才能执行，然而受地理位置、电费条件、矿机生产等多因素限制，比特币的矿工群体高度集中在中国。这样一来，比特币最为关键的扩容事项就变成了一国之内某些大矿工的决定。再加上比特币的矿工群体逐利性极强，缺乏对比特币生态和愿景的必要认知，开发者、比特币持币者和矿工之间便充满了矛盾。比特币持币者抱怨自己的声音被矿工们代表，比特币开发者抨击不懂开发的矿工根据自己的利益选择比特币的发展方向，而承受了诸多压力的矿工则把开发者们骂了个狗血淋头。在这种情况下，社区最后陷入了分裂。
 
社区是复杂的。一个好的社区必须要有好的治理。它既能协调社区的利益，不能让生态的某一个环节独占了生态的话语权，又能有一个比较低的治理门槛，尽量让大多数人都参与到社区治理中来。在中本聪的早期构想中，比特币以CPU的形式进行挖矿，可以实现电脑的「一人一票」。（只要你拥有一台电脑就能挖取比特币，然后参与决策。）但在后来，随着挖矿设备不断升级，挖矿门槛也越来越高，普通人很难参与到社区治理了。比特币的治理从此告别机器民主，被少数精英垄断。
 
相较于PoW，PoS曾经试图提供一个让普通人参与社区治理的机会，即「持币者天然持有选票」。然而，随着Staking的兴起，这种机制迅速滑向了资本主义（谁手里的币多谁说了算），持币者的票权被集中到了少数大节点手中。在绝大多数持币者看来，选择把票投给某个节点的核心标准就是节点给多少收益，至于节点为社区做出了哪些贡献，提出了哪些决议，持币者们一概不研究。如此一来，社区治理约等于无。
 
在PoS机制被大规模投入实践之前，许多人曾对它抱有美好的幻想：它是比PoW更为民主的机制；它是提升TPS的机制；它是适合社区治理与协商的机制。但在PoS币种主网纷纷上线后大家才发现，无论是什么PoS币种，他们的大节点永远都是那几十个公司。这些公司熟于运营持币者社群，有的干脆就是大型交易所自己下场做节点，比如币安、火币、OK、库币等。在最严重的情况下，某些交易所甚至可以垄断一个PoS社区。
 
就像大家曾经质疑比特币被中国矿工们垄断一样，人们也质疑PoS币种已被交易所们玩弄于股掌之中。Steemit事件就是一个很好的例证：虽然社区决定赶走「野蛮人」孙宇晨，但由于孙宇晨和币安之间的关系，币安最终挪用了用户的代币投票支持了孙宇晨，最后社区不得不采用硬分叉的方式捍卫自己的利益。
 
虽然PoS曾想发起一场革命，但这场革命很快就受到了腐化，演变成了PoW那样少数节点巨头控制全网的局面。如何应对这样的局面，是值得我们深入思考的。
 
 
 

 
一种构想：将投票权和收益分离
 
 
 
如何给PoS币种找到应用场景，或者说有哪些应用场景适合在PoS公链上运营，这是业界正在积极探索的话题，完全值得重写一篇文章进行讨论，在此就不提了。我们可以确定的是，在以太坊（承载了圈内最强DeFi生态）转向PoS后，这个问题的走向将逐渐明朗起来。
 
眼下，治理可能是一个更为长远和关键的问题。和联盟链不同的是，公链是由社区驱动的。比特币和以太坊的成功，是其社区理想主义和实用路线并济的产物；然而现在的PoS代币，其社区早已沦为了炒币社群。真正能为公链长远发展起到卓越贡献的人物寥寥无几，持币者们纷纷将代币抵押给少数节点，以换来一些微薄的利息。在他们这样做的同时，也把手里的投票权和决策权让渡给了少数节点，让他们主导项目发展的走向。当一个项目的话语权被少数节点垄断，这个项目的玩家就难以扩张，其生命力也就慢慢枯萎了。
 
PoS走到了这样一个局面，是因为「民主」本身错了吗？不是。其根本原因，在于PoS给予持币者们的是一种「虚假的民主」。它把政治与投资混为一谈，向持币者提供了天然的贿选场所。它告诉投资者们：把票权给大节点，然后大节点给你钱。它不鼓励持币者们参与治理，反而鼓励持币者们用票换钱。这无疑是可悲的。
 
PoS币种们若想走出这种困境，就不得不考虑将社区治理和持币收益分离。如西方哲言所说，要「让上帝的归上帝，让凯撒的归凯撒」；同样，应当「让治理的归治理，让金钱的归金钱」。如果分不清这两点，就无法建立一个能够不断自发向外扩张的社区。
 
然而，我们应当如何实现这一点呢？
 

 
Staking注定是一门生意
 
我们不能把社区的未来押注在对社区成员的道德水准和责任心之上，不能要求他们放弃自己的利益，凭借基本的道德把票投给那些给钱少但干事多的节点。事实上，人性都是逐利的，Staking的金融属性只会越来越强，其治理属性则只可能越来越弱。Staking已然在金融化的道路上一路狂奔，这是一个无法逆转的趋势。
 
从项目方的角度来看，Staking的初衷是维护链本身的安全性：全网被质押的代币越多，链的安全性越高。此外，Staking意在鼓励持币者参与社区治理，那些不委托参与节点治理和社区投票的持币者们无法获得收益，只能坐视通胀和手中的权益稀释。
 
Staking机制设计的本意是很理想的。然而，多数人真正关心的是怎样赚钱。
 
Stafi团队指出了参与staking用户的核心诉求：「一般情况下，进行质押的代币会被锁仓一定的时间，如 ATOM 是 21 天，Tezos 是 21 天，IOTX 是 7 天，PCX 是 3 天。需要注意的是锁仓期间的代币无法进行交易，加密代币的价格波动比较大，锁仓的质押代币也承担了风险，虽然质押后有一定的年化收益，但二级市场上的波动很可能会抵消对应的法币收益，甚至有可能使收益变成负数。
 
Cosmos和Tezos之所以设置这么长的质押解绑时间，就是为了防止大节点作恶，或者说能够有充足的时间发现节点的恶行并施加惩罚。但对于普通持币者来说，质押时间过长就意味着，为了拿到那百分之几到百分之十几的币利，必须承担长期质押带来的币价变动风险。这里出现了一个微妙的利益缝隙·。
 
说得更露骨一点，大多数持币者根本不在乎是否能够参与社区治理，更不觉得自己对社区有什么责任，持币就是为了炒币。Staking冻结了流动性，让他们无法「愉快地」炒币，这才是用户希望解决的痛点。
 
于是，以Pool-X为代表的Staking质押权流动性市场应运而生。在这个流动性市场里，用户可以交易质押资产，从而快速退出质押状态。这项崭新的业务进一步加深了Staking的金融化——它相当于为用户尚未到期的资产发行了一个债券，让用户在资产到期之前便可以交易退出。
 
在Pool-X之后，币安等其他大型交易所纷纷跟风，推出了Soft-Staking，其本质是为用户提供了一个随时都能取走的活期存款业务。基于 Substrate 开发的提供质押资产流动性的去中心化协议Stafi也随之问世，不久就获得了 Web3 基金会 Grant。
 
在流动性市场兴起后，用户的交易需求进一步得到满足，Staking的治理属性则愈发弱化，治理更加变成了少数大节点们的游戏。这正是Steemit事件发生的背景。
 

 
治理的曙光：预算系统
 
从市场给出的答案来看，Staking的金融属性已经完全压倒了其治理属性。设计师们原本指望PoS创造一个人人参与，用币投票的社区，结果却自发衍生出了一系列的金融产品，所谓的人人参与治理也变成了人人参与交易和投机。
 
既然Staking的高度金融化是市场的选择，那么指望Staking褪去金融属性，增强社区治理肯定是不现实的。若要重塑治理，需要引入新的机制。
 
在这里，达世币（Dash）为我们提供了一种可供借鉴的思路。在达世币的一个区块被挖出后，45% 区块奖励给矿工、45% 给主节点，另外 10% 给了「预算系统 DASH DAO」。这个组织能从区块奖励中抽取 10% 的费用，为网络发展提供激励和预算。（相比之下，比特币是把所有的区块奖励都给矿工。）
 
值得一提的是，社区中的任何人都可以申请DASH DAO 的预算，只不过提交议案有一定成本。在提交议案后，主节点将对提案进行投票，赞成票-反对票>主节点总量的 10% 即可通过。
 
可惜，Dash的目标是成为比特币的竞品。在比特币强大网络效应的基础上，我们很难指望Dash杀出重围。但Dash所采用的「预算系统」确实可以为当下治理缺位的PoS币种提供新的设计思路。
 
匿名币Zcash也采用了和Dash较为相似的治理模式，但这种治理模式是半中心化的。该币种设置了创始人奖励（Founder’s reward），会自动抽取矿工奖励的 20% 给开发者。这种做法确保了开发进程的可持续性，但留给社区讨论的空间并不大，因而参与度也不高。
 
在国内，EOSC对预算系统进行了较为激进的探索，区块奖励中进入预算系统的资金高达30%。所有社区成员（无论是开发者还是推广者）都可以向预算系统申请资金，并用这笔钱为社区服务。由于从预算申请到预算审批再到拨款，整个过程都在链上，全程公开透明，因此较好地摆脱了个别势力的操纵。
 
而以治理闻名的DCR，自然也少不了预算系统。DCR采用的「链下POLITEIA提案系统」，是一个抗审查并且区块链锚定的公共提案系统，任何用户可以按规范提交相关项目发展提案，所有持有者进行投票表决，通过后可以从社区基金中筹措资金。DCR社区认为，这样可以将项目打造成一个自我输血供血的生命体。
 
除了上述这些项目之外，也有一些新的项目计划配置预算系统，比如Pool-X等。
 
从历史经验来看，一个开放、具有生命力和扩张力的社区，是一条公链成功的前提。没有社区，「公链」的「公」字就说不通，就可以去掉，退化成联盟链。在Staking丧失治理属性后，内嵌在项目内的预算系统让PoS项目有了重燃活力的可能，这是PoS之幸。
 

 
小结

 
比特币是公链最惊艳的开端。但在其问世后的十年时间里，众多公链中竟未能形成新的、真正划时代的公链，这不免令人惋惜。
 
从当下看，PoS仍然是公链最值得尝试的一个方向。不过，在实践过程中，PoS公链也暴露出来了两大问题：第一，未能同实际使用场景相结合；第二，公链内部缺乏治理。这些问题制约着PoS公链的推广和发展。
 
现在不是PoS公链们说放弃的时候，也不是我们放弃PoS公链们的时候。未来，PoS公链还需要进行更加深入的探索。公链必须继续摆脱比特币的辉煌继续往前走，否则，公链叙事便会跌落到澳本聪所说的「最后只剩比特币一条链」的可悲情景中去。
 
声明：翻译/转载内容仅为传递更多行业声音，不代表 CSDN 区块链大本营立场与任何投资建议，投资有风险，请谨慎辨别。
 

 

 
推荐阅读
 
力挺比特币的世界第2交易员：仅次于索罗斯，连续25年无亏损
Python开发之：Django基于Docker实现Mysql数据库读写分离、集群、主从同步详解 | 原力计划
全球Python调查报告：Python 2正在消亡，PyCharm比VS Code更受欢迎
无代码来了，还要程序员吗？
再见，Eclipse | 原力计划
 
老铁们在看签个到！