武漢地區(qū)嵌入式培訓(xùn)機構(gòu)_對嵌入式系統(tǒng)中目標識別技術(shù)的分析

小嵌

武漢地區(qū)嵌入式培訓(xùn)機構(gòu)_對嵌入式系統(tǒng)中目標識別技術(shù)的分析,   

（文章來源：電子工程網(wǎng)）

目標檢測和識別是計算機視覺系統(tǒng)的一個必不可少的組成部分。在計算機視覺中，首先是將場景分解成計算機可以看到和分析的組件。

計算機視覺的第一步是特征提取，即檢測圖像中的關(guān)鍵點并獲取有關(guān)這些關(guān)鍵點的有意義信息。特征提取過程本身包含四個基本階段：圖像準備、關(guān)鍵點檢測、描述符生成和分類。實際上，這個過程會檢查每個像素，以查看是否有特征存在于該像素中。

特征提取算法將圖像描述為指向圖像中的關(guān)鍵元素的一組特征向量。本文將回顧一系列的特征檢測算法，在這個過程中，看看一般目標識別和具體特征識別在這些年經(jīng)歷了怎樣的發(fā)展。Scale Invariant Feature Transform （SIFT）以及 Good Features To Track （GFTT） 是特征提取技術(shù)的早期實現(xiàn)。但這些屬于計算密集型算法，涉及到大量的浮點運算，所以它們不適合實時嵌入式平臺。

以SIFT為例，這種高精度的算法，在許多情況下都能產(chǎn)生不錯的結(jié)果。它會查找具有子像素精度的特征，但只保留類似于角落的特征。而且，盡管 SIFT 非常準確，但要實時實現(xiàn)也很復(fù)雜，并且通常使用較低的輸入圖像分辨率。

  

因此，SIFT 在目前并不常用，它主要是用作一個參考基準來衡量新算法的質(zhì)量。因為需要降低計算復(fù)雜度，所以最終導(dǎo)致要開發(fā)一套更容易實現(xiàn)的新型特征提取算法。Speeded Up Robust Features （SURF） 是最早考慮實現(xiàn)效率的特征檢測器之一。它使用不同矩形尺寸中的一系列加法和減法取代了 SIFT 中浩繁的運算。而且，這些運算容易矢量化，需要的內(nèi)存較少。

接下來，Histograms of Oriented Gradients （HOG） 這種在汽車行業(yè)中常用的熱門行人檢測算法可以變動，采用不同的尺度來檢測不同大小的對象，并使用塊之間的重疊量來提高檢測質(zhì)量，而不增加計算量。它可以利用并行存儲器訪問，而不像傳統(tǒng)存儲系統(tǒng)那樣每次只處理一個查找表，因此根據(jù)內(nèi)存的并行程度加快了查找速度。

然后，Oriented FAST and Rotated BRIEF （ORB） 這種用來替代 SIFT 的高效算法將使用二進制描述符來提取特征。ORB 將方向的增加與 FAST 角點檢測器相結(jié)合，并旋轉(zhuǎn)BRIEF描述符，使其與角方向?qū)�齊。二進制描述符與FAST和Harris Corner 等輕量級函數(shù)相結(jié)合產(chǎn)生了一個計算效率非常高而且相當準確的描述圖。

  

配有攝像頭的智能手機、平板電腦、可穿戴設(shè)備、監(jiān)控系統(tǒng)和汽車系統(tǒng)采用智能視覺功能將這個行業(yè)帶到了一個十字路口，需要更先進的算法來實現(xiàn)計算密集型應(yīng)用，從而提供更能根據(jù)周邊環(huán)境智能調(diào)整的用戶體驗。因此，需要再一次降低計算復(fù)雜度來適應(yīng)這些移動和嵌入式設(shè)備中使用的強大算法的嚴苛要求。

不可避免地，對更高精度和更靈活算法的需求會催生出矢量加速深度學習算法，如卷積神經(jīng)網(wǎng)絡(luò) （CNN），用于分類、定位和檢測圖像中的目標。例如，在使用交通標志識別的情況下，基于 CNN 的算法在識別準確度上勝過目前所有的目標檢測算法。除了質(zhì)量高之外，CNN 與傳統(tǒng)目標檢測算法相比的主要優(yōu)點是，CNN 的自適應(yīng)能力非常強。它可以在不改變算法代碼的情況下快速地被重新“訓(xùn)練（tuning）“以適應(yīng)新的目標。因此，CNN 和其他深度學習算法在不久的將來就會成為主流目標檢測方法。

CNN 對移動和嵌入式設(shè)備有非�？量痰挠嬎阋�求。卷積是 CNN 計算的主要部分。CNN 的二維卷積層允許用戶利用重疊卷積，通過對同一輸入同時執(zhí)行一個或多個過濾器來提高處理效率。所以，對于嵌入式平臺，設(shè)計師應(yīng)該能夠非常高效地執(zhí)行卷積，以充分利用 CNN 流。

事實上，CNN 嚴格來說并不是一種算法，而是一種實現(xiàn)框架。它允許用戶優(yōu)化基本構(gòu)件塊，并建立一個高效的神經(jīng)網(wǎng)絡(luò)檢測應(yīng)用。因為 CNN 框架是對每個像素逐一計算，而且逐像素計算是一種要求非常苛刻的運算，所以它需要更多的計算量。

CEVA 已找到兩種其他方法來提高計算效率，同時仍繼續(xù)開發(fā)即將采用的算法，如 CNN。第一種是并行隨機內(nèi)存訪問機制，它支持多標量功能，允許矢量處理器來管理并行負載能力。第二種是滑動窗口機制，它可以提高數(shù)據(jù)的利用率并防止相同的數(shù)據(jù)被多次重復(fù)加載。大多數(shù)成像過濾器和大型輸入幀卷積中都有大量的數(shù)據(jù)重疊。這種數(shù)據(jù)重疊會隨著處理器的矢量化程度增加而增加，可用于減少處理器和存儲器之間的數(shù)據(jù)流量，從而能降低功耗。這種機制利用大規(guī)模數(shù)據(jù)重疊，允許開發(fā)人員在深度學習算法中自由實現(xiàn)高效的卷積，一般會使 DSP MAC運算達到極高的利用率。

目標識別的深度學習算法又一次提高了計算復(fù)雜度的門檻，因此需要一種新型的智能視覺處理器，這種視覺處理器應(yīng)該能夠提高處理效率和準確度以應(yīng)對面臨的挑戰(zhàn)。CEVA-XM4- CEVA 最新的視覺和成像平臺，結(jié)合了視覺算法專業(yè)知識與處理器架構(gòu)技術(shù)，提供了一個經(jīng)過精心設(shè)計的視覺處理器來應(yīng)對嵌入式計算機視覺的挑戰(zhàn)。
         （責任編輯：fqj）