向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

嵌入式系统中的目标识别技术

时间:2017-01-17 阅读:
目标检测和识别是计算机视觉系统的一个必不可少的组成部分。在计算机视觉中,首先是将场景分解成计算机可以看到和分析的组件。
EETC https://www.eet-china.com

计算机视觉的第一步是特征提取,即检测图像中的关键点并获取有关这些关键点的有意义信息。特征提取过程本身包含四个基本阶段:图像准备、关键点检测、描述符生成和分类。实际上,这个过程会检查每个像素,以查看是否有特征存在于该像素中。eKBEETC-电子工程专辑

特征提取算法将图像描述为指向图像中的关键元素的一组特征向量。本文将回顾一系列的特征检测算法,在这个过程中,看看一般目标识别和具体特征识别在这些年经历了怎样的发展。eKBEETC-电子工程专辑

早期特征检测器

Scale Invariant Feature Transform (SIFT)以及 Good Features To Track (GFTT) 是特征提取技术的早期实现。但这些属于计算密集型算法,涉及到大量的浮点运算,所以它们不适合实时嵌入式平台。eKBEETC-电子工程专辑

以SIFT为例,这种高精度的算法,在许多情况下都能产生不错的结果。它会查找具有子像素精度的特征,但只保留类似于角落的特征。而且,尽管 SIFT 非常准确,但要实时实现也很复杂,并且通常使用较低的输入图像分辨率。eKBEETC-电子工程专辑

CEVA17011701
SIFT是一种计算密集型算法eKBEETC-电子工程专辑

因此,SIFT 在目前并不常用,它主要是用作一个参考基准来衡量新算法的质量。因为需要降低计算复杂度,所以最终导致要开发一套更容易实现的新型特征提取算法。eKBEETC-电子工程专辑

二代算法

Speeded Up Robust Features (SURF) 是最早考虑实现效率的特征检测器之一。它使用不同矩形尺寸中的一系列加法和减法取代了 SIFT 中浩繁的运算。而且,这些运算容易矢量化,需要的内存较少。eKBEETC-电子工程专辑

接下来,Histograms of Oriented Gradients (HOG) 这种在汽车行业中常用的热门行人检测算法可以变动,采用不同的尺度来检测不同大小的对象,并使用块之间的重叠量来提高检测质量,而不增加计算量。它可以利用并行存储器访问,而不像传统存储系统那样每次只处理一个查找表,因此根据内存的并行程度加快了查找速度。eKBEETC-电子工程专辑

然后,Oriented FAST and Rotated BRIEF (ORB) 这种用来替代 SIFT 的高效算法将使用二进制描述符来提取特征。ORB 将方向的增加与 FAST 角点检测器相结合,并旋转BRIEF描述符,使其与角方向对齐。二进制描述符与FAST和Harris Corner 等轻量级函数相结合产生了一个计算效率非常高而且相当准确的描述图。eKBEETC-电子工程专辑

CEVA17011702
SURF和ORB等计算效率超高的算法为 CNN 之类的功能更强大的框架提供了实现的可能eKBEETC-电子工程专辑

CNN:嵌入式平台目标识别的下一个前沿领域

配有摄像头的智能手机、平板电脑、可穿戴设备、监控系统和汽车系统采用智能视觉功能将这个行业带到了一个十字路口,需要更先进的算法来实现计算密集型应用,从而提供更能根据周边环境智能调整的用户体验。因此,需要再一次降低计算复杂度来适应这些移动和嵌入式设备中使用的强大算法的严苛要求。eKBEETC-电子工程专辑

不可避免地,对更高精度和更灵活算法的需求会催生出矢量加速深度学习算法,如卷积神经网络 (CNN),用于分类、定位和检测图像中的目标。例如,在使用交通标志识别的情况下,基于 CNN 的算法在识别准确度上胜过目前所有的目标检测算法。除了质量高之外,CNN 与传统目标检测算法相比的主要优点是,CNN 的自适应能力非常强。它可以在不改变算法代码的情况下快速地被重新“训练(tuning)”以适应新的目标。因此,CNN 和其他深度学习算法在不久的将来就会成为主流目标检测方法。eKBEETC-电子工程专辑

CEVA17011703eKBEETC-电子工程专辑

CNN对移动和嵌入式设备有非常苛刻的计算要求。卷积是 CNN 计算的主要部分。CNN 的二维卷积层允许用户利用重叠卷积,通过对同一输入同时执行一个或多个过滤器来提高处理效率。所以,对于嵌入式平台,设计师应该能够非常高效地执行卷积,以充分利用 CNN 流。eKBEETC-电子工程专辑

事实上,CNN 严格来说并不是一种算法,而是一种实现框架。它允许用户优化基本构件块,并建立一个高效的神经网络检测应用。因为 CNN 框架是对每个像素逐一计算,而且逐像素计算是一种要求非常苛刻的运算,所以它需要更多的计算量。eKBEETC-电子工程专辑

不懈改进视觉处理器

CEVA 已找到两种其他方法来提高计算效率,同时仍继续开发即将采用的算法,如 CNN。第一种是并行随机内存访问机制,它支持多标量功能,允许矢量处理器来管理并行负载能力。第二种是滑动窗口机制,它可以提高数据的利用率并防止相同的数据被多次重复加载。大多数成像过滤器和大型输入帧卷积中都有大量的数据重叠。这种数据重叠会随着处理器的矢量化程度增加而增加,可用于减少处理器和存储器之间的数据流量,从而能降低功耗。这种机制利用大规模数据重叠,允许开发人员在深度学习算法中自由实现高效的卷积,一般会使 DSP MAC运算达到极高的利用率。eKBEETC-电子工程专辑

目标识别的深度学习算法又一次提高了计算复杂度的门槛,因此需要一种新型的智能视觉处理器,这种视觉处理器应该能够提高处理效率和准确度以应对面临的挑战。CEVA-XM4- CEVA 最新的视觉和成像平台,结合了视觉算法专业知识与处理器架构技术,提供了一个经过精心设计的视觉处理器来应对嵌入式计算机视觉的挑战。 eKBEETC-电子工程专辑

CEVA17011704
支持标量代码矢量化的CEVA-XM4并行随机内存访问机制eKBEETC-电子工程专辑

EETC wechat barcode


关注最前沿的电子设计资讯,请关注“电子工程专辑微信公众号”。
eKBEETC-电子工程专辑

eKBEETC-电子工程专辑

EETC https://www.eet-china.com
本文为EET电子工程专辑 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
您可能感兴趣的文章
  • 美国将海康威视等28家中企与机构新增入实体清单 据新华社报道,应美方邀请,中共中央政治局委员、国务院副总理、中美全面经济对话中方牵头人刘鹤将率团访问华盛顿,于10月10日至11日同美国贸易代表莱特希泽、财政部长姆努钦举行新一轮中美经贸高级别磋商。但在会谈开始前,美国商务部将中国28家实体增列入出口管制“实体清单”……
  • 手机SoC运算规模将收缩?但娱乐体验却会更好? 现如今性能越来越强劲的手机SoC——包括CPU、GPU、NPU等,在不远的将来可能将在运算规模上发生缩减。尤其在5G普及以后,手机连接带宽大幅提升——或者说“5G将成为无线PCIe总线”,真正的运算任务交给云去完成,而本地只需要保留通讯功能,和视觉处理器,用于管理屏幕显示效果即可。
  • 女孩被暴打后拖走,人脸识别+大数据能抓住嫌犯吗? 6月24日,一则“深夜街头一女孩遭男子拳打脚踢、撕扯衣服、拖行”的视频引起人们关注。目前警方正在全力调查此案件,在安防监控中很火的人脸识别和轨迹追踪技术,这次能否帮上忙呢?一种被称为跨镜追踪(Re-identification,ReID)的技术,是人脸识别用于持续追踪嫌犯的重要补充……
  • 依图发布AI芯片,称“世界级算法,对标英伟达” 5月9日,依图推出了号称拥有世界级算法优势的云端AI芯片——求索(questcore™)。这是依图推出的第一款云端深度学习推理定制化 SoC芯片,专为计算机视觉领域分析任务打造。其CEO在发布会上表示:以世界级算法,性能对标英伟达!
  • 为高速应用而生的1100万像素图像传感器 这款标准传感器专为需要在极高快门速度下达到4K分辨率的应用而设计,是唯一兼备APS-C格式、710fps高帧率及4K分辨率的传感器。
  • 自适应计算平台:下一个计算时代的呼唤 计算时代兴起于上个世纪,当时的计算机运算速度还很慢,而且一台计算机需要占用一个庞大的机房,用到上万个元器件和IC。但随着半导体和IC技术的快速发展...
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告