嵌入式系統中的目標識別技術(shù)

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

計算機視覺(jué)的第一步是特征提取，即檢測圖像中的關(guān)鍵點(diǎn)并獲取有關(guān)這些關(guān)鍵點(diǎn)的有意義信息。特征提取過(guò)程本身包含四個(gè)基本階段：圖像準備、關(guān)鍵點(diǎn)檢測、描述符生成和分類(lèi)。實(shí)際上，這個(gè)過(guò)程會(huì )檢查每個(gè)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(gè)過(guò)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。

早期特征檢測器

Scale Invariant Feature Transform (SIFT)以及 Good Features To Track (GFTT) 是特征提取技術(shù)的早期實(shí)現。但這些屬于計算密集型算法，涉及到大量的浮點(diǎn)運算，所以它們不適合實(shí)時(shí)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)生不錯的結果。它會(huì )查找具有子像素精度的特征，但只保留類(lèi)似于角落的特征。而且，盡管 SIFT 非常準確，但要實(shí)時(shí)實(shí)現也很復雜，并且通常使用較低的輸入圖像分辨率。

SIFT是一種計算密集型算法

因此，SIFT 在目前并不常用，它主要是用作一個(gè)參考基準來(lái)衡量新算法的質(zhì)量。因為需要降低計算復雜度，所以最終導致要開(kāi)發(fā)一套更容易實(shí)現的新型特征提取算法。

二代算法

Speeded Up Robust Features (SURF) 是最早考慮實(shí)現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，需要的內存較少。

接下來(lái)，Histograms of Oriented Gradients (HOG) 這種在汽車(chē)行業(yè)中常用的熱門(mén)行人檢測算法可以變動(dòng)，采用不同的尺度來(lái)檢測不同大小的對象，并使用塊之間的重疊量來(lái)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(fǎng)問(wèn)，而不像傳統存儲系統那樣每次只處理一個(gè)查找表，因此根據內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(lái)替代 SIFT 的高效算法將使用二進(jìn)制描述符來(lái)提取特征。ORB 將方向的增加與 FAST 角點(diǎn)檢測器相結合，并旋轉BRIEF描述符，使其與角方向對齊。二進(jìn)制描述符與FAST和Harris Corner 等輕量級函數相結合產(chǎn)生了一個(gè)計算效率非常高而且相當準確的描述圖。

SURF和ORB等計算效率超高的算法為 CNN 之類(lèi)的功能更強大的框架提供了實(shí)現的可能

CNN：嵌入式平臺目標識別的下一個(gè)前沿領(lǐng)域

配有攝像頭的智能手機、平板電腦、可穿戴設備、監控系統和汽車(chē)系統采用智能視覺(jué)功能將這個(gè)行業(yè)帶到了一個(gè)十字路口，需要更先進(jìn)的算法來(lái)實(shí)現計算密集型應用，從而提供更能根據周邊環(huán)境智能調整的用戶(hù)體驗。因此，需要再一次降低計算復雜度來(lái)適應這些移動(dòng)和嵌入式設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(huì )催生出矢量加速深度學(xué)習算法，如卷積神經(jīng)網(wǎng)絡(luò ) (CNN)，用于分類(lèi)、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(guò)目前所有的目標檢測算法。除了質(zhì)量高之外，CNN 與傳統目標檢測算法相比的主要優(yōu)點(diǎn)是，CNN 的自適應能力非常強。它可以在不改變算法代碼的情況下快速地被重新訓練(tuning)以適應新的目標。因此，CNN 和其他深度學(xué)習算法在不久的將來(lái)就會(huì )成為主流目標檢測方法。

CNN 對移動(dòng)和嵌入式設備有非?？量痰挠嬎阋?。卷積是 CNN 計算的主要部分。CNN 的二維卷積層允許用戶(hù)利用重疊卷積，通過(guò)對同一輸入同時(shí)執行一個(gè)或多個(gè)過(guò)濾器來(lái)提高處理效率。所以，對于嵌入式平臺，設計師應該能夠非常高效地執行卷積，以充分利用 CNN 流。

事實(shí)上，CNN 嚴格來(lái)說(shuō)并不是一種算法，而是一種實(shí)現框架。它允許用戶(hù)優(yōu)化基本構件塊，并建立一個(gè)高效的神經(jīng)網(wǎng)絡(luò )檢測應用。因為 CNN 框架是對每個(gè)像素逐一計算，而且逐像素計算是一種要求非?？量痰倪\算，所以它需要更多的計算量。

不懈改進(jìn)視覺(jué)處理器

CEVA 已找到兩種其他方法來(lái)提高計算效率，同時(shí)仍繼續開(kāi)發(fā)即將采用的算法，如 CNN。第一種是并行隨機內存訪(fǎng)問(wèn)機制，它支持多標量功能，允許矢量處理器來(lái)管理并行負載能力。第二種是滑動(dòng)窗口機制，它可以提高數據的利用率并防止相同的數據被多次重復加載。大多數成像過(guò)濾器和大型輸入幀卷積中都有大量的數據重疊。這種數據重疊會(huì )隨著(zhù)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據流量，從而能降低功耗。這種機制利用大規模數據重疊，允許開(kāi)發(fā)人員在深度學(xué)習算法中自由實(shí)現高效的卷積，一般會(huì )使 DSP MAC運算達到極高的利用率。

目標識別的深度學(xué)習算法又一次提高了計算復雜度的門(mén)檻，因此需要一種新型的智能視覺(jué)處理器，這種視覺(jué)處理器應該能夠提高處理效率和準確度以應對面臨的挑戰。CEVA-XM4- CEVA 最新的視覺(jué)和成像平臺，結合了視覺(jué)算法專(zhuān)業(yè)知識與處理器架構技術(shù)，提供了一個(gè)經(jīng)過(guò)精心設計的視覺(jué)處理器來(lái)應對嵌入式計算機視覺(jué)的挑戰。