武漢地區(qū)嵌入式培訓(xùn)機(jī)構(gòu)_對(duì)嵌入式系統(tǒng)中目標(biāo)識(shí)別技術(shù)的分析

小嵌

武漢地區(qū)嵌入式培訓(xùn)機(jī)構(gòu)_對(duì)嵌入式系統(tǒng)中目標(biāo)識(shí)別技術(shù)的分析,   

（文章來(lái)源：電子工程網(wǎng)）

目標(biāo)檢測(cè)和識(shí)別是計(jì)算機(jī)視覺(jué)系統(tǒng)的一個(gè)必不可少的組成部分。在計(jì)算機(jī)視覺(jué)中，首先是將場(chǎng)景分解成計(jì)算機(jī)可以看到和分析的組件。

計(jì)算機(jī)視覺(jué)的第一步是特征提取，即檢測(cè)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(zhǔn)備、關(guān)鍵點(diǎn)檢測(cè)、描述符生成和分類。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(cè)算法，在這個(gè)過(guò)程中，看看一般目標(biāo)識(shí)別和具體特征識(shí)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(shí)現(xiàn)。但這些屬于計(jì)算密集型算法，涉及到大量的浮點(diǎn)運(yùn)算，所以它們不適合實(shí)時(shí)嵌入式平臺(tái)。

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(cuò)的結(jié)果。它會(huì)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(zhǔn)確，但要實(shí)時(shí)實(shí)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(gè)參考基準(zhǔn)來(lái)衡量新算法的質(zhì)量。因?yàn)樾枰�降低�?jì)算復(fù)雜度，所以最終導(dǎo)致要開發(fā)一套更容易實(shí)現(xiàn)的新型特征提取算法。Speeded Up Robust Features （SURF） 是最早考慮實(shí)現(xiàn)效率的特征檢測(cè)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(yùn)算。而且，這些運(yùn)算容易矢量化，需要的內(nèi)存較少。

接下來(lái)，Histograms of Oriented Gradients （HOG） 這種在汽車行業(yè)中常用的熱門行人檢測(cè)算法可以變動(dòng)，采用不同的尺度來(lái)檢測(cè)不同大小的對(duì)象，并使用塊之間的重疊量來(lái)提高檢測(cè)質(zhì)量，而不增加計(jì)算量。它可以利用并行存儲(chǔ)器訪問(wèn)，而不像傳統(tǒng)存儲(chǔ)系統(tǒng)那樣每次只處理一個(gè)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(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(cè)器相結(jié)合，并旋轉(zhuǎn)BRIEF描述符，使其與角方向?qū)�齊。二進(jìn)制描述符與FAST和Harris Corner 等輕量級(jí)函數(shù)相結(jié)合產(chǎn)生了一個(gè)計(jì)算效率非常高而且相當(dāng)準(zhǔn)確的描述圖。

  

配有攝像頭的智能手機(jī)、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(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(xiàn)計(jì)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(yàn)。因此，需要再一次降低計(jì)算復(fù)雜度來(lái)適應(yīng)這些移動(dòng)和嵌入式設(shè)備中使用的強(qiáng)大算法的嚴(yán)苛要求。

不可避免地，對(duì)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(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò) （CNN），用于分類、定位和檢測(cè)圖像中的目標(biāo)。例如，在使用交通標(biāo)志識(shí)別的情況下，基于 CNN 的算法在識(shí)別準(zhǔn)確度上勝過(guò)目前所有的目標(biāo)檢測(cè)算法。除了質(zhì)量高之外，CNN 與傳統(tǒng)目標(biāo)檢測(cè)算法相比的主要優(yōu)點(diǎn)是，CNN 的自適應(yīng)能力非常強(qiáng)。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(biāo)。因此，CNN 和其他深度學(xué)習(xí)算法在不久的將來(lái)就會(huì)成為主流目標(biāo)檢測(cè)方法。

CNN 對(duì)移動(dòng)和嵌入式設(shè)備有非�？量痰挠�(jì)算要求。卷積是 CNN 計(jì)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(guò)對(duì)同一輸入同時(shí)執(zhí)行一個(gè)或多個(gè)過(guò)濾器來(lái)提高處理效率。所以，對(duì)于嵌入式平臺(tái)，設(shè)計(jì)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(shí)上，CNN 嚴(yán)格來(lái)說(shuō)并不是一種算法，而是一種實(shí)現(xiàn)框架。它允許用戶優(yōu)化基本構(gòu)件塊，并建立一個(gè)高效的神經(jīng)網(wǎng)絡(luò)檢測(cè)應(yīng)用。因?yàn)?CNN 框架是對(duì)每個(gè)像素逐一計(jì)算，而且逐像素計(jì)算是一種要求非�？量痰倪\(yùn)算，所以它需要更多的計(jì)算量。

CEVA 已找到兩種其他方法來(lái)提高計(jì)算效率，同時(shí)仍繼續(xù)開發(fā)即將采用的算法，如 CNN。第一種是并行隨機(jī)內(nèi)存訪問(wèn)機(jī)制，它支持多標(biāo)量功能，允許矢量處理器來(lái)管理并行負(fù)載能力。第二種是滑動(dòng)窗口機(jī)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(guò)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(huì)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(chǔ)器之間的數(shù)據(jù)流量，從而能降低功耗。這種機(jī)制利用大規(guī)模數(shù)據(jù)重疊，允許開發(fā)人員在深度學(xué)習(xí)算法中自由實(shí)現(xiàn)高效的卷積，一般會(huì)使 DSP MAC運(yùn)算達(dá)到極高的利用率。

目標(biāo)識(shí)別的深度學(xué)習(xí)算法又一次提高了計(jì)算復(fù)雜度的門檻，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(yīng)該能夠提高處理效率和準(zhǔn)確度以應(yīng)對(duì)面臨的挑戰(zhàn)。CEVA-XM4- CEVA 最新的視覺(jué)和成像平臺(tái)，結(jié)合了視覺(jué)算法專業(yè)知識(shí)與處理器架構(gòu)技術(shù)，提供了一個(gè)經(jīng)過(guò)精心設(shè)計(jì)的視覺(jué)處理器來(lái)應(yīng)對(duì)嵌入式計(jì)算機(jī)視覺(jué)的挑戰(zhàn)。
         （責(zé)任編輯：fqj）