? ? ? 在人們生活中大部分信息都是以眼睛來觀察到的。因此對視覺的研究，人們一直沒有停止前進(jìn)的步伐。就像很多年前人類根據(jù)鳥的飛行特征而發(fā)明了飛機(jī)，實(shí)現(xiàn)了曾經(jīng)遨游天空的夢想。如今對視覺的研究，也希望有朝一日由機(jī)器人來代替人的雙眼做許多人類做不到的事情。下面就由尚觀教育的嵌入式培訓(xùn)講師給大家講解一下嵌入式系統(tǒng)中的目標(biāo)識別技術(shù)。

　　計(jì)算機(jī)視覺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。特征提取過程本身包含四個(gè)基本階段：圖像準(zhǔn)備、關(guān)鍵點(diǎn)檢測、描述符生成和分類。實(shí)際上，這個(gè)過程會檢查每個(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)過程中，看看一般目標(biāo)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(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。

　　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。

　　SIFT是一種計(jì)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(zhǔn)來衡量新算法的質(zhì)量。因?yàn)樾枰档陀?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。

　　二代算法

　　Speeded Up Robust Features (SURF) 是最早考慮實(shí)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(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，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(dòng)，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(jì)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(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) 這種用來替代 SIFT 的高效算法將使用二進(jìn)制描述符來提取特征。ORB 將方向的增加與 FAST 角點(diǎn)檢測器相結(jié)合，并旋轉(zhuǎn)BRIEF描述符，使其與角方向?qū)R。二進(jìn)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(gè)計(jì)算效率非常高而且相當(dāng)準(zhǔn)確的描述圖。

　　SURF和ORB等計(jì)算效率超高的算法為 CNN 之類的功能更強(qiáng)大的框架提供了實(shí)現(xiàn)的可能

　　CNN：嵌入式平臺目標(biāo)識別的下一個(gè)前沿領(lǐng)域

　　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，對更高精度和更靈活算法的需求會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、定位和檢測圖像中的目標(biāo)。例如，在使用交通標(biāo)志識別的情況下，基于 CNN 的算法在識別準(zhǔn)確度上勝過目前所有的目標(biāo)檢測算法。除了質(zhì)量高之外，CNN 與傳統(tǒng)目標(biāo)檢測算法相比的主要優(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)算法在不久的將來就會成為主流目標(biāo)檢測方法。

　　CNN 對移動(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，通過對同一輸入同時(shí)執(zhí)行一個(gè)或多個(gè)過濾器來提高處理效率。所以，對于嵌入式平臺，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)格來說并不是一種算法，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)檢測應(yīng)用。因?yàn)?CNN 框架是對每個(gè)像素逐一計(jì)算，而且逐像素計(jì)算是一種要求非常苛刻的運(yùn)算，所以它需要更多的計(jì)算量。

　　不懈改進(jìn)視覺處理器

　　CEVA 已找到兩種其他方法來提高計(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)存訪問機(jī)制，它支持多標(biāo)量功能，允許矢量處理器來管理并行負(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(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，一般會使 DSP MAC運(yùn)算達(dá)到極高的利用率。

　　隨著嵌入式系統(tǒng)的發(fā)展，在未來嵌入式系統(tǒng)會從低端應(yīng)用覆蓋到機(jī)器視覺應(yīng)用，而且這種趨勢會越來越明顯。未來的世界可能就像我們看到的科幻電影中畫幕一樣是智能機(jī)器人競爭的時(shí)代。