您的位置 首页 分销

嵌入式体系中的方针辨认技能

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。计算机视觉的第

方针检测和辨认是核算机视觉体系的一个必不可少的组成部分。在核算机视觉中,首先是将场景分解成核算机可以看到和剖析的组件。

核算机视觉的第一步是特征提取,即检测图画中的要害点并获取有关这些要害点的有意义信息。特征提取进程自身包括四个根本阶段:图画预备、要害点检测、描绘符生成和分类。实际上,这个进程会检查每个像素,以检查是否有特征存在于该像素中。

特征提取算法将图画描绘为指向图画中的要害元素的一组特征向量。本文将回忆一系列的特征检测算法,在这个进程中,看看一般方针辨认和详细特征辨认在这些年阅历了怎样的开展。

前期特征检测器

Scale Invariant Feature Transform (SIFT)以及 Good Features To Track (GFTT) 是特征提取技能的前期完成。但这些归于核算密集型算法,涉及到很多的浮点运算,所以它们不适合实时嵌入式渠道。

以SIFT为例,这种高精度的算法,在许多情况下都能发生不错的成果。它会查找具有子像素精度的特征,但只保存类似于旮旯的特征。并且,虽然 SIFT 十分精确,但要实时完成也很杂乱,并且一般运用较低的输入图画分辨率。

嵌入式体系中的方针辨认技能

SIFT是一种核算密集型算法

因而,SIFT 在现在并不常用,它首要是用作一个参阅基准来衡量新算法的质量。由于需求下降核算杂乱度,所以终究导致要开发一套更简单完成的新式特征提取算法。

二代算法

Speeded Up Robust Features (SURF) 是最早考虑完成功率的特征检测器之一。它运用不同矩形标准中的一系列加法和减法代替了 SIFT 中浩繁的运算。并且,这些运算简单矢量化,需求的内存较少。

接下来,Histograms of Oriented Gradients (HOG) 这种在轿车职业中常用的抢手行人检测算法可以变化,选用不同的标准来检测不同巨细的方针,并运用块之间的堆叠量来进步检测质量,而不添加核算量。它可以运用并行存储器拜访,而不像传统存储体系那样每次只处理一个查找表,因而依据内存的并行程度加快了查找速度。

然后,Oriented FAST and Rotated BRIEF (ORB) 这种用来代替 SIFT 的高效算法将运用二进制描绘符来提取特征。ORB 将方向的添加与 FAST 角点检测器相结合,并旋转BRIEF描绘符,使其与角方向对齐。二进制描绘符与FAST和Harris Corner 等轻量级函数相结合发生了一个核算功率十分高并且适当精确的描绘图。

嵌入式体系中的方针辨认技能

SURF和ORB等核算功率超高的算法为 CNN 之类的功用更强壮的结构供给了完成的或许

CNN:嵌入式渠道方针辨认的下一个前沿范畴

配有摄像头的智能手机、平板电脑、可穿戴设备、监控体系和轿车体系选用智能视觉功用将这个职业带到了一个十字路口,需求更先进的算法来完成核算密集型运用,然后供给更能依据周边环境智能调整的用户体会。因而,需求再一次下降核算杂乱度来习惯这些移动和嵌入式设备中运用的强壮算法的严苛要求。

不可避免地,对更高精度和更灵敏算法的需求会催生出矢量加快深度学习算法,如卷积神经网络 (CNN),用于分类、定位和检测图画中的方针。例如,在运用交通标志辨认的情况下,根据 CNN 的算法在辨认精确度上胜过现在一切的方针检测算法。除了质量高之外,CNN 与传统方针检测算法比较的首要长处是,CNN 的自习惯才能十分强。它可以在不改动算法代码的情况下快速地被从头练习(tuning)以习惯新的方针。因而,CNN 和其他深度学习算法在不久的将来就会成为干流方针检测办法。

CNN 对移动和嵌入式设备有十分严苛的核算要求。卷积是 CNN 核算的首要部分。CNN 的二维卷积层答使用户运用堆叠卷积,通过对同一输入一起履行一个或多个过滤器来进步处理功率。所以,关于嵌入式渠道,设计师应该可以十分高效地履行卷积,以充分运用 CNN 流。

事实上,CNN 严格来说并不是一种算法,而是一种完成结构。它答使用户优化根本构件块,并树立一个高效的神经网络检测运用。由于 CNN 结构是对每个像素逐个核算,并且逐像素核算是一种要求十分严苛的运算,所以它需求更多的核算量。

不懈改善视觉处理器

CEVA 已找到两种其他办法来进步核算功率,一起仍持续开发行将选用的算法,如 CNN。第一种是并行随机内存拜访机制,它支撑多标量功用,答应矢量处理器来办理并行负载才能。第二种是滑动窗口机制,它可以进步数据的运用率并避免相同的数据被屡次重复加载。大多数成像过滤器和大型输入帧卷积中都有很多的数据堆叠。这种数据堆叠会跟着处理器的矢量化程度添加而添加,可用于削减处理器和存储器之间的数据流量,然后能下降功耗。这种机制运用大规模数据堆叠,答应开发人员在深度学习算法中自在完成高效的卷积,一般会使 DSP MAC运算到达极高的运用率。

方针辨认的深度学习算法又一次进步了核算杂乱度的门槛,因而需求一种新式的智能视觉处理器,这种视觉处理器应该可以进步处理功率和精确度以应对面对的应战。CEVA-XM4- CEVA 最新的视觉和成像渠道,结合了视觉算法专业知识与处理器架构技能,供给了一个通过精心设计的视觉处理器来应对嵌入式核算机视觉的应战。

声明:本文内容来自网络转载或用户投稿,文章版权归原作者和原出处所有。文中观点,不代表本站立场。若有侵权请联系本站删除(kf@86ic.com)https://www.86ic.net/bandaoti/fenxiao/301268.html

为您推荐

联系我们

联系我们

在线咨询: QQ交谈

邮箱: kf@86ic.com

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

返回顶部