关于我们 | 联系我们

AYX爱游戏app体育官方下载 - 爱游戏app官方

当前位置:主页 > 新闻资讯 > 行业新闻 >

嵌入式系统中的目标识别技术

本文摘要:目标检测和辨识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见和分析的组件。 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提供有关这些关键点的有意义信息。特征提取过程本身包括四个基本阶段:图像打算、关键点检测、描述符分解和分类。 实质上,这个过程不会检查每个像素,以查阅否有特征不存在于该像素中。 特征提取算法将图像叙述为指向图像中的关键元素的一组特征向量。

AYX爱游戏体育

目标检测和辨识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见和分析的组件。  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提供有关这些关键点的有意义信息。特征提取过程本身包括四个基本阶段:图像打算、关键点检测、描述符分解和分类。

实质上,这个过程不会检查每个像素,以查阅否有特征不存在于该像素中。  特征提取算法将图像叙述为指向图像中的关键元素的一组特征向量。本文将总结一系列的特征检测算法,在这个过程中,想到一般目标辨识和明确特征辨识在这些年经历了怎样的发展。

  早期特征检测器  ScaleInvariantFeatureTransform(SIFT)以及GoodFeaturesToTrack(GFTT)是特征提取技术的早期构建。但这些归属于计算出来密集型算法,牵涉到到大量的浮点运算,所以它们不合适动态嵌入式平台。

  以SIFT为事例,这种高精度的算法,在许多情况下都能产生不俗的结果。它不会查询具备子像素精度的特征,但只保有类似于角落的特征。

而且,尽管SIFT十分精确,但要动态构建也很简单,并且一般来说用于较低的输出图像分辨率。  SIFT是一种计算出来密集型算法  因此,SIFT在目前并不常用,它主要是用于一个参照基准来取决于新的算法的质量。因为必须减少计算出来复杂度,所以最后造成要研发一套更容易构建的新型特征提取算法。

AYX爱游戏体育

  二代算法  SpeededUpRobustFeatures(SURF)是最先考虑到构建效率的特征检测器之一。它用于有所不同矩形尺寸中的一系列乘法和除法代替了SIFT中浩繁的运算。而且,这些运算更容易矢量化,必须的内存较较少。

  接下来,HistogramsofOrientedGradients(HOG)这种在汽车行业中常用的热门行人检测算法可以变动,使用有所不同的尺度来检测有所不同大小的对象,并用于块之间的重合量来提升检测质量,而不减少计算出来量。它可以利用分段存储器采访,而不像传统存储系统那样每次只处置一个查询表格,因此根据内存的分段程度减缓了查询速度。

  然后,OrientedFASTandRotatedBRIEF(ORB)这种用来替代SIFT的高效算法将用于二进制描述符来萃取特征。ORB将方向的减少与FAST角点检测器结合,并转动BRIEF描述符,使其与角方向偏移。二进制描述符与FAST和HarrisCorner等轻量级函数结合产生了一个计算出来效率十分低而且非常精确的叙述图。

  SURF和ORB等计算出来效率超高的算法为CNN之类的功能更加强劲的框架获取了构建的有可能  CNN:嵌入式平台目标辨识的下一个前沿领域  备有摄像头的智能手机、平板电脑、可穿着设备、监控系统和汽车系统使用智能视觉功能将这个行业带回了一个十字路口,必须更加先进设备的算法来构建计算出来密集型应用于,从而获取更加能根据周边环境智能调整的用户体验。因此,必须再行一次减少计算出来复杂度来适应环境这些移动和嵌入式设备中用于的强劲算法的苛刻拒绝。  不可避免地,对更高精度和更加灵活性算法的市场需求不会费伊矢量加快深度自学算法,如卷积神经网络(CNN),用作分类、定位和检测图像中的目标。

例如,在用于交通标志辨识的情况下,基于CNN的算法在辨识准确度上比不上目前所有的目标检测算法。除了质量低之外,CNN与传统目标检测算法比起的主要优点是,CNN的自适应能力十分强劲。它可以在不转变算法代码的情况下较慢地被新的训练(tuning)以适应环境新的目标。因此,CNN和其他深度自学算法在旋即的将来就不会沦为主流目标检测方法。

AYX爱游戏体育

  CNN对移动和嵌入式设备有十分严苛的计算出来拒绝。卷积是CNN计算出来的主要部分。

CNN的二维卷积层容许用户利用重合卷积,通过对同一输出同时继续执行一个或多个过滤器来提升处置效率。所以,对于嵌入式平台,设计师应当需要十分高效地继续执行卷积,以充分利用CNN流。

  事实上,CNN严格来说并不是一种算法,而是一种构建框架。它容许用户优化基本构件块,并创建一个高效的神经网络检测应用于。因为CNN框架是对每个像素一一计算出来,而且弃像素计算出来是一种拒绝十分严苛的运算,所以它必须更好的计算出来量。  不懈改良视觉处理器  CEVA已寻找两种其他方法来提升计算出来效率,同时仍之后研发将要使用的算法,如CNN。

第一种是分段随机内存采访机制,它反对多标量功能,容许矢量处理器来管理分段阻抗能力。第二种是滑动窗口机制,它可以提升数据的利用率并避免完全相同的数据被多次重复读取。大多数光学过滤器和大型输出帧卷积中都有大量的数据重合。这种数据重合不会随着处理器的矢量化程度减少而减少,可用作增加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合,容许开发人员在深度自学算法中权利构建高效的卷积,一般不会使DSPMAC运算超过极高的利用率。  目标辨识的深度自学算法又一次提升了计算出来复杂度的门槛,因此必须一种新型的智能视觉处理器,这种视觉处理器应当需要提升处置效率和准确度以应付面对的挑战。CEVA-XM4-CEVA近期的视觉和光学平台,融合了视觉算法专业知识与处理器架构技术,获取了一个经过精心设计的视觉处理器来应付嵌入式计算机视觉的挑战。


本文关键词:嵌入式,系统,中的,目标,识别,AYX爱游戏app体育官方下载,技术,目标,检测

本文来源:AYX爱游戏app体育官方下载-www.wfxinbaoxiang.com

Copyright © 2008-2021 www.wfxinbaoxiang.com. AYX爱游戏app体育官方下载科技 版权所有 备案号:ICP备60805412号-4