在這篇文章中，前賽靈思機器視覺市場戰(zhàn)略總監(jiān)Aaron Behman 針對嵌入式視覺方面的問題進(jìn)行了介紹，并解讀了賽靈思 All Programmable Zynq? SoC 的獨特解決方案。希望能為讀者了解該領(lǐng)域的問題有所幫助。
?

一、嵌入式視覺四大普遍趨勢

嵌入式視覺可劃分為兩個高級類別；感知環(huán)境和采取行動。視覺導(dǎo)向的機器人和無人機屬于后面的采取行動類。

在民用領(lǐng)域，目前無人機是商業(yè)、醫(yī)療、農(nóng)業(yè)、廣播和執(zhí)法應(yīng)用中最熱門的話題之一。對許多這樣的應(yīng)用，無人機可提供顯著的優(yōu)勢。在廣播和執(zhí)法領(lǐng)域，無人機能夠以低得多的成本提供之前需要直升機才能提供的能力。無人機還能執(zhí)行預(yù)訂服務(wù)，例如即將推出的 Amazon Prime 交貨服務(wù)，或者如烏干達(dá)偏遠(yuǎn)地區(qū)的醫(yī)療產(chǎn)品交貨服務(wù)。在農(nóng)業(yè)應(yīng)用中，無人機能使用高光譜成像來判斷作物的健康狀況。而這些應(yīng)用，只不過是目前已經(jīng)在使用或正在考慮使用無人機技術(shù)應(yīng)用的冰山一角。

農(nóng)業(yè)無人機應(yīng)用示例

這些應(yīng)用，綜合起來體現(xiàn)著我們在嵌入式視覺總體環(huán)境中觀察到的嵌入式視覺當(dāng)前四大普遍趨勢中的三大趨勢：

1、邊緣（edge）端通過機器學(xué)習(xí)獲得的智能化 – 智能化嵌入在無人機本身內(nèi)部，需要從它的攝像頭提取信息并根據(jù)該信息采取行動，達(dá)成自己的目標(biāo)。

2、開放式高級語言和框架 – 在無人機中實現(xiàn)智能化需要高級框架和語言。這些中最常用的是開源多平臺框架，比如嵌入式環(huán)境里的 OpenCV、OpenVX，以及在機器學(xué)習(xí)環(huán)境里的 Tensor Flow 和 Caffe。

3、多層次的安全性 – 用于確保無人機不僅能夠運行，且不能影響安全性和信息獲取。這種方法要求在器件、系統(tǒng)和網(wǎng)絡(luò)層面實現(xiàn)多層次的安全性。

第四個趨勢是嵌入式視覺的普及化。雖然視覺導(dǎo)向的機器人和無人機還不像我們的手機一樣普及——我們常在旅行中用手機來翻譯標(biāo)牌等用途，隨著新用例被發(fā)掘出來，使用視覺導(dǎo)向的機器人和無人機的應(yīng)用正處于快速發(fā)展中。

在架構(gòu)層面無人機擁有一些關(guān)鍵的子系統(tǒng)，包括實時精準(zhǔn)的馬達(dá)控制系統(tǒng)、提供與無人機雙向通信的軟件無線電和精確的嵌入式視覺系統(tǒng)。視覺導(dǎo)向的機器人和無人機主要針對大部分電池供電的應(yīng)用，因此設(shè)計高能效解決方案的能力極為重要。

高精度嵌入式視覺系統(tǒng)提供高幀率，其處理圖像和根據(jù)圖像采取行動的能力要遠(yuǎn)超過人眼。對許多應(yīng)用來說，需要使用多個攝像頭來形成立體多視覺，以完整掌握無人機周邊環(huán)境。這也稱為傳感器融合。雖然許多應(yīng)用使用多攝像頭方法來觀察環(huán)境，部分應(yīng)用還會把設(shè)計用于觀測電磁場頻譜不同組成部分的攝像頭結(jié)合起來使用，例如在超光譜或紅外應(yīng)用中的情況。在使用多個相同類型傳感器的時候這一般稱為同構(gòu)，在使用不同傳感器技術(shù)的時候稱為異構(gòu)。

在算法層面，這種高精度嵌入式視覺系統(tǒng)運行的算法有同步定位與地圖構(gòu)建（SLAM）和稠密光流（Dense Optical Flow），以為平臺提供增強型感知和避障系統(tǒng)。這些算法還與更傳統(tǒng)的模式和對象識別算法結(jié)合。

稠密光流設(shè)計

視覺導(dǎo)向的機器人和無人機因此不僅需要強大的處理能力，還需要有能力進(jìn)行功耗優(yōu)化，提供面向未來且具有可擴展性的解決方案。

All Programmable Zynq? SoC 可針對您面臨的問題提供獨特的解決方案。Zynq 提供的高性能邏輯，與雙核 ARM? A9 處理器集成可打造出緊密集成的異構(gòu)處理單元。該異構(gòu)處理單元能夠在處理器內(nèi)或可編程邏輯內(nèi)實現(xiàn)高效率的功能細(xì)分。

使用基于 ARM 的處理系統(tǒng)，可以在邊緣開展極為復(fù)雜的實時視覺分析。在與可編程邏輯架構(gòu)結(jié)合后，它提供實時檢測對象然后使用處理器系統(tǒng)分類對象的能力。分類完成后，視覺導(dǎo)向機器人系統(tǒng)或無人機就能針對檢測出的對象類采取適當(dāng)?shù)男袆印?/p>

為在邊緣實現(xiàn)實時視覺分析，我們運用了機器學(xué)習(xí)提供的智能化技術(shù)。要執(zhí)行這些算法，我們首先需要模型并提供大型培訓(xùn)數(shù)據(jù)集，使模型能夠進(jìn)行分析。在極高性能工作站上進(jìn)行培訓(xùn)，得到的分類器被用于實現(xiàn)方案中。開展這類機器學(xué)習(xí)有多種不同的方法可供選擇，例如卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)或遞歸神經(jīng)網(wǎng)絡(luò)。

當(dāng)我們在邊緣實現(xiàn)這些模型時，我們不需要與培訓(xùn)相同水平的性能?？梢允褂谜麛?shù)或浮點數(shù)學(xué)，兩者都能方便地實現(xiàn)在 All Programmable SoC 中。