智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
直播推薦
回放
回放
目標檢測和識別是計算機視覺系統的一個的組成部分。在計算機視覺中，首先是將場景分解成計算機可以看到和分析的組件。
計算機視覺的步是特征提取，即檢測圖像中的關鍵點并獲取有關這些關鍵點的有意義信息。特征提取過程本身包含四個基本階段：圖像準備、關鍵點檢測、描述符生成和分類。實際上，這個過程會檢查每個像素，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，在這個過程中，看看一般目標識別和具體特征識別在這些年經歷了怎樣的發展。
早期特征檢測器
Scale Invariant Feature Transform (SIFT)以及 Good Features To Track (GFTT) 是特征提取技術的早期實現。但這些屬于計算密集型算法，涉及到大量的浮點運算，所以它們不適合實時嵌入式平臺。
以SIFT為例，這種高精度的算法，在許多情況下都能產生不錯的結果。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 非常準確，但要實時實現也很復雜，并且通常使用較低的輸入圖像分辨率。
SIFT是一種計算密集型算法
因此，SIFT 在目前并不常用，它主要是用作一個參考基準來衡量新算法的質量。因為需要降低計算復雜度，所以最終導致要開發一套更容易實現的新型特征提取算法。
二代算法
Speeded Up Robust Features (SURF) 是考慮實現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 中浩繁的運算。而且，這些運算容易矢量化，需要的內存較少。
接下來，Histograms of Oriented Gradients (HOG) 這種在汽車行業中常用的熱門行人檢測算法可以變動，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量，而不增加計算量。它可以利用并行存儲器訪問，而不像傳統存儲系統那樣每次只處理一個查找表，因此根據內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制描述符來提取特征。ORB 將方向的增加與 FAST 角點檢測器相結合，并旋轉BRIEF描述符，使其與角方向對齊。二進制描述符與FAST和Harris Corner 等輕量級函數相結合產生了一個計算效率非常高而且相當準確的描述圖。
SURF和ORB等計算效率超高的算法為 CNN 之類的功能更強大的框架提供了實現的可能
CNN：嵌入式平臺目標識別的下一個前沿領域
配有攝像頭的智能手機、平板電腦、可穿戴設備、監控系統和汽車系統采用智能視覺功能將這個行業帶到了一個十字路口，需要更*的算法來實現計算密集型應用，從而提供更能根據周邊環境智能調整的用戶體驗。因此，需要再一次降低計算復雜度來適應這些移動和嵌入式設備中使用的強大算法的嚴苛要求。
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習算法，如卷積神經網絡 (CNN)，用于分類、定位和檢測圖像中的目標。例如，在使用交通標志識別的情況下，基于 CNN 的算法在識別準確度上勝過目前所有的目標檢測算法。除了質量高之外，CNN 與傳統目標檢測算法相比的主要優點是，CNN 的自適應能力非常強。它可以在不改變算法代碼的情況下快速地被重新"訓練(tuning)"以適應新的目標。因此，CNN 和其他深度學習算法在不久的將來就會成為主流目標檢測方法。
CNN 對移動和嵌入式設備有非常苛刻的計算要求。卷積是 CNN 計算的主要部分。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執行一個或多個過濾器來提高處理效率。所以，對于嵌入式平臺，設計師應該能夠非常高效地執行卷積，以充分利用 CNN 流。
事實上，CNN 嚴格來說并不是一種算法，而是一種實現框架。它允許用戶優化基本構件塊，并建立一個高效的神經網絡檢測應用。因為 CNN 框架是對每個像素逐一計算，而且逐像素計算是一種要求非常苛刻的運算，所以它需要更多的計算量。
不懈改進視覺處理器
CEVA 已找到兩種其他方法來提高計算效率，同時仍繼續開發即將采用的算法，如 CNN。種是并行隨機內存訪問機制，它支持多標量功能，允許矢量處理器來管理并行負載能力。第二種是滑動窗口機制，它可以提高數據的利用率并防止相同的數據被多次重復加載。大多數成像過濾器和大型輸入幀卷積中都有大量的數據重疊。這種數據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據流量，從而能降低功耗。這種機制利用大規模數據重疊，允許開發人員在深度學習算法中自由實現高效的卷積，一般會使 DSP MAC運算達到*的利用率。
目標識別的深度學習算法又一次提高了計算復雜度的門檻，因此需要一種新型的智能視覺處理器，這種視覺處理器應該能夠提高處理效率和準確度以應對面臨的挑戰。CEVA-XM4- CEVA 的視覺和成像平臺，結合了視覺算法專業知識與處理器架構技術，提供了一個經過精心設計的視覺處理器來應對嵌入式計算機視覺的挑戰。
關于我們
華和技術（WONHERE）順應市場發展趨勢，作為智能硬件一站式解決方案提供者，基于低功耗嵌入式平臺專注采集、控制、通訊一站式解決智能硬件研發，堅持以持續創新為客戶不斷創造價值。成功案例遍布檢測監測儀器、環境工程與自然、工業控制與自動化、智能交通能源、北斗位置服務、國防及醫療電子等領域。致力于通過方案開發幫助客戶：縮短開發周期，降低開發成本，提高投資效率。致力于通過技術服務、項目管理和集成化的采購、生產幫助客戶提高供貨質量和降低企業運營成本。
華和技術（WONHERE）有十余年的嵌入式項目研發及管理經驗，團隊致力于平臺級產品的研發和檢測、監測、控制類系統方案的項目定制。華和技術是武漢大學研究生培養基地、湖北省儀器儀表學會理事單位，擁有嵌入式系統開發領域的多項知識產權。華和技術以打造中國低功耗嵌入式平臺、物聯網智能硬件開發及技術支持中心為使命。我們的產品有：ARM335x嵌入式板卡、ARM3530嵌入式板卡、ARM3730嵌入式板卡，X86嵌入式平臺、Power PC嵌入式平臺，以及儀器儀表、環境工程、智能裝備、智能交通、行業嵌入式系統方案。產品咨詢請與華和技術（WONHERE）聯系。
上一篇：控溫磁力泵的介紹及保養
全年征稿/資訊合作
聯系郵箱：1271141964@qq.com
免責聲明
- 凡本網注明"來源：智能制造網"的所有作品，版權均屬于智能制造網，轉載請必須注明智能制造網，http://www.xashilian.com。違反者本網將追究相關法律責任。
- 企業發布的公司新聞、技術文章、資料下載等內容，如涉及侵權、違規遭投訴的，一律由發布企業自行承擔責任，本網有權刪除內容并追溯責任。
- 本網轉載并注明自其它來源的作品，目的在于傳遞更多信息，并不代表本網贊同其觀點或證實其內容的真實性，不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網站或個人從本網轉載時，必須保留本網注明的作品來源，并自負版權等法律責任。
- 如涉及作品內容、版權等問題，請在作品發表之日起一周內與本網聯系，否則視為放棄相關權利。
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
2025長三角國際智能儀表/線纜產業博覽會
展會城市：滁州市展會時間：2025-11-11