使用TI的Vision AccelerationPac，实现汽车可视探测
时间：10-28
来源：互联网
点击：
使用Vision AccelerationPac的圆形交通标志识别举例
典型的视觉分析处理涉及几个阶段（如图3所示），包括图像预处理与特性检测、相关物体识别、图像与模式匹配，最后才是决策判断。TI的Vision AccelerationPac最适合于减轻视觉分析处理前三个阶段的密集计算。决策判断通常包括分类器、浮点运算和矩阵转换，C66x DSP内核对它们的处理最为有效。正因如此，Vision AccelerationPac在SoC中与一个或者多个DSP配对使用。结果是，把视觉分析工作量合理是划分开来。
TI的TDA2x可实现低功耗、高性能的视觉处理系统。它拥有两颗C66x DSP内核和一个Vision AccelerationPac，以及两个嵌入式视觉引擎（EVE）。另外，它还包括一个视频前端和汽车汽车联网接口。下一页的图4显示了TDA2xx SoC结构图。
下面，我们来探讨Vision AccelerationPac如何能够加速ADAS圆形交通标志识别。
一些世界圆形交通标志使用红色圆圈作为分界线，因此第一步便是从YUV422输入数据只提取红色像素。第二步是，计算水平和垂直梯度，使用亮度和对比度来确证红色边界线。然后，使用霍夫变换算法找出圆形。现在，使用数据库中存储的模式使圆形内被识别相关区域图像关联起来，以解释交通标志（80 MPH），最终做出决策判断。在这种情况下，结论是限速80英里/小时。
图3视觉分析处理流程图
如下面图5所示，Vision AccelerationPac可以高效地分担圆形交通标志识别处理的大多数工作量，包括基于互关联的块匹配模板加速器。DSP内核用于提高最终决策的稳健性。使用霍夫变换算法来查找圆形是一项高计算密集型工作，但使用Vision AccelerationPac时，霍夫变换算法查找圆形仅需140字节个代码空间，约(1.88*NUM_RADIUS) +1.81 cyc/pix个处理时间周期，其中，NUM_RADIUS为我们在霍夫空间内选择搜索的半径数，因此它的视觉识别时间非常短，功耗非常低，并且硅片面积的性价比很高。以每秒30帧对一幅720 × 480图像进行完全交通标志识别约需50 MHz，即小于10% EVE周期。保持了丰富的处理功能，表明一个EVE可以同时运行多个视觉算法。
图4 TDA2x结构图
图5 使用Vision AccelerationPac实现圆形交通标志识别
机器视觉Vision AccelerationPac—汽车或者摄像头处理以外的应用
Vision AccelerationPac可以使用的其它领域还有很多。除视频摄像头分析处理以外，Vision AccelerationPac的固点倍增器和硬件通道是雷达分析处理的理想选择，因为它可以高效地处理快速傅里叶变换（FFT）和波束形成算法。利用Vision AccelerationPac来处理1024点FFT所花费的时间小于3.5µ秒。因此，雷达可用作汽车摄像头系统的补充，以探测许多不同的交通和气象状况。
汽车视觉所使用的相同机制，也适用于许多其它机器视觉行业；工业自动化、视频安全监控和警告系统、交通监控和车牌识别便是例子。Vision AccelerationPac可用于扩展DSP应用，以一种更加自主和高功效的方式来解决今天的许多视觉分析问题。
结论
Vision AccelerationPac是德州仪器创新型视觉分析解决方案。利用一种针对高效嵌入式视觉处理进行高度优化的灵活SIMD架构，Vision AccelerationPac拥有非常低的功耗和优异的硅片面积效率。Vision AccelerationPac与C66x DSP内核结合使用，可实现浮点和矩阵计算，从而极大地加速完整嵌入式视觉应用处理链。除是一种高效、可靠的架构以外，Vision AccelerationPac还使用一种简单的基于C/C++的编程模型，输出非常紧凑的代码。它意味着，Vision AccelerationPac实现的系统具有非常低的内存占用，从而进一步降低了视觉系统成本和功耗。TDA2x SoC及其Vision AccelerationPac，是实现智能汽车系统、工业机器和“可视”机器人视觉分析的一个理想平台，它们共同提高了我们的生活品质。
TDAx SoC更多详情，请访问www.ti.com/TDA2x。
参考文献
（1） 谷歌在Va. Tech测试无人驾驶汽车
（2） 尼桑宣布史无前例的无人驾驶汽车发展计划
鸣谢
感谢Stephanie Pearson、Debbie Greenstreet、Gaurav Agarwal、Frank Forster、Brooke Williams、 Dennis Rauschmayer、Jason Jones、Andre Schnarrenberger、Peter Labaziewicz、Dipan Mandal、 Roman Staszewski和Curt Moore给本文提供的支持。
典型的视觉分析处理涉及几个阶段（如图3所示），包括图像预处理与特性检测、相关物体识别、图像与模式匹配，最后才是决策判断。TI的Vision AccelerationPac最适合于减轻视觉分析处理前三个阶段的密集计算。决策判断通常包括分类器、浮点运算和矩阵转换，C66x DSP内核对它们的处理最为有效。正因如此，Vision AccelerationPac在SoC中与一个或者多个DSP配对使用。结果是，把视觉分析工作量合理是划分开来。
TI的TDA2x可实现低功耗、高性能的视觉处理系统。它拥有两颗C66x DSP内核和一个Vision AccelerationPac，以及两个嵌入式视觉引擎（EVE）。另外，它还包括一个视频前端和汽车汽车联网接口。下一页的图4显示了TDA2xx SoC结构图。
下面，我们来探讨Vision AccelerationPac如何能够加速ADAS圆形交通标志识别。
一些世界圆形交通标志使用红色圆圈作为分界线，因此第一步便是从YUV422输入数据只提取红色像素。第二步是，计算水平和垂直梯度，使用亮度和对比度来确证红色边界线。然后，使用霍夫变换算法找出圆形。现在，使用数据库中存储的模式使圆形内被识别相关区域图像关联起来，以解释交通标志（80 MPH），最终做出决策判断。在这种情况下，结论是限速80英里/小时。
图3视觉分析处理流程图
如下面图5所示，Vision AccelerationPac可以高效地分担圆形交通标志识别处理的大多数工作量，包括基于互关联的块匹配模板加速器。DSP内核用于提高最终决策的稳健性。使用霍夫变换算法来查找圆形是一项高计算密集型工作，但使用Vision AccelerationPac时，霍夫变换算法查找圆形仅需140字节个代码空间，约(1.88*NUM_RADIUS) +1.81 cyc/pix个处理时间周期，其中，NUM_RADIUS为我们在霍夫空间内选择搜索的半径数，因此它的视觉识别时间非常短，功耗非常低，并且硅片面积的性价比很高。以每秒30帧对一幅720 × 480图像进行完全交通标志识别约需50 MHz，即小于10% EVE周期。保持了丰富的处理功能，表明一个EVE可以同时运行多个视觉算法。
图4 TDA2x结构图
图5 使用Vision AccelerationPac实现圆形交通标志识别
机器视觉Vision AccelerationPac—汽车或者摄像头处理以外的应用
Vision AccelerationPac可以使用的其它领域还有很多。除视频摄像头分析处理以外，Vision AccelerationPac的固点倍增器和硬件通道是雷达分析处理的理想选择，因为它可以高效地处理快速傅里叶变换（FFT）和波束形成算法。利用Vision AccelerationPac来处理1024点FFT所花费的时间小于3.5µ秒。因此，雷达可用作汽车摄像头系统的补充，以探测许多不同的交通和气象状况。
汽车视觉所使用的相同机制，也适用于许多其它机器视觉行业；工业自动化、视频安全监控和警告系统、交通监控和车牌识别便是例子。Vision AccelerationPac可用于扩展DSP应用，以一种更加自主和高功效的方式来解决今天的许多视觉分析问题。
结论
Vision AccelerationPac是德州仪器创新型视觉分析解决方案。利用一种针对高效嵌入式视觉处理进行高度优化的灵活SIMD架构，Vision AccelerationPac拥有非常低的功耗和优异的硅片面积效率。Vision AccelerationPac与C66x DSP内核结合使用，可实现浮点和矩阵计算，从而极大地加速完整嵌入式视觉应用处理链。除是一种高效、可靠的架构以外，Vision AccelerationPac还使用一种简单的基于C/C++的编程模型，输出非常紧凑的代码。它意味着，Vision AccelerationPac实现的系统具有非常低的内存占用，从而进一步降低了视觉系统成本和功耗。TDA2x SoC及其Vision AccelerationPac，是实现智能汽车系统、工业机器和“可视”机器人视觉分析的一个理想平台，它们共同提高了我们的生活品质。
TDAx SoC更多详情，请访问www.ti.com/TDA2x。
参考文献
（1） 谷歌在Va. Tech测试无人驾驶汽车
（2） 尼桑宣布史无前例的无人驾驶汽车发展计划
鸣谢
感谢Stephanie Pearson、Debbie Greenstreet、Gaurav Agarwal、Frank Forster、Brooke Williams、 Dennis Rauschmayer、Jason Jones、Andre Schnarrenberger、Peter Labaziewicz、Dipan Mandal、 Roman Staszewski和Curt Moore给本文提供的支持。
德州仪器 嵌入式 传感器 机器人 机器视觉 Cortex 仿真 ARM DSP SoC ADI 自动化 相关文章：
- 德州仪器助力“互联网汽车”荣威RX5打造创新型数字化驾驶体验(07-26)
- 如何在ADAS应用程序中使用MIPICSI-2端口复制记录传感器数据(11-15)
- UCC2305在35W HID 车前灯中的应用(07-06)
- 微型传感器在汽车工程中的应用(08-06)
- 如何进行汽车电子系统中的处理器选择(09-21)
- 基于机器视觉的公路车流量检测系统(09-27)