软硬结合的智能视觉让机器人行动更灵敏

图4：视觉处理器芯片可能集成了多个不同类型的处理器内核，从而满足多个处理阶段的独特需求

第一个处理阶段包含多种可处理各种传感器数据处理功能的算法，例如：

●调整大小
●色彩空间转换
●图像旋转和翻转
●去隔行
●色彩调整和色域映射
●伽玛校正，
●对比度增强

在此阶段，每一帧内的每个像素都会进行处理，因此每秒的工作量都是巨大的。在立体图像处理时，两个图像平面必须同时进行处理。面向这些操作的其中一个处理选项为专用硬件时钟，有时又被称为IPU(图像处理单元)。最近推出的视觉处理器(包含IPU)可在稳定的帧速率下同时处理两个图像，每个图像的分辨率都高达2048x1536像素(300多万像素)。

第二个处理阶段将进行特征检测，在这一阶段(如前面所讨论的)，角、边和其他显著图形区域将会被提取。这个处理阶段仍在每个像素的基础上进行，因此非常适合那些高度并行的架构，但这一阶段可处理更加复杂的数学函数，如一阶和二阶导数。DSP、FPGA、GPU、IPU和APU(阵列处理器单元)都是常用处理选项。DSP和FPGA具有高度的灵活性，因此非常适用于那些不成熟和正在发展的应用(和实施这些应用的算法)。与其他方法相比，该灵活性虽然带来了更高的性能，但也带来更多的功耗和成本。

在灵活性/专用性比最高的选择是专用IPU或APU，他们特别适用于视觉处理任务。它每秒可处理数十亿的操作，但由于经过应用优化，它并不适合更广泛的功能。灵活性/专用性较为折衷的是GPU，GPU过去常常出现在电脑中，而现在也嵌入到应用在智能手机、平板电脑和其他大批量应用的应用处理器中。

浮点单元计算(如光流算法中的最小二乘功能)、SURF(用于快速显著点检测的快速鲁棒特征算法)中的描述符计算和点云处理都非常适用于高度并行的GPU架构。这种算法可运行在SIMD(单指令多数据)矢量处理引擎(如ARM的NEON或功率架构CPU中的AltiVec功能模块)上。无论如何，包括OpenCL(开放计算机语言)和OpenCV(开源代码计算机视觉库)在内的架构和库，都可简化并加快软件开发，还可能包括在多个内核上对一个任务的各个部分进行分配的能力。

在第三个图像处理阶段，系统将根据特征图对目标进行分类。与之前阶段基于像素的处理方法相比，这些目标检测算法以高度非线性的结构和方式进行数据访问。然而，仍需采用强大的处理“机制”通过丰富的分类数据库来评估多种不同的特性。这种需求非常适合单核和多核传统处理器，如基于ARM和Power架构的RISC设备。这种选择标准也同样适用于第四个图形处理阶段，该阶段将通过多帧跟踪检测目标、实施该环境的模块，并根据各种环境来评估是否应该实施动作。鉴于视觉处理的数据密集型属性，当评估处理器时，用户不仅应评估内核数量和每核速度，还应评估每个处理器的数据处理能力，如外部存储器总线带宽。

行业联盟援助

由于市场上出现了性能日渐强大的处理器、图像传感器、存储器和其他半导体器件，加上极具鲁棒性的算法，将计算机视觉功能整合到广泛的嵌入式系统中变得切实可行。在这里，“嵌入式系统”指的是基于微处理器的所有系统，而不是一台通用计算机。因此，嵌入式视觉是指在嵌入式系统、移动设备、专用电脑和云中加入计算机视觉技术。

嵌入式视觉技术有潜力支持大量电子产品(如本文讨论的机器人系统)，比以前更智能、更灵敏，因而对用户更有价值。它可以向现有产品添加有用的功能。它可以为硬件、软件和半导体的制造商们开创有重大意义的新市场。嵌入式视觉联盟(Embedded Vision Alliance)是一个由技术开发人员和提供商组成的全球性组织，旨在使工程师能够将这种潜力转化为现实。(end)