人工智慧在嵌入式視覺和圖像處理中的應用呈增長之勢

開發人員正越來越多地將深度學習和神經網路應用於ADAS、生物識別和手勢識別應用中。

最近幾年，人工智慧（AI）已成為一種非常流行的熱點話題。在過去的二十年中，人類在計算能力、數據積累、數學工具的改進方面取得了巨大進步，並且所有這些的成本進一步降低，由此我們看到了人工智慧的誕生。

圖1：Yole的嵌入式圖像和視覺處理報告，突出了IP和硅公司的收入增長，並提供了通用視覺處理器預測。

為了使機器能夠理解它周圍的世界，人工智慧技術受到了生物學的啟發。因此，AI領域的許多研究集中於從視覺系統中分析圖像的能力。來自生物學的另一個主要靈感是允許機器分析這些圖像的數學結構：人工神經網路，即人腦的微型結構拷貝。

有許多不同的神經網路，它們主要依賴於神經元之間連接的拓撲結構、所使用的聚合函數、閾值函數和反向傳播方法（如果存在的話，這種網路被稱為卷積神經網路，簡稱CNN）。這些數學方法都是人工智慧領域的一部分，稱為「深度學習」，並被分成兩部分——訓練和推理。

根據要達到的目標，絕大多數神經網路有一個非常可變的「訓練」演算法（監督或不）。該演算法根據在網路輸入處呈現的數據集修改突觸權重（synaptic weights）。這種訓練的目的是使神經網路能夠從樣本中「學習」。

如果訓練正確執行，神經網路將提供非常類似於訓練數據集的輸入值的輸出響應。推理機是一種軟體演算法，對應於演繹推理的模擬。該軟體通常嵌入在設備中。

在過去的十年中，深度學習在很多領域都非常成功。基於圖像的技術包括面部識別、虹膜和手勢監控、對象和自由空間檢測，以及最近的行為識別。

在市場上，我們看到深度學習在汽車領域獲得了最引人注目的進步，這些技術被用於ADAS（先進的駕駛員輔助系統），用於檢測障礙物和識別標誌、交通燈、汽車、行人和各種各樣的其他物體。圖像來自於在汽車周圍部署的一組相機，而訓練是在專用計算機中的數據中心執行的。在半自動駕駛汽車中，推理演算法嵌入在ECU（發動機控制單元）中；在機器人或全自動駕駛汽車中，推理演算法嵌入在一個完整的計算機中（見圖1）。

生物特徵識別是廣泛應用深入學習的另一個主要領域，例如，將深度學習演算法用於個人身份認證。蘋果具備3D面部識別功能的最新手機iPhone X，就是一個很明顯的例子。在監控和國土安全領域，面部識別被用於邊界控制，以及使用專門的相機生產身份證件。

用於個人身份認證的基於深度學習的虹膜識別，也越來越多地被用於移動設備中。未來，我們還可以在移動設備中增加行為識別功能，儘管這項功能目前仍處於研究和開發階段，但已經取得了鼓舞人心的初步結果。

目前，深度學習主要用於娛樂領域中的手勢識別。這些領域中的主要參與者已是眾所周知，如谷歌、亞馬遜、Facebook和蘋果。在過去的十年中，這些公司在人工智慧領域的投資更是驚人的一致。市場研究公司Yole預測，到2025，AI市場將以50%的年複合增長率（CAGR）增長，收入主要集中在使用深度學習的技術上。Yole預計，在2025年的500億美元中，幾乎有50%的收入來自使用深度學習演算法的技術。

人工智慧的發展也離不開專門的硬體開發。值得注意的是，視覺處理器的設計者和建造者，還通過嵌入式操作系統和/或SDK（軟體開發工具包）提供軟體層。

這樣就能很容易地實施軟體解決方案，並允許硬體最大限度地發揮功能，同時還要求特定平台開發技能，需要使用如ARM的embedOS、NVIDIA的Jetson、Xilinx的XSDK以及CEVA公司的CDNN等工具。

為嵌入式系統開發AI的公司，在開發其解決方案並設計與不同類型的硬體兼容時，必須考慮這個強加的軟體層。

隨著AI的勢頭持續高漲，AI在視覺系統中的應用也呈現出一個光明的未來。在硬體方面，已經出現了專用處理器；在軟體方面，有越來越強大的演算法，能夠識別物體、面部和姿勢。從AI的市場應用方面看，首先是汽車市場，所有ADAS技術提供了一條通向自動駕駛的直接路線；第二是用於個人身份認證（解鎖、支付）的手機安全系統；最後是生物特徵識別及其在工業、監控、安全、以及在智能建築和智能家居中的應用。AI領域湧現出了大量的投資、收購和合作關係，而且在未來的幾年內市場規模將相當可觀，市場和收入都將快速增長。

文/ Yohann Tschudi

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！