機器視覺系統這幾年發展迅速，然而這類系統一般采用CPU、GPU或DSP設計，功耗和體積較大，難以滿足嵌入式應用需求。因此，Synopsys公司近日推出了面向嵌入式應用的嵌入式視覺（EV）處理器IP——DesignWareEV視覺處理器產品系列。該EV處理器能夠滿足包括游戲手勢控制、電視機/家庭娛樂系統手勢控制、游戲虛擬現實/3D顯示以及監控/面部識別等新型市場的設計需求。

據Synopsys公司DesignWareARC處理器高級產品營銷經理MikeThompson介紹，嵌入式視覺是在嵌入式系統中使用計算機視覺來解釋圖像或視頻意義的技術。嵌入式視覺在汽車中可用來提升安全性，在攝像頭應用中可用來對目標進行檢測和追蹤，在游戲機中則可提升交互體驗。視覺處理市場將以35%的復合年均增長率增長，到2020年，出貨量將有望超過3000億美元。

EV處理器做視覺處理比CPU、GPU和DSP強在哪？

DesignWareEV處理器產品系列是完全可編程和可配置的視覺處理器IP核。該系列結合了軟件解決方案的靈活性與專用硬件的低成本和低功耗特性，可以提供比CPU、GPU和DSP等更高的視覺處理效率。

“現有的視覺處理應用，包括智能監控、生物識別和機器視覺和基于云處理的城市監控技術，都是基于強大的CPU硬件和帶操作系統的軟件來實現的。這種解決方案盡管處理能力很強，但功耗很大，響應速度較慢。而一些特別的應用，如車載交通信號識別、人臉識別和手勢識別，則要求低功耗并能即時響應。這些新應用就需要市場提供新的處理器IP，來設計研發出新的SoC或處理器。”Mike表示。

雖然視覺算法可以在大多數處理器上運行，但是這類算法牽涉到許多的復雜數學運算和數據遷移。通用處理器（GPP）可以用來做視覺處理，但是這樣的處理器缺少復雜數學運算資源，運行起來速度會非常慢。在一些視覺應用中，采用的圖形處理器（GPU）雖然具有許多的運算資源，但是卻缺乏高效移動視覺數據的能力，因此其視覺性能相對較低，并且其功耗也非常的高。視覺處理器是專為視覺處理而設計，因此它們擁有所需的復雜數學運算能力，并且它們還具有精密的數據遷移能力，能夠有效地處理視覺幀數據。此外，要能夠在嵌入式視覺應用中得到使用，它們也需要滿足低功耗要求。DesignWareEV處理器的高運算處理能力、優異的視覺數據遷移性能和非常低的功耗，使其成為了在SoC當中實現視覺處理的極佳選擇。

EV處理器實現原理有何不同？

DesignWare嵌入式視覺處理器系列分為EV52和EV54兩個產品，內部有2或4個高性能RISCCPU內核和2到8個PE（處理單元）內核。多個可并行獨立運算的PE可運行卷積神經網絡（CNN）等算法，快速進行目標檢測（如面部識別、面部跟蹤、手勢識別和汽車ADAS系統的限速或道路識別等），支持5級流水線，并且可編程和可動態配置。所有的RISCCPU和PE通過共享內存和DMA進行連接。

那么，EV52和EV54之間有哪些不同？Mike介紹，EV52具有一個工作頻率高達1GHz的28nm雙核ARC處理器，而EV54帶有一個性能較EV52更高的四核ARC處理器實現。兩者都具有一個可編程的目標監測引擎，該引擎可配置并能以較競爭性解決方案低5倍的功耗等級提供快速、精確的目標監測。目標監測引擎運行一個CNN可執行文件，并由2、4或8個處理單元（PE）組成。PE的個數由用戶在構建時配置，PE之間的流互連網絡也是如此。該互連網絡在所有的PE之間具有靈活的點到點連接，可根據目標監測引擎上執行的CNN圖形動態改變。

EV處理器以超過1000GOPS/W的性能實現了卷積神經網絡（CNN），從而能夠僅以其他視覺解決方案的一小部分功耗，實現對諸如面部、行人和手勢等多樣化的目標快速而準確的監測。為了加速應用軟件開發，EV處理器系列得到了基于OpenCV和OpenVX等等現有和新興的嵌入式視覺標準，以及Synopsys的MetaWare開發工具包的綜合性軟件編程環境的支持。通過把專為視覺數據處理而優化的高性能硬件與高效編程工具結合在一起，EV處理器成為了各種嵌入式視覺應用的一種理想解決方案，包括視頻監控、手勢識別和目標監測等應用。

EV處理器識別精度比服務器還能更高？

“Synopsys從2012年開發DesignWare嵌入式視覺處理器開始，其識別率就達到了85%。如果通過更好的CNN模型和不斷培訓，準確率還可以更高。”Mike介紹說，“2015年微軟和谷歌的CNN視覺識別精度是95%，但那是通過服務器云處理實現的。如果經過更多的CNN培訓，我們的解決方案的精度甚至可能更高。它就像是人的眼睛和大腦，剛開始看到一樣東西時，你可能會認不出來，但如果你天天都去看，識別的準確率就會很高。”

EV處理器系列包含多個高性能處理內核，可在典型的28nm工藝技術中實現高達1GHz的運行速率。EV處理器系列也實現了一種前饋卷積神經網絡（CNN）結構，它支持一個可編程的點對點串流互連網絡，以用于快速和準確的目標監測這一視覺處理的關鍵任務。執行單元處理器的數量可配置，開發人員能夠在視覺應用中利用通用的任務級和數據級并行處理功能，去執行復雜的圖像和視頻識別算法，同時僅消耗市場上其它可用視覺處理器五分之一的功耗。

EV處理器專為無縫集成到SoC中而設計。其可與任何主處理器搭配使用和并行工作。EV系列通過信息傳遞和中斷來支持與主處理器的同步。此外，EV處理器的內存可映射到主處理器。這些特點使得主處理器能夠保持控制，同時使所有的視覺處理都能夠被卸載到EV處理器上，這樣可降低功耗并且加速結果呈現。EV處理器可以存取儲存在SoC內存映射區域內的數據，或在需要的情況下，通過ARMAMBAAXIT標準系統接口獨立地存取芯片外數據源提供的圖像數據。

什么是卷積神經網絡（CNN）？

卷積神經網絡（CNN）模擬我們大腦處理視覺時的工作狀態。它們將圖像分解成若干部分，并逐步找到其被訓練去識別的目標。CNN已經存在了20多年，但直到近年這些算法才有了實質上的改進，并且目前在目標識別方面較其他可用算法甚至是人類專家更好。CNN是一種深度學習算法，其訓練方式與我們的大腦采用目標的多幅圖像來進行訓練差不多，它基于這些圖像歸納出能夠被算法利用、用以在圖片或視頻中找到目標的一幅圖形。

Nvidia、CEVA、Microsoft以及其他公司近期的發布強調了嵌入式視覺向CNN的遷移。其實，Microsoft和Google最近都已在高端應用中采用了CNN，其所得的精度超過了95%，較人類專家還要更高。CNN目前是獲取高質量和高精度結果的最佳視覺算法，其性能比Viola-Jones、HOG、SIFT和SURF等其他算法更勝一籌。

嵌入式視覺處理器解決方案的編程環境

在開發方面，Synopsys提供了一個完整的、包括OpenVX和OpenCV庫、以及Synopsys的MetaWare開發工具包的軟件編程環境，簡化了SynopsysEV處理器系列的應用軟件開發。

這些處理器都是可編程的，同時可以被訓練從而支持任何監測目標圖形。OpenVX框架包括43個標準計算機視覺內核，它們已專為運行在EV處理器上而進行了諸如邊緣監測、圖像金字塔創建和光流估計等優化。用戶也可定義新的OpenVX內核，為其目前的視覺應用帶來靈活性，同時滿足未來目標監測的需求。OpenVX內核可以在運行時分配給EV處理器的多個單元執行，從而簡化了處理器的編程。完整的工具套件和源程序庫、以及可提供的參考設計使得設計人員能夠高效的構建、調試、評估和優化其嵌入式視覺系統。

OpenCV（一個開源計算機視覺庫）是一種可與MetaWare一起使用的、包含2500個函數的軟件庫，它為嵌入式視覺應用提供了一個軟件架構。OpenCV可用于監測和識別目標，以及一系列完整的機器視覺功能。

OpenVX是一種針對嵌入式視覺算法加速的開源標準。DesignWareEV嵌入式視覺處理器由OpenVX框架和43種主內核提供支持。對于DesignWareEV嵌入式視覺處理器而言，已可提供用于人臉監測、速度標志監測和人臉跟蹤的內核。用戶也可以創建其專有內核用于DesignWareEV處理器。

OpenCV和OpenVX互為補充，并能夠同時用于視覺應用中。

更多資訊請關注機器視覺頻道