嵌入式視覺設計要創新，選擇FPGA成關鍵

　　因此，BDTI 開發的針對特定應用定制的算法可用于進一步處理賽靈思提供的元數據。例如，BDTI 的算法知道什么樣的標志看上去應該是怎么樣的(大小、形狀、顏色、圖案、在幀中的位置等)，故而能夠將相關的像素集群組合成更大的群組。類似的，這些算法也能判斷什么時候應該去除看似顏色相近但并非標志的像素集群，比如前面提及的車輛剎車燈。

　　第二階段：行人檢測與跟蹤

　　在項目的第一階段中，攝像頭處于運動狀態而待識別的對象(即道路標志)處于靜止狀態。第二階段主要針對安全應用，攝像頭處于靜止狀態而對象(本例中為行人)則未必。對這種情況，視頻分析算法就不能依靠預設的顏色、圖案或其它對象特征，因為行人可以穿著各種衣物，可以高矮胖瘦各異，可以膚色、頭發顏色和發型不同(另外還可能戴著遮擋頭發的帽子、墨鏡等裝飾物)。軟件還需要解決另一個難題，不僅需要識別和跟蹤行人，還需要在行人穿越一道數字“絆網”，進入視頻幀的特定區域時發出警報(見圖 3)。

圖3：在行人檢測和跟蹤功能中包括一項“絆網”警報功能，當行人進入視頻幀的
有界部分的時候就會發出警報

　　項目第二階段與第一階段采用的硬件配置完全相同，只是軟件有所變化。視頻流饋送到視頻分析 IP 核的仿真模型中，所生成的元數據傳輸到二級算法器件供進一步處理。此時面臨的難題包括：

　　• 解決不必要的噪聲和適當的對象分割之間根本性的權衡取舍問題
　　• 對象不斷變化的形態(外形和結構)
　　• 對象不斷變化的運動狀態，包括行人間的運動狀態變化以及特定行人隨時間的運動狀態變化
　　• 元數據消失。比如當行人停止行走，被中間的障礙物遮擋或者是與背景圖案混為一體
　　• 有其他對象出現在場景中，包括靜態和動態的
　　• 行人與攝像頭之間的距離不斷發生變化
　　• 人群中個別行人與群體的運動矢量對比，主體運動矢量和反向運動矢量的對比

　　就“絆網”的實現，四種不同的視頻流對視頻分析算法的調試和優化尤其有效：

　　• 以相反方向行走的“近處”行人
　　• 以不同方向行走的“近處”行人
　　• 一個“遠處”行人和一輛行駛的卡車，從某種角度看，兩者大小相仿
　　•“遠處”的多名行人與一輛駛近的卡車，卡車看上去比人群大

　　第三階段：硬件轉換及未來發展

　　項目的最后階段采用賽靈思真正的視頻分析 IP 模塊(代替之前使用的仿真模塊)，運行在 Spartan ®-3A 3400 視頻入門套件上。MicroBlaze™軟核處理器嵌入在 Spartan-3A FPGA內，采用額外的專用功能模塊予以強化，并實現了網絡協議棧。該網絡協議棧主要負責處理高數位率和以太網分組的元數據并將其傳輸到 BDTI 開發的第二級處理算法，同時實現道路標志檢測和行人檢測與跟蹤功能。雖然這些算法之前在基于 X86 的 PC 上運行，BDTI 已成功地將它們移植到基于ARM® Cor tex TM-A8 的硬件平臺(BeagleBoard) 上(見圖 4)。

　　對已經熟悉賽靈思產品計劃的用戶來說，可能立即就會想到將 FPGA 和Cortex-A8 CPU 集成在單個芯片上的ZynqTM 可擴展處理平臺。能不能在單個 Zynq 器件上運行整個視頻分析參考設計呢? 答復顯然是肯定的， 因為Zynq 產品系列的各器件包含有足夠的可編程邏輯資源，同時 BDTI 算法對ARM CPU 核來說負載適中。

　　嵌入式視覺正在為系統開發商及其半導體和軟件供應商書寫新一篇重大的技術成功篇章。正如本文中介紹的案例研究所示，FPGA 以及 FPGA 與 CPU組合的 SoC 能夠成為實現嵌入式視覺算法極富吸引力的芯片平臺。