監控系統嚴重依靠嵌入式視覺系統提供的功能加速在廣泛市場和系統中的部署。這些監控系統的用途非常廣泛，包括事件和流量監控、安全與安防用途、ISR 和商業智能。用途的多樣性也帶來了幾大挑戰，需要系統設計人員在解決方案中加以解決。它們是：

多攝像頭視覺 – 能夠連接多個同類或異類傳感器類型。

計算機視覺技術 - 能夠使用高級庫和框架（例如 OpenCV 和 OpenVX）進行開發。

機器學習技術 – 能夠使用框架（例如 Caffe）來實現機器學習推斷引擎。

提高分辨率和幀率 – 提高每個圖像幀所需的數據處理。

根據用途，監控系統會實現相應算法（例如光流法）以檢測圖像內的運動。立體視覺提供圖像內的深度知覺，也使用機器學習技術來檢測和分類圖像中的對象。

圖 1 - 實例應用（上：面部檢測與分類，下：光流）

異構系統器件，例如 All Programmable Zynq?-7000 和 Zynq? Ultrascale+? MPSoC，正越來越多地應用于監控系統的開發。這些器件是可編程邏輯（PL）架構與高性能 ARM? 內核處理器系統（PS）的完美結合。

與傳統方案相比，PL 與 PS 的緊密耦合使得創建的系統具有更強的響應能力、可重配置能力以及更高的能效。基于 CPU/GPU 的傳統 SoC 需要使用系統存儲器將圖像從一個處理階段傳送到下個階段。這會降低確定性并增大功耗和系統響應時延，因為多個資源需要訪問同一個存儲器，造成處理算法瓶頸。該瓶頸隨幀率和圖像分辨率增加而加重。

當解決方案采用 Zynq-7000 或 Zynq UltraScale+ MPSoC 器件實現時，就會打破這個瓶頸。這些器件允許設計人員在器件的 PL 中實現圖像處理流水線。在 PL 中創建真正的并行圖像流水線，其中一個階段的輸出被傳送到另一個階段的輸入。這樣能獲得確定的響應時間，縮短時延，實現功耗最佳解決方案。

利用 PL 實現圖像處理流水線，還能獲得比傳統 CPU/GPU SoC 方案更寬的接口能力，而后者只能獲得固定接口。PL IO 接口的靈活特性允許任意連接，支持 MIPI、Camera Link、HDMI 等行業標準接口。這種靈活特性還能實現定制傳統接口，而且能進行升級以支持最新接口標準。利用 PL，還可以讓系統并行連接多個攝像頭。

不過，最關鍵的是實現應用算法，而且無需用硬件描述語言（例如 Verilog 或 VHDL）重新編寫所有高級算法。這正是 reVISION? 堆棧的用武之地。

圖 2 - 傳統 CPU/GPU 方案與 Zynq-7000/Zynq UltraScale+ MPSoC 的對比

reVISION 堆棧

reVISION 堆棧使開發人員能夠實現計算機視覺和機器學習技術。在這里，針對 Zynq-7000 和 Zynq UltraScale+ MPSoC 的高級框架和庫同樣適用。為此，reVISION 將支持平臺、應用和算法開發的多種資源完美結合在一起。該堆棧分為三個不同等級：

平臺開發 - 這是堆棧的最底層，是剩余堆棧層的構建基礎。該層為 SDSoC? 工具提供平臺定義。

算法開發 – 這是堆棧的中間層，為所需算法的實現提供支持。該層有助于圖像處理和機器學習推斷引擎加快向可編程邏輯中轉移。

應用開發 – 這是堆棧的最高層，可提供行業標準框架支持。該層用來開發應用，以便利用平臺開發和算法開發層。

堆棧的算法和應用層支持傳統圖像處理流程和機器學習流程。在算法層中，支持用 OpenCV 庫開發圖像處理算法。這包括：能將多種 OpenCV 功能（包括 OpenVX 內核子集）加速放在可編程邏輯中實現。為支持機器學習，算法開發層提供幾種可以放在 PL 中用以實現機器學習推斷引擎的預定義硬件功能。然后，由應用開發層訪問這些圖像處理算法和機器學習推斷引擎，用以創建最終應用，并為 OpenVX 和 Caffe 等高級框架提供支持。

圖 3 - reVISION 堆棧

reVISION 堆棧能提供所有必要元素，用以實現高性能監控系統所需的算法。

在 reVISION 中加速 OpenCV

算法開發層的最重要優勢之一是能夠加速多種 OpenCV 功能。該層中，可加速的 OpenCV 功能被分成四個高級類別。

計算 – 包括的功能有：兩個幀的絕對偏差、像素運算（加、減和乘）、梯度和積分運算。

輸入處理 – 支持位深度轉換、通道運算、直方圖均衡化、重新映射和尺寸重調整。

濾波 - 支持多種濾波器，包括 Sobel、自定義卷積和高斯濾波器。

其他 – 提供多種功能，包括 Canny/Fast/Harris 邊緣檢測、閥值以及 SVM 和 HoG 分級器。

這些功能構成了 OpenVX 子集的核心功能，能夠針對 OpenVX 與應用開發層緊密集成。開發團隊可利用這些功能在可編程邏輯中創建算法流水線。以此方式在邏輯中實現這些功能，這樣能顯著提高算法實現性能。

reVISION 中的機器學習

reVISION 提供與 Caffe 的集成，能夠實現機器學習推斷引擎。與 Caffe 的集成發生在算法開發層和應用開發層。Caffe 框架在 C++ 庫中為開發人員提供大量函數庫、模型和預訓練的權重，以及 Python? 和 MATLAB? 捆綁程序。該框架使用戶能夠創建和訓練網絡，以執行所需的運算，無需重新開始。為便于模型重用，Caffe 用戶可通過模型庫（model zoo）共享模型；庫中提供多個網絡模型，用戶可針對專門的任務實現和更新網絡模型。在 prototxt 文件中定義這些網絡和權重，當在機器學習環境中部署時，使用該文件來定義推斷引擎。

reVISION 提供 Caffe 集成功能，使機器學習推斷引擎的實現非常簡單，只需提供 prototxt 文件即可；剩下的工作由框架來完成。然后，使用這個 prototxt 文件來配置處理系統以及可編程邏輯中的硬件優化庫。可編程邏輯用來實現推斷引擎，并包含 Conv、ReLu、Pooling 等功能。

圖 4 - Caffe 流程集成

機器學習推斷引擎中的數字表達對性能也起到重要作用。機器學習越來越多地使用更為高效、降低精度的定點數字系統，例如 INT8 表達法。與傳統的浮點 32 （FP32）方法相比，定點降精度數字系統不會造成較大精度損失。與浮點相比，定點運算更易于實現，因此改用 INT8 后能實現更高效、快速的解決方案。可編程邏輯解決方案最適合使用定點數字，reVISION 能在 PL 中使用 INT8 表達法。采用 INT8 表達法后，可在 PL 中使用專用 DSP 模塊。有了這些 DSP 模塊的架構，當使用相同的內核權重時，可同時執行兩個 INT8 乘法累積運算。這樣不僅能獲得高性能實現方案，而且可以降低功耗。憑借可編程邏輯的靈活特性，也可以輕松實現精度更低的定點數字表達形式。

結論

reVISION 使開發人員能夠利用 Zynq-7000 和 Zynq UltraScale+ MPSoC 器件所提供的功能。而且，即使不是專家也能利用可編程邏輯來實現算法。這些算法和機器學習應用可通過高級的行業標準框架來實現，從而縮短系統開發時間。這使開發人員能夠提供響應性和可重配置能力更強而且功耗更加優化的系統。