影響城市級機(jī)器視覺應(yīng)用系統(tǒng)運(yùn)行效率的因素

韓建國

摘要

本文從機(jī)器視覺技術(shù)的工作機(jī)理出發(fā)，研究探討影響城市級機(jī)器視覺應(yīng)用系統(tǒng)運(yùn)行效率的因素，并提出降低能耗的方法。

【關(guān)鍵詞】機(jī)器視覺 效率 節(jié)能降耗

1 綜述

每個城市已建設(shè)了龐大的視頻監(jiān)控系統(tǒng)。視頻監(jiān)控已應(yīng)用到城市安保的各個方面。但隨著規(guī)模越來越大，數(shù)據(jù)量龐大，極大的限制了視頻監(jiān)控系統(tǒng)的使用效率。

隨著機(jī)器視覺技術(shù)的發(fā)展，通過機(jī)器視覺技術(shù)，讓機(jī)器代替人眼，自動在視頻中挖掘有效信息，極大提升使用效率，發(fā)揮視頻監(jiān)控系統(tǒng)的最大作用。但機(jī)器視覺需消耗大量的計算資源，在一個萬路級別的視頻監(jiān)控系統(tǒng)中，需要龐大的計算資源來分析視頻圖像，為了維持這些計算資源的運(yùn)行，需要消耗大量的電力能源。本文將基于計算技術(shù)探討如何采用合適的計算處理器以及計算架構(gòu)來提高處理器能耗比，節(jié)能降耗。

2 機(jī)器視覺技術(shù)的工作機(jī)理

機(jī)器視覺技術(shù)的流程分為三個步驟：

（1）圖像還原。將圖像通過編解碼技術(shù)還原為Y日、數(shù)據(jù)。

（2）特征提取。通過機(jī)器視覺算法模型，在YUV數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化的多維矩陣數(shù)據(jù)。

（3）分析比對。這是將“特征提取”步驟中的特征數(shù)據(jù)和算法知識庫中比對樣本數(shù)據(jù)進(jìn)行比對的過程。以人臉比對為例，常見的有通過余弦算法、歐式距離算法等不同的算法比較人臉目標(biāo)的相似程度。

例如，通過余弦相似度算法分析兩張人臉圖片分別是a和b的相似度。首先將a和b分別轉(zhuǎn)換為特征數(shù)據(jù)A=（x1，x2，""."""，xn），B=（y1，y2，……，yn），A和B數(shù)據(jù)為一個n維空間的兩個點(diǎn)。兩個點(diǎn)和原點(diǎn)之間的夾角θ作為兩張人臉圖片的相似程度的衡量值，θ越小相似程度越高。

用余弦函數(shù)COS（θ）的值來表示相似度。兩張人臉圖片a和b的相似度COS（θ）由以下公式計算：

由此可見，機(jī)器視覺的計算的特點(diǎn)：

（1）大量的浮點(diǎn)運(yùn)算;

（2）大量的乘法和加法運(yùn)算，可被簡單拆分合并的計算。

3 影響機(jī)器視覺計算效率的因素

3.1 微處理器的因素

用于機(jī)器視覺計算的微處理器有兩種，CPU和GPU（圖形處理器）。

CPU和GPU的都是在一個固定面積的高純度硅晶體片上，通過化學(xué)或激光技術(shù)雕刻出大量晶體管。這些晶體管組成了三大組件：控制單元、運(yùn)算單元、存儲單元。機(jī)器視覺的分析計算具有運(yùn)算密度高、可多并發(fā)線程和頻繁地存儲器訪問的特點(diǎn)。機(jī)器視覺計算主要取決于運(yùn)算單元和存儲單元的能力。

CPI在機(jī)器視覺計算任務(wù)處理中CISC架構(gòu)中暫存器數(shù)量有限，不適合處理類似圖像處理的工作。以Intel為代表的廠商曾做過許多改進(jìn)嘗試，但由于多媒體計算對于浮點(diǎn)運(yùn)算和并行計算效率的高要求，CPU硬件難以滿足其巨大的處理需求，僅僅在軟件層面的改進(jìn)不能起到根本作用。

而GPU是專門處理圖形任務(wù)的芯片。GPU是在屏幕上顯示數(shù)百萬個像素的圖像——可同時處理幾百萬個并行任務(wù)。GPU的控制相對簡單，對Cache需求小，大部分晶體管可以組成各類專用電路、多條流水線，計算速度有了突破性的飛躍，擁有更強(qiáng)大的處理浮點(diǎn)運(yùn)算的能力。通過GPU加速技術(shù)，將計算能力進(jìn)一步提高。

目前采用GPU卡或者自行研發(fā)嵌入式專用GPU卡的方式，使機(jī)器視覺技術(shù)的處理性能提升了數(shù)十倍。

以機(jī)架式服務(wù)器為例：

一個CPI服務(wù)器，可同時處理4路1080P高清視頻的視頻分析，功耗一般在200W左右;而一個高密度嵌入式GPU服務(wù)器，可同時處理80路以上的1080P高清視頻的視頻分析，功耗一般在2800W左右。

GPI服務(wù)器平均能耗比提升了和80%，因為性能提升使得機(jī)房空間占用大幅度降低，空調(diào)能耗比提升，可節(jié)省50%以上的電力。

3.2 計算架構(gòu)的因素

在城市級的視頻監(jiān)控系統(tǒng)中，攝像頭裝在各個區(qū)域，區(qū)域中人、車的流量在空間和時間上存在不均勻性。例如工作日早上8點(diǎn)，公交車站的人流量很大，節(jié)假日早上8點(diǎn)公交車站的人流量就會大幅減少，這就是時間上的不均勻性;同樣的在工作日早上8點(diǎn)，商圈周邊的人流量相比公交車站周邊的人流量就會少很多，這就是空間上的不均勻性。

而在機(jī)器視覺技術(shù)應(yīng)用上，視頻中活動物體或人體的圖像決定了計算資源的消耗量。以人臉識別為例，相同的視頻畫面，人流量決定了計算資源的消耗量，人流量越大，計算資源消耗越大，人流量越小，計算資源消耗就越小。在通常的計算資源固定分配的計算架構(gòu)中，一段視頻的分析計算任務(wù)是被固定在一個GPU的計算資源上，這導(dǎo)致工作日早上8點(diǎn)，用于公交車站周邊視頻圖像分析的計算資源消耗很大，而用于商圈周邊視頻圖像分析的計算資源消耗很小。同理，對于公交車站周邊視頻圖像分析的計算資源來說，在工作日早上8點(diǎn)的消耗很大，但節(jié)假日早上8點(diǎn)的消耗就會很小。

而采用GPU云計算架構(gòu)，可通過GPU計算資源云化形成GPU計算資源池。所有的機(jī)器視覺計算任務(wù)可共享一個或者少量幾個GPU計算資源池。通過動態(tài)計算任務(wù)調(diào)度、負(fù)載均衡、按需分配等方式，動態(tài)的自動的調(diào)度每個機(jī)器視覺計算任務(wù)，在計算任務(wù)繁忙時多分配GPU計算資源，空閑時自動釋放GPU計算資源。

4 結(jié)論

綜上所述，在城市級機(jī)器視覺技術(shù)應(yīng)用中，選擇GPU代替CPU作為主要運(yùn)算核心和架構(gòu)，可大幅提高視頻智能化大數(shù)據(jù)計算資源的利用率，從而達(dá)到節(jié)能降耗的目的。