人工智能在嵌入式视觉和图像处理中的应用呈增长之势收藏

    开发人员正越来越多地将深度学习和神经网络应用于ADAS、生物识别和手势识别应用中    最近几年，人工智能（AI）已成为一种非常流行的热点话题在过去的二十年中，人类在计算能力、数据积累、数学工具的改进方面取得了巨大进步，并且所有这些的成本进一步降低，由此我们看到了人工智能的诞生。

    为了使机器能够理解它周围的世界，人工智能技术受到了生物学的启发因此，AI领域的许多研究集中于从视觉系统中分析图像的能力来自生物学的另一个主要灵感是允许机器分析这些图像的数学结构：人工神经网络，即人脑的微型结构拷贝。

    有许多不同的神经网络，它们主要依赖于神经元之间连接的拓扑结构、所使用的聚合函数、阈值函数和反向传播方法（如果存在的话，这种网络被称为卷积神经网络，简称CNN）这些数学方法都是人工智能领域的一部分，称为“深度学习”，并被分成两部分——训练和推理。

    根据要达到的目标，绝大多数神经网络有一个非常可变的“训练”算法（监督或不）该算法根据在网络输入处呈现的数据集修改突触权重（synaptic weights）这种训练的目的是使神经网络能够从样本中“学习”。

    如果训练正确执行，神经网络将提供非常类似于训练数据集的输入值的输出响应推理机是一种软件算法，对应于演绎推理的仿真该软件通常嵌入在设备中    在过去的十年中，深度学习在很多领域都非常成功基于图像的技术包括面部识别、虹膜和手势监控、对象和自由空间检测，以及最近的行为识别。

    在市场上，我们看到深度学习在汽车领域获得了最引人注目的进步，这些技术被用于ADAS（先进的驾驶员辅助系统），用于检测障碍物和识别标志、交通灯、汽车、行人和各种各样的其他物体图像来自于在汽车周围部署的一组相机，而训练是在专用计算机中的数据中心执行的。

在半自动驾驶汽车中，推理算法嵌入在ECU（发动机控制单元）中；在机器人或全自动驾驶汽车中，推理算法嵌入在一个完整的计算机中（见图1）    生物特征识别是广泛应用深入学习的另一个主要领域，例如，将深度学习算法用于个人身份认证。

苹果具备3D面部识别功能的最新手机iPhone X，就是一个很明显的例子在监控和国土安全领域，面部识别被用于边界控制，以及使用专门的相机生产身份证件    用于个人身份认证的基于深度学习的虹膜识别，也越来越多地被用于移动设备中。

未来，我们还可以在移动设备中增加行为识别功能，尽管这项功能目前仍处于研究和开发阶段，但已经取得了鼓舞人心的初步结果     目前，深度学习主要用于娱乐领域中的手势识别这些领域中的主要参与者已是众所周知，如谷歌、亚马逊、Facebook和苹果。

在过去的十年中，这些公司在人工智能领域的投资更是惊人的一致市场研究公司Yole预测，到2025，AI市场将以50%的年复合增长率（CAGR）增长，收入主要集中在使用深度学习的技术上Yole预计，在2025年的500亿美元中，几乎有50%的收入来自使用深度学习算法的技术。

    人工智能的发展也离不开专门的硬件开发值得注意的是，视觉处理器的设计者和建造者，还通过嵌入式操作系统和/或SDK（软件开发工具包）提供软件层    这样就能很容易地实施软件解决方案，并允许硬件最大限度地发挥功能，同时还要求特定平台开发技能，需要使用如ARM的embedOS、NVIDIA的Jetson、Xilinx的XSDK以及CEVA公司的CDNN等工具。

    为嵌入式系统开发AI的公司，在开发其解决方案并设计与不同类型的硬件兼容时，必须考虑这个强加的软件层    随着AI的势头持续高涨，AI在视觉系统中的应用也呈现出一个光明的未来在硬件方面，已经出现了专用处理器；在软件方面，有越来越强大的算法，能够识别物体、面部和姿势。

从AI的市场应用方面看，首先是汽车市场，所有ADAS技术提供了一条通向自动驾驶的直接路线；第二是用于个人身份认证（解锁、支付）的手机安全系统；最后是生物特征识别及其在工业、监控、安全、以及在智能建筑和智能家居中的应用。

AI领域涌现出了大量的投资、收购和合作关系，而且在未来的几年内市场规模将相当可观，市场和收入都将快速增长

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。