1、OpenVX：开启高效计算机视觉编程之旅

OpenVX：开启高效计算机视觉编程之旅

1. 计算机视觉实时处理的挑战

计算机视觉旨在从图像和视频中提取高级信息，如今它正深刻改变着众多行业，如汽车（高级驾驶辅助系统、自动驾驶汽车）、农业和物流（机器人技术）、监控和银行（人脸识别）等。在这些场景中，很大一部分要求计算机视觉算法在低功耗嵌入式硬件上实时运行。

例如，汽车中的行人检测算法必须处理每一帧输入，延迟会降低汽车的安全性。以时速 65 英里行驶的汽车为例，每跳过一帧会使刹车距离增加约 3 英尺。决策缓慢的机器人可能成为制造过程的瓶颈。AR 和 VR 眼镜跟踪位置的帧率低于 30 帧/秒时，会让许多用户产生晕动症。

实时解决实际计算机视觉问题通常是一项具有挑战性的任务。算法远比在图像上运行单个线性滤波器复杂，而且高图像分辨率会导致内存总线出现瓶颈。在许多情况下，选择合适的算法可以显著提高速度。比如，Viola - Jones 人脸检测器算法能在相对低功耗的硬件上实时检测人脸；FAST 特征检测器以及 BRIEF 和 ORB 描述符可快速生成用于跟踪的特征。然而，在大多数情况下，仅靠算法优化无法达到所需的性能。

2. 硬件优化的尝试与局限

对计算机视觉管道进行特定硬件优化并非新观念。英特尔在 2000 年发布了 OpenCV 库的第一个版本，并为英特尔 CPU 提供了优化层。其他硬件供应商也提供了各自的库，还有一些开发了专门用于计算机视觉处理的硬件，如汽车领域的 Mobileye 解决方案。NVIDIA GPU 凭借其高度并行性和宽带宽内存总线，使得深度学习算法能够处理从分割到目标识别等一系列计算机视觉任务。

但移动/嵌入式平台上的计算机视觉应用与基于服务器的应用