В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
В данной статье будет предложен обзор решений для конечных устройств, отвечающих за захват изображений, подготовку и доставку нужной информации для последующего анализа и хранения на удаленных серверах.
Первое поколение систем видеонаблюдения строилось на базе аналоговых камер, аналоговых видеомагнитофонов и мониторов и ограничивалось мониторингом и записью изображений. Появление компьютерной техники открыло возможности для обработки получаемых изображений. Для ввода изображений с аналоговых камер в компьютер использовались специальные платы – фреймграбберы (Framegrabber). Появление цифровых линий связи открыло эру цифровых, позже IP-камер.
Вначале требования к качеству изображения по-прежнему ограничивались качеством отображения "картинки" на экране монитора. Это позволило для сокращения издержек передачи и хранения больших объемов данных применять алгоритмы сжатия с потерей информации – человек попросту этого не замечал. По мере роста вычислительных возможностей микропроцессоров, в первую очередь DSP и FPGA, и совершенствования алгоритмов обработки информации IP-камеры наращивали свою функциональность: появились детекторы движения, интеллектуальные настройки управления камерой, многопоточная трансляция. Производители камер быстро раскусили преимущества "интеллектуальной" начинки, и программная функциональность IP-камеры стала во многом определять ее стоимость. Анализ "на месте" несжатой исходной картинки позволил качественно повысить достоверность и информативность получаемой информации и, что немаловажно, сократить время реакции системы (Latency). Но стоимость разработки интеллектуальной камеры и специализированного программного обеспечения оставалась очень высокой и была доступна только крупным производителям.
Ситуация качественно изменилась в течение последних пяти лет с появлением мощных мобильных платформ и графических ускорителей, во многом благодаря индустрии смартфонов, компьютерных игр, технологий облачных вычислений (Cloud Computing) и больших данных (Big Data). Впечатляющими темпами идет параллельное развитие вычислительных платформ для встраиваемых и мобильных приложений и мощных суперкомпьютеров для обработки огромных объемов данных, получаемых с интеллектуальных устройств.
Прорывом последних 2–3 лет в прикладных задачах стало широкое распространение нейронных сетей, в том числе в областях видеонаблюдения и обработки изображений. Функциональные возможности современных математических алгоритмов (и как результат – устройств и системы в целом) во многом определяются качеством и количеством предоставленной для анализа информации. Разрабатываемая традиционным способом с нуля видеокамера со встраиваемым процессором устаревает еще до начала производства: на рынке со все увеличивающейся скоростью появляются более мощные процессоры, более совершенные сенсоры для камер, более высокопроизводительные математические алгоритмы. Цикл разработки новых, все более сложных и многофункциональных устройств сократился в разы и трансформировался из производства электронных плат и собственных базовых алгоритмов в адаптацию вычислительных платформ (System on Module (SoM) – система на модуле) и оптимизированных для них производителем этих платформ библиотек обработки изображений.
Мы предлагаем обзор основных экосистем от известных нам производителей, который ни в коей мере не претендует на охват всех имеющихся предложений, но имеет своей целью описать главные, на наш взгляд, направления развития технологий, их особенности, преимущества и недостатки:
Все упомянутые платформы объединяет гибридная, иногда называемая гетерогенной архитектура – когда в одном устройстве совмещаются универсальные (CPU) и специализированные решения (GPU, ISP, VSP, DSP, FPGA).
Пожалуй, самым ярким представителем гибридного (гетерогенного) подхода является семейство процессоров Qualcomm® Snapdragon™ – основа большинства современных смартфонов.
В одном кристалле совмещены несколько функциональных блоков, по сути, отдельных процессоров для решения специализированных задач:
На рис. 3 приведены основные параметры последнего поколения Snapdragon 845, представленного публике в декабре 2017 г. и пока доступного только для производителей премьерной лиги смартфонов.
Для "рядовых" разработчиков партнерами Qualcomm в виде SoM (система на модуле) предлагается очень достойный предшественник – Snapdragon 620 c теми же основными функциональными блоками чуть меньшей производительности по цене 200–250 долларов за модуль. Не нужно быть предсказателем, чтобы утверждать, что текущее "новое" поколение через пару лет также появится в виде SoM на открытом рынке. Необходимо отметить, и это справедливо для всех модулей SoM, что для того чтобы подключить к модулю физические устройства, требуется несущая плата (Carrier Board), которая подбирается (или разрабатывается) под требования конкретной задачи или системы в зависимости от необходимости наличия тех или иных физических интерфейсов. Стоимость такой платы для этого и других SoM обычно составляет порядка 100–200 долларов за штуку. Начать разработку на основе Qualcomm® Snapdragon™ удобно на базе набора для прототипирования (Developers Kit), включающего в себя собственно SoM и универсальную плату-носитель по цене 500–600 долларов за комплект.
Как бы хороша ни была аппаратная платформа, воспользоваться ей в полной мере можно только при наличии достойной программной поддержки. Производители оборудования это прекрасно понимают и создают целую экосистему, включающую в себя набор программных библиотек и инструментов для решения широкого круга задач. Помимо стандартных средств разработки прикладного программного обеспечения (компилятора и профайлера) для обработки изображений и видео, включая элементы искусственного интеллекта, Qual-comm предлагает:
Библиотеки оптимизированы для использования преимущества гетерогенной архитектуры Qualcomm® Snapdragon™ и позволяют значительно повысить эффективность выполнения задач обработки изображений при снижении потребляемой мощности, что является весьма значимым фактором для мобильных приложений.
Ввиду фактического доминирования в индустрии смартфонов ARM-архитектура значительно потеснила традиционные процессоры x86. Но Intel и другие производители x86 тоже не сидят без дела.
На рынке появляются устройства на процессорах нового поколения. Если говорить о мобильных и компактных решениях, то это прежде всего поколение X-процессоров Atom. Помимо увеличения обычной мощности при снижении потребления, они оснащаются гораздо более производительными графическими акселераторами. Куда сегодня без них? Стандартным дополнением для восьмого поколения главной линейки Core i5/i7 стало аппаратное кодирование H.265. Генеральный директор Intel Брайн Кржанич (Brian Krzanich, CEO) в 2017 г. заявил, что компания намерена в 100 раз увеличить производительность в области искусственного интеллекта к 2020 г. И это касается не только серверных платформ. С 2015 г. Intel потратила не менее 20 млрд долларов на поглощение компаний, разрабатывающих технологии в области встраиваемых систем, обработки изображений и искусственного интеллекта.
Вот лишь неполный список приобретений:
Отдельного упоминания заслуживает уникальное на сегодняшний день решение от компании Movidius – уникальный аппаратный ускоритель нейронных сетей Myriad X.
Предыдущее поколение Myriad 2 нашло применение в камере-"игрушке" Google Clips, оснащенной нейронной сетью для распознавания лиц и лучших моментов для съемки, а также интересным решением для прототипирования и практического внедрения нейронных сетей Movidius Neural Compute Stick. Последнее поколение изготавливается по технологии 16 нм и предлагает производительность до 4 Тфлопс при потреблении менее 1 Вт. Микросхема Myriad X оснащена аппаратным кодеком 4k-видео до 60 кадр/с и в полной мере поддерживается средой разработки Myraid Development Kit.
Во второй части публикации в следующем выпуске журнала мы перейдем к компаниям, которые занимаются исключительно специализированными аппаратными решениями. Начнем с ПЛИС (перепрограммируемые логические интегральные схемы) – серии продуктов Xilinx® ZynQ®, продолжим рассказом о графических акселераторах компании NVIDIA Jetson и закончим сравнением всех рассматриваемых нами платформ для встраиваемых систем.
Опубликовано: Журнал "Системы безопасности" #2, 2018
Посещений: 3857
Автор
| |||
В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций