影响城市级机器视觉应用系统运行效率的因素

韩建国

摘要

本文从机器视觉技术的工作机理出发，研究探讨影响城市级机器视觉应用系统运行效率的因素，并提出降低能耗的方法。

【關键词】机器视觉 效率 节能降耗

1 综述

每个城市已建设了庞大的视频监控系统。视频监控已应用到城市安保的各个方面。但随着规模越来越大，数据量庞大，极大的限制了视频监控系统的使用效率。

随着机器视觉技术的发展，通过机器视觉技术，让机器代替人眼，自动在视频中挖掘有效信息，极大提升使用效率，发挥视频监控系统的最大作用。但机器视觉需消耗大量的计算资源，在一个万路级别的视频监控系统中，需要庞大的计算资源来分析视频图像，为了维持这些计算资源的运行，需要消耗大量的电力能源。本文将基于计算技术探讨如何采用合适的计算处理器以及计算架构来提高处理器能耗比，节能降耗。

2 机器视觉技术的工作机理

机器视觉技术的流程分为三个步骤：

（1）图像还原。将图像通过编解码技术还原为Y日、数据。

（2）特征提取。通过机器视觉算法模型，在YUV数据转换为结构化的多维矩阵数据。

（3）分析比对。这是将“特征提取”步骤中的特征数据和算法知识库中比对样本数据进行比对的过程。以人脸比对为例，常见的有通过余弦算法、欧式距离算法等不同的算法比较人脸目标的相似程度。

例如，通过余弦相似度算法分析两张人脸图片分别是a和b的相似度。首先将a和b分别转换为特征数据A=（x1，x2，""."""，xn），B=（y1，y2，……，yn），A和B数据为一个n维空间的两个点。两个点和原点之间的夹角θ作为两张人脸图片的相似程度的衡量值，θ越小相似程度越高。

用余弦函数COS（θ）的值来表示相似度。两张人脸图片a和b的相似度COS（θ）由以下公式计算：

由此可见，机器视觉的计算的特点：

（1）大量的浮点运算;

（2）大量的乘法和加法运算，可被简单拆分合并的计算。

3 影响机器视觉计算效率的因素

3.1 微处理器的因素

用于机器视觉计算的微处理器有两种，CPU和GPU（图形处理器）。

CPU和GPU的都是在一个固定面积的高纯度硅晶体片上，通过化学或激光技术雕刻出大量晶体管。这些晶体管组成了三大组件：控制单元、运算单元、存储单元。机器视觉的分析计算具有运算密度高、可多并发线程和频繁地存储器访问的特点。机器视觉计算主要取决于运算单元和存储单元的能力。

CPI在机器视觉计算任务处理中CISC架构中暂存器数量有限，不适合处理类似图像处理的工作。以Intel为代表的厂商曾做过许多改进尝试，但由于多媒体计算对于浮点运算和并行计算效率的高要求，CPU硬件难以满足其巨大的处理需求，仅仅在软件层面的改进不能起到根本作用。

而GPU是专门处理图形任务的芯片。GPU是在屏幕上显示数百万个像素的图像——可同时处理几百万个并行任务。GPU的控制相对简单，对Cache需求小，大部分晶体管可以组成各类专用电路、多条流水线，计算速度有了突破性的飞跃，拥有更强大的处理浮点运算的能力。通过GPU加速技术，将计算能力进一步提高。

目前采用GPU卡或者自行研发嵌入式专用GPU卡的方式，使机器视觉技术的处理性能提升了数十倍。

以机架式服务器为例：

一个CPI服务器，可同时处理4路1080P高清视频的视频分析，功耗一般在200W左右;而一个高密度嵌入式GPU服务器，可同时处理80路以上的1080P高清视频的视频分析，功耗一般在2800W左右。

GPI服务器平均能耗比提升了和80%，因为性能提升使得机房空间占用大幅度降低，空调能耗比提升，可节省50%以上的电力。

3.2 计算架构的因素

在城市级的视频监控系统中，摄像头装在各个区域，区域中人、车的流量在空间和时间上存在不均匀性。例如工作日早上8点，公交车站的人流量很大，节假日早上8点公交车站的人流量就会大幅减少，这就是时间上的不均匀性;同样的在工作日早上8点，商圈周边的人流量相比公交车站周边的人流量就会少很多，这就是空间上的不均匀性。

而在机器视觉技术应用上，视频中活动物体或人体的图像决定了计算资源的消耗量。以人脸识别为例，相同的视频画面，人流量决定了计算资源的消耗量，人流量越大，计算资源消耗越大，人流量越小，计算资源消耗就越小。在通常的计算资源固定分配的计算架构中，一段视频的分析计算任务是被固定在一个GPU的计算资源上，这导致工作日早上8点，用于公交车站周边视频图像分析的计算资源消耗很大，而用于商圈周边视频图像分析的计算资源消耗很小。同理，对于公交车站周边视频图像分析的计算资源来说，在工作日早上8点的消耗很大，但节假日早上8点的消耗就会很小。

而采用GPU云计算架构，可通过GPU计算资源云化形成GPU计算资源池。所有的机器视觉计算任务可共享一个或者少量几个GPU计算资源池。通过动态计算任务调度、负载均衡、按需分配等方式，动态的自动的调度每个机器视觉计算任务，在计算任务繁忙时多分配GPU计算资源，空闲时自动释放GPU计算资源。

4 结论

综上所述，在城市级机器视觉技术应用中，选择GPU代替CPU作为主要运算核心和架构，可大幅提高视频智能化大数据计算资源的利用率，从而达到节能降耗的目的。