Efektivní algoritmy pro rozpoznávání obrazu na levných embedded procesorech

Abstract

Ve světě internetu věcí existuje spousta využití nepříliš výkonných, ale za to ma-lých a levných procesorů. Výpočetní vý-kon těchto procesorů je většinu času nevy-užitý a jedním z možných využití volného výpočetního času může být detekce ob-jektů v obrázcích nebo videu (jako příklad zde můžeme uvést “chytrou” kuchyňskou troubu, která sama pozná, jaké jídlo v ní aktuálně připravujeme). Tato práce se zabývá optimalizací běhu takového algo-ritmu i na málo výkonných procesorech. Použili jsme OpenCV implementaci algo-ritmu Haarova klasifikátoru, kterou jsme testovali na modulu i.MX6ULL. Po ně-kolika benchmarcích zařízení a testování zvoleného algoritmu jsme dosáhli zrych-lení běhu klasifikátoru přibližně o 10%. Při použití určitých apriorních znalostí ohledně velikosti objektu, který chceme detekovat, jsme demonstrovali běh algori-thmu rychlejší přibližně 9.5-krát.

Many possible use-cases of slower performing, but small and cheap processors exist in the world of internet of things. The power of these processors are most of the time unutilized. One possible usage to better utilize this computing power could be an object detection in images or in a video computed directly on the low-performance processors (as an example we present a “smart” kitchen oven that could detect what kind of food it currently bakes). This thesis deals with optimization of such detection running even on very low-performing processors. We used the Haar cascade classifier algorithm implemented in the OpenCV library and ran it on the i.MX6ULL applications processor. After several benchmarks of the device and tests of the algorithm, we achieved increase in performance by about 10% and using some a priori knowledge about the object size, we demonstrated a 9.5× faster algorithm run.