所属领域： A 电子信息技术

可采用的转化方式： 技术许可(授权) 技术转让 作价入股 技术服务

技术成果简介

    在信息时代，机器视觉在实现智能社会方面发挥着重要作用。视觉特征提取是机器视觉的一项关键技术，该技术可以提取图像中具有鲜明特征的信息，诸如边缘、角点、圆以及图像形状等特征，这些特征是标定机器视觉系统模型参数和运用机器视觉技术进行实际应用的前提和基础。视觉特征提取技术广泛应用于自主移动智能机器人、无人驾驶和无人机等场景，这些应用场景对视觉特征提取算法的鲁棒性和帧率提出了巨大挑战。具体来说，视觉特征提取算法包括SIFT（Scale-Invariant Feature Transform，尺度不变特征转换算法）、SURF（Speeded-Up Robust Features，加速稳健特征）、ORB（Oriented FAST and Rotated BRIEF，快速特征点提取描述）、HOG（Histogram of Oriented Gradient，方向梯度直方图）、LBP（Local Binary Patterns，局部二值模式）等。在SURF、ORB、HOG、LBP这些经典的特征提取算法中，SURF的鲁棒性相对较高，但是过于依赖主方向的选取，使得其方向变化鲁棒性不足。SIFT算法可以从图像中提取具有不变性的鲁棒局部特征，对方向变化、光照变化、噪声、杂物场景及遮挡影响等方面的鲁棒性最强，满足无人驾驶技术的需求。SIFT算法的运算量大从而导致的系统帧率低、功耗高的问题可以通过设计具有高并行度的专用硬件加速器芯片来解决。【痛点问题】国内外已有多个SIFT硬件加速器设计发表，总体的研究方向朝着更高性能、更高帧率、更高匹配精度以及更低功耗、更低运算量、更低硬件开销的方向发展。但是对于高性能SIFT硬件加速器的设计仍存在如下三个共性问题和设计挑战：1. SIFT运算量大，需全并行、全流水架构进行加速，但并行高斯金字塔构建带来了大量的硬件开销；2. 高斯金字塔构建中部分特征点的丢失，使得加速器提取的特征鲁棒性变差；3. 关键点检测部分和描述符生成部分的内部串行执行，两个部分交互执行的方式使得加速器处理速度存在瓶颈，造成系统帧率受限。【解决方案】针对上述问题，本成果提出了一系列新方法和新策略，实现了全并行的高能效SIFT硬件加速器芯片硬件架构。针对高斯金字塔构建硬件开销大的问题，提出了快慢双时钟域和部分复用策略；针对高斯金字塔构建过程中的特点丢失问题，提出了动态padding设计策略；针对交互执行及串行计算限制加速性能的问题，提出了一系列并行化的设计方案，即基于乒乓缓存实现了关键点检测和描述符生成部分的并行处理、基于像素梯度预计算实现了关键点检测和梯度幅值辅角的并行计算，以及创新性地提出了一种基于圆形关键点邻域的描述符生成算法，实现了主方向和描述符产生的高效并行计算。

技术成果前景

    视觉特征提取技术广泛应用于自主移动智能机器人、无人驾驶和无人机等场景。

联系人信息

联系人： 苏经理

联系电话： 0311-89687911

E-mail： hbskjcgzjzx@163.com

通讯地址： 石家庄科技大厦一楼西展厅