相關文獻回顧與探討

近年來有不少學者紛紛投入進行應用於人形偵測的 HOG 硬體化加速的相關研 究[27-35]，在使用硬體加速 HOG 運算速度的研究中，大致分成兩方面，一方面是 使用場式可程式閘陣列(Field Programmable Gate Array，FPGA)搭配硬體描述語言 (Hardware Description Language，HDL)進行設計，另外一方面即是以全客戶設計型 (Full Custom Design)或者標準單元設計型(Cell Based Design)實際進行超大型積體

6

電路(Very Large Scale Integration，VLSI)晶片設計。其中有部分研究僅包含 HOG 硬體化，另外一部分的研究則是包含 HOG 硬體化與整套人形偵測系統。

R. Kadota[27]等人提出了一些方法用以簡化 HOG 的計算，並以 Altera Stratix II FPGA 進行 HOG 的硬體化設計。Pei-Yin Chen[28]等人提出將 HOG 中較複雜的計 算修改使用近似的方法，以減少硬體成本，並使用台積電(TSMC)0.13 微米製程的 元件庫(Cell Library)進行 HOG 的 VLSI 電路設計。M. Hemmati[29]等人則採用 Xilinx Zynq-7000 的 FPGA 設計出在 HDTV 的解析度(1920x1080)之下可達到 60FPS 的 HOG 計算速度。雖然以上文獻中提到的速度均可達到即時(Real-Time)，但是只有 包含 HOG 的計算結果，忽略了資料的輸入與輸出以及將其應用至整套人形偵測系 統中其餘模組所需要的運算時間。而在 M. Hatto[30]等人的方法中，需要保留一張 Frame 中所有 Detection Window 的 HOG Feature，該作者採取了 HOG 硬體化的同 時降低 HOG Feature 的精度用以節省記憶體空間(Data Reduction)。但也降低了 2.68%的準確率(Accuracy)。

另外在 S. Bauer[31-32]等人的研究中則是採用 FPGA 結合電腦顯示卡上的圖形 處理單元(Graphics Processing Unit，GPU)進行人形偵測系統的建立，他們在電腦上 安裝 PCI-e 介面的 Camera Link 影像擷取卡，影像透過 Camera Link 介面進入後利 用該擷取卡上的 Spartan 3 XC3S 4000 FPGA 進行 HOG 的運算，運算完畢的 HOG 特徵向量傳送到電腦的中央處理器(CPU)進行正規化(Normalization )之後再將其傳 送到 GPU，進行 SVM 的分類運算，最後再將分類結果傳回 CPU 進行人形位置的 標示。其缺點是影像的輸入來源必須採用 Camera Link 的介面，且其 HOG 特徵向 量的計算是針對整張 Frame，這意味著其偵測視窗的大小、掃描移動步數等的設定 上必須固定，在系統的應用上較不靈活。K. Mizuno[33-34]等人則提到高性能的處 理器與沉重的計算成本雖然可以達到即時的物件偵測，但是高性能的處理器需要 高功率消耗，所以不適合應用於使用電池的系統，因此提出低功率的 HOG 特徵提 取器的設計，並且分別使用 FPGA 與 VLSI 進行全硬體化的人形偵測系統設計。

A. Suleiman[35]等人也提到低功率上的問題，例如將系統應用在無人飛行載具

7

(Unmanned Aerial Vehicle，UAV)上，則受限於電池的問題，消耗功率不能太高，

並且提到多尺度支持(Multi-Scale Support)用以解決人形大小不一致的問題，其方法 是利用原始圖像進行 12 次縮放產生 12 層的金字塔圖像，但其設計僅有模擬結果，

尚未能實際應用。從以上文獻中可以發現，人形偵測系統的建立除了基本純軟體 的方法之外，也有純硬體的方法，以及結合軟體與硬體優點的軟硬體整合三種方 式，這三種方法各有優缺點。

純軟體的方法在應用方面的靈活性是最高的，若在軟體程式設計時有考慮到 在實際應用上的相關參數問題，那麼之後系統即可以在不增加成本的情況之下簡 單的透過參數的調整，即可達到各種不同場景的應用，甚至也能應用於人形之外 的物件偵測。但是一般純軟體在運算速度上通常較硬體的方法慢，若要使用純軟 體達到即時偵測的需求，需要高性能的處理器，這意味著需要高成本與高耗電量，

系統體積也無法縮小，無法達到可攜式或內建於監視器等需求。

純硬體的方法在應用方面的靈活性是最低的，例如在人形偵測系統實際應用 上，針對不同場景中的人形大小不一致的問題，大多數文獻的設計為了節省運算 量，都是針對整張 Frame 進行 HOG 的基本單位，即大小為 8x8 的 Cell 特徵向量計 算，因此偵測視窗的大小、掃描移動步數等設定是固定的，在晶片完成後即不能 調整。若輸入影像中的人形大小與偵測視窗大小差異太大，則系統就無法偵測到 了。即使引入多尺度支持(Multi-Scale Support)，其效果仍是有限，無法達到萬用性。

但是純硬體的運算速度相較於其他兩種方法是最快的，例如 K. Mizuno[33-34]等人 的文章中提到他們設計的系統在速度上可以達到 1920x1080@30 FPS，但是其偵測 視窗大小固定為 64x128，偵測視窗移動步數固定為 8 Pixels，也就是說，其輸入的 來源影像有限制，不能應用於任意場景。另外還有來源影像的輸入與結果的輸出 問題，在純硬體的設計上，通常需要使用特殊介面的攝影機進行來源影像的拍攝，

若是事先拍攝好的影片檔案則不能進行偵測。偵測完畢的結果如何儲存與也是一 個問題，在相關文獻中通常是直接輸出螢幕顯示結果，其偵測結果的數據往往無 法進一步的分析與利用。

8

軟硬體整合的方法，即本研究使用的方法，是結合軟體的高靈活性與硬體的 高速運算速度，將系統中的參數設定等問題，以及運算較不花時間的模組交由軟 體端處理。而系統中最耗時的 HOG 特徵向量則交由硬體端計算，如以一來即可兼 顧靈活性以及運算速度，且軟體端對於處理器性能的要求較不高，意味著可以顧 及系統的成本與體積。但是軟體與硬體間資料的傳輸速度瓶頸是軟硬體協同運作 的設計中不可忽視的一環，不論在任何應用中，運作花費的傳輸時間往往遠大於 硬體運算時間。