運用Intel OpenVINO 自制自動駕駛車視覺系統(tǒng)

　　這兩年人工智慧當(dāng)?shù)?，無人自動駕駛汽車技術(shù)也隨之興起，我想超過四十歲的大叔們心中最完美的自駕車莫過於1980年代電視影集「霹靂游俠」中李麥克開的那臺「伙計」了。
　　「伙計」擁有高度人工智慧，不但可以自動駕駛，遇到狀況也會自動閃避，還可以輕松和人對話解決各種問題，李麥克拿起手表還可呼叫「伙計」開到指定地方，簡直就是現(xiàn)代人工智慧自駕車及語音助理的最佳范本！
　　不過自駕車這項技術(shù)聽起來就很難，那Maker們有沒有機會自己土炮一臺呢？

#自動駕駛視覺系統(tǒng)#

　　說起自駕車（Autonomous Car）或是先進駕駛輔助系統(tǒng)（Advanced Driver Assistance Systems,ADAS）主要都是希望車輛在沒有人為操作下即可自動導(dǎo)航（GPS衛(wèi)星定位、路線規(guī)畫）、避障（閃避車輛、行人或異物）及環(huán)境感測（看懂燈號、路標(biāo)），同時將使用者安全地帶到目的地。目前各國爭相投入研發(fā)資源，大到無人公車、卡車、貨柜車，小到無人計程車、送貨車、電動輪椅甚至無人農(nóng)業(yè)耕耘機、采收機，就是不想錯過新一波的交通革命。
　　在自駕車眾多技術(shù)中最不可缺少的一項就是電腦視覺技術(shù)，但要搞懂一大堆數(shù)學(xué)、人工智慧理論、程式撰寫方式、系統(tǒng)框架和硬體架構(gòu)，還得懂得如何建立資料集、訓(xùn)練及優(yōu)化（加速）模型，這可就難倒大多數(shù)人了，難道就不能「快快樂樂學(xué)AI」，站在巨人的肩膀上看世界嗎？
　　英特爾（Intel）為了讓大家能夠快速入門，因此提出了一項免費、跨硬體（CPU、GPU、FPGA、ASIC）的開放電腦視覺推論及神經(jīng)網(wǎng)路（深度學(xué)習(xí)）優(yōu)化工具包「OpenVINO」（Open Visual Inference&Neural Network Optimization Toolkit），同時提供很多預(yù)先訓(xùn)諫及優(yōu)化好的神經(jīng)網(wǎng)路模型可供大家直接使用。
影像辨識目標(biāo)
　　在進入主題之前，首先要先認識一下影像辨識的常見項目及定義，如下圖所示：

　　A.影像分類：一張影像原則上只能被分到一個類別，所以影像中最好只有一個主要物件。若影像中出現(xiàn)多個物件，那分類時則可能出現(xiàn)多個分類結(jié)果，同時會給出每個分類的不同機率，此時誤分類的可能性就會大大提昇。
　　B.物件定位：一張影像中可同時出現(xiàn)多個相同或不同物件，大小不據(jù)，辨識後會對每個物件產(chǎn)生一個邊界框（Bounding Box），如此即可獲得較為準確的物件位置（座標(biāo)）及尺寸（邊界框長寬）。
　　C.語義分割：是一種像素級分類，意思就是每個像素都只會被歸到某一分類，如此就可取得接近物件真實邊界（Edge）。但缺點是多個相同物件類型的像素都會被分到同一類，當(dāng)物件太靠近或部份重疊時就不易分清楚共有多少物件。
　　D.實例分割：這也是一種像素級的分類，和語義分割的差別是相同類型的不同物件所屬像素就會被區(qū)分成不同分類（顏色），包括物件有部份重疊時，如此就能更正確判別影像中的內(nèi)容。

影像辨識的常見項目（圖片來源）

　　以上視覺辨識難度依序遞增，同時在樣本訓(xùn)練及推論時間也隨之巨幅成長。在自駕車領(lǐng)域較常用到「物件定位」，比方說找出前方車輛、行人、號志位置，但當(dāng)場景較復(fù)雜（如市區(qū)）時，同一影像中物件數(shù)量大增，且邊界框大量、大面積重疊，可能會影響辨識結(jié)果，因此更需要像語義分割及實例分割這類像素級分類。
　　不過由於實例分割的計算量大過語義分割許多，且現(xiàn)實中不需要分的如此仔細，所以大部份僅采用語義分割來偵測場景中的多種物件，比方說道路、人行道、地面標(biāo)線、背景、天空、植物、建物等等，如下圖所示：

語義分割應(yīng)用於自駕車，（a）僅道路，（b）道路、車輛、路標(biāo)等多物件辨識（圖片來源）

Intel OpenVINO簡介

　　玩過「電腦視覺」的朋友肯定對開源工具「OpenCV」不會陌生，這個強調(diào)不要自己造輪子的開源視覺函式庫，是英特爾（Intel）於西元2000年釋出的，不管是個人或商業(yè)用途皆可任意使用，不必付任何費用。OpenCV除了原有對Intel CPU加速函式庫IPP(Integrated Performance Primitives)、TBB(Threading Building Blocks)的支援外，發(fā)展至今已陸續(xù)整合進許多繪圖晶片（GPU）加速計算的平臺，如OpenVX、OpenCL、CUDA等。
　　近年來，由於深度學(xué)習(xí)大量應(yīng)用於電腦視覺，自O(shè)penCV 3.0版後就加入DNN（Deep Neural Network）模組，3.2版更是加入深度學(xué)習(xí)常用的Caffe框架及YOLO物件定位模組。2018年Intel更是推出開放（免費）電腦視覺推論及神經(jīng)網(wǎng)路（深度學(xué)習(xí)）優(yōu)化工具包「OpenVINO」（Open Visual Inference&Neural Network Optimization Toolkit）。
　　OpenVINO整合了OpenCV、OpenVX、OpenCL等開源軟體工具并支援自家CPU、GPU、FPGA、ASIC（IPU、VPU）等硬體加速晶片，更可支援Windows、Liunx（Ubuntu、CentOS）等作業(yè)系統(tǒng)，更可支援常見Caffe、TensorFlow、Mxnet、ONNX等深度學(xué)習(xí)框架所訓(xùn)練好的模型及參數(shù)。同時，兼顧傳統(tǒng)電腦視覺和深度學(xué)習(xí)計算，從此不用再糾結(jié)到底要選那一種組合來完成電腦視覺系統(tǒng)了。

INTEL OpenVINO架構(gòu)及支援硬體加速裝置（圖片來源）

　　OpenVINO主要是用來推論用的，特定模型的參數(shù)必須在其它框架（TensorFlow、Cafee、Mxnet）下訓(xùn)練好才可使用。OpenVINO除了可提供硬體加速外，更提供模型優(yōu)化器（Model Optimizer）功能，可協(xié)助去除已訓(xùn)練好的模型中的冗余參數(shù)，并可將32bits浮點數(shù)的參數(shù)降階，以犧牲數(shù)個百分點正確率來換取推論速度提升數(shù)十倍到百倍
　　優(yōu)化后，產(chǎn)出二個中間表示（Intermediate Representation、IR）檔案（*.bin,*.xml），再交給推論引擎（Inference Engine）依指定的加速硬體（CPU、GPU、FPGA、ASIC）進行推論，如下圖所示：

OpenVINO模型優(yōu)化及推論引擎架構(gòu)（圖片來源）

影像語義分割原理
　　OpenVINO中提供了多種預(yù)訓(xùn)練及優(yōu)化好的深度學(xué)習(xí)模型，包括影像分類（AlexNet、GooLeNet、VGG、SqueezeNet、RestNet）、物件定位（SSD、Tiny YOLO）及一種類似全卷積神經(jīng)網(wǎng)路（Fully Convolutional Networks、FCN）的語義分割模型（like FCN-8s），接下來就簡單說明FCN的運作原理。
　　一般傳統(tǒng)用於影像分類的卷積神經(jīng)網(wǎng)路（Convolution Neural Network,CNN）是經(jīng)過多次卷積層（Convolution Layer）取出特徵圖（Feature Map）加上池化層（Pooling Layer）令影像縮小一半後，再經(jīng)過全連結(jié)層（Fully Connection Layer）產(chǎn)生不同分類的機率，最後再找出機率最高的分類當(dāng)作輸出結(jié)果（如下圖上半部）。

影像分類（CNN）與語義分割（FCN）深度學(xué)習(xí)模型概念（圖片來源）

　　因為全連結(jié)層把所有的空間資訊全部壓縮掉，因此無法了解到每個像素被分到那個類別。為了，能得到每個像素的分類（語義分割），Jonathan Long在2015年提出FCN論文解決了這個問題。主要方式是把全連結(jié)層也改用卷積層，產(chǎn)出和原影像尺寸相同的熱力圖（Heatmap），用以表示每個像素屬於某一類的機率有多高。
　　如同上圖所顯示，最後會產(chǎn)出1000千張熱力圖，接著再對1000張圖相同位置像素計算出最大機率的分類，最後將所有分類結(jié)果組成一張新的圖即為語義分割結(jié)果圖。
　　原始影像（image）經(jīng)多次卷積（conv）及池化（pool），到了pool5時影像尺寸已到了原尺寸的1/32，此時再經(jīng)二次卷積（conv6,conv7）後，最後將影像上采樣（Upsample）放大32倍，即可得語義分割結(jié)果圖FCN-32s（如下圖所示）。這樣的結(jié)果非常粗糙，為了得到更精細結(jié)果，可把conv7結(jié)果放大2倍加上pool4後再放大16倍，就可得到更精細的結(jié)果圖FCN-16s。

FCN不同上采樣語義分割結(jié)果（圖片來源）

　　同理，將高（pool3）、中（2倍pool4）、低（4倍conv7）解析度的內(nèi)容加在一起，再放大就可得到FCN-8s更高精度的語義分割圖。
　　雖然FCN得到的結(jié)果和真實內(nèi)容（Ground truth）分割正確度還有滿大的差距，但此方法卻是開創(chuàng)以卷積神經(jīng)網(wǎng)路達成語義分割最具代表性的算法，同時也是電腦視覺最頂級研討會CVPR 2015最佳論文。這幾年陸續(xù)有多種算法被推出，但大部份仍是仿效此種多重解析度整合方式改良而得。
OpenVINO安裝執(zhí)行
　　接下就開始說明如何以Intel電腦視覺推論及神經(jīng)網(wǎng)路（深度學(xué)習(xí)）優(yōu)化工具包「OpenVINO」土炮自駕車的視覺系統(tǒng)。首先到OpenVINO官網(wǎng)，如下圖所示，按下左上角黃色按鈕，依所需的作業(yè)系統(tǒng)（Windows,Liunx）下載工作包并依指示將開發(fā)環(huán)境（Visual Studio 2015/2017,GCC）安裝完成。

　　雖然官方指定要Windows 10 64bit,Intel Core 6~8代CPU才能執(zhí)行，經(jīng)實測在Windows 7 64bit／Intel Core i5 480M（i5第一代筆電用CPU）、Visual Studio 2017（含MSBuild）環(huán)境下還是可以順利編譯及執(zhí)行。

#以Windows+Visual Studio2017

組合安裝為例:
　　可參考官網(wǎng)提供的網(wǎng)址，預(yù)設(shè)軟體開發(fā)工具包（SDK）會安裝在C:Intel路徑下，而主要開發(fā)工具會安裝在:computer_vision_sdk_XXXX.X.XXXdeployment_tools（XXXX表示版本）
　　其中較重要的內(nèi)容包括以下四點：
　　computer_vision_algorithms
　　傳統(tǒng)視覺算法
　　inference_engine
　　推論引擎及相關(guān)范例程式
　　intel_models
　　預(yù)先訓(xùn)練模型
　　model_optimizer
　　模型優(yōu)化器
　　安裝完成後，開啟
　　inference_enginesamplesbuild_2017ALL_BUILD.vcxproj
　　經(jīng)編譯後即可在
　　inference_enginebinintel64Release路徑下找到所有編譯好的范例執(zhí)行檔。
　　接著可在
　　inference_enginesamplessegmentation_sample路徑下找到本次土炮自駕車的視覺系統(tǒng)所需用到的范例程式，而程式主要工作內(nèi)容包括下面步驟：
　　*載入推論引擎插件（Plugin）
　　*讀取由模型優(yōu)化產(chǎn)出的中間檔（*.xml,*.bin）
　　*配置輸入和輸出內(nèi)容
　　*載入模型給插件
　　*產(chǎn)生推論需求
　　*準備輸入
　　*進行推論
　　*處理輸出

Intel OpenVINO官網(wǎng)畫面（圖片來源）

　　若不想了解程式碼及工作細節(jié)的人亦可直接拿來用，只要準備好輸入的影像即可得到已做好語義分割的結(jié)果影像。目前OpenVINO提供二種預(yù)先訓(xùn)練及優(yōu)化好的語義分割模型，分別為deployment_toolsintel_models路徑下的semantic-segmentation-adas-0001（20類）和road-segmentation-adas-0001（4類）。
　　前者提供較多的分類包括道路、人行道、建物、墻壁、籬笆、電線桿、紅綠燈、交通號志、植物、地面、天空、行人、騎士、汽車、卡車、公車、列車、機車、自行車、自己的車頭等20類；後者僅分道路、人行道、標(biāo)線和背景共4類；單純使用CPU時，前者推論時間約為後者十倍左右。
　　使用時主要有兩個參數(shù)，-i輸入影像名稱，-m模型名稱，指定時須包含完整路徑。另外預(yù)設(shè)是使用CPU計算，所以只接受32bit浮點數(shù)（FP32）而不接受16bit浮點數(shù)（FP16）。輸入影像尺寸不據(jù)，而在20類語義分割時輸出影像尺寸為2048×1024像素，而4分類時為896×512像素。輸出檔名固定為out_0.bmp（如下圖所示）。

自駕車影像語義分割范例執(zhí)行結(jié)果（圖片來源：Jack提供）

　　由於CPU計算時會受作業(yè)系統(tǒng)是否忙碌影響，所以同一張影像計算每次推論時間都會有所不同。當(dāng)在Windows 7 64bit／Intel Core i5 480M 2.6GHz CPU／2GB RAM環(huán)境下測試時，20分類推論時間大約在3.7~4.3秒，4分類則在0.3~0.4秒左右，推論時間和影像內(nèi)容復(fù)雜度無關(guān)。後續(xù)若改成高階CPU或GPU後相信推論時間肯定能大幅縮短。完整執(zhí)行范例指令如下所示：
20類語義分割指令：
　　segmentation_sample-iC:Intelsample_picinput_image.bmp-m
　　C:Intelcomputer_vision_sdk_XXXX.X.XXXdeployment_toolsintel_modelssemantic-segmentation-adas-0001FP32semantic-segmentation-adas-0001.xml
　　4類語義分割指令：
　　segmentation_sample-iC:Intelsample_picinput_image.bmp-
　　mC:Intelcomputer_vision_sdk_XXXX.X.XXXdeployment_toolsintel_modelsroad-segmentation-adas-0001FP32road-segmentation-adas-0001.xml
OpenVINO實例應(yīng)用
　　接著，在網(wǎng)路上隨機收集一些道路影像，包括白天、晚上、郊區(qū)、市區(qū)、遠近鏡頭等，并用二種模型進行測試影像語義分割，其結(jié)果如下圖所示，左為原始影像，中為20分類，右為4分類。從結(jié)果來看，大致還分得還不錯，像（b）中圖汽車和卡車重疊及自身車頭，（c）的道路和人行道雖然顏色及紋理很像，都能分得很好。不過晚上的影像就有些小誤判，可能和影像過暗及物件過小影響。

自駕車影像語義分割測試結(jié)果。左為原始影像，中為20分類，右為4分類（圖片來源：Jack提供）

　　為了進一步了解這兩種模型對類似道路場景是否能適用，另外收集了公園步道（g）、賣場彎道（h）、客廳走道（i）、百貨公司走道（j）、候機室走道（k）進行測試（結(jié)果如下圖所示）。由測試結(jié)果來看，在20分類時（g）的天空、地面、植物、建物算是正確分辨，而紅黑磚路則被當(dāng)成人行道（淺紫色），（h）、（k）勉強能分出道路（深紫色），（i）、（j）則把道路當(dāng)成人行道（淺紫色）也勉強可以算對，（j）、（k）中的行人（暗紅色）都有正確被辨別出，但（i）的沙發(fā)則被誤判為行人和汽車（藍色）。
　　在4分類時（g）、（h）、（k）比較能分辨出道路（淺紫色），（h）甚至還能正確認出地面標(biāo)線（暗藍色），而（i）、（j）則是完全無法辨識，全部都被當(dāng)成背景（深紫色）。所以當(dāng)測試影像是室內(nèi)或非正常道路時，誤判率明顯提高，歸究其原因應(yīng)該是訓(xùn)練的資料集中并沒有這些類型的影像，加上室內(nèi)光滑地面有大量反光及擺放大量物件造成影響。若想應(yīng)用這些模型在室內(nèi)場景，則需要另外大量收集相關(guān)影像重新標(biāo)注後再重新訓(xùn)練，才能讓正確率有所提升。

非標(biāo)準道路影像語義分割測試結(jié)果。左為原始影像，中為20分類，右為4分類（圖片來源：Jack提供）

#小結(jié)

　　Intel所提供的開放（免費）電腦視覺推論及神經(jīng)網(wǎng)路（深度學(xué)習(xí)）優(yōu)化工具包「OpenVINO」讓不懂電腦視覺和深度學(xué)習(xí)原理的小白可以在很短的時間上手，不必擔(dān)心如何建置開發(fā)平臺、選擇深度學(xué)習(xí)框架、訓(xùn)練及優(yōu)化模型和硬體加速等問題，只需利用預(yù)先訓(xùn)練及優(yōu)化過的語義分割模型，瞬間就可土炮出一組看起來很專業(yè)的自駕車視覺分析系統(tǒng)。
　　若覺得執(zhí)行效能不佳，未來還可輕松從CPU移植到GPU、FPGA甚至Maker最愛的Movidius神經(jīng)計算棒（VPU），實在讓使用者方便許多，而其它更多更方便的功能就有賴大家親自體驗一下羅！