【導讀】使用節點分析和對數成像器可改進物聯網(IoT)中的視頻分析應用。視頻分析應用試圖利用日常世界中豐富的信息資源，出于幾個原因考量。包括日常監控的人臉識別，但大部分原因集中在預測分析和行為分析上。這些應用中收集到的信息可通過云計算進行更高端的廣泛處理。然而，深度處理有其局限性，并且可以通過往組合中增加節點分析和對數成像器在很多方面加以改進。
對數成像和節點分析組合
使用節點分析和對數成像器可改進物聯網(IoT)中的視頻分析應用。視頻分析應用試圖利用日常世界中豐富的信息資源，出于幾個原因考量。包括日常監控的人臉識別，但大部分原因集中在預測分析和行為分析上。這些應用中收集到的信息可通過云計算進行更高端的廣泛處理。然而，深度處理有其局限性，并且可以通過往組合中增加節點分析和對數成像器在很多方面加以改進。
通過往組合中增加節點分析，減輕與云之間的通信，可以改進數據分析。云計算的帶寬需求比節點分析應用多出兩個（如果不是三個）數量級。因此，節點分析的計算能力要求更低，并可減少延遲。人口稠密的市場、交通混亂的地區以及城市停車場都是一些環境錯綜復雜的地方，可使用節點分析進行檢測，以進行預測和行為分析。在云中對這些環境進行高級處理有助于制定業務策略，疏導交通流量，并可提高政府管理的停車場的效率。然而，在傳感器節點處采用低端軟件，而不是執行云分析，可改進這些場景的延遲、帶寬、安全和功耗。
除了節點處實現智能化，往組合中增加對數成像器對于傳統成像器不符合要求的領域也具有優勢，從而增強系統功能。除了減少對亮度變化的依賴性，對數成像器還提供更高的圖像處理動態范圍。例如：在陰影、反光、光線突變以及高對比度場景中，對數成像器的表現都優于傳統成像器。在視頻應用中，這些問題的解決有利于數據捕捉，從而加強節點的分析能力。通過提高數據捕捉能力，整個視頻分析應用都可得到顯著改進。
節點分析技術和對數成像器實現的改進有助于解決物聯網中的視頻分析應用問題。安全、決策制定延遲、數據帶寬和計算能力是物聯網應用中常見的一些工程難題。通過減少數據傳輸可大大減少這些工程問題，而這也是節點分析對物聯網應用具有吸引力的原因。在視頻分析應用中，有限的對比度和亮度依賴性是需要共同解決的難題。對數成像器是視頻分析應用的關鍵，幾乎可以解決這一難題。總的來說，使用節點分析技術和對數成像器可增強物聯網中的視頻分析應用。
智能邊緣
通過處理基于預期視覺事件的數據，可迅速地將測量數據轉換為適當的動作，不必向云服務器傳輸任何數據，或傳輸少量數據。對視頻數據進行快速分析，而不是將其傳至云，可在本地做出決策，從而改進系統的延遲性。通過減少傳輸具有攔截風險的數據，不僅能夠明顯減少決策延遲，而且安全性也得以提高。
只有最有價值的信息需要傳輸至節點之外的云中，以進行預測或行為處理。經過優化的數據劃分可充分發揮云價值，因為通常不需要全帶寬的視頻分析幀。在固定安裝的攝像機上，幀與幀之間的大部分可視數據為靜態數據，并可在節點進行濾波處理。邊緣節點視頻分析可提供多種濾波解讀來區分各種預期的對象類型：汽車、卡車、自行車、人類和動物等。這種抽取操作減少了云服務器上所需的數據帶寬和相關的計算能力，而如果要分析下游發送的全幀速率視頻數據，則會占用大量的數據帶寬和計算能力。與云計算應用相比，這種帶寬的減少可實現兩個或三個數量級的改進，而這是節點分析技術實現的一個關鍵性能改進。
對數成像
通過替換為對數成像技術可解決與傳統成像器相關的常見問題，從而進一步改進視頻分析應用。大多數傳統成像器都是線性成像器，其使用像素生成的電壓作為光的線性函數，而此類像素則會導致有限的對比度。線性成像器還利用統一的曝光相位，限制了其相對于幀速率范圍內像素曝光時間的動態范圍。最后，傳統成像器的對比度取決于亮度，從而可能導致反光相關的對比度問題。通過替換成對數成像器可消除這些常見的問題，對數成像器使用像素生成的電壓作為光的對數函數。傳統成像器與對數成像器之間的區別請參見圖1、2和3。
圖1. 傳統的圖像曝光。
圖2. ADIS17002對數圖像曝光。
圖3. 使用內置邊緣檢測技術的ADIS17002對數圖像曝光。
一些傳統的成像器在努力解決阻礙用戶全面捕捉其目標環境數據的對比度相關問題。這些對比度問題源于每個像素中生成電壓的線性特性。線性成像像素中生成的電壓與照射的光子數成正比；因此，與對數成像相比，其動態范圍是有限的。降低與這些線性成像器相關的對比度就意味著縮小動態范圍。對比度降低會對物聯網應用中傳感器節點的分析產生不利影響，最終影響系統的整體性能。對數成像器提供更廣泛的亮度級范圍，從而增加因對數生成的像素電壓產生的對比度。然而，對比度的增加導致更高的感光性，這在有些應用中可能并不是期望的效果?；蛘?，感光性 的提高也可能是一種優勢，具體取決于應用。
陽光充足或明亮環境下產生的反光可能會進一步阻礙使用傳統成像器進行視頻捕捉。例如：當擋風玻璃上存在反光時，汽車內部的人臉識別就會變得益發困難。這種視頻捕捉障礙會將錯誤引入系統或丟失重要數據，從而對視頻分析產生不利影響。由于線性成像器像素之間的對比度取決于亮度，所以會產生反光；因此，線性成像器的反光更加突出。這種對亮度的依賴性見等式1。另外，對數成像器的對比度則由于其本身的對數特性而與亮度無關，從而有助于減少反光或光線的突變。對數成像器與亮度無關的特性見等式2。
超越單個組件的研發
為了提供平臺級解決方案，ADI公司開始超越單個組件的研發；這些解決方案可幫助客戶快速部署經過驗證的智能解決方案，以更低的系統成本實現更高的性能。智能應用始于準確可靠的數據，通過ADI先進的檢測和測量功能可獲得此類數據。此外，ADI還與客戶合作，共同開發能夠解決所有問題的獨特系統級解決方案。ADIS1700x是其中一種解決方案，它能夠實現四分之一的視頻圖形陣列(QVGA)成像分析。
圖4. 功能框圖。
ADIS1700x是一個小尺寸且具有對數敏感性的QVGA分析成像器模塊，具有能夠優化視頻性能的數字信號處理功能。除了用于圖像穩定、傾斜和沖擊檢測的加速度計，該模塊還采用低功耗Blackfin處理器進行節點分析。此外，它還采用內置邊緣檢測技術跟蹤和計算對象運動。與傳統成像器不同的是，對數成像器的每個14 μm × 14 μm像素都具有一個獨一無二的曝光相位。針對室外操作的保形涂層使其非常適用于大規模部署，從而可創建新興智能城市和建筑應用。ADIS17001 配備110°視場(FOV)鏡頭，而ADIS17002則配備67°FOV鏡頭。這兩個選項適用于各種目標應用，包括停車場監控、停車違章執法、車流長度檢測和工業分析。
圖5. ADIS17002：對角方向（左）、電路板鏡頭側俯視（中）和背側（右）。
總的來說，使用節點分析技術和對數成像器可顯著改進物聯網領域的視頻應用，這也是ADI公司與ADIS1700x模塊產品一起推出的方法。節點分析而不是云計算有利于物聯網應用的發展。對數成像器具有其競爭產品無法匹敵的優勢，可更進一步改進物聯網應用?？傊?，物聯網領域的視頻分析應用與節點分析技術和對數成像器相結合，共同構成一個魯棒的系統級解決方案。
推薦閱讀：
