運用 Intel OpenVINO 自制自動駕駛車視覺系統(tǒng)

這兩年人工智慧當道，無人自動駕駛汽車技術也隨之興起，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聽起來就很難，那 Maker 們有沒有機會自己土炮一臺呢？

1980 年代經典電視影集「霹靂游俠」李麥克和人工智慧自駕車「伙計」（圖片來源）

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），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。

在自駕車眾多技術中最不可缺少的一項就是電腦視覺技術，但要搞懂一大堆數學、人工智慧理論、程式撰寫方式、系統(tǒng)框架和硬體架構，還得懂得如何建立資料集、訓練及優(yōu)化（加速）模型，這可就難倒大多數人了，難道就不能「快快樂樂學 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網路（深度學習）優(yōu)化工具包「OpenVINO」（Open Visual Inference & Neural Network Optimization Toolkit），同時提供很多預先訓諫及優(yōu)化好的神經網路模型可供大家直接使用。
影像辨識目標

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。若影像中出現多個物件，那分類時則可能出現多個分類結果，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多個相同或不同物件，大小不據，辨識後會對每個物件產生一個邊界框（Bounding Box），如此即可獲得較為準確的物件位置（座標）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容。

影像辨識的常見項目（圖片來源）

上視覺辨識難度依序遞增，同時在樣本訓練及推論時間也隨之巨幅成長。在自駕車領域較常用到「物件定位」，比方說找出前方車輛、行人、號志位置，但當場景較復雜（如市區(qū)）時，同一影像中物件數量大增，且邊界框大量、大面積重疊，可能會影響辨識結果，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、地面標線、背景、天空、植物、建物等等，如下圖所示：

語義分割應用於自駕車，（a）僅道路，（b）道路、車輛、路標等多物件辨識（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，由於深度學習大量應用於電腦視覺，自 OpenCV 3.0 版後就加入 DNN （Deep Neural Network）模組，3.2 版更是加入深度學習常用的 Caffe 框架及 YOLO 物件定位模組。今（2018）年 Intel更是推出開放（免費）電腦視覺推論及神經網路（深度學習）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 等深度學習框架所訓練好的模型及參數。同時，兼顧傳統(tǒng)電腦視覺和深度學習計算，從此不用再糾結到底要選那一種組合來完成電腦視覺系統(tǒng)了。

INTEL OpenVINO 架構及支援硬體加速裝置（圖片來源）

OpenVINO主要是用來推論用的，特定模型的參數必須在其它框架（TensorFlow、Cafee、Mxnet）下訓練好才可使用。OpenVINO除了可提供硬體加速外，更提供模型優(yōu)化器（Model Optimizer）功能，可協助去除已訓練好的模型中的冗余參數，并可將 32bits 浮點數的參數降階，以犧牲數個百分點正確率來換取推論速度提升數十倍到百倍。

優(yōu)化后，產出二個中間表示（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（圖片來源）

影像語義分割原理

OpenVINO中提供了多種預訓練及優(yōu)化好的深度學習模型，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網路（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網路（Convolution Neural Network, CNN）是經過多次卷積層（Convolution Layer）取出特徵圖（Feature Map）加上池化層（Pooling Layer）令影像縮小一半後，再經過全連結層（Fully Connection Layer）產生不同分類的機率，最後再找出機率最高的分類當作輸出結果（如下圖上半部）。

影像分類（CNN）與語義分割（FCN）深度學習模型概念（圖片來源）

因為全連結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層也改用卷積層，產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，最後將所有分類結果組成一張新的圖即為語義分割結果圖。

原始影像（image）經多次卷積（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，即可得語義分割結果圖 FCN-32s（如下圖所示）。這樣的結果非常粗糙，為了得到更精細結果，可把 conv7 結果放大 2 倍加上 pool4 後再放大 16 倍，就可得到更精細的結果圖 FCN-16s。

FCN 不同上采樣語義分割結果（圖片來源）

同理，將高（pool3）、中（2 倍 pool4）、低（4 倍 conv7）解析度的內容加在一起，再放大就可得到 FCN-8s 更高精度的語義分割圖。雖然 FCN 得到的結果和真實內容（Ground truth）分割正確度還有滿大的差距，但此方法卻是開創(chuàng)以卷積神經網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網路（深度學習）優(yōu)化工具包「OpenVINO」土炮自駕車的視覺系統(tǒng)。首先到 OpenVINO 官網，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：
可參考官網提供的網址，預設軟體開發(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 推論引擎及相關范例程式
intel_models 預先訓練模型
model_optimizer 模型優(yōu)化器
安裝完成後，開啟inference_enginesamplesbuild_2017ALL_BUILD.vcxproj，經編譯後即可在inference_enginebinintel64Release 路徑下找到所有編譯好的范例執(zhí)行檔。

Intel OpenVINO 官網畫面（圖片來源）

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)化產出的中間檔（*.xml, *.bin）
配置輸入和輸出內容
載入模型給插件
產生推論需求
準備輸入
進行推論
處理輸出

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果影像。目前 OpenVINO 提供二種預先訓練及優(yōu)化好的語義分割模型，分別為 deployment_tools intel_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，-i 輸入影像名稱，-m 模型名稱，指定時須包含完整路徑。另外預設是使用 CPU 計算，所以只接受 32bit 浮點數（FP32）而不接受 16bit 浮點數（FP16）。輸入影像尺寸不據，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，推論時間和影像內容復雜度無關。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 實例應用

接著，在網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，其結果如下圖所示，左為原始影像，中為 20 分類，右為 4 分類。從結果來看，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（結果如下圖所示）。由測試結果來看，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線（暗藍色），而（i）、（j）則是完全無法辨識，全部都被當成背景（深紫色）。所以當測試影像是室內或非正常道路時，誤判率明顯提高，歸究其原因應該是訓練的資料集中并沒有這些類型的影像，加上室內光滑地面有大量反光及擺放大量物件造成影響。若想應用這些模型在室內場景，則需要另外大量收集相關影像重新標注後再重新訓練，才能讓正確率有所提升。

非標準道路影像語義分割測試結果。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
Intel 所提供的開放（免費）電腦視覺推論及神經網路（深度學習）優(yōu)化工具包「OpenVINO」讓不懂電腦視覺和深度學習原理的小白可以在很短的時間上手，不必擔心如何建置開發(fā)平臺、選擇深度學習框架、訓練及優(yōu)化模型和硬體加速等問題，只需利用預先訓練及優(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！

想要查看更多OpenVINO相關技術與資料，請戳>> http://m.butianyuan.cn/openvino