Büyü Gerçek Zamanlı Video Zekası için Gerekli

Güvenlik endüstrisi son on yılda dramatik bir değişim geçirdi. Analog CCTV sistemleri, yüksek çözünürlüklü sistemler üzerinde yüksek çözünürlüklü sistemlere sahip olan IP tabanlı kameralara yol açtı. Kamera kararları 4K ve 8K'ya tırmanmak için tırmanmak için, video verilerinin hacmi kritik bir meydan okuma yaratır: Aşırı yükleme ve bant genişliği olmadan gerçek zamanlı olarak nasıl elde edilebilir bir istihbarat sağlar.

Disiplinleme sistemleri, yakalama kararı, gerçek zamanlı analiz ve depolama maliyetleri arasında dengeleyici bir hareketle karşı karşıya kalır.Bir 4K kamera, saatte yaklaşık 15-20 GB'lik sıkıştırılmış videoyu oluşturabilir. Multiply that across hundreds of camera or a data management Challenge, only metadata and uyarıs to the center system. Bu mimari değişim koşulları, gerçek zamanlı yanıtları imkansız hale getirebilirken bu adresleri otomatik olarak otomatik olarak şarj eder.

Video İşleme için FPGA'lar Farklı Neler Yapıyor

Bilgisayar destekli bir kanal serisi, iç mantık blokları, interconnects ve I/O hücreleri, donanım tanımlama dili kullanarak yapılandırılabilir.In video Analytics, FPGAs'ın büyük paralellik sunar. Binlerce mantık elementleri, hafıza blokları ve dijital sinyal işleme (DSP)

FPGA'ların geleneksel işlemcilerden farklı olduğunu anlamak için, tipik bir video işleme boru hattını düşünün. CPU tabanlı sistem her bir piksel için bir çerçeve okur, sonuçları geri yazar ve bir sonraki işlem için tekrarlar; Bu seri yaklaşım hafıza bantları ve boru hatları oluşturur.Bir FPGA her aşamanın farklı veri elementleri için uygun şekilde çalıştığını gösteren özel bir donanım hattını anlayabilirsiniz. Raw piksel verileri işleme blokları ve #8212; bu seri yaklaşımı, normalleştirme, nesne segmenti, sınıflandırma ve #8212; tüm saat boyunca görüntülenen mikro-dönüşümlülükteki görüntüyü takip eder.

FPGA-Based Analytics

Deterministic Low-Latency Processing

gözetimde, bir olay meydana gelen ve sistem bir uyarıyı tetikledi. FPGAs süreci video bir boru hattı olarak, işletim sistemi zamanlamacı ve önbellekli hiyerarşisini CPU veya GPU tabanlı sistemlerde değişken gecikmeler sunan bir boşluk. İyi tasarlanmış bir FPGA boru hattı, bir ham video çerçevesine sahip olabilir, çoklu algılama algoritmaları çalıştırın ve mikrosaniyeler ve #8212; tek bir çerçeve süresinden daha az.

Güç ve ısı Verimliliği

Birçok gözetim yüklemesi, sabit güç bütçeleri altında çalışır veya Ethernet üzerinde Güçe güvenebilir (PoE). Bir orta sınıf ayarlı FPGA, dört 1080p akışta gerçek zamanlı nesne algılamasını gerçekleştirirken, karşılaştırılabilir GPU, iki ila üç kez aktif soğutma gerektirir ve aktif soğutma gerektirir. çünkü FPGA'lar yalnızca gerekli görevleri yerine getirir, genel amaçlı grafikler boru hattının yüksek çözünürlükte hızlanan veya daha basit ısı dağılımı ve daha basit termal yönetim ile karşılaştırılabilir.

Flexability and Long-Term Upgradability

Şaşırtıcı analizler hızla gelişti. Kişi yeniden yapılandırması için algoritmalar, anomali algılama ve çok fazla kamera izleme sürekli olarak geliştirilir.Bir FPGA ile, bir yazılım güncellemesi, bir donanım değişimi olmadan silikonun tamamen yeni bir mantığı dağıtabilir. Bu, alan ekipman kullanımını genişletebilir ve analitik-a-servisleri sunabilmelerini sağlar.Bir perakende zinciri, başlangıçta insanları sayabilir ve ısı haritalama, sonra başka bir kart algılama veya kuyruk yönetimi olmadan satın alabilir.

Çok-Stream Concurrency

Görevler arasında zaman dilimine kıyasla, bir FPGA, her video girişi için ayrı analitik boru hatları hazırlayabilir, onları gerçekten eş zamanlı olarak çalıştırın ve hala şifreleme, sıkıştırma veya metadata etiketlemesi için mantık kaynaklarına sahiptir. Bu mimari ölçekler incelenebilir: Xilinx Kintex-7 FPGA sekiz cihazını kullanarak, tüm beslemelerin merkezi sınıflandırma kanallarını takip edebilir ve tüm yüksek çözünürlükte analizleri koruyabilir.

Gelişmiş Güvenlik ve Güven

FPGAs, güvenlik bilinçli dağıtımlar için eşsiz avantajlar sunuyor. Yeniden yapılandırılabilir kumaş güvenli bir şekilde çizme, boş zaman doğrulama kontrolleri ve kriptografik doğrulamayı gerektiren kriptografik doğrulama sistemleri olmadan değiştirilemez.Bu güven zinciri, mahkemede kötü niyetli kodlar ve yasal süreçlerle birlikte yürütücük sistemlerde veya havaalanı tarama sistemleri gibi uygulamalar için kritiktir.

Bir FPGA-Powered Surveillance Sistemi

Tanımlama Gereksinimleri Tanımlama

Her başarılı dağıtım açık bir spesifikasyonla başlar. Stakeholders gerekli video analizlerini tanımlamalıdır: hareket algılama, gezi geçişi, terk edilmiş nesne uyarıları, yüz tanıma veya gelişmiş davranışsal analiz.Demokratlar ve görüntü açıları, dış mekanlara karşı kapalı ve beklenen nesne boyutları ve #8212; yönlendirmeli olarak etki algoritması tasarımı. Band genişliği kısıtları ve depolama politikaları da önemlidir; bazı sistemler, kişisel olarak tanımlanabilir bilgiden önce ayırt edilmelidir.Bu gereksinimler, donanım ve IP çekirdek seçimine karşı kriteri ölçebilir.

Donanım Platformu Seçici

Doğru FPGA, mantık yoğunluğunu, DSP dilimlerini, Xilinx Kintex veya Intel Arria gibi temel analizleri içerir.Dörtücük sistemler için oda ile küçük form faktörlü cihazlar.En sonunda, Zynq 10, Xilinx Kintex veya Intel Arria gibi tek bir düşük çözünürlükte temel analizleri yönetebilir.

Algoritma Geliştirme ve Optimizasyon

Ekran işlemcileri için yazılmış video analiz algoritmaları nadiren bir şekilde FPGA donanımını kullanarak haritalar. Mühendisler paralellik ve borular kullanmaya devam etmelidir. Arka planlı sistemler için otomatikleştirilmiş tasarım modelleri, C veya C'de bir piksel işleyebilir ve böylece tüm algoritmaları hafıza dışı olarak kullanarak, temelsiz bilgi işlemden daha iyi performans elde etmek için engel oluşturabilirler.

Donanım Programlama ve Bitstream Generation

Algoritma bir donanım açıklaması dilinde veya HLS aracılığıyla uygulanırken, tasarım sentez, yer-ve-route ve zamanlama kapatma işlemi satıcı ve #8217; araç aracılı motorlar, FPGA. Modern araçlar, her bir metadata veya alarm dosyalarında ayrıntılı raporlar sağlar.For multi-sensor gözetim sistemleri, tasarımcılar genellikle modüler bir mimaride çalışır: merkezi bir video doğrudan erişim (VDMA) kamera arayüzünden kareler alır ve bunları paralel olarak analitik şifrelemelere sunar.

Kameralar ve Yönetim Yazılımı ile entegrasyon

FPGA modülü, fiziksel ve mantıksal olarak geniş güvenlik ekosistemine bağlanmak zorundadır. Ortak arabirimler MIPI CSI-2 for gömülü kameralar, SDI for yayın seviyesi sensörleri ve GigE Vision veya USB3 Endüstri kameraları için vizyon. Çıktılar, metadata ve video akışları, INVIF Profil M veya özel JSON-over-RTSP yükleri için sorunsuz bir şekilde ayarlanabilir bir şekilde ayarlanabilir.

Alan Testi ve Sürekli Optimizasyon

Hiçbir laboratuvar kullanımı simülasyonu gerçek dünya geçerliliğini değiştirir. İlk dağıtımlar genellikle gölge modunda çalışır, FPGA analizi olayları alarmları tetiklemeden yapılır ve gerekliliklerin yerine getirilmesine izin verir. FPGA tabanlı sistemler genellikle yeni bir miktar akışla güncellenebilir, glare veya böceklerle birlikte güncellenebilir.Performasyonlar, son derece olumlu bir şekilde dağıtım ve en kötü durumdaki çerçeveler için kareler toplanabilir ve gereksinimleri karşılaştırıldığında, NICE'i tekrarlayabilirler.

Core Video Analytics Algorithms for FPGA Implementation

En yaygın kullanılan analitik işlevleri doğal olarak FPGA mimarilerine harita. Her biri, deterministic latency ile bir akış boru hattı olarak uygulanabilir.

  • [FONT=0]Motion Tespit ve Object İzleme:[Dönetici:[Dönetici: 0,0) Gaussian karışımlarını kullanarak veya ortalamaları çalıştırın, yörünge dikme ve Kalman filtrelemesi ile takip edin. FPGAs bunları, çoklu ilgi alanlarının RAM'ta sürekli olarak, per-pikpiksel arka plan modellerini kullanarak derin bir boru hattında uygular.
  • [FONT:0)Object Sınıf: [Dönetici: 1) Işıklı Konvolual sinir ağları (CNNs) DSP blokları üzerinde hızlanır. YOLO-nano veya MobileNet-SSD gibi ortak modeller, ikinci per sensör, ayırt edici kişiler, araçlar ve hayvanlar için onlarca. FPGA boru hattı paralel olarak çok ölçekli tespiti yapar.
  • [FONT:0)License Plate Recognition (LPR): ), Üç aşamalı bir boru hattı: plaka morfolojik işlemleri kullanarak yerelleştirme, karakter segmentasyon ve optik karakter tanıma. Özel LPR motorları, hafıza geç saatlerde yönetilen 200 km/h üzerinde hızlar idare eder. Bazı uygulamalar Avrupa plakaları kontrol altında ölçümler elde eder.
  • [FONT:0)Facial Tespit ve Tanımlama:[Dönetici][/FONT=0)[FONT=0) veya hafif CNNler, bir sinir ağı kullanarak ekstraksiyonu kullanarak takip edin. FPGA- bazlı bir özellikte bir izo-çik blok RAM ile saklanan bir dizi RAM, genellikle aynı çerçeve aralığı içinde.
  • [FONT:0]Abandoned Object and Loitering Tespiti:[Dönetici:0) Spatiotemporal analizler zaman içinde sabit nesnelere sabit bir şekilde, geri kalan bir çanta ve kişi arasında hala bir tarih haritası tutar.

Bu bina blokları sık bir araya gelir. Tek bir FPGA, giriş şeritleri üzerinde hareket eden LPR'yi gerçekleştirebilir, bir yaya dönüşen yüz tanıma ve alışveriş koncourse— tüm aynı anda anahtar, tüm işlevsiz karmaşıklığına ve gerekli tüm mantık kaynaklarına göre fark eder.

Mevcut güvenlik altyapısıyla entegrasyon

Video ve ağ geçişi arasında en güçlü koruma noktalarından biri, encoder'e ulaşmadan önce yapılan bir video, mevcut NVR ve VMS platformlarına entegre etme yeteneğidir.Intrat System, OSD metin veya ONVIF etkinlikleri ile birlikte gelişmiş bir ağ oluşturma sağlar.

Gelişen Kalkınma Kompleksi ve Maliyetleri

FPGA gelişimi tarihsel olarak özel donanım mühendisliği becerilerine sahiptir, satın alma maliyetine sahip olan daha küçük entegrasyonlar için geçerlidir.Bu bariyer sürekli olarak daha düşük maliyetlidir. Yüksek seviyeli sentez araçları, yazılım odaklı geliştiriciler, tanıdık C/C++ kodundan FPGA tasarımları sunar. Kapsamlı IP kütüphaneleri, ön ödeme öncesi video hatları, hafıza kontrolleri ve bilgisayar vizyonu, satış noktaları gibi ürünlerin daha yüksek oranda daha düşük maliyetli hale getirilmesi için kullanılabilir.

Edge Computing, Privacy, Band geniş optimizasyon

İleri görüşlü gözetim mimarisi, ana akımlara doğru analitikleri doğrultuyor, çünkü kompakt bir termal zarfı korumak için gerçek zamanlı işlem yapan bir veri kümesine sahip olan şifreli veri kümesine göre otomatik olarak erişim sağlar. FPGA'lar otomatik olarak kullanımları azaltılabilir, maske lisansları veya video görüntülerinin herhangi bir şekilde işlenmesine izin vermeden gerçek zamanlı olarak veri işlemelerini sağlar.

Future: AI, Machine Learning ve Beyond

Yapay zeka ile FPGA'ların yakınlaştırılması hızlanıyor. Intel Çevik ve Xilinx Versal gibi modern FPGA aileleri, süper diskolümler için özel olarak tasarlanmış bir yapay zekaya sahip olan teleskoplar için daha fazla değişkenli iletişim kurma olanağı sağlar.Bu, süper diskometrik olmayan bir şekilde dinamik bir şekilde yeniden yapılandırmaya yönelik olarak, sanal kamera analizine yönelik olarak, çoklu kamera analizleri kullanarak, otomatik olarak tekrarlama işlemine olanak sağlar.

FPGA-Based Video Analytics'e geçiş yapmak

FPGA tabanlı video analizi, modern gözetim talepleri ile mükemmel bir şekilde gelişmiş güvenlik uyum sağlar.Tek kameralı kenar cihazından gelen hareket uyarıları, derin öğrenme tabanlı bir davranış analizine alan tabanlı bir ağ oluşturma, FPGA'lar ölçeklenebilir bir mantık sağlar ve gelişmiş güvenlik hizalarını modern gözetim talepleri ile geliştirir ve gelişmiştir.

Sonraki gözetim altyapı yatırımlarını değerlendiren kuruluşlar için, soru artık FPGA tabanlı analizin değeri ve #8212'yi sunabileceğine değil; belirli operasyonel gereksinimlerin karşı FPGA platformlarını basit bir değerlendirme ile başlayın: hangi kameralar en kritik konuları sunar?

Şimdi FPGA tabanlı kenar analizine yatırım yapan kuruluşlar, bu dönüşümün ve düzenleyici ortamına adapte etmek için iyi bir şekilde tahsis edilecekler, operasyonel verimlilik ve yanıt zamanında rekabetçi bir avantaj elde ederken, yazılım bazlı analiz çağının merkezi bir rol oynadığı bir karma modele yol açıyor. FPGAs bu dönüşümün lider olacağını ve bu geçişin şimdiye kadar planlamaya başlamanın zamanı.