In this work, an object detection algorithm is presented and a hardware for object detection is implemented for efficient execution of developed algorithm. The presented object detection algorithm is adopted for multi-object recognition as a pre-processing stage of the overall object recognition pipeline. The algorithm is saliency-based region growing, visual attention gives the seed points where start region growing processing. New homogeneity criteria utilizes neuro-fuzzy classifier and three metrics, intensity, saliency and distance. This algorithm shows 41% workload reduction in overall multi-object recognition. In order to accelerate object detection algorithm execution, hardware is implemented. Each blocks are designed to perform proper operations for object detection algorithm. Object detection engine is implemented in analog-digital mixed-mode for efficient execution of neuro-fuzzy operation. Proposed object detection hardware is implemented with parallel vision processor. With help of object detection hardware, real-time and low power multi-object recognition can be achieved.
기존의 여러 개의 물체 인식에서의 계산량을 줄이기 위해서 물체 인식 과정의 전처리 단으로서 물체 감지 알고리즘과 이를 수행하는 하드웨어를 제안한다.
논문에서는 우선 물체 감지 알고리즘이 제안된다. 시각 집중에 기반하여 우선 물체 영역의 seed 점들을 골라내고, 이 점으로부터 영역을 확장해나가는 알고리즘이다. 영역의 확장 시에 seed 점과 이 점과 인접한 점들의 유사도를 판별하기 위해서 제안된 알고리즘에서는 뉴로 퍼지 분별기를 이용한다. 이미지 상에서 각 점의 명암, 두드러짐 정도, 점 사이의 위치, 이렇게 세 가지가 유사도를 판별하기 위한 기준이 된다. 이 세 가지 기준들은 뉴로 퍼지 분별기를 통해 각 점을 seed점과 비교하여 물체 영역에 포함되는 안 되는지 판별하는데 이용되게 된다.
논문에서 알고리즘이 제안된 후, 이 제안된 물체 감지 알고리즘 수행을 가속하기 위해 하드웨어 설계가 소개된다. 하드웨어의 각 구성 블록들은 알고리즘 수행에 있어서 적절한 수행을 위해 설계되었다. 이 중에서 특히 뉴로 퍼지의 효과적인 수행을 위해서 Object Detection Engine이 설계되었다. Object Detection Engine은 칩 상에서의 면적과 전력 소모를 줄 이기 위해 아날로그와 디지털의 혼성 모드로 설계가 되었다. 그 결과 디지털 모드만으로 구현된 것과 비교하여 면적과 전력 소모에서 각각 59%와 44%가 감소되었다. 전체 물체 감지 하드웨어는 4.3mm2의 면적을 차지한다. 그리고 평균 51.8mW의 전력을 소모하면서 54 GOPS의 최고 성능을 갖는다. 이 결과로 전체 물체 감지 알고리즘은 1ms 이내로 수행되게 된다.
이 물체 감지 하드웨어는 전체 물체 인식 칩과 함께 구현되었다. 물체 감지 하드웨어의 효과로 인해 물체 인식은 21.7fps의 실시간 처리 속도와 496mW의 저전력 소모로 수행된다.
