Extracción de características para algoritmos de aprendizaje automático aplicado al reconocimiento de vehículos. Implementación en FPSoC

Abstract

En la actualidad, la Inteligencia Artificial está presente en multitud de aplicaciones, como la detección de fraudes bancarios, diagnósticos médicos, pronósticos en mercados bursátiles o reconocimiento de voz en servicios de telefonía, entre otros. Teniendo sobretodo, una gran importancia dentro de los sistemas de conducción asistida (ADAS) para la detección y reconocimiento de múltiples objetos como vehículos, peatones y señales de tráfico. Para la construcción de este tipo de sistemas se requiere de técnicas como el Machine Learning o aprendizaje automático. Por lo general, estos sistemas requieren de una fase de entrenamiento en base a una serie de muestras, que son ejemplos individuales e independientes del concepto que se quiere aprender, donde cada muestra se compone por diversas características que la definen. Como es bien sabido, la extracción de características es una parte fundamental en la aplicación de cualquier técnica de Machine Learning, y por ello haremos especial énfasis sobre esta tarea a lo largo de este documento. En este trabajo, utilizando Matlab® como sistema de prototipado, se ha desarrollado una metodología que permite extraer características de una imagen para realizar una tarea de detección automatizada. Tras realizar un estudio sobre las diferentes técnicas de Machine Leraning y tomando como ejemplo el trabajo de Wen, Shao, Yu, & Fang (2014), se ha diseñado un sistema con la capacidad de reconocer vehículos en imágenes. Por ellos, se ha utilizado el conjunto de caracterícticas Haarlike, definidas por Viola & Jones (2001), por su sencilla concepción y por ser rápidas de cálcular mediante el método de la imagen integral. Una vez extraidas las características, se han entrenado múltiples algoritmos de Machine Learning, centrandonos en aquellos con resultados de precisión más prometedores. Es impotante destacar que los algorítmos de Machine Learning tienden a ser computacionalmente muy exigentes, lo que dificulta su utilización en sistemas en tiempo real o con limitación de recuros hardware, como ocurre en la mayoría de sistemas embebidos. Con el proposito de abordar esta limitación, en la segunda parte de este trabajo, se ha llevado a cabo la implementación de la extracción de características Haar-like en un dispositivo FPSoC, con el fin de demostrar la posibilidad de embeber este tipo de sistemas sin afectar a su eficiencia. Un FPSoC, es un dispositivo que integra dentro de la misma placa la arquitectura clásica de una FPGA y un procesador de carácter general, lo que aporta potencia y flexibilidad. En este trabajo en concreto, se ha utilizado un dispositivo de la famila Zynq-7000 All Programmable SoC (AP SoC) que cuenta con un procesador de doble núcleo ARM Cortex-A9 y una FPGA Z-7020. Para la implementación se diseñó un acelerador hardware para la extracción de carácteristicas, construido el diagrama de bloques IP del sistema completo y programado el procesador como sistema de control, utilizando para ello el software de Xilinx® Vivado Desing Suite. Finalmente, se consiguió realizar con éxito la implementación del sistema de extracción de características embebido en un FPSoC, con una eficiencia similar a la de una CPU con un procesador i7 de cuarta generación.