今天，大家對自動駕駛都充滿了期待，任何一場科技大秀上，總少不了自動駕駛的身影。不過與之伴生的，還有與自動駕駛相關的事故數量的增加，特斯拉、Uber前后腳都發生了在（準）自動駕駛狀態下的致死事故。

可能你會覺得自動駕駛商用進程有些慢，現在的方案還不靠譜兒，但考慮到其應用場景的特殊性，以及開發上的難度，你就不會有太多抱怨了。比如就車載視覺處理，這個自動駕駛的核心要素來說，其對開發者提出的挑戰就不一般。

姑且不提自動駕駛，今天想做好一款像樣的ADAS就不簡單。一方面，ADAS視覺處理需要應對越來越復雜的應用環境，暗光、惡劣天氣下也要確保可靠的表現；另一方面，為了提升視覺系統識別判斷的準確性，甚至讓其具有自我學習提升的能力，引入機器學習、神經網絡等AI算法也勢在必行。

這些需求必然會增加視覺處理工作的復雜性和負荷，耗費更多的計算資源和時間，而這又恰恰和車載應用這個資源受限的嵌入式環境，以及“硬”實時性的要求構成矛盾……這就是車載視覺應用開發者每天面對的困局。

圖1，車載視頻處理典型流程

要想“破局”，我們首先來看看車載視覺處理典型的流程。這個流程包括四個步驟：

1

第一步

預處理：包括成幀、顏色調整、白平衡、對比度均衡、圖像扭正等工作，這種像素級的處理特點是數據量非常大，而且每像素之間相互獨立，彼此沒有很強的依賴關系，要求高帶寬的并行數據處理能力。

2

第二步

特征提取：是在預處理的基礎上，提取出圖像中的特征點，特別是關鍵的邊緣角點。

3

第三步

目標識別：基于特征數據的輸出，對圖像中的物體進行識別分類——人、車、交通標志等，這其中就會運用到一些機器學習、神經網絡的算法。

4

第四步

目標跟蹤：對上述單幀圖像進行記錄，并累計多幀后做出判定，實現穩定的識別和判斷。

通常前三步被認為是底層和中層的處理，運算的并行度較高，第四步由于有前后的邏輯判斷關系，所以屬于順序執行，需要串行處理。可見，車載視覺處理流程中的這些任務，需求各不相同，單一架構的硬件平臺很難滿足所有要求，所以就需要有更加復雜、綜合的異構硬件平臺，以不同的硬件資源去應對不同的計算處理任務，這樣才能勝任。

以恩智浦半導體的S32V車載視覺處理器為例，它對應車載視覺處理的不同步驟配置了不同的針對性的計算單元。

圖2，恩智浦半導體S32V車載視覺處理器框圖（圖片來源：NXP）

對于預處理到特征提取這種像素級的工作，S32V提供了一個可編程的ISP（圖像信號處理器），對于流處理進行加速；而其可編程性也為底層處理提供了靈活性，以應對不同應用中的預處理需求。

對于特征提取到目標識別這個層次的處理任務，由于要運行AI算法，特別需要視覺加速，為此S32V引入了兩個專用的APEX-2協處理器，實現高速并行的單指令多數據架構的加速計算。

在目標識別到目標跟蹤高層處理，涉及到串行計算，S32V通過運行頻率高達1GHz的多核Arm Cortex-A53處理器（最高配置可達四核）來完成，同時S32V在處理器系統中還集成了一個頻率高達133 MHz的Cortex-M4內核，去實現一些控制功能，以及實時性的工作。

在加上其他諸如3D GPU、硬件安全加密、存儲和外設接口等功能，S32V構成了一個完整的汽車級的安全嵌入式視覺處理平臺。

但是想做一個完整的方案或產品，有了合適的硬件只是第一步，接下來還需要軟件的配合。在功能受限、功耗敏感的嵌入式視覺應用中，如何實現硬件和軟件之間最優的配合尤為關鍵，也就是說，要將軟件任務放在最合適的硬件單元中運行，充分利用和釋放出硬件的能力。

為了達到這一目的，一個基礎性的工作就是：要對應用中典型的計算模式做出分析和分類，找出有并行加速需求或者潛力工作，將其安排給最適合的硬件去加速。實際的工作中，可以嘗試幾種不同的并行計算加速方式：

數據并行：將需要并行處理的數據，交給有并行計算能力的單元去做，如APEX-2這種專用的協處理器——專用的肯定比通用的處理器速度快。

流水線并行：綜合調度各種計算單元，在同一時間上讓所有單元都處于滿負荷運行狀態，誰也不閑著。

任務并行：在同一時間安排進行不同的視覺處理任務。

經過上述全面的優化，軟硬件的緊密配合，車載視覺處理速度和綜合性能才能得到大幅的提升。

圖3，車載視頻處理流程和對應S32V硬件資源（圖片來源：NXP）

車載視覺可以說是嵌入式視覺處理領域難度較高的一個領域，需要各方面資源更緊密的協作、全方位的配合——硬件開發者需要充分理解目標應用的需求，提供最高效的硬件加速架構；軟件開發者也要吃透硬件的特性，合理調配資源，將硬件性能發揮到極致。雖然不容易，但這就是我們通往自動駕駛的必由之路。