پیاده‌سازی الگوریتم‌های پردازش تصویر روی یک سامانه نهفته کارا با ابزارهای توسعه منبع باز

در این مقاله، raspberry pi 2 به عنوان سخت‌افزاری کم هزینه، کم وزن و کم توان برای پیاده‌سازی روش‎های آشکارسازی اهداف در تصویر مادون قرمز مورد بررسی و تحلیل قرار می‌گیرد. پیاده‌سازی مناسب این روش‌ها و انجام عملیات بصورت بلادرنگ برای سامانه‌های دفاعی از اهمیت ویژه‌ای برخوردار است. نتایج نشان می‌دهند که raspberry pi 2 دارای قدرت محاسباتی کافی برای پیاده‌سازی الگوریتم‌ آشکارسازی هدف در تصاویر مادون قرمز می‌باشد. قدرت پردازش سخت‌افزار پیشنهادی با استفاده از الگوریتم آشکارسازی هدف تصاویر مادون قرمز روی محیط توسعه نرم‌افزاری qt و توابع کتابخانه پردازش تصویر opencv با pc روی محیط توسعه نرم‌افزاری qt و توابع کتابخانه opencv و همچنین با نرم‌افزار سطح بالای matlab مقایسه می‌شود. نتایج به دست آمده نشان می‌دهند که پیاده‌سازی روی raspberry pi 2 نسبت به matlab سرعت اجرای الگوریتم را 6.5 برابر افزایش می‌دهد. همچنین زمان اجرای پیاده‌سازی الگوریتم آشکارسازی هدف در تصاویر مادون قرمز (به زبان c++) با استفاده از کتابخانه opencv روی pc تقریبا 8 برابر اجرای آن با raspberry pi 2 است. همچنین با مقایسه raspberry pi 2 و pc از نظر توان مصرفی، وزن و هزینه مشاهده می‌شود که raspberry pi 2 کارآیی بسیار بهتری را از نظر توان مصرفی، وزن و هزینه نسبت به pc دارد. نتایج نشان می‌دهند که هر چند استفاده از نرم‌افزارهای سطح بالا مثل matlab دارای شاخص‌های ارزیابی ضرایب تضعیف پس‌زمینه ((scr و نسبت سیگنال به نویز ((bsf بالاتری نسبت به استفاده از کتابخانه opencv است، اما نتایج زمان اجرا نشان می‌دهد که سخت‌افزار پیشنهادی زمان اجرا را نسبت به نرم‌افزارهای سطح بالا مثل matlab بهبود می‌دهد. برای بهینه‌سازی و کاهش زمان اجرا از برنامه‌نویسی چندریسه‌ای روی raspberry pi 2 (که شامل پردازنده 4 هسته‌ای arm cortexa7 است) و خاصیت افزایش ‌فرکانس (برای افزایش سرعت سخت‌افزار raspberry pi 2) استفاده می‌شود.

Implementation of Image Processing Algorithm on Efficient Embedded Systems with Open Source Development Tools

In many practical applications, implementation of algorithms is required into lowcost and lowpower hardware, proper processing power, simplicity in algorithm development and maximum flexibility. Proper implementation of these methods and realtime operations for defense systems has particular importance. Studies have shown that Raspberry Pi 2 has sufficient computational power to implement an infrared target detection algorithm. Therefore, in this paper, Raspberry Pi 2 is considered as lowcost, lowweight, and lowpower hardware for optimum implementing infrared target detection methods and to optimize and reduce runtime, it with the overclocking technique is used. Finally, their performance is compared with other hardware with different software development environment. These comparisons include the Qt software development environment based on the OpenCV image processing library in the Raspberry Pi 2 hardware with Qt software development environment based on the OpenCV library functions in the PC hardware, as well as the highlevel MATLAB software. The results show that implementation on the Raspberry Pi 2 in comparison with MATLAB speeds up implementation of the algorithm 6.5 times. As well as, implementation time of the infrared target detection algorithm (C ++) using the OpenCV library on the PC is approximately eight times that of Raspberry Pi 2. Also, comparing Raspberry Pi 2 and PC in terms of power consumption, weight and cost is observed that Raspberry Pi 2 has a much better performance in terms of power consumption, weight and cost than PCs. The results show that although the use of highlevel software such as MATLAB has background suppression factor (SCR) and signal to clutter ratio (BSF) higher than use of the OpenCV library, the results of runtime indicate that the proposed hardware improves the runtime of highlevel software like MATLAB. The results of optimization on the Raspberry Pi 2 show that speed of the algorithm is improved by more than 40%.