Gestion dynamique d'espaces de calcul reconfigurables: Un système de détection des piétons en temps réel.

Dynamic management of reconfigurable logical computing areas: A real-time system for pedestrian detection.

• Auteur / Autrice : Metzli Ramirez martinez
• Direction : Sidi-Mohammed Senouci, El-Bay Bourennane, Philippe Brunet
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le ; Soutenance le 25/06/2018
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Département de Recherche en Ingénierie des Véhicules pour l'Environnement
• Partenaire(s) de recherche : établissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Ahmed Bouridane
• Jury : Examinateurs / Examinatrices : Sidi Mohammed Senouci, El-Bay Bourennane, Philippe Brunet, Omar Hammami, Virginie Fresse

Mots clés

Mots clés libres

Reconfiguration partielle dynamique (DPR)

Fpga

Détection d'objets

Régions d'intérêt (ROI)

Efficacité énergétique

Processus décisionnels markoviens (MDP)

Dynamic partial reconfiguration (DPR)

Fpga

Object detection

Regions of interest (ROI)

Energy efficiency

Markov Desition Process (MDP)

Résumé

Au cours de ces dernières années, la détection de personnes a été un important sujet de recherche largement étudié et utilisé dans plusieurs domaines, tels que l'automobile ou la surveillance. Par conséquent, un système de détection de personnes qui soit robuste devient essentiel. L'objectif principal, dans ce travail, est donc de proposer une approche efficace et efficiente pour la détection de personnes sur une vidéo. En effet, cette approche doit être à la fois temps réel, fiable et économe en énergie. Pour atteindre ces objectifs, nous utilisons différentes stratégies matérielles et logicielles. Plus précisément, nous considérons l'application d'un prétraitement rapide pour réduire la quantité de données à traiter, et grâce à l'utilisation de la capacité de reconfiguration partielle dynamique (en anglais, Dynamic Partial Reconfiguration - DPR) des FPGA, l'efficacité énergétique de l'architecture conçue est améliorée. Nous avons intégré l’algorithme HOG (en anglais, Histograms of Oriented Gradients), pour la détection de personnes, avec CAVAM (en anglais, Context-Aware Visaul Attention Model), pour la détection des régions d’intérêt (en anglais, Regions Of Interest - ROI). D'une part, l'algorithme HOG est une référence dans la communauté travaillant sur la détection d'objets. En effet, il donne des résultats précis et son implémentation matérielle est relativement peu coûteuse par rapport à d'autres méthodes. D'autre part, CAVAM propose une approche intéressante qui produit un modèle robuste pour détecter des ROI précises grâce à l'utilisation de différents types d'informations. Ainsi, la première partie de cette thèse a été consacré à est l'intégration de CAVAM avec HOG, où nous avons exploré différentes possibilités de refontes, de modifications et de configurations. L'implémentation logicielle permet une accélération de l'algorithme HOG de 2 à 8 fois plus rapide que l’original, selon la configuration. Même si la vitesse de traitement de l'algorithme HOG original a été considérablement améliorée, il reste toujours inadéquat pour des applications temps réel. Par conséquent, afin de permettre le traitement parallèle, la conception d'une architecture matérielle a été mise en œuvre dans un dispositif FPGA. Ceci a permis d'obtenir une réduction de précision ne dépassant pas 0,5% et une vitesse de traitement qui atteint 25 images VGA par seconde, avec uniquement un seul module HOG implémenté dans le FPGA. Dans la dernière étape de cette thèse, la capacité de reconfiguration partielle dynamique du FPGA a été exploitée. La nature des FPGAs permet la mise en parallèle de plusieurs modules HOG, ce qui améliore la vitesse de traitement. L'intégration de CAVAM dans le système, permet de produire des ROI adaptées aux caractéristiques changeantes de chaque image. Selon la taille et le nombre des ROI, la quantité de données à traiter varie. Profitant de ce fait, l'idée principale est de reconfigurer dynamiquement le nombre requis de modules HOG placés en parallèle pour atteindre une vitesse spécifique, en fonction de la quantité de données à traiter. Lorsque nous réduisons la quantité de données à traiter par le calcul des ROI, le nombre de modules HOG pour atteindre la vitesse désirée diminue, ce qui permet de réduire l'utilisation des ressources. De plus, pour contrôler le DPR, un algorithme de décision basé sur MDP (en anglais, Markov Decision Processes) a été proposé et mis en œuvre. L'architecture finale, a permis d'atteindre une vitesse allant jusqu'à 50 images VGA par seconde, en utilisant seulement un module DPR et un module HOG statique. Elle réduit également de 7% la consommation d'énergie de l'implémentation statique de HOG. La réduction de précision est inférieure à 2% par rapport à l'algorithme HOG original implémenté de manière logicielle. Nous avons de plus montré que notre approche est capable de produire des résultats fiables quelles que soient les caractéristiques spécifiques de la séquence d'images d'entrée.

In recent years, human detection has been an important research subject widely studied and used in many fields, such as automotive or surveillance. Therefore, a robust human detection system is becoming essential. The main objective, in this work, is to propose an efficient and effective approach for people detection in video. This approach should have the following characteristics: real-time performance, reliable detection, and energy efficiency. In order to achieve this goal, we use different hardware and software strategies. Specifically, we consider the application of a fast preprocessing to reduce the amount of data to process, and through the utilization of the dynamic partial reconfiguration (DPR) capability of the FPGAs, the energy efficiency of the designed architecture is improved. We integrated the well-known Histograms of Oriented Gradients (HOG) algorithm for people detection, with the Context-Aware Visual Attention Model (CAVAM) for the detection of regions of interest (ROI). On one hand, HOG algorithm is a reference for the community working on object detection. In fact, it gives accurate results and its hardware implementation is relatively inexpensive compared to other more modern methods. On the other hand, CAVAM proposes an interesting approach that produces a robust model for detecting accurate ROI, through the usage of different kinds of information. In this way, the first part of this thesis was focused on the integration of CAVAM with HOG algorithm, where we explored different possibilities of redesign, modification, and configuration. This software implementation allows a general acceleration of HOG algorithm from 2 times to 8 times faster, depending on the configuration. However, even if the original HOG algorithm was substantially accelerated, it is still inadequate for real-time performance. Therefore, in order to allow the parallel processing of our approach, the design of a hardware architecture was implemented in an FPGA device. We obtain an accuracy reduction no bigger than 0.5% and a processing speed up to 25 VGA fps, with only one HOG module implemented in the FPGA. In the last stage of this thesis, the dynamic partial reconfiguration capability of the FPGA was exploited. The parallel nature of the FPGAs allows placing multiple HOG modules working in parallel, which increments the processing speed many times. The integration of CAVAM in the system produces ROI that have different characteristics in each frame. According to the size and number of ROI, the amount of data to process varies. Taking advantage of these characteristics, the main idea is to dynamically reconfigure the required number of HOG modules placed in parallel to achieve a specific speed considering the amount of data to process. When we reduce the amount of data to process through the calculation of ROI, the number of HOG modules for achieving the desired speed decreases, allowing to reduce resource utilization. Additionally, to control the DPR, a management algorithm based on Markov Decision Process (MDP) has been proposed and implemented. The final architecture, achieves a speed up to 50 VGA fps, using only one DPR module and one static HOG module. It reduces by 7% the energy consumption from the static implementation of HOG, and the accuracy reduction is smaller than 2% in comparison with the original HOG algorithm implemented in software. Additionally, we showed that our approach is capable to produce reliable results no matter the specific characteristics of the input image sequence.