人體存在檢測（HPD）是視覺傳感的一種應用，是了解一個人何時在場，確定其狀態和環境的藝術。如果有效實施，與傳統方法相比，它有可能獲得許多好處，特別是在安全性和降低功耗方面。

這項技術以各種形式存在了一段時間。現在，精度已經達到足以用于筆記本電腦、PC 或汽車應用（如駕駛員警覺性檢測）的程度。可以利用這項技術的其他領域包括智能家居和工業安全。

具有計算機視覺算法的傳統相機通常用于此應用，但這樣的設置可能矯枉過正，提供的信息遠遠超過必要的信息，并且為邊緣物聯網應用消耗太多功率。集成傳感器模塊也可以顯著降低成本，因為帶寬大大降低，允許使用低成本MCU，剛好足以處理一些簡單的AI算法。然后可以使用微小的ML代碼處理部署。

該模塊確定人或事物的存在位置以及它們相對于筆記本電腦的位置。它應該提供足夠的信息，以便直接在設備級別做出實時決策。

模塊中的 HPD

物聯網的一個可用的HPD解決方案來自Synaptics，以Emza Visual Sense的形式出現。優化的機器學習 （ML） 計算機視覺算法在超低功耗邊緣 AI SoC 上運行。典型應用需要的內存不到 1 MB。

這些算法處理來自低功耗CMOS傳感器的數據，通常將功耗保持在5至15 mW的范圍內。這可以根據實際需要進一步減少。這些功率水平正在接近現代筆記本電腦的電源噪聲本底。所有三個元素——Emza Visual Sense算法、低功耗邊緣AI處理器和CMOS傳感器——都可以駐留在同一個模塊中。

對于筆記本電腦，此模塊將在筆記本電腦打開時立即打開，只要筆記本電腦正在運行，該模塊就會保持打開狀態。當用戶離開時，會檢測到不存在，將筆記本電腦置于鎖定睡眠或掛起模式，直到用戶返回。

在開機和關機之間，有更多有趣的選項可以提供安全性和延長電池壽命。例如，當附近的人正在查看筆記本電腦屏幕時，用戶會收到安全威脅警報（稱為“旁觀者檢測”），并且可以降低顯示可見性，直到威脅過去。

為了節省功耗，Synaptics的HPD可以在用戶移開視線時調暗顯示屏（稱為“移開檢測”）。因為 ML 算法可以使用更準確的用戶習慣模型進行更新。隨著時間的推移，HPD 功能在速度、準確性、響應能力和實用性方面不斷改進。

可以使用飛行時間（ToF）傳感器設計類似的配置，而不是傳感器模塊。但是這樣的設備不能執行面部識別或確定人與附近寵物之間的區別。

實際上，CMOS傳感器輸出不會持續記錄。相反，處理器每秒拍攝兩個快照或幀。該信息被存儲，然后與其他幀進行比較。

這些信息足以感知環境并確定人類的存在和運動，以及眼動追蹤，這反過來可以觸發另一種算法來處理面部識別。這是計算密集型的。

鑒于所檢測信息的性質，實施必須在邊緣執行必要的處理，以確保不會將個人身份信息 （PII） 發送到上游云。

復雜的軟件設計

雖然處理此應用程序的硬件隨時可用，但算法開發方面并非易事。谷歌的AutoML向前邁出了一步，簡化了流程。AutoML 允許開發人員以有效的方式針對特定需求訓練其 AI 模型。

Synaptics Emza Visual Sense HPD技術已經在戴爾和松下的筆記本電腦中實施。解決方案也正在圍繞該公司的KatanaAI SoC平臺構建，使HPD的優勢能夠為家用電器和消費電子產品帶來好處。例如，電視可以知道誰在觀看并在不被詢問的情況下提供適當的內容，甚至可以鎖定未成年人或其他未經授權的用戶。

當Synaptics設計團隊首次開始這個項目時，一切都是為了滿足邊緣AI設計非常嚴格的超低功耗需求。該模型將所有必要的鉤子構建到芯片和軟件中，包括為圖像處理構建IP，從而避免了啟動主CPU的需要。

然后，算法需要縮小，通過減少所涉及的層數使其盡可能高效。由于傳感器采用相對較低的分辨率，因此必須進行適當的培訓，包括獲取必要的數據集。

隨著新數據集的出現，該技術不斷發展非常重要。

審核編輯：郭婷