开发人员正越来越多地将深度学习和神经网络应用于ADAS、生物识别和手势识别应用中。
    最近几年，人工智能（AI）已成为一种非常流行的热点话题。在过去的二十年中，人类在计算能力、数据积累、数学工具的改进方面取得了巨大进步，并且所有这些的成本进一步降低，由此我们看到了人工智能的诞生。
    为了使机器能够理解它周围的世界，人工智能技术受到了生物学的启发。因此，AI领域的许多研究集中于从视觉系统中分析图像的能力。来自生物学的另一个主要灵感是允许机器分析这些图像的数学结构：人工神经网络，即人脑的微型结构拷贝。
    有许多不同的神经网络，它们主要依赖于神经元之间连接的拓扑结构、所使用的聚合函数、阈值函数和反向传播方法（如果存在的话，这种网络被称为卷积神经网络，简称CNN）。这些数学方法都是人工智能领域的一部分，称为“深度学习”，并被分成两部分——训练和推理。
    根据要达到的目标，绝大多数神经网络有一个非常可变的“训练”算法（监督或不）。该算法根据在网络输入处呈现的数据集修改突触权重（synaptic weights）。这种训练的目的是使神经网络能够从样本中“学习”。
    如果训练正确执行，神经网络将提供非常类似于训练数据集的输入值的输出响应。推理机是一种软件算法，对应于演绎推理的仿真。该软件通常嵌入在设备中。
    在过去的十年中，深度学习在很多领域都非常成功。基于图像的技术包括面部识别、虹膜和手势监控、对象和自由空间检测，以及最近的行为识别。
    在市场上，我们看到深度学习在汽车领域获得了最引人注目的进步，这些技术被用于ADAS（先进的驾驶员辅助系统），用于检测障碍物和识别标志、交通灯、汽车、行人和各种各样的其他物体。图像来自于在汽车周围部署的一组相机，而训练是在专用计算机中的数据中心执行的。在半自动驾驶汽车中，推理算法嵌入在ECU（发动机控制单元）中；在机器人或全自动驾驶汽车中，推理算法嵌入在一个完整的计算机中（见图1）。
    生物特征识别是广泛应用深入学习的另一个主要领域，例如，将深度学习算法用于个人身份认证。苹果具备3D面部识别功能的最新手机iPhone X，就是一个很明显的例子。在监控和国土安全领域，面部识别被用于边界控制，以及使用专门的相机生产身份证件。
    用于个人身份认证的基于深度学习的虹膜识别，也越来越多地被用于移动设备中。未来，我们还可以在移动设备中增加行为识别功能，尽管这项功能目前仍处于研究和开发阶段，但已经取得了鼓舞人心的初步结果。 
    目前，深度学习主要用于娱乐领域中的手势识别。这些领域中的主要参与者已是众所周知，如谷歌、亚马逊、Facebook和苹果。在过去的十年中，这些公司在人工智能领域的投资更是惊人的一致。市场研究公司Yole预测，到2025，AI市场将以50%的年复合增长率（CAGR）增长，收入主要集中在使用深度学习的技术上。Yole预计，在2025年的500亿美元中，几乎有50%的收入来自使用深度学习算法的技术。
    人工智能的发展也离不开专门的硬件开发。值得注意的是，视觉处理器的设计者和建造者，还通过嵌入式操作系统和/或SDK（软件开发工具包）提供软件层。
    这样就能很容易地实施软件解决方案，并允许硬件最大限度地发挥功能，同时还要求特定平台开发技能，需要使用如ARM的embedOS、NVIDIA的Jetson、Xilinx的XSDK以及CEVA公司的CDNN等工具。
    为嵌入式系统开发AI的公司，在开发其解决方案并设计与不同类型的硬件兼容时，必须考虑这个强加的软件层。
    随着AI的势头持续高涨，AI在视觉系统中的应用也呈现出一个光明的未来。在硬件方面，已经出现了专用处理器；在软件方面，有越来越强大的算法，能够识别物体、面部和姿势。从AI的市场应用方面看，首先是汽车市场，所有ADAS技术提供了一条通向自动驾驶的直接路线；第二是用于个人身份认证（解锁、支付）的手机安全系统；最后是生物特征识别及其在工业、监控、安全、以及在智能建筑和智能家居中的应用。AI领域涌现出了大量的投资、收购和合作关系，而且在未来的几年内市场规模将相当可观，市场和收入都将快速增长。