承蒙研揚科技 公司好意，贈送一塊 UP board 。
有關開箱與安裝可參考以下幾篇文章：UP board：開箱與基本介紹 [開箱] UP Board 開發板：可跑 Windows 10，世界最小 x86 PC [試用] 真的能跑 Windows 10 的開發板 – UP Board
由於 UP Board 所使用的 CPU 為 Intel Atom x5-Z8350 ，在 Intel 網站的規格為 64 位元 4 核心，時脈可達 1.92 GHz。乍看之下是比 Raspberry Pi 3 的處理速度快上不少，但 ARM 和 X86 是不同架構，而且操作上的反應速度除了和時脈有關，不同的執行條件也會有差異。
我們使用 Python OpenCV 測試。只要輸入 sudo apt-get install python-opencv 就可以安裝有 Python binding 的 OpenCV 。
UVC(USB Video Class) 就是 USB device class 視訊裝置在不需要安裝任何的驅動程式下隨插即用，包括網路攝影機(Webcam)、數位攝影機(Digital Camcorders)、類比影像轉換器(Transcoders)、電視卡(TV Receiver Card)等。而在 Linux 上如果有一個支援 UVC 的 Webcam 插到 USB，就會向 Kernel 註冊為 Webcam 設備，裝置節點為 /dev/videoX。
V4L2(Video4Linux 2nd) 是一套 Linux 針對視訊設備(例如 Webcam)所定義好的 Userspace API，因此硬體廠商只要能實做 API 的功能，就能讓使用者透過統一的介面控制硬體。如此一來上層的使用者就即使不知道硬體的廠牌與底層的實做方法，只要知道呼叫相同的函式就能得到相同的結果，如下圖。
Multimedia in embedded Linux systems
在 Raspberry Pi 上使用 Webcam 偵測人臉的程式(camera_face_detect.py)如下。需先下載 haarcascade_frontalface_default.xml 後和 camera_face_detect.py 一起執行，例如 python camera_face_detect.py haarcascade_frontalface_default.xml
#!/usr/bin/python
#+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
#|R|a|s|p|b|e|r|r|y|P|i|.|c|o|m|.|t|w|
#+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
#
# camera_face_detect.py
# Face detect from camera
#
# Date : 06/22/2014
# Usage : python camera_face_detect.py haarcascade_frontalface_default.xml
import cv2
import sys
import time
cascPath = sys.argv[1]
faceCascade = cv2.CascadeClassifier(cascPath)
cap = cv2.VideoCapture(0)
cap.set(cv2.cv.CV_CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.cv.CV_CAP_PROP_FRAME_HEIGHT, 480)
while True:
# Capture frame-by-frame
before = time.time()
ret, frame = cap.read()
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30),
flags=cv2.cv.CV_HAAR_SCALE_IMAGE
)
after = time.time()
print "Found {0} faces!, fps= {1}".format(len(faces), round(1/(after-before), 1))
# Draw a rectangle around the faces
for (x, y, w, h) in faces:
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
# Display the resulting frame
cv2.imshow("preview", frame)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
# When everything is done, release the capture
cap.release()
cv2.destroyAllWindows()
在沒有硬體加速的情況下，視訊從 Webcam 取得後就完全由 CPU 處理。程式中的 cv2.VideoCapture(0) 表示從 /dev/video0 取得 VideoCapture 物件，之後就可以透過 .set 或是 .read 等標準的 V4L2 API 存取 Webcam。
而人臉偵測在 OpenCV 中最常使用的方法為 Haar Feature-based Cascade Classifier ，原理與使用可參考 Raspberry Pi Camera + Python 的介紹。
這次用的是 Microsoft LifeCam VX-800 (圖右)，動態攝影解析度為 30 萬像素(640×480 pixels)。產品規格書下載 。
每個從 Webcam 取回的 frame 都會用 faceCascade.detectMultiScale 做人臉偵測的判斷，如果有找到則會用 cv2.rectangle 將人臉標示出來，並印出找到幾個人臉與 FPS(Frame per Second)。
Face Detection using Haar Cascades
架設的環境如下，左邊綠色的 pi-topCEED 負責播影片 ，而 UP Board 接上 LifeCam VX-800 就執行人臉偵測，為了能即時顯示找到的人臉，就接上給奇創造 的 On-Lap 1002 攜帶式螢幕。
測試的結果，在 640×480 的解析度下，使用 UP Board 做人臉辨識大概為 3-4 FPS。當然如果不將結果畫出來或是沒有啟動 X-Window 的情況下一定會有更好的結果。
相同的測試條件在 Pi 3 大概只剩下 1 FPS。
由 UP Board 跑 OpenCV 的影片 和在 Pi 3 跑 OpenCV 的影片 ，可看出在這個情境下 UP Board 的處理速度大概是 Pi 3 的四倍左右。
