Page 71 - 《软件学报》2020年第9期

2692 Journal of Software 软件学报 Vol.31, No.9, September 2020

目标追踪算法近年来在很多领域得到广泛应用,其主要应用场景包括自动驾驶、安防监控、异常行为分析
等方面.例如:机器人通过目标检测进行行人识别后,通过追踪算法保持用户跟随,从而进行定向服务;工业加工
中,通过调整舵机保持追踪物体处于画面中心,从而使设备追踪目标进行加工等.追踪算法的主要挑战包括目标
遮挡、尺度更改、光照变化以及运动模糊等多个方面.目前,主要的追踪算法可以大体分为两类:一类基于相关
滤波器(correlation filter,简称 CF),另一类基于深度学习(deep learning,简称 DL).采用相关滤波器的算法,将传入
的原始数据经过快速傅里叶变换转换到频域内进行计算,大大提高了计算速度,适用于计算能力较弱的移动设
备;基于深度学习的追踪算法在近年来成为一大热点,该类方法的主要缺点在于计算压力较大,虽然可以结合模
型压缩技术对深度学习模型进行压缩,但仍难以达到追踪任务对于算法实时性的严苛要求,尤其对于计算能力
较为薄弱的嵌入式设备,难以部署应用.
嵌入式设备较弱的计算能力一直是其应用瓶颈,虽然近年来硬件设备性能大幅提升,但仍难以满足像深度
学习模型这类计算密集型应用的需求,尤其针对特定领域应用,对设备的续航时间、响应速度、稳定性和可靠
性均有较高的要求,这给算法设计造成了更大的困难.边缘计算的发展为解决此类问题提供了新的思路,相比于
传统的云计算,边缘计算采用最近端服务策略,以最快速度响应任务请求,从而满足任务的实时性需求.移动终
端节点可以将计算任务全部或部分卸载到边缘云,以缓解本地计算压力,实现功耗和处理速度的双重优化.这使
得研究人员不但可以从算法设计角度研究一种时效性强、准确度高、计算量小、能耗较低的目标追踪算法,
还可以从应用部署的角度,通过研究计算任务分割、卸载、设备间通信以及数据融合等策略,进一步优化应用
性能.
本文对基于计算机视觉的目标追踪算法的部署策略进行研究,其硬件环境主要为可穿戴设备或普通嵌入
式设备,相比常规目标追踪算法的主要难点,应用设备还面临计算能力较弱、响应度和准确度要求较高的问题.
本文通过研究基于边缘计算的任务分割和信息融合等策略,提升应用响应速度的同时,降低移动终端节点计算
压力及能耗.
本文的主要贡献如下:
1. 为嵌入式设备上深度学习模型的部署提供了新的思路.针对移动嵌入式设备资源不足、深度学习模
型难以部署应用的问题,引入边缘云对移动设备提供支撑,从计算、通信、存储的角度对计算模型的
部署策略进行优化,采用终端节点与边缘云协同处理的方式进一步提升任务处理速度;
2. 针对特定应用场景,为保证终端设备在较差网络环境下的独立作业能力,提升系统整体的容错性和鲁
棒性,在移动终端节点部署轻量级目标追踪算法;同时,结合集成学习策略融合本地终端节点和边缘
云端计算结果,使移动设备具备网络环境自适应的能力;
3. 提出基于峰值置信度的目标追踪算法集成方式,并通过响应图重建策略降低传输数据量.
本文第 1 节对目标追踪和边缘计算的相关工作进行介绍.第 2 节详述所提出的目标追踪应用部署策略.第 3
节实验验证部署策略的有效性,并对实验结果进行分析.第 4 节对全文进行总结.

1 相关工作

1.1 目标追踪算法

目标追踪算法按照追踪目标和摄像机数量,可分为单目标单摄像机(single target single camera,简称 STSC)、
多目标单摄像机(multi target single camera,简称 MTSC)、多目标多摄像机(multi target multi camera,简称
MTMC),其中,MTMC 可以看成是 MTSC 与 ReID(re-identification)技术的结合.其主要流程一般为:在第一帧给定
追踪目标位置,通常为方形检测框;在后续数据帧中,算法对追踪目标进行跟随,同时给出算法计算得出的检测
位置以及尺度.
目前,单目标追踪算法大体可以分成两类,分别为基于相关滤波器的算法和基于深度学习的算法.
基于深度学习技术的单目标追踪算法主要可以分为两类.
[1]
• 一类将深度学习技术与相关滤波器相结合,如:Danelljan 等人提出的 DeepSRDCF 算法采用深度特征