Page 75 - 《软件学报》2020年第9期

2696 Journal of Software 软件学报 Vol.31, No.9, September 2020

使其具备独立作业能力,否则将直接导致追踪任务失败,造成严重后果.终端节点可采用基于相关滤波器的目标
追踪算法进行部署,以满足移动节点计算能力较弱且能耗要求较高的特点.
边缘云采用基于深度学习模型的追踪算法以提升整体追踪性能.根据算法计算得出的响应图(response
map)确定算法融合系数,并确定此时终端算法模型是否进行更新.信息融合算法通过融合终端节点和边缘云返
回的计算结果对追踪目标的具体位置进行最终预测.此外,终端节点采用卡尔曼滤波器对追踪目标的运动情况
进行建模;另一方面,采用运动模型对追踪目标的位移阈值进行动态设定.当连续多帧目标位移均超出该阈值范
围时,启动运动检测以确定是否存在运动物体,以此进一步降低终端计算压力,避免不必要的计算.后文对各部
分算法和具体策略进行详细介绍.
任务分割策略中,后续实验采用两种分割策略,即神经网络模型完整卸载和部分卸载.
(1) 模型完整卸载策略:主要将算法的特征提取部分卸载至边缘云进行计算,本地终端节点负责数据的预
处理和后处理.其中,
¾ 数据预处理部分的计算任务主要包括部分与输入图像数据相关的超参数的计算;以前一帧追踪
目标的位置为中心,剪裁不同尺寸的图像以供后续尺度估计计算等;
¾ 后处理部分主要包括:根据边缘云返回的响应图,对追踪目标的尺度及其具体估测位置进行计
算等;
(2) 模型部分卸载策略:相比将特征提取任务完全卸载至边缘云计算,将卷积神经网络模型中第一部分,
即第一个卷积层、批标准化层(batch normalization,简称 BN)及池化层分配至终端节点计算.

2.2 目标追踪算法
由于移动设备工作环境多样化,难以保证网络状态,因此当设备无法与边缘云畅通连接时,应保证终端节点
仍具备独立作业能力,避免任务失败造成严重后果.基于以上原因,在终端节点部署计算压力较小的目标追踪算
法.另一方面,由于算法通常专注于解决具体任务一个方面的问题,难以对任务的全部问题进行优化,因此通常
采用集成多个算法的方式以结合不同算法的优点,进而构造一个性能更加优良的算法模型,以满足实际需求.例
如基于计算机视觉的目标追踪算法,其主要难点包含光照、变形、尺度变化、背景杂乱等多个问题,不同算法
通常针对某一问题进行设计优化,因此,实际应用时,通常采用集成的方式以获得更好的追踪性能.集成学习
(ensemble learning)通过结合一系列算法模型以获得一个性能更好的算法模型,该策略在工程部署中得到广泛
应用.在目标追踪过程中,可将移动终端节点的相关滤波器算法与边缘云的深度学习算法进行集成,以获得更加
稳定且性能更加优良的算法模型.研究过程中,选用以下两种算法进行部署研究,具体模型可更换.
(1) 终端节点目标追踪算法.
终端节点采用基于相关滤波器(correlation filter,简称 CF)的目标追踪算法进行部署,以满足移动终端节点
计算能力较弱且对续航能力要求较高的特点,算法模型采用 DCF [27] .
DCF(dual correlation filter)在 CSK [28] 基础上进行改进,利用循环矩阵进行循环采样以解决稀疏采样问题,并
引入多通道特征,使得性能相比以往目标追踪算法大幅提高.DCF 采用岭回归建模,通过最小化采样数据的计算
标签与目标真实位置之间的距离求解函数,并引入循环矩阵进行循环采样.DCF 采用线性核(linear kernel),根据
当前图片数据样本 x 计算核函数 k(x,x)和参数α值,当下一张图片数据 z 传入时,计算 k(z,x)和 f(z),取 f(z)实部作为
响应图,其中最大值位置为算法预测目标位置.
DCF 算法的主要优点在于其处理速度,适用于计算能力较弱的移动设备.在终端节点部署该类算法,用以保
证设备无法连接边缘云时仍具备独立作业能力,避免任务失败.
(2) 边缘云目标追踪算法
基于边缘云计算资源丰富、处理速度快等特点,算法部署无需过多考虑硬件资源开销,可采用基于深度学
[5]
习模型的目标追踪算法进行部署,以满足追踪任务的性能需求,算法模型采用 SiamFC .
全卷积孪生神经网络(fully-convolutional siamese networks,简称 SiamFC)创新性地将目标追踪作为一种相
似性学习问题(similarity learning),模型采用大量数据进行离线训练后,实际部署进行追踪时,无需对模型进行更