Page 79 - 《软件学报》2020年第9期

2700 Journal of Software 软件学报 Vol.31, No.9, September 2020

Fig.7 Schematic diagram of motion detection results (OTB100 [29] Bird1)
图 7 运动检测结果示意图(OTB100 [29] Bird1)

3 实 验

3.1 实验环境
边缘服务器采用 12 核 Intel(R) Xeon(R) CPU E5-2678 v3@2.50GHz,GPU 采用 GeForce RTX 2080,显存 12G.
终端节点采用平板电脑,Intel(R) Core(TM) i5-8250U CPU@1.6GHz,8G RAM,CPU 处理.软件环境,服务器系统
Ubuntu,终端系统 Windows7,编程语言 Python3,CUDA10.0,PyTorch1.1.0.测试工具 GOT-10k [30] ,测试数据集为
OTB100 [29] .
3.2 目标追踪系统实验

为验证任务分割策略的有效性,首先测试计算任务完全由终端节点计算和完全卸载至边缘云计算时,完成
相同计算任务所需时间,以供对比分析.
(1) 计算任务完全由终端节点处理
计算任务完全由本地终端节点计算,处理时间如图 8 所示.计算任务主要包括数据预处理、深度特征提取、
响应图计算以及后处理等阶段.

Fig.8 Terminal node calculation task processing time (calculation task completely local calculation)
图 8 终端节点计算任务处理时间(计算任务完全本地计算)
计算任务完全由本地终端节点运行,从测试结果中可以看出,采用深度学习网络模型进行特征提取成为主
要性能瓶颈.其余计算任务处理时间为 10~15ms 左右.
(2) 计算任务完全由边缘云处理
计算任务完全卸载至边缘云处理时,终端节点仅将本地获取到的图片数据上传边缘云,所有计算任务均由
边缘云完成.嵌入式终端计算负载仅为摄像头图像获取、数据发送/接收,目标区域绘制及显示.
实验中,边缘云模型架构采用百度边缘计算平台 OpenEdge.该平台可将云计算能力拓展至用户现场,提供