面向边缘计算的目标追踪算法研究

发布时间：2020-08-10 17:14

【摘要】：得益于相关滤波器和深度学习相关技术的发展,目标追踪算法近年来取得了极大的研究进展,并已在诸多领域得以应用。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,如何解决这些问题,仍是目前该领域的主要研究热点。此外,由于追踪任务的实时性要求,使得基于深度学习模型的目标追踪算法难以在移动终端设备上部署应用。针对以上问题,本文从算法模型改进和应用部署优化两个方面对单目标追踪算法进行研究改进,致力于研究稳定可靠且性能优良的追踪算法,此外,结合边缘计算平台,从应用部署优化的角度,对目标追踪算法在移动设备上的部署策略进行研究,致力于提出合理可靠的部署方案。论文首先对追踪任务的问题建模和求解方法进行了介绍,从模型的角度对背景感知相关滤波器进行了分析,提出一种时间正则背景感知相关滤波器。通过对滤波器模型添加时间正则项,即对从连续视频帧中学习到的模型添加平滑约束,提高算法对于遮挡变形和光照变化等问题的鲁棒性。此外,添加运动模型,并对模型的更新方式进行优化改进以减少算法的错误更新。在OTB100数据集上进行测试,实验结果表明,改进后算法性能明显提升,在该数据集的11种属性测试中的10种占优。除此之外,论文对移动设备特点以及边缘计算平台的架构进行了分析,针对特定应用场景,提出一种基于边缘计算的目标追踪平台。该平台集成基于相关滤波器和基于深度学习的目标追踪算法,通过任务分割模块将计算任务合理卸载至边缘云并利用信息融合模块对计算结果进行分析融合,此外,添加运动检测模块以进一步降低终端节点的计算压力和功耗。最后,对不同部署策略进行对比实验,实验结果表明,相比计算任务本地计算,该部署策略明显降低了任务响应时间;相比完全卸载至边缘云,该部署策略降低了相同计算任务的处理时间。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713
【图文】：

示意图,章节,示意图,目标追踪

最后，讨论面向边缘计算的追踪任务分割策略。此外，对后内容及关联性进行介绍。三章首先对相关滤波器在目标追踪领域的应用进行介绍，具体阐器的定义，目标追踪问题的建模以及求解过程。其次，对背景感进行分析改进。通过添加时间正则项以提高算法性能，尤其对于形等情况下的算法鲁棒性进行提升。此外，添加运动模型，并对更新策略进行改进。最后通过实验对改进策略进行验证。四章，通过结合第三章部分研究结果，设计实现了一种基于边缘计平台，主要针对计算任务的分割卸载策略进行研究，分析介绍了求和具体应用场景，并详述了该平台各个模块的设计实现。平台块 4.2.3 利用 3.4.2 节中更新策略动态设定融合系数，运动检测模.3 节中卡尔曼滤波器运动模型。通过将移动终端节点计算任务部分以达到处理速度提升与能耗降低的综合优化。此外，集成基于相度学习技术的目标追踪算法，同时针对特定应用场景对该平台进。

架构图,移动计算,架构,层次

图 2.1 面向移动计算的层次边缘云架构[41]余资源的层次边缘计算架构中存在的冗余资源，包括计算、网络以及存储等资源出一种层次边缘计算模型 HEC（Hierarchical Edge Co中冗余资源作为微型数据中心部署在网络边缘，即作为发区域内的资源以满足移动终端延迟敏感类应用的限边缘被定义为网络的出入口节点集合，并将网络中的如硬件资源、软件资源及处理功能等，通过软件定义fined Network）以及网络功能虚拟化（NFV, Netwn）等相关概念和技术进行实现。

架构图,冗余资源,架构,层次

图 2.1 面向移动计算的层次边缘云架构[41]的层次边缘计算架构的冗余资源，包括计算、网络以及存储层次边缘计算模型 HEC（Hierarchical E资源作为微型数据中心部署在网络边缘，内的资源以满足移动终端延迟敏感类应用定义为网络的出入口节点集合，并将网络资源、软件资源及处理功能等，通过软Network）以及网络功能虚拟化（NFV关概念和技术进行实现。

【相似文献】