【摘 要】
：
随着信息科技的飞速发展,摄像机得到大规模使用,视频监控系统在人们的日常生活中日益普及。在早先的视频监控中,摄像头采集到的图像数据大多是离散的,摄像机之间存在信息无法融合等问题。基于深度学习的目标检测与追踪则可以准确地反馈目标的坐标位置和目标运动范围,其在视频监控领域里有较好的应用前景。另外,一般视频监控的数据上传到数据中心缓存、分析和处理,传输过程需要耗费巨大的通信成本。鉴于此,本文提出基于边缘计
论文部分内容阅读
随着信息科技的飞速发展,摄像机得到大规模使用,视频监控系统在人们的日常生活中日益普及。在早先的视频监控中,摄像头采集到的图像数据大多是离散的,摄像机之间存在信息无法融合等问题。基于深度学习的目标检测与追踪则可以准确地反馈目标的坐标位置和目标运动范围,其在视频监控领域里有较好的应用前景。另外,一般视频监控的数据上传到数据中心缓存、分析和处理,传输过程需要耗费巨大的通信成本。鉴于此,本文提出基于边缘计算的高效目标检测跟踪框架,结合边缘计算将计算密集型任务分散到边缘设备上。由网络内的边缘摄像机处理目标检测跟踪任务,而不是在一个总服务器中处理所有数据。本文的方法在精度改变不大的情况下大大减少了计算量,实现基于边缘计算的高效摄像机网络目标检测与追踪。主要研究内容和创新如下:（1）根据具体的目标检测追踪场景,本文提出基于一种边缘计算的高效检测追踪框架。相较于在云中进行分析和处理视频,本文选择在本地进行分析,通过边缘计算可以把原本全部由中心节点负责的大型服务划分为更小、更易于管理的部分,将这些部分统一分布在边缘节点上进行管理。本文利用嵌入式设备模拟边缘端,提高数据处理速度和传输速度,降低时延,这大大减少了大量数据传输造成的带宽和延迟,保证了数据的安全性。（2）提出了一种目标检测神经网络模型压缩框架,拥有较低的存储和计算成本,对目标检测模型采用基于通道剪枝的模型压缩操作,根据剪枝比例修剪掉重要程度相对较低的通道,从而使参数量和计算量分别减少了39.3%和17.28%。根据目标检测结果进行跟踪,结合一种在线的跟踪方法,可以实现实时目标检测和跟踪系统,更能更快地确定运动物体的类型和轨迹。（3）本文实现节点间的数据通信,它可以实现相机之间的数据交互,保证每个节点的结果与数据可以通过通信模块进行传输,可以更容易找到物体在交叉相机区域的移动范围。实验采用网络摄像机和边缘设备构建系统,采用离线推理方法完成对物体的检测和跟踪,并对运动轨迹进行判断,验证系统的可行性。
其他文献
车辆路径问题（Vehicle Routing Problem,简称VRP）是物流配送领域中研究最广泛的优化问题之一。在传统的VRP中,通常假设客户需求和运输成本是固定的,并且这些值在路线规划前已知。然而在实际应用中数据通常会存在一定的不确定性,此时由传统进化算法获得的解决方案在面对这些不确定性情况时,可能会产生一些超出预期的问题,例如,当客户的需求不确定时,由传统进化算法得到的解决方案可能会发生车
PU（Positive and Unlabeled,简称PU）学习作为弱监督学习的一种,是当前机器学习的研究热点。其目的是从正样本和无标签样本中学习一个分类器,实现对未知样本的有效分类,近年来在不同领域得到了广泛的应用。然而随着PU学习应用的推广,真实应用场景中存在数据维度高以及数据包含噪音等问题,这使得现有的PU学习算法难以获得高性能的PU分类器。为此,本文针对PU学习中存在的上述问题,在多目标
阿尔茨海默症（Alzheimer’s Disease,AD）是中老年人群中常见的进行性神经系统疾病,缺少有效的治疗手段,患者患病后逐渐由健忘发展到严重痴呆,最终导致死亡。当前缺乏AD的有效检测手段,很多患者直到晚期才被发现,如果能够提前预测AD,并介入治疗,能够有效延缓AD的发展进程,改善患者的生存质量。尤其是轻度认知障碍（Mild Cognitive Impairment,MCI）,医疗界将其视
机器学习主要研究从数据中生成“模型”,但是要生成有效地模型,则必须有足够的有标签数据。然而,在许多实际应用场景中,为数据打上标签是非常耗时和昂贵的。主动学习是解决这一问题的主流方法,其主动选择一些对于模型有“价值”的样本加入训练集,旨在以尽可能小的数据标记成本训练得到预期的模型。主动学习的核心是样本选择策略,合理的策略可以有效地降低数据标记成本。尽管现有的样本选择策略能够显著降低数据标记的量,但仍
科技的进步推动了人工智能的发展,而人工智能的成功离不开机器学习,尤其是深度学习技术的不断成熟。进行深度学习训练需要用到大量数据,但是随着人们隐私安全意识的提升,数据收集过程受到了越来越多的阻碍。而且在某些特殊领域想要得到准确的数据还存在一定困难。协同深度学习系统不需要将数据进行集中收集后交给第三方机构保管,其允许拥有数据的组织联合起来训练一个深度学习模型,解决了上述传统深度学习面临的数据收集和隐私
由于密码子的简并性导致编码氨基酸不发生改变,同义突变过去很长一段时间被认为对生命活动没有功能影响。然而,随着测序技术的高速发展和相关研究的不断深入,越来越多同义突变被证明和疾病发展有密切关系。从大量同义突变中准确识别有害同义突变,可以提高人类对疾病病理的认识,并为精准医疗的发展提供帮助。因此,精准识别有害同义突变逐渐变成一项具有前景的任务。通过传统生物实验的方法来识别有害同义突变,耗费时间长并且成
随着互联网技术高速发展,数字媒体成为了生活中重要的一部分。计算机,电子通信有关技术日新月异,多媒体有关技术也随之不断更新与完善,但是相关安全问题也随之而来。为了解决数字媒体中存在的严重安全问题,信息隐藏技术得到了广泛关注。此外,随着许多用户将个人的私密数据上传到互联网中相关平台进行存储,用户信息遭到泄露的风险显著增加。因此,将传统的图像加密运用到可逆信息隐藏算法中的技术,即密文域可逆信息隐藏技术受
车牌是区分不同车辆的重要标识。随着车辆的不断增加和交通的日益繁忙,智能交通系统变得越来越重要。同时,车牌自动识别技术在智能交通系统中发挥着重要作用,如视频监控系统、停车管理系统和交通违章摄像头。然而,目前大多数方法都是针对特定场景下的清晰车牌,对于不受限制的远程交通监控场景中的模糊和低分辨率图像,仍然没有一个出色的解决方案,其识别精度可以达到实际应用的标准。在很难继续提高识别算法精度的情况下,我们
基于卷积神经网络（convolutional neural network,CNN）的深度学习（deep learning,DL）方法发展迅速,在计算机视觉、语音识别和自然语言处理等领域取得了很多成功的应用,尤其是在图像分类和目标检测等方面,相比传统的机器学习方法,深度学习往往有着更加出色的性能。这是因为深度学习具有更多的参数和巨大的模型加持。但是,深度神经网络（deep neural netwo