面向嵌入式設(shè)備的高實時微小目標(biāo)跟蹤檢測方法

冒睿瑞，江 波

（中國電子科技集團公司第三十二研究所，上海 201808）

0 概述

近年來，隨著嵌入式設(shè)備智能化的發(fā)展，基于戰(zhàn)場末端智能設(shè)備需求量不斷增加，對其性能要求也愈加嚴格。其中，戰(zhàn)場智能感知作為軍事智能化的關(guān)鍵一環(huán)，在各種軍事行動如偵察、打擊、決策以及毀傷評測中承擔(dān)重要使命。在現(xiàn)代戰(zhàn)爭的復(fù)雜場景中，微小目標(biāo)跟蹤檢測識別技術(shù)更貼近現(xiàn)實場景應(yīng)用需求，相比普通目標(biāo)識別，一直是目標(biāo)感知領(lǐng)域中的技術(shù)難點［1］。微小目標(biāo)在整張圖像中所占比重極小，像素點信息少［2］，當(dāng)目標(biāo)背景為復(fù)雜的環(huán)境時，對于提取微小目標(biāo)的特征信息存在巨大挑戰(zhàn)，其顏色、邊緣輪廓等都較為模糊。

面對微小目標(biāo)檢測跟蹤的挑戰(zhàn)，國內(nèi)外科研人員基于不同理論開展研究，并提出多種方法。CHEN 等［3］利用上下文模型和小區(qū)域提議生成器提出了最新的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)算法，以提高微小目標(biāo)檢測性能；LI 等［4］提出一種新的感知生成對抗網(wǎng)絡(luò)模型，該模型通過減少微小目標(biāo)與正常尺寸目標(biāo)之間的表示差異來提升微小目標(biāo)的檢測性能；吳言楓等［5］提出一種動態(tài)背景下“低小慢”目標(biāo)自適應(yīng)實時檢測技術(shù)，根據(jù)圖像的亮度對比度獲得顯著性圖，提取顯著性特征的方法為通過形態(tài)學(xué)梯度，依據(jù)圖像中目標(biāo)所在占比的變化，以及質(zhì)心距離、寬高比等信息篩選真實目標(biāo)，從而進行微小目標(biāo)檢測。

在面向戰(zhàn)場軍事需求時，相比于運行高性能人工智能服務(wù)器，微小目標(biāo)跟蹤檢測技術(shù)無法較好地運行在嵌入式設(shè)備上，其實際效果不能滿足戰(zhàn)場實時需求?，F(xiàn)有的目標(biāo)檢測管道通常通過學(xué)習(xí)多個尺度上所有對象的特征表示來跟蹤檢測微小目標(biāo)。但是，這種臨時架構(gòu)的性能增益通常僅限于償還計算成本。當(dāng)前，基于高性能人工智能服務(wù)器的主流移動目標(biāo)跟蹤檢測系統(tǒng)僅對視頻進行采集、存儲和回看，考慮到戰(zhàn)場實時性的要求，基于高性能AI 服務(wù)器的移動目標(biāo)跟蹤檢測方法已經(jīng)不再適用直接移植至嵌入式平臺，嵌入式平臺的算力無法與高性能服務(wù)器相比，但其具有高可靠性和高實時性的優(yōu)勢，這使得面向嵌入式設(shè)備的目標(biāo)跟蹤檢測技術(shù)在軍事領(lǐng)域具有廣闊的應(yīng)用發(fā)展空間。

針對上述問題，本文提出一種面向嵌入式設(shè)備的高實時微小目標(biāo)跟蹤檢測方法。該方法利用輕量級卷積神經(jīng)網(wǎng)絡(luò)，并融合相關(guān)濾波算法，以提升微小目標(biāo)跟蹤檢測的精度和速度。

1 相關(guān)工作

1.1 目標(biāo)跟蹤檢測方法

目標(biāo)跟蹤檢測是機器視覺領(lǐng)域的一個重要研究課題，在戰(zhàn)場感知領(lǐng)域有重要應(yīng)用。近年來，目標(biāo)跟蹤檢測的研究已經(jīng)取得較大進步，但在實際過程中目標(biāo)可能發(fā)生形變、劇烈運動、被遮擋等情況，從而導(dǎo)致目標(biāo)丟失、跟蹤失敗［6］，因此，目標(biāo)跟蹤的研究仍具有較大挑戰(zhàn)性。文獻［7］提出一種基于快速多尺度估計的重新檢測目標(biāo)跟蹤算法，在相關(guān)濾波算法的基礎(chǔ)上構(gòu)建一個新的自適應(yīng)檢測指標(biāo)，該檢測指標(biāo)可以更加準確地檢測出當(dāng)前幀是否出現(xiàn)跟蹤失敗的情況。與其他指標(biāo)不同，新的檢測指標(biāo)減少對最大響應(yīng)值的依賴。當(dāng)檢測到目標(biāo)丟失時，通過重新檢測的方法尋回目標(biāo)，恢復(fù)跟蹤。若當(dāng)前幀需要進行重新檢測，則當(dāng)前幀的模型拒絕更新，仍采用前一幀的模型。文獻［8］通過最小輸出誤差平方和（Minimum Output Sum of Squared Error，MOOSE）濾波器進行目標(biāo)跟蹤，當(dāng)使用單幀圖像進行初始化時，產(chǎn)生穩(wěn)定的相關(guān)濾波器，在高速運動跟蹤中對光照強弱、尺寸比例、目標(biāo)姿態(tài)和非剛性變形的變化具有魯棒性。

1.2 神經(jīng)網(wǎng)絡(luò)輕量化與優(yōu)化

深度學(xué)習(xí)模型的訓(xùn)練和推斷耗費大量的計算資源，其中包括內(nèi)存、人工智能處理器等。當(dāng)需要執(zhí)行實時模型推斷或在計算資源有限設(shè)備端運行模型訓(xùn)練時，造成計算瓶頸。

解決以上問題的有效方法是提高運算效率。模型剪枝優(yōu)化加速是深度學(xué)習(xí)領(lǐng)域的一種有效模型壓縮方法，可以有效提高推斷效率，模型剪枝優(yōu)化加速可以提高內(nèi)存使用效率、降低能耗、縮小規(guī)模等。文獻［9］提出一種基于稀疏卷積神經(jīng)網(wǎng)絡(luò)的模型剪枝方法，利用L1 正則化在模型訓(xùn)練中的稀疏化作用，對模型的卷積層和批規(guī)范化（BN）層參數(shù)進行稀疏正則化訓(xùn)練，獲得權(quán)值稀疏的神經(jīng)網(wǎng)絡(luò)模型，再根據(jù)濾波器的稀疏性和BN 層的特征縮放系數(shù)對兩者的重要性進行判斷，最后用結(jié)構(gòu)化剪枝方法對稀疏濾波器及對應(yīng)的連接進行剪枝。文獻［10］提出一種基于層融合特征系數(shù)的動態(tài)網(wǎng)絡(luò)結(jié)構(gòu)化剪枝方法，保證網(wǎng)絡(luò)的結(jié)構(gòu)性，使剪枝后的網(wǎng)絡(luò)能結(jié)合現(xiàn)有的深度學(xué)習(xí)庫和硬件裝置加速方法，并且考慮層與層之間對改變特征圖的綜合影響，將卷積層和BN 層操作表達為全連接形式，提取由濾波器參數(shù)、BN 層縮放系數(shù)及特征圖方差多個動態(tài)參數(shù)組成的層融合特征系數(shù)，通過層融合特征系數(shù)判定卷積網(wǎng)絡(luò)每層中濾波器的重要性，結(jié)合動態(tài)剪枝策略，搜索最優(yōu)的剪枝網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)輕量化與優(yōu)化的另一種方式是對算法進行針對性的改進，提高計算效率［11］。例如，文獻［12］提出一種基于ShuffleNet 和集成隨機權(quán)向量函數(shù)連接網(wǎng)絡(luò)分類器的人臉識別方法，該方法克服了深度神經(jīng)網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)的缺陷，在提高人臉識別準確度的同時，降低深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的復(fù)雜度，形成輕量級深層網(wǎng)絡(luò)人臉識別模型。

2 高實時微小目標(biāo)跟蹤檢測方法

由于微小目標(biāo)的成像尺寸較小，因此只有少量的目標(biāo)紋理信息，容易受到快速運動、背景、噪聲、拖尾等因素的干擾，對檢測算法的精度與魯棒性要求很高［13］。傳統(tǒng)主流方法適用于算力與內(nèi)存資源充分的高性能AI 服務(wù)器，然而由于軍事武器裝備平臺的特殊性，戰(zhàn)場端的計算平臺受空間、供電、散熱等限制，只能使用體積小、功耗低、發(fā)熱小的計算性能有限的嵌入式平臺，因此算法的計算速度至關(guān)重要。

本文將基于嵌入式設(shè)備改進的CSPdarkNet53檢測算法與基于相關(guān)濾波理論的目標(biāo)跟蹤算法相融合，并對整體神經(jīng)網(wǎng)絡(luò)進行輕量化改造，提出面向嵌入式設(shè)備的高實時目標(biāo)檢測跟蹤方法。

2.1 高實時目標(biāo)檢測跟蹤算法

當(dāng)前主流的基于實時視頻的目標(biāo)檢測方法是將實時視頻進行分幀處理，形成一系列連續(xù)的圖像［14］，針對這些圖像單獨進行目標(biāo)檢測，最終將檢測結(jié)果進行合成形成目標(biāo)檢測識別視頻。但此類方法對于計算資源的要求高，不適于嵌入式裝備有限的計算能力。

視覺目標(biāo)跟蹤是計算機視覺中一個基本問題，根據(jù)是否使用幀間關(guān)系，有兩種解決思路：一種是利用單幀圖像信息進行判決，常見方法是使用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)；另一種是通常使用濾波算法與幀間前后關(guān)系進行統(tǒng)計運算［15］。使用深度學(xué)習(xí)算法能夠提取物體關(guān)鍵信息，精度高但運算量也較高。濾波算法計算相較于深度學(xué)習(xí)開銷較小，因而處理速度快，但易受圖像質(zhì)量波動的影響。

本文對于實時視頻分幀后形成的一系列圖像［16］，按連續(xù)若干張形成一組，第1 張圖像采用面向嵌入式設(shè)備改進的CSPDarkNet53 算法進行目標(biāo)檢測，之后若干張圖像采用相關(guān)濾波目標(biāo)跟蹤算法對目標(biāo)進行跟蹤識別，相關(guān)濾波目標(biāo)跟蹤算法相比CSPDarkNet53 算法具有優(yōu)異的性能及良好的實時性，對于計算資源的開銷較小，適用于嵌入式設(shè)備的高實時目標(biāo)檢測。

相關(guān)濾波目標(biāo)跟蹤算法的相關(guān)性是指不同事物之間的相關(guān)性。它通常用于描述各種事物之間的相似程度，是一種度量。根據(jù)共振原理，將相關(guān)性引入目標(biāo)跟蹤過程中，通過相關(guān)性與目標(biāo)跟蹤算法的結(jié)合，使得目標(biāo)的跟蹤通過計算目標(biāo)模型和候選區(qū)域的相關(guān)性來達到跟蹤目標(biāo)的目的，所得到的相關(guān)性最大位置就是當(dāng)前幀下目標(biāo)的位置［17］。

相關(guān)濾波是直接且有效的濾波方法，其在目標(biāo)跟蹤中的最早應(yīng)用是在MOSSE 濾波器中，如圖1 所示，2 個目標(biāo)越相關(guān)，相關(guān)值越大，即視頻幀序列與初始目標(biāo)越相似，所對應(yīng)的值也就越大［8］。

圖1 相關(guān)濾波算法Fig.1 Correlation filtering algorithm

由于在時間域進行卷積操作，計算量大且時間較長，因此將其轉(zhuǎn)化成在頻率域上的計算可以大幅減少計算量［18］：

其中：G表示輸出圖像；F表示輸入圖像；M*表示濾波器。為在后續(xù)幀內(nèi)找到最相似的目標(biāo)圖像，通過輸出的平方誤差最小得到最佳的濾波器，目標(biāo)函數(shù)如下：

通過式（2），可求得濾波器M*的閉合解如下：

其中：M為當(dāng)前幀的模型；Fi表示輸入圖像表示期望響應(yīng)的共軛。當(dāng)前濾波器的模型僅適應(yīng)于當(dāng)前幀的模型，為使濾波器具有較強魯棒性，濾波器的模型需要根據(jù)需求進行更新，從而找到最優(yōu)濾波模型，方法如下：

Ai更新如下：

其中：μ是學(xué)習(xí)率，即當(dāng)前幀內(nèi)的濾波器與上個濾波器模型的比值。根據(jù)應(yīng)用需求進行模型的更新，以確保跟蹤精度，從而匹配最優(yōu)的濾波模板。

2.2 下采樣算法優(yōu)化設(shè)計

基于嵌入式設(shè)備的微小目標(biāo)檢測對模型的精度和速度都有較高的要求，本文基于CSPDarkNet53 網(wǎng)絡(luò)模型進行改進，在提高算法速度的同時保證目標(biāo)識別準確率。

網(wǎng)絡(luò)的第1 次下采樣對于微小目標(biāo)的識別極為重要，如果采用簡單的池化或單純的卷積進行下采樣，則無法保證很好地提取出微小目標(biāo)的特征，導(dǎo)致后面的特征提取丟失微小目標(biāo)［19］。傳統(tǒng)的下采樣一般采用卷積、特征提取的組合，但是這在第1 次下采樣中帶來大量的計算量。因此，本文采用亞像素卷積的逆過程來實現(xiàn)下采樣，極大地減少了計算量和內(nèi)存消耗，同時保持一定的特征提取性能。原始亞像素卷積如圖2 所示。

圖2 亞像素卷積Fig.2 Sub-pixel convolution

亞像素卷積可以將（C×r×r）×H×W的輸入轉(zhuǎn)為C×（r×H）×（r×W），利用這一原理，本文采用其逆過程實現(xiàn)下采樣，如圖3 所示。

圖3 下采樣過程Fig.3 Downsampling process

圖3 所示的亞像素卷積可以將C×H×W的輸入轉(zhuǎn)化為（C×2×2）×（H/2）×（W/2），從而達到下采樣的目的。該下采樣方法不僅節(jié)省大量的計算量，同時也給后面的特征提取保留豐富的細節(jié)信息，有利于小目標(biāo)的特征提取。

2.3 輕量化網(wǎng)絡(luò)模型

骨干（Backbone）網(wǎng)絡(luò)一般用于下采樣后的進一步特征提取，在豐富特征語義信息的同時防止網(wǎng)絡(luò)過深帶來的梯度消失、梯度爆炸等問題。網(wǎng)絡(luò)模型主要采取CSPDarkNet53 骨干網(wǎng)絡(luò)，該網(wǎng)絡(luò)模型深達161 層，參數(shù)以及計算量大，不適用于嵌入式設(shè)備上的目標(biāo)識別。雖然DarkNet19 網(wǎng)絡(luò)大幅縮減模型層數(shù)和參數(shù)量，但是對于微小目標(biāo)的識別效果不是特別理想。本文提出輕量化網(wǎng)絡(luò)模型，對骨干網(wǎng)絡(luò)CSPDarkNet53 進行深度裁剪，輕量化CPSResNet 模塊，滿足本文中嵌入式設(shè)備微小目標(biāo)識別的需求，同時CSP（Cross Stage Partial）可以兼顧網(wǎng)絡(luò)輕量化與模型檢測的準確性，增強卷積網(wǎng)絡(luò)的學(xué)習(xí)能力，降低計算瓶頸以及內(nèi)存成本。其次，本文采用改進的PANet 網(wǎng)絡(luò)，通過多次融合高低層特征提升微小目標(biāo)檢測的效果。

2.3.1 輕量化CSPResNet 骨干網(wǎng)絡(luò)

本文基于CSPDarkNet53 提出一種輕量化的骨干網(wǎng)絡(luò)，該骨干網(wǎng)絡(luò)能夠減少網(wǎng)絡(luò)中的模塊數(shù)量及每個模塊中殘差單元的數(shù)量，其次，減少卷積核參數(shù)，提高微小目標(biāo)的識別時間，適用于嵌入式設(shè)備。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。其中網(wǎng)絡(luò)輸入圖片尺寸為1 024×1 024×3。

圖4 骨干網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Backbone network structure

如圖4 所示，虛線框中為輕量型骨干網(wǎng)絡(luò)，首先相比于原來的CSPDarkNet53 網(wǎng)絡(luò)，本文極大地減少了CSP 模塊的數(shù)量，其次降低CSP 模塊中殘差模塊的數(shù)量，最后削減模塊中卷積核的數(shù)量，降低網(wǎng)絡(luò)主干網(wǎng)的參數(shù)。

主干網(wǎng)絡(luò)中共包含4 個CSP 模塊，這4 個模塊結(jié)構(gòu)相同，如圖5（a）所示，其中卷積2、3、4 部分為殘差模塊。輸入特征進入CSP_block 模塊后，分成兩路進行處理，組成CSP 結(jié)構(gòu)，在左邊處理流程中，卷積2、3、4 部分為殘差模塊。不同模塊中的卷積核參數(shù)如圖5（b）所示。同時，本文將下采樣后的底層特征圖連接到接下來的每一層CSP 模塊后，可以增強底層特征信息的傳輸，避免丟失微小目標(biāo)的少量特征。

圖5 CSP_block 模塊Fig.5 CSP_block module

2.3.2 輕量化路徑聚合網(wǎng)絡(luò)

路徑聚合網(wǎng)絡(luò)（PANet）通過增強自底向上的路徑，充分融合淺層與高層之間的特征信息，從而將特征信息中的有用部分傳遞給子網(wǎng)絡(luò)，縮短高層特征與底層特征的距離，以適用于小目標(biāo)檢測識別［20］。但是由于創(chuàng)建多個路徑通道，網(wǎng)絡(luò)計算量較大，不適合部署在嵌入式設(shè)備上。本文提出了輕量化的PANet，通過減少原來CSPDarkNet53 網(wǎng)絡(luò)中的Neck部分，將主干網(wǎng)直接通過PANet 與CSPDarkNet53 head 相連接，極大地降低了網(wǎng)絡(luò)層數(shù)和計算量，同時高低層特征通過多種路徑相連接，強化了小目標(biāo)檢測效果，具體的輕量化PANet 結(jié)構(gòu)如圖6 所示。

圖6 輕量化PANet 結(jié)構(gòu)Fig.6 Lightweight PANet structure

2.3.3 剪枝優(yōu)化

由于神經(jīng)網(wǎng)絡(luò)模型計算量較大，在嵌入式設(shè)備上運行速率較低［21］，因此通過采用模型剪枝的方式，對模型中不必要的計算進行刪除，從而簡化模型來提高運行速度。對于裁剪網(wǎng)絡(luò)的方式，其主要是判斷每個卷積核對整個網(wǎng)絡(luò)的貢獻程度，本文主要利用深度神經(jīng)網(wǎng)絡(luò)中的批量標(biāo)準化（BN）層中的參數(shù)γ，確定剪枝參數(shù)，以決定每一層中剪除的具體通道［22］。BN 層的相關(guān)參數(shù)加上L1 正則化懲罰來訓(xùn)練模型，其新的損失函數(shù)如下：

利用小批量統(tǒng)計的方式規(guī)范化BN 層內(nèi)部激活函數(shù)，BN 層轉(zhuǎn)換如下：

分析基準網(wǎng)絡(luò)的每一層權(quán)重，采用基于判斷權(quán)重值的大小判定其重要性來進行裁剪，對于過濾器，將其所有權(quán)重的絕對值求和，作為評價該過濾器的指標(biāo)，將值低的過濾器裁掉，保留值較高的過濾器，以達到降低模型復(fù)雜度的目的；在裁剪的過程中，同時考慮每一層卷積核對剪枝的敏感度，對于裁剪比較敏感的卷積層，對其裁剪程度適當(dāng)減小；當(dāng)刪除部分的卷積核后，輸出層的通道數(shù)發(fā)生變換，刪除其對應(yīng)的通道；在進行剪枝操作后，與原模型對比精準度，通過采用較小的學(xué)習(xí)率微調(diào)剪枝后的模型以回升精度，具體模型剪枝步驟如圖7所示。

圖7 模型剪枝步驟Fig.7 Model pruning steps

本文對整個網(wǎng)絡(luò)進行排序，然后自行確定剪枝比例，去除參數(shù)值較小的通道，最后進行微調(diào)，重復(fù)操作，以到達最優(yōu)的剪枝效果。

3 實驗結(jié)果與分析

3.1 實驗配置

本文實驗硬件環(huán)境為Jetson AGX Xavier開發(fā)套件板，同時使用JetPack SDK4.3 軟件套件，主要軟件環(huán)境為L4T32.2、CUDA10.0、CUDNN7.6、OPENCV4.4。本文推理程序主要使用C/C++編寫，采用多種圖像預(yù)讀及處理多線程方法來提高程序執(zhí)行效率，且使用平臺最大電源功耗模式來考驗嵌入式平臺下極限推理性能。

本文實驗數(shù)據(jù)采用三維物體場景渲染器自建軍事場景進行圖像采集，通過場景渲染器修改渲染大小來模擬現(xiàn)實場景目標(biāo)，實驗選用5 種尺度目標(biāo)大小考驗算法的識別能力，如圖8 所示。數(shù)據(jù)集圖像中分別包含100 像素、400 像素、900 像素、2 500 像素和10 000 像素的待測目標(biāo)。

圖8 微小目標(biāo)數(shù)據(jù)集示意圖Fig.8 Schematic diagram of tiny target dataset

訓(xùn)練集內(nèi)含1 024 像素×1 024 像素分辨率的圖片10 000 張，驗證集內(nèi)含圖片2 000 張。本文算法主要考驗對單類微小目標(biāo)的識別和跟蹤能力，因而采用目標(biāo)檢測中不同的交并比（IoU）閾值下的精確度AP 作為準確度評價指標(biāo)，AP25、AP50 和AP75 表示在IoU 閾值25、50 和75 下的檢測成功率，采用推理速度FPS，即推理時間倒數(shù)作為性能評價指標(biāo)。

模型訓(xùn)練及前期預(yù)處理使用高性能服務(wù)器，搭載4 塊NVIDIA Tesla P100 加速卡。所有的網(wǎng)絡(luò)模型將其動量設(shè)為0.9，學(xué)習(xí)率設(shè)為0.002 6，權(quán)重衰減設(shè)為0.000 5，并進行10 000 次迭代，得到最終的訓(xùn)練結(jié)果。通過設(shè)定不同的稀疏策略進行訓(xùn)練，選出綜合最優(yōu)的精度和稀疏度，然后利用通道剪枝以及層剪枝分別壓縮模型的寬度和深度，最后微調(diào)剪枝后的模型以回升精度，從而達到最優(yōu)的模型剪枝效果。

本次實驗對比多個主流的目標(biāo)檢測網(wǎng)絡(luò)，包含若干個單步法快速檢測網(wǎng)絡(luò)，如DarkNet53、DarkNet19、CSP改進的DarkNet53 和ResNeXt50+CSP。并且，本文將所提模型與剪枝后的模型分開進行對比，能夠進一步驗證剪枝優(yōu)化的效果。

3.2 結(jié)果分析

第1 組實驗使用圖像像素尺寸為1 024 像素×1 024 像素，對比5 種不同像素尺度的微小目標(biāo)檢測準確率，基準為本文所提的輕量化檢測網(wǎng)絡(luò)，基準裁剪為裁剪優(yōu)化過后的網(wǎng)絡(luò)。

本文首先使用所提輕量網(wǎng)絡(luò)訓(xùn)練一個基準模型，如圖9（a）所示，從圖中可以看出基準模型的γ值大致服從期望為1 的正態(tài)分布；然后使用稀疏訓(xùn)練出基準裁剪的模型，如圖9（b）所示，可以明顯看出，經(jīng)過稀疏過程，BN 層的γ值大部分逐漸被壓到接近0，而接近0 的通道其輸出值近似于常量，因而可以進行后續(xù)剪枝操作。

圖9 剪枝前后BN 層γ 值稀疏分布變化Fig.9 The sparse distribution of γ values in BN layer before and after pruning

利用層剪枝以及通道剪枝策略，模型大小從23.4M 壓縮到2.6M，在900 像素目標(biāo) 下，AP 值減少0.23，通過反復(fù)微調(diào)，AP 值回升到80.05，基準裁剪的模型大幅壓縮減少資源占用，提高了運行速度。

如表1 所示，在極小目標(biāo)情況下（100 像素），傳統(tǒng)的快速單步法檢測網(wǎng)絡(luò)基本無法正常工作，改進后的DarkNet53+CSP 依然表現(xiàn)很差，而本文所提卷積網(wǎng)絡(luò)具有一定概率能夠成功識別；在稍大一些的目標(biāo)400 像素～2 500 像素下，能夠看出本文所提模型在識別能力上均領(lǐng)先對照模型，而改進的DarkNet53和ResNeXt50+CSP 也比基礎(chǔ)的算法有明顯優(yōu)勢；但在很大目標(biāo)識別上，由于DarkNet53 和DarkNet19 均缺乏多尺度特征提取的能力，預(yù)測精度變得很差，而本文的模型保證了很高的識別成功率。

表1 多種算法的小目標(biāo)檢測精度對比Table 1 Comparison of tiny target detection accuracy of multiple algorithms

如表2 所示，本文測試了算法在多種圖像輸入尺寸下嵌入式平臺的實時推理性能。在模型輸入尺寸較大的情況下，推理延遲普遍較高，難以滿足高實時高負載應(yīng)用場景的性能需求，而本文所提輕量化模型經(jīng)過裁剪有27.8 frame/s 的速度，大幅領(lǐng)先對比算法。當(dāng)卷積網(wǎng)絡(luò)規(guī)模變小時，推理速度普遍提高，且本文模型均保持性能較優(yōu)。

表2 多種圖像輸入尺寸下推理性能比較Table 2 Comparison of inference performance under various image input sizes （frame·s-1）

針對特定現(xiàn)實場景應(yīng)用，如在中高分辨率尺寸場景下，若在嵌入式平臺進行多路圖像處理，因其運算量成倍提高，則目前算法推理性能均難以滿足高實時要求。本文采用的濾波跟蹤補幀方法能夠大幅提升等效推理性能。如表3 所示的實驗驗證了基準裁剪算法在608 像素×608 像素輸入下，幀間隔對推理速度和精度的影響：推理幀間隔為0 時為原始算法性能，而當(dāng)補幀間隔為2 時，能夠達到性能與精度的最佳平衡。

表3 推理幀間隔對性能和精度的影響Table 3 The effect of inference frame interval on performance and accuracy

4 結(jié)束語

針對嵌入式平臺的算力瓶頸導(dǎo)致微小目標(biāo)跟蹤檢測算法的指標(biāo)性能不能滿足現(xiàn)實戰(zhàn)場需求的問題，本文提出一種面向嵌入式的高實時微小目標(biāo)跟蹤檢測方法。將卷積神經(jīng)網(wǎng)絡(luò)進行輕量化改進，對模型進行剪枝優(yōu)化，并深度融合相關(guān)濾波跟蹤算法，以提高基于嵌入式平臺的微小目標(biāo)檢測速度和精度。實驗結(jié)果表明，該方法在Nvidia Jetson AGX Xavier 嵌入式平臺的微小目標(biāo)跟蹤檢測中，檢測精度和檢測速度都優(yōu)于目前主流目標(biāo)檢測算法。