基于霍夫变换思想面向移动平台的高性能视觉跟踪研究

Visual object tracking is a fundamental technique of a lot of computer vision application. With the popularization of heterogeneous mobile computing platforms, existing visual tracking algorithms are limited as follows: 1) Sophisticated model employed to improve the accuracy, or robustness or adaptability of the tracking process will reduce the efficiency of the algorithm, especially in mobile computing platform. 2) Most trackers use holistic model or part-based structure model, thus fine-grained local appearance and multiscale information fusion are less considered. 3) The problem of dramatic information change, resulted by partial occlusion or fast motion of the target, is still unsolved. To address these issues, this project intends to use the Hough transform idea to design effective and efficiency visual tracking algorithms for mobile computing platform. Its research contents include: 1) The combination of Hough transform and correlation filtering techniques. 2) The implementation of Hough transform by using deep neural network. 3) High-performance visual tracking implementation on heterogeneous mobile computing platforms. 4) Application of visual tracking algorithms in mobile scenarios. The theoretical analysis and implementations in this project can promote the development of theoretical research on the design of visual tracking algorithm with low complexity, help to remove the application barriers in mobile scenarios.

视觉目标跟踪技术是大量计算机视觉高层应用的基石，随着移动异构计算平台的广泛应用，现有算法存在以下不足：1）为提高跟踪的准确性、鲁棒性和适应力，而采用复杂的模型或方法，降低了算法实时性，在移动平台尤其严重；2）算法多采用全局或基于组件的局部模型，细粒度局部信息的应用不足，缺乏对多尺度信息融合的考虑；3）局部遮挡、目标剧烈运动导致目标区域信息快速变化的难题仍然没有低复杂度的有效解决方法。为解决上述难题，本项目拟以霍夫变换思想为启发，研究适用于移动计算平台的“效果好”、“效率高”的低复杂度视觉跟踪技术。具体内容包括：1）霍夫变换思想与相关滤波技术的结合；2）利用深度神经网络实现霍夫变换；3）移动异构计算平台下跟踪算法的高性能实现；4）视觉跟踪算法在典型移动场景下的应用。研究有望推动低复杂度视觉跟踪算法设计理论的发展，并促进视觉跟踪算法在移动场景的落地应用。

目标跟踪是许多应用的基础，项目致力于研究目标跟踪相关算法及其高性能实现技术，主要包括跟踪算法、算法训练加速、算法运行加速三个方面的研究。在跟踪算法方面，项目提出表观与运动特征融合的实时多目标跟踪算法，基于候选框选择机制的两阶段实时多目标跟踪，基于分层单分支网络的在线多目标跟踪框架。在算法训练加速方面，项目针对算法研发过程中使用的小规模共享GPU计算集群进行了评测，提出用户QoS感知的动态调度框架和基于强化学习的在线任务调度策略。在算法运行加速方面，项目提出基于OpenCL的TLD跟踪算法加速方案，加速比达到3.92倍。项目的研究有助于推进目标跟踪算法在实际场景中的落地应用。