基于端云協(xié)同的目標(biāo)檢測跟蹤自適應(yīng)調(diào)度算法

譚光 李昌鎬 詹昭煥

(中山大學(xué) 智能工程學(xué)院，廣東 深圳 518106)

隨著5G時代的到來，無人駕駛、增強(qiáng)現(xiàn)實(AR)設(shè)備、虛擬現(xiàn)實(VR)設(shè)備、智能家居等移動端應(yīng)用開始逐漸涌現(xiàn)，視頻檢測任務(wù)對于這些應(yīng)用是不可或缺的，例如在十字路口的攝像頭檢測到行人闖紅燈，可以通過警示燈給汽車駕駛者發(fā)出一個信號，避免交通事故的發(fā)生?；贏R視頻的應(yīng)用發(fā)展前景廣闊，例如當(dāng)用戶購物時，AR應(yīng)用程序能夠?qū)崟r地對商品進(jìn)行識別，幫助視力障礙人士導(dǎo)航[1]。這些應(yīng)用要求移動設(shè)備能夠準(zhǔn)確、連續(xù)、實時地檢測和跟蹤物體，幀率達(dá)到30 f/s甚至60 f/s[2]。

為了支持這些移動端視頻應(yīng)用，目標(biāo)檢測系統(tǒng)必須準(zhǔn)確地識別物體并標(biāo)注物體的位置?；谏疃壬窠?jīng)網(wǎng)絡(luò)(DNN)的目標(biāo)檢測方法是當(dāng)今目標(biāo)檢測領(lǐng)域最先進(jìn)的技術(shù)[3]，YOLO[4]、SSD[5]等深度學(xué)習(xí)模型能夠獲得很好的檢測效果。將基于深度神經(jīng)網(wǎng)絡(luò)的圖像檢測算法應(yīng)用到視頻中，把視頻的每一幀當(dāng)做圖像進(jìn)行檢測是視頻檢測的一個主要方法，但由于視頻中存在目標(biāo)遮擋、運動模糊、形態(tài)變化多樣性等問題，會導(dǎo)致一些幀中出現(xiàn)目標(biāo)檢測精度低的問題[6]，而且雖然DNN能夠獲得高的目標(biāo)檢測準(zhǔn)確率，但它通常涉及大量的計算，移動設(shè)備上有限的硬件資源無法完全支持這些計算。最近，YOLOv3-tiny[7]、Faster R-CNN[8]等DNN壓縮模型可以在移動端運行目標(biāo)檢測任務(wù)，但它們的檢測準(zhǔn)確率不高。與此同時，一些輕量化深度學(xué)習(xí)模型能夠獲得較好的檢測性能，但不能滿足視頻處理的實時性，如文獻(xiàn)[9]所設(shè)計的系統(tǒng)雖然可以獲得較高的檢測精度，但處理一幀的時間為0.5～1.0 s，不滿足實時性要求。移動端的檢測模型均需要較大的能耗，不利于移動設(shè)備的長時間續(xù)航，文獻(xiàn)[10]設(shè)計了一個節(jié)能的目標(biāo)檢測和跟蹤系統(tǒng)，僅在需要的時候調(diào)用DNN模型檢測物體，并采用輕量級跟蹤方法跟蹤物體，該系統(tǒng)可以降低73.3%的能量損耗。

近些年，云計算技術(shù)取得了飛速的發(fā)展，它是一種將計算任務(wù)卸載到云端服務(wù)器的分布式計算方法，已廣泛應(yīng)用于各個領(lǐng)域。文獻(xiàn)[11]提出了一種將檢測任務(wù)卸載到云端的目標(biāo)檢測系統(tǒng)，使用活動緩存存放視頻幀，用目標(biāo)跟蹤算法跟蹤這些視頻幀，選擇觸發(fā)幀發(fā)送到云端檢測。然而，傳統(tǒng)云計算無法滿足移動端應(yīng)用對網(wǎng)絡(luò)時延、抖動、安全性等的要求[12]。當(dāng)網(wǎng)絡(luò)狀況較差，網(wǎng)絡(luò)時延較大時，云計算反而會使移動端應(yīng)用無法正常工作。例如，在長期演進(jìn)(LTE)網(wǎng)絡(luò)上，移動端發(fā)送一個視頻幀至服務(wù)器到移動端接收到檢測結(jié)果大約需要700 ms，這時視頻已經(jīng)播放了20多幀，被定位的對象可能已不在檢測結(jié)果的標(biāo)注框周圍[13]。因此，在移動端實現(xiàn)實時、準(zhǔn)確的檢測和跟蹤并減少設(shè)備能耗成為了一個挑戰(zhàn)。

由于移動端設(shè)備的計算能力較弱且深度學(xué)習(xí)的目標(biāo)檢測任務(wù)需要在服務(wù)器上執(zhí)行，因此，在設(shè)計有效的移動端目標(biāo)檢測系統(tǒng)時，需要考慮如下問題：

1)準(zhǔn)確率和時延的權(quán)衡。依賴深度學(xué)習(xí)的AR應(yīng)用有不同的精度和延遲要求[14]。例如，在超市購物用于推薦產(chǎn)品的AR技術(shù)對檢測實時性的要求高于對檢測精度的要求；而在學(xué)校的人臉認(rèn)證系統(tǒng)中，工作人員需要得到準(zhǔn)確的身份認(rèn)證信息，對檢測的準(zhǔn)確性有更高的要求。

2)時延的來源。當(dāng)視頻檢測任務(wù)發(fā)送到云端執(zhí)行時，時延來自于在網(wǎng)絡(luò)上的數(shù)據(jù)傳輸時間加上深度學(xué)習(xí)模型的計算時間，當(dāng)視頻檢測任務(wù)在本地執(zhí)行時，時延只受深度學(xué)習(xí)模型的運算時間的影響。前人的工作主要通過將深度學(xué)習(xí)模型輕量化以減少模型的計算時間，但網(wǎng)絡(luò)時延通常遠(yuǎn)遠(yuǎn)高于計算時延[15]。

3)任務(wù)調(diào)度的重要性。當(dāng)深度學(xué)習(xí)的任務(wù)在移動端執(zhí)行時，在消耗計算資源和內(nèi)存資源的同時，會消耗大量的電池能量，為了延長電池的使用時長，必須盡量減少本地的計算消耗，所以將檢測任務(wù)發(fā)送到云端執(zhí)行是一個高效且可行的方案。由于目標(biāo)跟蹤的能耗小于目標(biāo)檢測的能耗，在目標(biāo)檢測中加入目標(biāo)跟蹤，本地必須根據(jù)實時情況選擇策略調(diào)度方式，因此，任務(wù)調(diào)度在端云協(xié)同系統(tǒng)中起著重要的作用。

針對以上問題，本文首先針對不同場景變化速度的視頻，研究跟蹤誤差變化速度與場景變化之間的關(guān)系；接著提出一個針對端云協(xié)同系統(tǒng)的用戶體驗指標(biāo)(QoE)[16]，通過這個指標(biāo)來權(quán)衡用戶對目標(biāo)檢測精度和能耗的要求，使用戶獲得最佳的綜合體驗質(zhì)量；然后將QoE作為優(yōu)化目標(biāo)，設(shè)計了一種目標(biāo)檢測跟蹤自適應(yīng)調(diào)度(DTAS)算法，該算法通過預(yù)測網(wǎng)絡(luò)帶寬、計算傳輸時延對目標(biāo)檢測和目標(biāo)跟蹤任務(wù)進(jìn)行調(diào)度；最后在KITTI視頻圖像數(shù)據(jù)集上進(jìn)行實驗，以驗證該檢測跟蹤自適應(yīng)算法的有效性。

1 視頻檢測系統(tǒng)及目標(biāo)檢測跟蹤調(diào)度算法

在端云協(xié)同系統(tǒng)的目標(biāo)檢測與跟蹤過程中，針對視頻中新出現(xiàn)的目標(biāo)，考慮到其目標(biāo)檢測任務(wù)的需求，需保證目標(biāo)檢測的精度。針對視頻中已檢測到的目標(biāo)，考慮到其跟蹤任務(wù)的需求，需要將目標(biāo)跟蹤到一定的準(zhǔn)確程度。同時，考慮到用戶的體驗，設(shè)備需要有盡可能長的使用時間，設(shè)備系統(tǒng)需要具備實時處理的能力。因此，本文算法應(yīng)具有以下優(yōu)點：①低功耗。對于電量受限的移動設(shè)備，系統(tǒng)需要在低功耗下實現(xiàn)目標(biāo)跟蹤。②高準(zhǔn)確度。在場景不斷變化的情況下，視頻中的物體需要被準(zhǔn)確地分類和定位，避免檢測錯誤和跟蹤不準(zhǔn)確帶來的用戶體驗下降。③實時性。為了滿足人類對現(xiàn)實世界的感受，目標(biāo)檢測和跟蹤需要達(dá)到實時，也就是展示的視頻結(jié)果必須達(dá)到人眼可分辨范圍以上。

1.1 系統(tǒng)概述

本文的檢測跟蹤自適應(yīng)調(diào)度算法是在端云協(xié)同系統(tǒng)框架下應(yīng)用的，首先需要搭建一個端云協(xié)同系統(tǒng)，端云協(xié)同系統(tǒng)的框架如圖1所示。

系統(tǒng)的輸入是從相機(jī)獲取的視頻幀，輸出為已經(jīng)目標(biāo)識別和定位的視頻幀。首先，對緩沖區(qū)中的第一個視頻幀進(jìn)行檢測，把檢測結(jié)果發(fā)送到移動端。后續(xù)視頻幀逐個發(fā)送給調(diào)度模塊，調(diào)度模塊根據(jù)對帶寬預(yù)測值、目標(biāo)跟蹤誤差、新物體擾動誤差和能耗的綜合分析，獲得一個決策結(jié)果，選擇將下一幀發(fā)送給跟蹤器或檢測器，實現(xiàn)移動端對目標(biāo)跟蹤和檢測任務(wù)的調(diào)度。

在此系統(tǒng)中，跟蹤和變化檢測器用來測量并記錄目標(biāo)跟蹤誤差和新物體擾動誤差。帶寬預(yù)測模塊根據(jù)前一段時間的帶寬，預(yù)測下一時刻的帶寬。目標(biāo)跟蹤器用來跟蹤目標(biāo)物體，本地檢測器和云端檢測器用來檢測接收到的視頻幀。

圖1 端云協(xié)同系統(tǒng)框架

為了滿足視頻幀檢測的準(zhǔn)確性，本文采用了YOLOv5檢測算法。YOLOv5是最新提出來的目標(biāo)檢測模型，模型結(jié)構(gòu)與YOLOv4[17]相近，使用了多種數(shù)據(jù)增強(qiáng)技術(shù)，通過訓(xùn)練數(shù)據(jù)自動學(xué)習(xí)得到錨定框，使用CSPDarknet作為特征提取網(wǎng)絡(luò)，從輸入圖像中提取豐富的信息特征，使用特征金字塔增強(qiáng)模型對不同縮放尺度對象的檢測，從而能夠準(zhǔn)確快速地識別不同大小和尺度的物體。YOLOv5能在TeslaP100上實現(xiàn)140 f/s的快速檢測，相較而言YOLOv4的基準(zhǔn)結(jié)果是在50 f/s速度下得到的，而且YOLOv5的大小僅有27 MB，單一圖像的檢測時間能夠達(dá)到7 ms，具有很好的實時性。

本文采用核相關(guān)濾波(KCF)目標(biāo)跟蹤算法[18]作為跟蹤器?；谙嚓P(guān)濾波的KCF目標(biāo)跟蹤算法是一種鑒別式追蹤方法，它通過圖像的矩陣循環(huán)增加訓(xùn)練樣本，訓(xùn)練一個目標(biāo)檢測器，使用目標(biāo)檢測器獲取下一幀預(yù)測位置是否存在目標(biāo)，然后根據(jù)新的檢測結(jié)果去更新訓(xùn)練集，以此循環(huán)。KCF在目標(biāo)跟蹤的準(zhǔn)確率和實時性上都具有很好的表現(xiàn)，具有連續(xù)性和實時性的優(yōu)點。

1.2 跟蹤誤差分析

移動設(shè)備在執(zhí)行目標(biāo)跟蹤任務(wù)時，誤差會隨著跟蹤的視頻幀數(shù)逐漸積累，導(dǎo)致目標(biāo)跟蹤不準(zhǔn)確。因此，在跟蹤誤差積累到一定程度時，需要將視頻幀發(fā)送到本地或云端進(jìn)行目標(biāo)檢測，降低跟蹤誤差，使誤差穩(wěn)定在一個較低的范圍內(nèi)，提升檢測精度，使用戶得到好的體驗質(zhì)量。

在目標(biāo)跟蹤過程中，視頻內(nèi)容的變化速度會影響跟蹤質(zhì)量，圖2展示了兩個不同視頻內(nèi)容變化下目標(biāo)跟蹤算法的平均跟蹤誤差，其中視頻1的場景變化速率大于視頻2。隨著誤差的不斷積累，跟蹤誤差不斷地增大，視頻1的誤差累積速度比視頻2更快。在視頻1中，第7幀時跟蹤誤差已經(jīng)累積到0.5，而在視頻2中，第14幀時跟蹤誤差才累積到0.5。

圖2 場景變化速度不同時的跟蹤誤差

1.3 QoE標(biāo)準(zhǔn)

為了評價客戶端用戶對端云協(xié)同系統(tǒng)質(zhì)量和性能的主觀感受，從用戶的角度得到系統(tǒng)中視頻內(nèi)容為用戶帶來的舒適程度，本文使用用戶體驗質(zhì)量(QoE)作為評價指標(biāo)。在視頻圖像處理的端云協(xié)同系統(tǒng)中，視頻幀的檢測精度是影響QoE的主要因素，這里的檢測精度主要由標(biāo)簽識別的準(zhǔn)確度和目標(biāo)框的精準(zhǔn)度決定。由于移動設(shè)備受硬件條件的限制，只有固定的電量儲備，移動設(shè)備的使用時長也影響著用戶體驗質(zhì)量。用戶的目標(biāo)是在有限的電量儲備下盡可能地延長設(shè)備使用時間，在移動設(shè)備上體現(xiàn)為在單位時間內(nèi)盡量減少設(shè)備能耗，因此設(shè)備能耗也是影響QoE的重要因素。綜上所述，影響QoE的關(guān)鍵因素主要有：

1)檢測精度。檢測精度直接影響到用戶體驗的好壞。為了評估目標(biāo)框的檢測精度，本文使用交并比(IoU)作為測量指標(biāo)，目標(biāo)的IoU被定義為

(1)

式中，Di是檢測得到的目標(biāo)框，Gi是正確標(biāo)注的目標(biāo)框，實驗中將IoU>0.5的檢測目標(biāo)框作為成功跟蹤的目標(biāo)。本文用F1測量每一幀的檢測精度，F(xiàn)1的計算式為

F1=2(P-1+R-1)

(2)

當(dāng)用戶需要較高的檢測精度時，可能會因為檢測時延產(chǎn)生較大的跟蹤誤差，在本地檢測也會消耗較大的電量，這3個指標(biāo)具有沖突性，不能兼得。根據(jù)用戶對以上3個指標(biāo)有不同的偏好，本文定義一個綜合性的指標(biāo)QoE來代表總的用戶體驗，

(3)

式中，λ和μ分別是跟蹤誤差和能耗的非負(fù)加權(quán)參數(shù)。

1.4 目標(biāo)檢測跟蹤自適應(yīng)調(diào)度算法

設(shè)Dl、Dc320、Dc608、DT分別表示本地檢測、在云端檢測上傳分辨率為320×320的圖像、在云端檢測上傳分辨率為608×608的圖像、本地跟蹤，則t時刻系統(tǒng)的決策方式為at=(Dl,Dc320,Dc608,DT)。

系統(tǒng)的獎勵可分為預(yù)檢測精度、跟蹤誤差、能耗大小。

預(yù)檢測精度根據(jù)每個模塊的檢測質(zhì)量來定義，預(yù)檢測精度可根據(jù)每個檢測模塊的平均檢測精度設(shè)置預(yù)定值，設(shè)本地預(yù)檢測精度為Al，在云端上傳分辨率為320×320圖像的預(yù)檢測精度為Ac320，在云端上傳分辨率為608×608圖像的預(yù)檢測精度為Ac608。跟蹤的預(yù)檢測精度繼承上一個檢測行為的檢測精度，初始值設(shè)為0。

如果僅根據(jù)每個檢測模塊的平均檢測精度確定預(yù)檢測精度，在系統(tǒng)運行過程中，若出現(xiàn)某個檢測模塊檢測時延較長，則預(yù)先設(shè)定的檢測精度獎勵值會不符合實際用戶體驗，因此需要根據(jù)每個檢測模塊的時延，設(shè)置一個動態(tài)的預(yù)檢測精度獎勵值。

(4)

(5)

(6)

設(shè)本地檢測、在云端檢測上傳分辨率為320×320圖像、在云端檢測上傳分辨率為608×608圖像的初始預(yù)檢測精度分別為A1、Ac320、Ac608，則相應(yīng)的預(yù)檢測精度分別為

(7)

(8)

(9)

目標(biāo)跟蹤的預(yù)檢測精度q(AT)繼承自上一個檢測行為的檢測精度，即q(AT)=q(Ai)，Ai分別表示Al、Ac320或Ac608，根據(jù)跟蹤之前檢測的決策方式?jīng)Q定。

在運行不同模塊時，可通過測量獲得不同模塊的能耗值，本地檢測、在云端檢測上傳分辨率為320×320圖像、在云端檢測上傳分辨率為608×608圖像、目標(biāo)跟蹤的能耗值分別表示為Bl、Bc320、Bc608、BT。因為實驗中各模塊的能耗值變化不大，所以根據(jù)對不同模塊的測量，將Bl、Bc320、Bc608、BT分別設(shè)定3.5、1.0、1.8、0.3。

本地檢測主要受預(yù)檢測精度和能耗的影響，其中預(yù)檢測精度受檢測時延的影響。云端檢測主要受預(yù)檢測精度和能耗的影響，預(yù)檢測精度受檢測時延的影響。目標(biāo)跟蹤受跟蹤誤差和能耗的影響。綜上所述，每一個決策行為都至少受到一個指標(biāo)的影響。為了平衡用戶需求，使用檢測跟蹤自適應(yīng)調(diào)度算法選擇不同的決策行為。因此，獎勵函數(shù)映射關(guān)系為r:S×Λ→R(S、Λ、R分別表示狀態(tài)、決策方式、獎勵的集合)，獎勵函數(shù)為

rt=r(st,at)

(10)

(11)

2 仿真實驗

針對端云協(xié)同系統(tǒng)，本文搭建了一個仿真實驗平臺，該平臺由一個云服務(wù)器和一個移動端組成，移動端設(shè)備的內(nèi)存和計算能力是受限的，網(wǎng)絡(luò)信道條件是時變的，移動端用戶根據(jù)任務(wù)需求與云端協(xié)作，獲得對任務(wù)的分配和管理。

2.1 數(shù)據(jù)集

2.1.1 網(wǎng)絡(luò)帶寬數(shù)據(jù)集

網(wǎng)絡(luò)帶寬指在單位時間內(nèi)能傳輸?shù)臄?shù)據(jù)量，是衡量網(wǎng)絡(luò)特征的一個重要指標(biāo)。本實驗使用高速下行鏈路分組接入(HSDPA)移動數(shù)據(jù)集[19]。HSDPA是一種移動通信協(xié)議。HSDPA移動數(shù)據(jù)集是一個網(wǎng)絡(luò)帶寬數(shù)據(jù)集，常用于與網(wǎng)絡(luò)相關(guān)的應(yīng)用中。

2.1.2 視頻圖像數(shù)據(jù)集

本實驗使用KITTI視頻圖像數(shù)據(jù)集[20]。KITTI數(shù)據(jù)集包含市區(qū)、鄉(xiāng)村和高速公路等場景采集的真實圖像數(shù)據(jù)，每幅圖像中最多有15輛車和30個行人，還有各種程度的遮擋與截斷。整個數(shù)據(jù)集由389對光流圖和立體圖像組成，以10 Hz的頻率采樣及同步。在本實驗中，對轎車、貨車、卡車、行人和自行車5個物體類別進(jìn)行檢測與識別，計算所有類別的F1，從而評判端云協(xié)同系統(tǒng)的視頻檢測精度。

2.2 實驗結(jié)果與分析

檢測跟蹤自適應(yīng)調(diào)度算法通過將QoE用戶體驗指標(biāo)作為優(yōu)化目標(biāo)，綜合考慮目標(biāo)檢測及跟蹤精度和能耗對用戶的影響，使調(diào)度算法能夠綜合全面地進(jìn)行策略選擇。

圖3是某個帶寬軌跡下檢測跟蹤自適應(yīng)調(diào)度算法的仿真實驗結(jié)果。可以看出：隨著誤差的累積，當(dāng)網(wǎng)絡(luò)帶寬較小時，調(diào)度算法能夠自適應(yīng)地選擇本地檢測Dl；當(dāng)網(wǎng)絡(luò)帶寬適中時，調(diào)度算法可以自適應(yīng)地選擇云端檢測Dc320；當(dāng)網(wǎng)絡(luò)帶寬較大時，調(diào)度算法可以自適應(yīng)地選擇云端檢測Dc608。

圖4為在同一網(wǎng)絡(luò)帶寬條件下場景變化時自適應(yīng)調(diào)度算法的仿真實驗結(jié)果。在包含449個采樣時刻的網(wǎng)絡(luò)帶寬數(shù)據(jù)中，當(dāng)視頻內(nèi)容變化速率較快時，跟蹤誤差累積速度變快，檢測精度損失速度加快，檢測模塊的調(diào)度次數(shù)較多，為143次；當(dāng)視頻內(nèi)容變化速率較慢時，跟蹤誤差累積速度變慢，檢測精度損失速度較慢，檢測模塊的調(diào)度次數(shù)較少，為79次。

圖3 自適應(yīng)調(diào)度算法的仿真實驗結(jié)果

圖4 場景變化時自適應(yīng)調(diào)度算法的仿真實驗結(jié)果

可見，隨著場景變化速率的不同，調(diào)度算法可以自適應(yīng)地選擇適應(yīng)于場景變化的決策方案，以應(yīng)對視頻內(nèi)容變化速率不同帶來的跟蹤誤差累積速度的變化，選擇合理的檢測模塊調(diào)度次數(shù)，在保持檢測精度的同時，將跟蹤誤差維持在一個相對穩(wěn)定的范圍內(nèi)。

為了驗證檢測跟蹤自適應(yīng)調(diào)度算法的有效性，采用固定策略調(diào)度方法進(jìn)行了仿真實驗對比，結(jié)果如表1所示。記固定策略調(diào)度算法本地檢測為sim_Dl、云端檢測上傳分辨率為320×320圖像為sim_Dc320、云端檢測上傳分辨率為608×608圖像為sim_Dc608。

表1 不同算法的仿真實驗結(jié)果對比

如果對每一幀都進(jìn)行檢測，無論是本地還是云端都會產(chǎn)生時延，顯然無法滿足實時性，需要使用固定策略調(diào)度方法以滿足對視頻檢測實時性的要求。在實驗中，使用本地目標(biāo)檢測和跟蹤的固定策略，其參數(shù)設(shè)置為每隔5幀進(jìn)行一次目標(biāo)檢測，未檢測幀利用上一個已檢測幀的結(jié)果使用目標(biāo)跟蹤方法進(jìn)行跟蹤。由于云端檢測不僅產(chǎn)生檢測時延，還會有傳輸時延，考慮到云端檢測時延較長，故使用云端目標(biāo)檢測和跟蹤的固定策略調(diào)度方式，其參數(shù)設(shè)置為每間隔9幀進(jìn)行一次目標(biāo)檢測，未檢測幀利用上一個已檢測幀的結(jié)果采用目標(biāo)跟蹤方法進(jìn)行跟蹤。

DTAS算法可以根據(jù)實際的網(wǎng)絡(luò)帶寬變化，選擇合適的調(diào)度時機(jī)和檢測方式，這樣不僅可以保證系統(tǒng)的檢測精度，還能夠降低系統(tǒng)的能耗，增強(qiáng)實時性。如表1所示，在68個網(wǎng)絡(luò)帶寬軌跡中，DTAS的平均QoE值最高，比sim_Dl提升了17.0%，比sim_Dc320提升了73.6%，比sim_Dc608提升了120.4%。在綜合考慮目標(biāo)檢測精度和能耗等因素的情況下，DTAS算法的QoE均有較大提升。尤其相對于云端檢測方法，DTAS的QoE增加1.5～3倍，有效地提高了用戶體驗質(zhì)量。

表1還表明：DTAS算法的檢測精度能夠達(dá)到78.3%，相對固定策略調(diào)度算法精度損失很小，能夠保持較好的檢測效果；相比固定策略調(diào)度算法的3種決策方式，DTAS算法的能耗值成倍地降低，可以大量減小移動設(shè)備的耗能，延長電池的使用時間。

3 結(jié)語

針對移動設(shè)備計算儲存能力受限、云計算時網(wǎng)絡(luò)不穩(wěn)定等問題，本文提出了一種基于端云協(xié)同系統(tǒng)的目標(biāo)檢測跟蹤自適應(yīng)調(diào)度算法。該算法通過對目標(biāo)檢測和跟蹤任務(wù)的調(diào)度，使移動設(shè)備在保證檢測精度的同時大幅減小能耗，延長設(shè)備使用時間。實驗使用HSDPA帶寬數(shù)據(jù)集模擬端云之間的網(wǎng)絡(luò)信道變化，通過KITTI視頻數(shù)據(jù)集分析場景變化速度與跟蹤誤差的關(guān)系，結(jié)果驗證了所提出的檢測跟蹤自適應(yīng)算法的有效性。目前，本文算法的用戶體驗指標(biāo)只加入了對檢測精度和能耗的考量，沒有考慮用戶對物體數(shù)量、具體應(yīng)用場景的需求，檢測幀的選取方式對數(shù)據(jù)有較高的要求，僅在仿真移動平臺上進(jìn)行實驗，后續(xù)將在移動設(shè)備平臺下進(jìn)行測試，并做更深入的研究。