打造IPv6移动平台的行人跟踪系统
2018-02-09
福州大学《基于IPv6移动平台的分布式行人检测与跟踪系统》，构建了基于IPv6无人机的分布式数据传输平台以实现数据准确高效的传输，同时在服务器端对获取的数据进行分析和处理，实现动态复杂背景下的前景目标提取，高密度行人的实时检测，多目标鲁棒实时跟踪。本刊采访了该项目的团队负责人裴晨皓，他对项目的近况进行了介绍。
《中国教育网络》：目前项目的进展情况以及应用效果如何？
裴晨皓：目前项目在检测跟踪部分有一些成果，针对移动平台的目标检测和跟踪，检测的效果较为满意。我们对无人机采集的数据进行检测和跟踪，前端的数据采集部分，能够基于IPv6实现多路传输。还对无人机端采集的数据进行编码，通过多路传输到服务器进行目标识别和检测任务。另外IPv6传输部分，Anycast的平台还在搭建和研究中。
《中国教育网络》：项目关键技术取得哪些进展？
裴晨皓：1.数据传输部分。成功地在纯IPv6环境下部署了实时视频多路并行传输系统。发送端采用基于多核ARM的嵌入式板卡，板载1080P高清摄像头，网络接入多张Wi-Fi网卡。接收端通过内网穿透设备以单张或多张网卡接收视频数据，解码后通过显示器播放。对于视频抖动和延迟问题，依据各条链路的时延参数来调整视频帧分配的比例，从而减小传输的时延，提高视频的播放效果。
2.前景提取和目标检测部分。运动前景对象的有效检测对于对象跟踪、目标分类、行为理解等后期处理至关重要。在本项目中，我们摒弃传统的前景提取方法，利用检测分割的方法做前景提取。利用目前图像分割方面效果最出色的Mask RCNN网络作为前景提取框架，定义行人为前景，其他目标为背景，在单独的Mask RCNN网络环境下对图像中的前景进行提取，使其前景边界更加清晰，并且分割速度可得到195ms每帧，满足实时要求。
3.目标跟踪部分。在目标的跟踪过程中，判断跟踪结果是否准确从而更新目标的外观模型，当目标跟踪结果正确时模型才进行更新，大大减少了模型漂移的情况。对于部分遮挡，采取预测的方法，通过先验知识来估计目标当前位置。对于长期遮挡的目标，结合运动匹配度和表观匹配度来判别周围是否有匹配的候选目标，使得目标轨迹即使断开后也有可能重新匹配成功。
《中国教育网络》：你认为该项目的亮点主要有哪些？下一步的规划是什么？
裴晨皓：项目的亮点表现在无人机场景下的行人检测和跟踪，配合IPv6任播的传输特性实现分布式传输数据后台的图像处理。
在数据传输方面，与单路视频传输系统相比，本项目采用的多路并行传输技术可以聚合多条传输链路的带宽资源，为视频数据传输提供更高的传输带宽。另一方面，通过采用合理的视频帧分流策略，可以有效降低视频的传输时延。
前景提取利用Mask RCNN分割网络提取前景，消除了之前的算法存在应用场景有限的问题。根据检测目标的变换，可以方便调整前景与背景的目标对象，并且在保证正确提取前景情况下，满足实时性要求。
利用核相关滤波器（KCF）进行多目标跟踪算法的设计。选择一种简单有效的模型更新策略判断目标跟踪效果，从而选择是否更新模型。同时考虑运动特征的相似度和表观特征的相似度来判别周围是否有匹配的候选目标, 使得目标轨迹即使断开后也有可能重新匹配成功。
《中国教育网络》：基于IPv6搭建该项目有哪些难点?是如何解决的？
裴晨皓：难点一是在图像处理部分，无人机在一定俯视角度的场景下；二是IPv6 Anycast部分。
针对第一个难点图像处理问题，提取图像目标特征不同于以往的手工利用特征，而是使用卷积神经网络来提取特征，利用深度学习，针对无人机情况的网络来解决目标检测问题。
针对第二个难点，目前在Anycast上的实验资料还很少，大多停留于理论阶段，Anycast部分我们想要实现实时传输到分布式的云服务器进行同步视频处理。通过无人机采集数据，将设备采集的数据进行传输，发送方将数据信息发给最近的一组接收方。结合分布式技术，实现高效快速的均衡传输体系架构。
《中国教育网络》：团队成员是如何配合分工的？都有哪些收获？
裴晨皓：团队成员分为图像处理、数据传输、统一整合三部分。图像处理部分的同学对图像处理的解决方法有了很大的理解。在数据传输部分同学们加深了对IPv6的认识。整合部分的同学对系统的框架和不同模块之间的接口理解和应用有了很大提高。
《中国教育网络》：你认为该项目对于IPv6的推广有何作用？
裴晨皓：增加了同学们对IPv6的认识，包括对IPv6一些特性和优点的理解，也让更多的同学投入到IPv6的研究领域中，因为很多创新都是从高校开始的。
