谭光 李昌镐 詹昭焕

(中山大学 智能工程学院，广东 深圳 518106)

随着5G时代的到来，无人驾驶、增强现实(AR)设备、虚拟现实(VR)设备、智能家居等移动端应用开始逐渐涌现，视频检测任务对于这些应用是不可或缺的，例如在十字路口的摄像头检测到行人闯红灯，可以通过警示灯给汽车驾驶者发出一个信号，避免交通事故的发生。基于AR视频的应用发展前景广阔，例如当用户购物时，AR应用程序能够实时地对商品进行识别，帮助视力障碍人士导航[1]。这些应用要求移动设备能够准确、连续、实时地检测和跟踪物体，帧率达到30 f/s甚至60 f/s[2]。

为了支持这些移动端视频应用，目标检测系统必须准确地识别物体并标注物体的位置。基于深度神经网络(DNN)的目标检测方法是当今目标检测领域最先进的技术[3]，YOLO[4]、SSD[5]等深度学习模型能够获得很好的检测效果。将基于深度神经网络的图像检测算法应用到视频中，把视频的每一帧当做图像进行检测是视频检测的一个主要方法，但由于视频中存在目标遮挡、运动模糊、形态变化多样性等问题，会导致一些帧中出现目标检测精度低的问题[6]，而且虽然DNN能够获得高的目标检测准确率，但它通常涉及大量的计算，移动设备上有限的硬件资源无法完全支持这些计算。最近，YOLOv3-tiny[7]、Faster R-CNN[8]等DNN压缩模型可以在移动端运行目标检测任务，但它们的检测准确率不高。与此同时，一些轻量化深度学习模型能够获得较好的检测性能，但不能满足视频处理的实时性，如文献[9]所设计的系统虽然可以获得较高的检测精度，但处理一帧的时间为0.5～1.0 s，不满足实时性要求。……