Kerman：一种实现智能监控作为边缘服务的混合轻量级跟踪算法
分布式、并行与集群计算
2018-08-08 v1
摘要
边缘计算通过利用靠近数据源与目标的计算过程，将云计算边界推展至不确定的网络资源之外。对时间敏感且数据密集的视频监控应用得益于现场或近场的数据挖掘。近年来，许多利用人工智能（AI）和机器学习（ML）算法进行目标检测与跟踪的智能视频监控方法被提出。然而，由于高计算需求，仍难以将这些计算与数据密集型任务从云端迁移至边缘。在本文中，我们提出一种名为 Kerman（核化 Kalman 滤波器）的混合轻量级跟踪算法，旨在将智能监控作为边缘服务实现。Kerman 是一种基于决策树的混合核化相关滤波（KCF）算法，用于人体目标跟踪，并与轻量级卷积神经网络（L-CNN）相结合以获得高性能。所提出的 Kerman 算法已在若干单板计算机（SBC）作为边缘设备上实现，并使用真实监控视频流进行了验证。实验结果令人鼓舞：Kerman 算法能够以边缘设备可负担的资源消耗、以可观的精度跟踪感兴趣目标。
引用
@article{arxiv.1808.02134,
title = {Kerman: A Hybrid Lightweight Tracking Algorithm to Enable Smart Surveillance as an Edge Service},
author = {Seyed Yahya Nikouei and Yu Chen and Sejun Song and Timothy R. Faughnan},
journal= {arXiv preprint arXiv:1808.02134},
year = {2018}
}
备注
Submitted to IEEE CCNC 2019