打造IPv6移動平臺的行人跟蹤系統

福州大學《基于IPv6移動平臺的分布式行人檢測與跟蹤系統》，構建了基于IPv6無人機的分布式數據傳輸平臺以實現數據準確高效的傳輸，同時在服務器端對獲取的數據進行分析和處理，實現動態復雜背景下的前景目標提取，高密度行人的實時檢測，多目標魯棒實時跟蹤。本刊采訪了該項目的團隊負責人裴晨皓，他對項目的近況進行了介紹。

《中國教育網絡》：目前項目的進展情況以及應用效果如何？

裴晨皓：目前項目在檢測跟蹤部分有一些成果，針對移動平臺的目標檢測和跟蹤，檢測的效果較為滿意。我們對無人機采集的數據進行檢測和跟蹤，前端的數據采集部分，能夠基于IPv6實現多路傳輸。還對無人機端采集的數據進行編碼，通過多路傳輸到服務器進行目標識別和檢測任務。另外IPv6傳輸部分，Anycast的平臺還在搭建和研究中。

《中國教育網絡》：項目關鍵技術取得哪些進展？

裴晨皓：1.數據傳輸部分。成功地在純IPv6環境下部署了實時視頻多路并行傳輸系統。發送端采用基于多核ARM的嵌入式板卡，板載1080P高清攝像頭，網絡接入多張Wi-Fi網卡。接收端通過內網穿透設備以單張或多張網卡接收視頻數據，解碼后通過顯示器播放。對于視頻抖動和延遲問題，依據各條鏈路的時延參數來調整視頻幀分配的比例，從而減小傳輸的時延，提高視頻的播放效果。

2.前景提取和目標檢測部分。運動前景對象的有效檢測對于對象跟蹤、目標分類、行為理解等后期處理至關重要。在本項目中，我們摒棄傳統的前景提取方法，利用檢測分割的方法做前景提取。利用目前圖像分割方面效果最出色的Mask RCNN網絡作為前景提取框架，定義行人為前景，其他目標為背景，在單獨的Mask RCNN網絡環境下對圖像中的前景進行提取，使其前景邊界更加清晰，并且分割速度可得到195ms每幀，滿足實時要求。

3.目標跟蹤部分。在目標的跟蹤過程中，判斷跟蹤結果是否準確從而更新目標的外觀模型，當目標跟蹤結果正確時模型才進行更新，大大減少了模型漂移的情況。對于部分遮擋，采取預測的方法，通過先驗知識來估計目標當前位置。對于長期遮擋的目標，結合運動匹配度和表觀匹配度來判別周圍是否有匹配的候選目標，使得目標軌跡即使斷開后也有可能重新匹配成功。

《中國教育網絡》：你認為該項目的亮點主要有哪些？下一步的規劃是什么？

裴晨皓：項目的亮點表現在無人機場景下的行人檢測和跟蹤，配合IPv6任播的傳輸特性實現分布式傳輸數據后臺的圖像處理。

在數據傳輸方面，與單路視頻傳輸系統相比，本項目采用的多路并行傳輸技術可以聚合多條傳輸鏈路的帶寬資源，為視頻數據傳輸提供更高的傳輸帶寬。另一方面，通過采用合理的視頻幀分流策略，可以有效降低視頻的傳輸時延。

前景提取利用Mask RCNN分割網絡提取前景，消除了之前的算法存在應用場景有限的問題。根據檢測目標的變換，可以方便調整前景與背景的目標對象，并且在保證正確提取前景情況下，滿足實時性要求。

利用核相關濾波器（KCF）進行多目標跟蹤算法的設計。選擇一種簡單有效的模型更新策略判斷目標跟蹤效果，從而選擇是否更新模型。同時考慮運動特征的相似度和表觀特征的相似度來判別周圍是否有匹配的候選目標, 使得目標軌跡即使斷開后也有可能重新匹配成功。

《中國教育網絡》：基于IPv6搭建該項目有哪些難點?是如何解決的？

裴晨皓：難點一是在圖像處理部分，無人機在一定俯視角度的場景下；二是IPv6 Anycast部分。

針對第一個難點圖像處理問題，提取圖像目標特征不同于以往的手工利用特征，而是使用卷積神經網絡來提取特征，利用深度學習，針對無人機情況的網絡來解決目標檢測問題。

針對第二個難點，目前在Anycast上的實驗資料還很少，大多停留于理論階段，Anycast部分我們想要實現實時傳輸到分布式的云服務器進行同步視頻處理。通過無人機采集數據，將設備采集的數據進行傳輸，發送方將數據信息發給最近的一組接收方。結合分布式技術，實現高效快速的均衡傳輸體系架構。

《中國教育網絡》：團隊成員是如何配合分工的？都有哪些收獲？

裴晨皓：團隊成員分為圖像處理、數據傳輸、統一整合三部分。圖像處理部分的同學對圖像處理的解決方法有了很大的理解。在數據傳輸部分同學們加深了對IPv6的認識。整合部分的同學對系統的框架和不同模塊之間的接口理解和應用有了很大提高。

《中國教育網絡》：你認為該項目對于IPv6的推廣有何作用？

裴晨皓：增加了同學們對IPv6的認識，包括對IPv6一些特性和優點的理解，也讓更多的同學投入到IPv6的研究領域中，因為很多創新都是從高校開始的。