[发明专利]用于目标的实时检测的装置及方法

说明书

本公开涉及一种用于目标的实时检测的装置及方法。该方法在物联网的终端设备处执行，该终端设备与边缘端设备协作，该方法包括：利用第一检测模型得到目标的样本的第一概率；基于第一概率对样本进行第一过滤；将经第一过滤的样本的数据上传到边缘端设备作为FaaS计算的参数；从边缘端设备获取利用FaaS计算得到的第二概率，该第二概率可用于对样本进行第二过滤；以及至少基于经第二过滤的样本，得到目标检测的结果；其中，FaaS计算部署在边缘端设备处，并且被配置为实时提供对第二概率的计算；并且其中，FaaS计算的计算量高于第一检测模型。

技术领域

本公开总体上涉及模式识别领域，更具体地涉及一种用于目标的实时检测的装置及方法。

背景技术

在许多应用场景中，终端设备需要进行特定目标的检测任务，例如：智能交通场景中雷达设备对障碍物的探测，又或者智能安防场景中摄像头设备对入侵行为的探测等等。从概率统计的观点看，目标检测问题可以转化为对目标存在与否的概率进行估计的问题。

例如，对一次观测得到数据样本或由样本得到的特征x，不失一般性的，不妨假设目标不存在为H₀，存在目标为H₁，则目标检测问题可以用假设检验表示为。

其中，p₀(x)和p₁(x)表示x∈H₀和x∈H₁情况下的概率似然度。

此时，可以通过对x∈H₀和x∈H₁分别建立其对应的参数化概率模型θ₀和θ₁来估计p₀(x)和p₁(x)，典型有两种方式：

1)简易模式

简易模式一般基于最大似然估计的观点，认为模型参数θ_i是某个固定值(对多参数模型则为固定矢量)，因此可以直接根据对应的概率分布函数计算每种情况下的概率似然度：

其中f_i()表示假设H_i下的样本x所服从的概率分布函数，为分布的模型参数θ_i的当前取值。

2)复杂模式

为了更精准的计算模型概率似然度，一种策略是将模型参数θ_i视为随机变量，进一步考虑参数的先验分布g_i(θ)的影响。该方式的主要问题在于，很多情况下由此得到的p_i(x)没有简单的解析形式。例如，当模型参数θ_i具有某种先验分布g_i(θ)时，概率似然度可以具有以下积分变换形式：

p_i(x)＝∫_θf_i(x|θ)g_i(θ)dθ (3)

此时计算p_i(x)需要使用数值积分或者蒙特卡洛等数值方法来近似计算。当模型参数θ维数较高，或者取值范围较大时，计算量往往很大。嵌入式终端的资源不足，仅依靠嵌入式终端可能无法实时完成计算。

一种解决思路是采用分布式计算解决方案，将终端联网，并将计算转移到具有更高性能的计算设备上处理，现有典型的方式包括：

(1)为终端布设上位机，数据通过总线或者网络传输，并在上位机中处理计算。这种方式的局限性是需要布设专用设备，资源利用率比较低，当任务空闲时计算资源浪费。

(2)在云计算中心布设基于虚拟机或者容器的计算服务，收集各终端的处理请求。这种方式通过对虚拟机或容器的动态管理，可以提高资源利用率，但是由于云计算中心距离终端设备安装位置较远，网络时延较大，通常无法达到实时处理的要求。