目标检测和跟踪是计算机视觉领域的基本内容和研究热点,随着人工智能的飞速发展,掀起了目标的检测和跟踪技术在不同领域的研究热潮。由于实际应用场景中,通常存在着摄像机抖动、相似目标混淆、光照变化、运动模糊等复杂因素的干扰,为检测跟踪任务带来的巨大困难。目标的检测跟踪通常是在PC机上实现的,随着近几年边缘计算平台性能的提升,特别是基于ARM与FPGA的异构嵌入式系统出现,因其在功耗、体积、成本和实时性上的诸多优势,推进了基于片上系统的目标检测跟踪技术的深入研究与广泛应用。由于嵌入式系统计算资源的限制,大量精度较高的检测跟踪算法难以在嵌入式系统实现或难以满足实时性要求。本文提出了一种适用于嵌入式系统的融合属性识别的目标检测跟踪算法,并将该算法在嵌入式系统上实现,论文的主要工作包括:(1)当前的计算机视觉领域需要从图像中提取更多的语义信息,另外为避免检测跟踪结果中多个相似目标的混淆,本文在检测跟踪算法中引入属性识别算法筛选出特定目标,由于嵌入式系统的计算资源有限,设计了轻量化的多任务共享特征提取网络算法结构,为提高多任务的整体识别精度,优化了损失函数,在损失函数中基于分类难易程度确定不同任务的损失权重。实验表明属性识别算法模型的体积和计算量较小,满足嵌入式系统的实时性需求,且算法具有较高的识别精度,能有效区分相似目标。(2)在核相关滤波跟踪算法中,由于缺乏有效性检测机制,在复杂环境中模型容易受到污染,导致误差积累进而导致跟踪失败。本文提出基于感知哈希算法的跟踪有效性检测机制,及时判断当前跟踪结果是否有效,避免跟踪失败。(3)目标检测模型中,只对当前帧单独检测,并不考虑前后帧的相关性,在恶劣环境中容易出现漏检。本文提出防漏检策略,在核相关滤波算法采用单一的HOG特征基础上引入图像增强后的Lab颜色特征,有效降低了漏检率。(4)将本文所设计的算法部署到嵌入式软硬件中,为提高算法的实时性,结合Zynq芯片特征,采用软硬件协同设计的方式实现。由于卷积神经网络计算大,对内存读取带宽要求较高,本文首先将目标检测模型和属性识别模型经过量化压缩减小体积和计算量,然后将可并行程度较高的部分部署到FPGA中实现,算法中其他计算量不大的部分由ARM实现,充分发挥了ARM和FPGA各自的优势。实验表明,本文提出的融合属性识别的检测跟踪算法能够实现在复杂场景下对目标的稳定跟踪,准确率和成功率分别为91.19%、84.79%,相对于KCF跟踪算法分别提高了21.48%和25.85%。在对算法中的SSD模型和属性识别模型的量化过程中,精度损失都在1%以内,对整体算法基本无影响,在嵌入式软硬件系统上帧率为23.5 FPS,基本满足算法实时性要求。