基于FPGA硬件加速的红外微小目标边缘实时追踪系统设计与实现

为解决红外微小目标追踪在边缘设备部署中面临的实时性差、能耗高的问题，中国矿业大学团队提出算法-硬件协同优化的SiamITO-Tiny追踪系统。通过轻量化网络设计（ADAM模块+ABS机制）和全映射硬件加速架构（层融合卷积加速器+并行流水线加法树），在Xilinx ZYNQ平台实现45.45 FPS、0.9追踪评分，能效达30.03 GOP/s/W，较CPU/GPU提升39倍和6.81倍，为防空预警等边缘场景提供高效解决方案。

　　

研究背景与意义
在视频监控和防空预警系统中，红外微小目标（如远距离飞行器）往往仅占几个像素，其弱信号易受背景杂波干扰。尽管深度卷积神经网络（DCNN）在目标追踪领域表现优异，但现有模型多针对常规尺寸目标设计，且依赖高算力平台，难以在资源受限的边缘设备（如无人机载传感器）实现实时处理。更棘手的是，红外图像本身存在信噪比低、纹理缺失等问题，传统算法在微小目标追踪中易出现漂移。如何平衡精度、延迟与功耗，成为制约红外追踪技术落地边缘场景的核心瓶颈。

研究机构与方法
中国矿业大学团队提出软硬件协同优化的解决方案：算法层面设计轻量化网络SiamITO-Tiny，集成非对称双注意力模块（ADAM）和自适应边界抑制（ABS）机制以提升抗干扰能力；硬件层面开发全映射加速架构，通过层融合卷积加速器、并行流水线加法树及片上缓存策略（BRAM/URAM）优化数据带宽。关键技术包括：1）8-bit量化的硬件友好型网络压缩；2）基于循环展开（loop unrolling）和阵列分割（array partitioning）的并行计算；3）在Xilinx ZYNQ ZCU104平台实现端到端部署。

研究结果

1. 轻量化网络设计
   SiamITO-Tiny通过ADAM模块融合浅层空间信息与深层语义特征，结合ABS机制抑制背景干扰，模型参数量较基线减少73%，在红外数据集上保持0.9的追踪评分（仅比CPU低0.01）。

2. 硬件加速架构
   层融合策略将卷积计算延迟降低42%，并行流水线加法树使注意力机制吞吐量提升5.8倍。数据缓存方案使外部存储器访问频次下降67%，资源利用率达92%。

3. 平台性能验证
   部署后系统实现45.45 FPS实时处理，计算性能307.2 GOP/s，能效30.03 GOP/s/W，较CPU（0.77 GOP/s/W）和GPU（4.41 GOP/s/W）分别提升39倍和6.81倍，较同类FPGA方案能效提高1.4-9.3倍。

结论与展望
该研究首次实现红外微小目标追踪在边缘设备的超实时处理，其算法-硬件协同设计范式为其他DCNN边缘部署提供参考。未来可探索多光谱信息融合进一步提升复杂环境下的追踪鲁棒性。论文成果发表于《Digital Signal Processing》，相关技术已应用于新疆某防空预警系统验证。