随着人工智能的迅猛发展,多目标跟踪技术的应用场景越来越广泛,在安防监控、智能辅助驾驶、机器人导航等方向取得巨大成功。为了满足这些终端场景的需求,业界广泛采用神经网络处理器芯片进行应用开发。然而随着图像分辨率越来越高,部署在终端的各类人工智能算法算力需求也随之剧增,给神经网络处理器带来新的挑战。因此,本文在计算能力受限的嵌入式神经网络处理器上,设计一种高效、低计算量的4K高清图像多目标跟踪系统,为神经网络处理器芯片结构优化设计提供可行解决方案,主要研究工作有以下内容:构建马尔科夫决策模型,设计基于深度强化学习的动态智能化决策算法,通过减少对非感兴趣区域的检测降低算力需求,消除了将4K图像输入神经网络之前下采样分辨率和遍历整幅图检测的问题。其中,通过智能体感知每个图像块中目标出现的情况,设计Q-net网络决策相应图像块的处理频率,提高整体跟踪速度;通过调整奖励函数系数r调整跟踪速度与资源消耗的平衡点,提高算法适用性。针对Hi3559处理器中神经网络硬件加速引擎NNIE的特性,设计黑箱实验获取图像整体计算量,取可行范围内极小值对应的情况作为最佳分割方案;提出单位时间内NNIE处理的图像像素数目作为衡量计算效率的指标,设计最佳YOLOv3网络输入尺寸使计算效率达到最高,相比原始默认尺寸节省17%的计算时间。搭建Hi3559处理器开发环境,对多目标跟踪系统中的神经网络进行格式转换并部署,使用软硬件协同处理方式实现整体设计;给出不同高清场景下的整体系统测试结果,并将本文设计与传统的分割后全检测算法及缩放检测算法进行对比及分析。实验结果表明,本文设计的4K高清图像多目标跟踪系统,整体达到约1秒5帧的跟踪效果。相比较分割后全检测算法,速度提升了6.5倍;相比较缩放检测算法,跟踪准确度MOTA从35.4%提升至76.2%,基本满足高清图像下多目标跟踪的应用需求。