王卓对京师大的这个项目还是比较感兴趣的，不说课程表现在正在布局在线直播教学，即便没有，这类跟教育有直接关联的项目，也是非常适合纳入课程表生态的。

随着现场评委们继续提问，时间不知不觉已经来到了傍晚6点。

40多支参赛小组，即便每个小组只有十几分钟的答辩演示，进行到现在也才核验完四分之一。

毕竟团体赛跟个人赛的区别就在于提问的评委增多。

参赛团队不仅要从技术特点答辩，还要从设计逻辑、商业落地性、法律法规的合规性等一系列商业角度进行一一解释。

不光是内地赛区这样，香江那边的也是同样的规则。

王卓除了上了几次洗手间，剩余时间在遇到天书般的项目时，就跟在香江坐镇的蒋玉宁玩起了网聊。

“反正也听不懂”

“如何应用你肯定是知道的，无非就是不适合课程表而已”

蒋玉宁回道。

“那倒也是，有一些是基站类的项目，估计是冲着华威去的，还有什么油气藏数值模拟实时求解与产能预测系统，这个别说我了，就算是张明、李科也一头雾水，最后还是交大这边的评委进行点评的”

“哈哈”

“我这边也有不少有意思的项目”

“什么项目？”

王卓赶忙打字问道。

“有个口岸人脸核验与出入境客流实时管控系统，这个跟我们投资的那家人脸识别公司的技术特点比较类似，但商用这块可能还需要迭代，现场核验时，失灵时不灵”

“哈哈，还有呢？”

“还有一个台风风暴潮实时模拟与沿海区域应急预警系统，这个完成度很高，香江天文台很看好，估计是想试试”

蒋玉宁的打字速度比较慢。

王卓等了十多分钟才收到这条消息。

收到这条消息的时候，科大的张琪琪团队登场了。

“请你用3句话讲清楚，什么是霍夫森林？它和传统霍夫变换、随机森林的核心区别是什么？”

李科对着登台的几人笑着问道。

对于这套已经应用在球员模型上面的《霍夫森林目标跟踪系统》，他确实非常好奇，这几个大四学生是怎么想到通过这个来解决球员形变问题的。

张琪琪有些紧张的偷瞄了一眼评委席上的众人，见王卓并不在评委席中，担忧的心情略微有些放松，随即轻咳了两声，开始作答。

“霍夫森林是融合了随机森林分类能力与广义霍夫变换投票机制的目标检测跟踪算法，在2009年被首次提出，核心是通过特征点对目标中心的投票实现目标定位”

“和传统霍夫变换相比，它不需要手动设计目标的解析轮廓，通过机器学习自动学习目标的特征与投票偏移量，天然适配球员这类非刚性、形变严重的目标，抗遮挡能力提升一个量级”

“和传统随机森林相比，它的叶节点不仅输出分类结果，还存储了特征点到目标中心的偏移量与置信度，把分类和目标定位合二为一，一步完成检测与跟踪，无需额外的定位步骤”

李科听到这个回答，嘴角含笑的继续询问了其技术特点。

“这个项目是cUdA编程大赛的参赛项目，请问核心计算流程里，哪些环节必须用cUdA加速？为什么cpU方案做不到？”

“我们的系统有四大核心环节，必须靠cUdA并行加速才能实现直播级实时处理，cpU方案完全无法满足需求”

张琪琪组织好语言再次开始作答。

“第一，视频帧预处理与特征提取环节：1080p视频单帧有207万像素，cpU串行计算hoG（方向梯度直方图）、Lbp（局部二值模式）特征需要120ms/帧，而cUdA可以把像素级计算分配给上千个线程并行处理，耗时压缩到8ms/帧，这是实时性的基础”

“第二，霍夫森林推理与投票环节：这是系统最核心的耗时模块，单帧有上万个特征点需要遍历10棵决策树、完成投票累加，cpU串行处理需要40ms/帧，cUdA并行化后仅需2ms/帧，速度提升20倍”

“第三，多目标Id关联与轨迹预测环节：全场22名球员的卡尔曼滤波轨迹预测、数据关联，cpU串行处理需要15ms/帧，cUdA并行化后仅需0.5ms/帧，实现多目标的同步跟踪”

“第四，运动数据实时统计环节：球员跑动距离、速度、热图的实时计算，cpU串行处理需要10ms/帧，cUdA并行化后仅需0.3ms/帧，不影响主流程的实时性”

“综上所述，cpU方案全流程单帧处理需要185ms，最快只能做到5FpS（每秒帧数），完全无法满足直播级30FpS的实时要求，只有cUdA并行加速才能实现真正的实时跟踪”

“足球场景里最常见的就是球员密集遮挡、球衣颜色相近导致的Id切换，你们的系统是怎么解决这个问题的？”

随着回答问题的深入，科大团队的自信心也越来越足了，要知道他们这套系统之所以会被课程表直接引用，主要原因就是他们解决了球场上球员跟踪问题。

何彩娟清了清嗓，她是负责算法优化的。

“针对这两个核心痛点，我们做了三项专属的算法优化，把全场球员的Id跟丢率控制在了3%以内，遮挡30帧内的Id保持率100%”

“第一，多特征融合的霍夫森林模型：我们没有只用传统的hoG轮廓特征，而是融合了球衣颜色直方图特征、号码区域的Lbp纹理特征，让