視頻監控中的多目標跟蹤(MTT)是一項重要而富有挑戰性的任務，由于其在各個領域的潛在應用而引起了研究人員的大量關注。多目標跟蹤任務需要在每幀中單獨定位目標，這仍然是一個巨大的挑戰，因為目標的外觀會立即發生變化，并且會出現極端的遮擋。除此之外，多目標跟蹤框架需要執行多個任務，即目標檢測、軌跡估計、幀間關聯和重新識別。多目標跟蹤分為目標檢測和跟蹤兩個主要任務。為了區分組內對象，MTT算法將ID與在特定時間內保持特定于該對象的每個檢測到的對象相關聯。然后利用這些ID來生成被跟蹤對象的運動軌跡。Viztra-LE034圖像跟蹤板支持目標跟蹤識別目標（人、車）。國產目標跟蹤好選擇

安全生產一直是發展過程中不變的話題。當前，我國建筑行業正處于高速發展階段，不少建筑工地陸續開工，建筑行業安全也越發受到社會各界的關注。該行業以事故高發、危險系數高而聞名，建筑工人常常暴露于高處墜落、電氣和化學危險以及涉及重型機械和車輛的環境中。一般情況下，工地開工都會對工人進行安全教育培訓，并且設有安全監管人員，但純人力監管，常常因為疏忽大意釀成悲劇。加入科技的力量如監控等設備來輔助人力監管是一個很好的補充，但是傳統監控也需要人守在屏幕前，也具有不小的弊端。于是，慧視光電基于AI圖像處理的監控監管方案就應運而生。寧夏光纖數據目標跟蹤慧視光電對RK3588跟蹤板進行二次開發，實現AI智能應用。

基于視頻目標檢測和跟蹤的一般流程是：通過目標檢測，找到目標；對目標特征進行描述，初步估計目標的運動矢量；根據運動狀態，進入目標跟蹤，對傳感器的姿態，比如水平方位、垂直方位和焦距等進行調整；跟蹤到目標后，對目標特征進行更新，并對目標的運動進行預測后，進入下一輪的跟蹤過程。目標跟蹤檢測與跟蹤涉及到的技術細節很多?；垡暪怆婇_發的高性能目標跟蹤圖像跟蹤板在自研目標跟蹤算法的作用下，能夠實現高精度低延遲的視頻目標鎖定跟蹤。

YOLO單卷積神經網絡在一次評價中直接從全圖中預測多個boundingboxes和類概率，在全圖上訓練并直接優化檢測性能，同時學習目標的泛化表示。然而，YOLO對邊界框預測施加了嚴格的空間約束，限制了模型可以預測的相鄰項目的數量。成群出現的小物件，如鳥類，對于此模型也同樣有問題。fasterR-CNN，一個由全深度CNN組成的單一統一對象識別網絡，提高了檢測的準確性和效率，同時減少了計算開銷。該模型集成了一種在區域方案微調之間交替的訓練方法，使得統一的、基于深度學習的目標識別系統能夠以接近實時的幀率運行，然后在保持固定目標的同時微調目標檢測。智能圖像跟蹤在機場周界中的應用。

2010年以前，目標跟蹤領域大部分采用一些經典的跟蹤方法，比如Meanshift、Particle Filter和Kalman Filter，以及基于特征點的光流算法等。Meanshift方法是一種基于概率密度分布的跟蹤方法，使目標的搜索一直沿著概率梯度上升的方向，迭代收斂到概率密度分布的局部峰值上。首先Meanshift會對目標進行建模，比如利用目標的顏色分布來描述目標，然后計算目標在下一幀圖像上的概率分布，從而迭代得到局部密集的區域。Meanshift適用于目標的色彩模型和背景差異比較大的情形，早期也用于人臉跟蹤。由于Meanshift方法的快速計算，它的很多改進方法也一直適用至今。成都慧視的跟蹤版是國產化的嗎？寧夏光纖數據目標跟蹤

RV1126圖像處理板是我司自主研發的目標跟蹤板，該板卡采用國產高性能CPU，搭載自研目標跟蹤及跟蹤算法。國產目標跟蹤好選擇

視覺跟蹤技術是計算機視覺領域（人工智能分支）的一個重要課題，有著重要的研究意義；且在導彈制導、視頻監控、機器人視覺導航、人機交互、以及醫療診斷等許多方面有著廣泛的應用前景。隨著研究人員不斷地深入研究，視覺目標跟蹤在近十幾年里有了突破性的進展，使得視覺跟蹤算法不只是局限于傳統的機器學習方法，更是結合了近些年人工智能熱潮—深度學習（神經網絡）和相關濾波器等方法，并取得了魯棒（robust）、精確、穩定的結果。國產目標跟蹤好選擇