傳統(tǒng)意義上的根據(jù)視頻的變化率報警，隨著由于計算機(jī)的廣泛應(yīng)用和數(shù)字圖像的發(fā)展，由于其設(shè)置的不靈活、虛警率高、不抗干擾及接口等方面的原因，正慢慢地面臨淘汰；另外，在重要的場所，比如具有戰(zhàn)略意義的油田油庫，*倉庫，重要的機(jī)密場所、辦公地點，水利大壩等等，傳統(tǒng)意義上的由人員操作控制鍵盤，鎖定目標(biāo)，控制云臺的運動來跟蹤目標(biāo)的模式，由于存在監(jiān)視范圍大、人易疲勞和連續(xù)反應(yīng)速度遲緩等方面的缺陷，這些領(lǐng)域?qū)ψ詣右曨l跟蹤的需求日益迫切。推薦使用慧視光電的跟蹤板卡。無源目標(biāo)跟蹤技術(shù)

差圖像作為經(jīng)典、常勝不衰的動目標(biāo)檢測方法，有其合理性，因為運動能夠?qū)е聢D像的變化，相鄰的兩幅或多幅圖像之間的關(guān)系，或當(dāng)前圖像與背景圖像之間的關(guān)系，尤其是圖像差的關(guān)系，能較好地體現(xiàn)出運動所帶來的變化。復(fù)雜背景下的運動目標(biāo)檢測和跟蹤由于有良好的應(yīng)用前景，成為當(dāng)前研究的一個熱點。圖像監(jiān)控系統(tǒng)的出發(fā)點是監(jiān)控移動的目標(biāo)，它們或是非法侵入，或是通過關(guān)鍵的場景，總之是移動才帶來了對它們實施監(jiān)控的可能。因此尋找移動的目標(biāo)是圖像監(jiān)控的關(guān)鍵。移動目標(biāo)跟蹤解決振動測試是否通過正是確定板卡能否在這樣的環(huán)境下正常完成工作的關(guān)鍵手段。

然后在下一幀采集的圖像中對目標(biāo)對象進(jìn)行特征提取；特征匹配的過程既是將提取出來的目標(biāo)對象的特征與我們事先已經(jīng)建立的特征模板進(jìn)行匹配，通過與特征模板的相似程度來確定被跟蹤的目標(biāo)對象，實現(xiàn)對目標(biāo)的跟蹤。基于特征的跟蹤算法的優(yōu)點在于速度快、對運動目標(biāo)的尺度、形變和亮度等變化不敏感，能滿足特定場合的處理要求。但由于特征具有稀疏性和不規(guī)則性，所以該算法對于噪聲、遮擋、圖像模糊等比較敏感，如果目標(biāo)發(fā)生旋轉(zhuǎn)，則部分特征點會消失，新的特征點會出現(xiàn)，因此需要對匹配模板進(jìn)行更新。

目標(biāo)跟蹤是在首幀中給定待跟蹤目標(biāo)的情況下，對目標(biāo)進(jìn)行特征提取，對感興趣區(qū)域進(jìn)行分析；然后在后續(xù)圖像中找到相似的特征和感興趣區(qū)域，并對目標(biāo)在下一幀中的位置進(jìn)行預(yù)測。作為計算機(jī)視覺領(lǐng)域的一個熱點研究方向，目標(biāo)跟蹤一直都是一項具有挑戰(zhàn)性的工作。目標(biāo)跟蹤技術(shù)在導(dǎo)彈制導(dǎo)、智能監(jiān)控系統(tǒng)、視頻檢索、無人駕駛、人機(jī)交互和工業(yè)機(jī)器人等領(lǐng)域具有重要的作用。從上世紀(jì)50年代目標(biāo)跟蹤的起源到現(xiàn)今，盡管已有大量的研究成果，但是在復(fù)雜條件下實現(xiàn)實時準(zhǔn)確的跟蹤依舊難以實現(xiàn)。成都慧視光電技術(shù)有限公司推出基于全國產(chǎn)化RK3588板的高性能圖像跟蹤板卡。

設(shè)想這樣一個場景：孫悟空在飛行過程中完成了一次變化（這里假設(shè)他變成了一只鳥），但這個變化并不是像西游記拍攝中有煙霧效果完成的，而就是通過身體結(jié)構(gòu)發(fā)生漸變來完成的，這種情況下，檢測器應(yīng)該會在后續(xù)的檢測任務(wù)中失敗，因為設(shè)計好的檢測器只是為了檢測目標(biāo)孫悟空的存在，孫悟空變身之后已經(jīng)不存在這個目標(biāo)，檢測器是不會有火眼金睛繼續(xù)檢測到變化后的孫悟空的。但是，對于跟蹤設(shè)備就不一樣了，跟蹤目標(biāo)，哪怕目標(biāo)在跟蹤過程中發(fā)生了巨大變化，這些都是跟蹤設(shè)備的本質(zhì)能力。理想的跟蹤設(shè)備應(yīng)該可以很好的跟上孫悟空漸變的整個過程，并且可以繼續(xù)后面變身之后對鳥的跟蹤。慧視光電對RV1126跟蹤板進(jìn)行二次開發(fā)，實現(xiàn)AI智能應(yīng)用。比較好的目標(biāo)跟蹤互惠互利

快速移動的汽車怎么鎖定跟蹤？無源目標(biāo)跟蹤技術(shù)

YOLO單卷積神經(jīng)網(wǎng)絡(luò)在一次評價中直接從全圖中預(yù)測多個boundingboxes和類概率，在全圖上訓(xùn)練并直接優(yōu)化檢測性能，同時學(xué)習(xí)目標(biāo)的泛化表示。然而，YOLO對邊界框預(yù)測施加了嚴(yán)格的空間約束，限制了模型可以預(yù)測的相鄰項目的數(shù)量。成群出現(xiàn)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(tǒng)一對象識別網(wǎng)絡(luò)，提高了檢測的準(zhǔn)確性和效率，同時減少了計算開銷。該模型集成了一種在區(qū)域方案微調(diào)之間交替的訓(xùn)練方法，使得統(tǒng)一的、基于深度學(xué)習(xí)的目標(biāo)識別系統(tǒng)能夠以接近實時的幀率運行，然后在保持固定目標(biāo)的同時微調(diào)目標(biāo)檢測。無源目標(biāo)跟蹤技術(shù)