視頻監(jiān)控中的多目標(biāo)跟蹤(MTT)是一項(xiàng)重要而富有挑戰(zhàn)性的任務(wù)，由于其在各個(gè)領(lǐng)域的潛在應(yīng)用而引起了研究人員的大量關(guān)注。多目標(biāo)跟蹤任務(wù)需要在每幀中單獨(dú)定位目標(biāo)，這仍然是一個(gè)巨大的挑戰(zhàn)，因?yàn)槟繕?biāo)的外觀會(huì)立即發(fā)生變化，并且會(huì)出現(xiàn)極端的遮擋。除此之外，多目標(biāo)跟蹤框架需要執(zhí)行多個(gè)任務(wù)，即目標(biāo)檢測(cè)、軌跡估計(jì)、幀間關(guān)聯(lián)和重新識(shí)別。多目標(biāo)跟蹤分為目標(biāo)檢測(cè)和跟蹤兩個(gè)主要任務(wù)。為了區(qū)分組內(nèi)對(duì)象，MTT算法將ID與在特定時(shí)間內(nèi)保持特定于該對(duì)象的每個(gè)檢測(cè)到的對(duì)象相關(guān)聯(lián)。然后利用這些ID來(lái)生成被跟蹤對(duì)象的運(yùn)動(dòng)軌跡。Viztra-LE034圖像跟蹤板支持目標(biāo)跟蹤識(shí)別目標(biāo)（人、車）。國(guó)產(chǎn)目標(biāo)跟蹤好選擇

安全生產(chǎn)一直是發(fā)展過(guò)程中不變的話題。當(dāng)前，我國(guó)建筑行業(yè)正處于高速發(fā)展階段，不少建筑工地陸續(xù)開(kāi)工，建筑行業(yè)安全也越發(fā)受到社會(huì)各界的關(guān)注。該行業(yè)以事故高發(fā)、危險(xiǎn)系數(shù)高而聞名，建筑工人常常暴露于高處墜落、電氣和化學(xué)危險(xiǎn)以及涉及重型機(jī)械和車輛的環(huán)境中。一般情況下，工地開(kāi)工都會(huì)對(duì)工人進(jìn)行安全教育培訓(xùn)，并且設(shè)有安全監(jiān)管人員，但純?nèi)肆ΡO(jiān)管，常常因?yàn)槭韬龃笠忉劤杀瘎　＜尤肟萍嫉牧α咳绫O(jiān)控等設(shè)備來(lái)輔助人力監(jiān)管是一個(gè)很好的補(bǔ)充，但是傳統(tǒng)監(jiān)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(jiān)控監(jiān)管方案就應(yīng)運(yùn)而生。寧夏光纖數(shù)據(jù)目標(biāo)跟蹤慧視光電對(duì)RK3588跟蹤板進(jìn)行二次開(kāi)發(fā)，實(shí)現(xiàn)AI智能應(yīng)用。

基于視頻目標(biāo)檢測(cè)和跟蹤的一般流程是：通過(guò)目標(biāo)檢測(cè)，找到目標(biāo)；對(duì)目標(biāo)特征進(jìn)行描述，初步估計(jì)目標(biāo)的運(yùn)動(dòng)矢量；根據(jù)運(yùn)動(dòng)狀態(tài)，進(jìn)入目標(biāo)跟蹤，對(duì)傳感器的姿態(tài)，比如水平方位、垂直方位和焦距等進(jìn)行調(diào)整；跟蹤到目標(biāo)后，對(duì)目標(biāo)特征進(jìn)行更新，并對(duì)目標(biāo)的運(yùn)動(dòng)進(jìn)行預(yù)測(cè)后，進(jìn)入下一輪的跟蹤過(guò)程。目標(biāo)跟蹤檢測(cè)與跟蹤涉及到的技術(shù)細(xì)節(jié)很多。慧視光電開(kāi)發(fā)的高性能目標(biāo)跟蹤圖像跟蹤板在自研目標(biāo)跟蹤算法的作用下，能夠?qū)崿F(xiàn)高精度低延遲的視頻目標(biāo)鎖定跟蹤。

YOLO單卷積神經(jīng)網(wǎng)絡(luò)在一次評(píng)價(jià)中直接從全圖中預(yù)測(cè)多個(gè)boundingboxes和類概率，在全圖上訓(xùn)練并直接優(yōu)化檢測(cè)性能，同時(shí)學(xué)習(xí)目標(biāo)的泛化表示。然而，YOLO對(duì)邊界框預(yù)測(cè)施加了嚴(yán)格的空間約束，限制了模型可以預(yù)測(cè)的相鄰項(xiàng)目的數(shù)量。成群出現(xiàn)的小物件，如鳥類，對(duì)于此模型也同樣有問(wèn)題。fasterR-CNN，一個(gè)由全深度CNN組成的單一統(tǒng)一對(duì)象識(shí)別網(wǎng)絡(luò)，提高了檢測(cè)的準(zhǔn)確性和效率，同時(shí)減少了計(jì)算開(kāi)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(shí)別系統(tǒng)能夠以接近實(shí)時(shí)的幀率運(yùn)行，然后在保持固定目標(biāo)的同時(shí)微調(diào)目標(biāo)檢測(cè)。智能圖像跟蹤在機(jī)場(chǎng)周界中的應(yīng)用。

2010年以前，目標(biāo)跟蹤領(lǐng)域大部分采用一些經(jīng)典的跟蹤方法，比如Meanshift、Particle Filter和Kalman Filter，以及基于特征點(diǎn)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(biāo)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(huì)對(duì)目標(biāo)進(jìn)行建模，比如利用目標(biāo)的顏色分布來(lái)描述目標(biāo)，然后計(jì)算目標(biāo)在下一幀圖像上的概率分布，從而迭代得到局部密集的區(qū)域。Meanshift適用于目標(biāo)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(jì)算，它的很多改進(jìn)方法也一直適用至今。成都慧視的跟蹤版是國(guó)產(chǎn)化的嗎？寧夏光纖數(shù)據(jù)目標(biāo)跟蹤

RV1126圖像處理板是我司自主研發(fā)的目標(biāo)跟蹤板，該板卡采用國(guó)產(chǎn)高性能CPU，搭載自研目標(biāo)跟蹤及跟蹤算法。國(guó)產(chǎn)目標(biāo)跟蹤好選擇

視覺(jué)跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域（人工智能分支）的一個(gè)重要課題，有著重要的研究意義；且在導(dǎo)彈制導(dǎo)、視頻監(jiān)控、機(jī)器人視覺(jué)導(dǎo)航、人機(jī)交互、以及醫(yī)療診斷等許多方面有著廣泛的應(yīng)用前景。隨著研究人員不斷地深入研究，視覺(jué)目標(biāo)跟蹤在近十幾年里有了突破性的進(jìn)展，使得視覺(jué)跟蹤算法不只是局限于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，更是結(jié)合了近些年人工智能熱潮—深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）和相關(guān)濾波器等方法，并取得了魯棒（robust）、精確、穩(wěn)定的結(jié)果。國(guó)產(chǎn)目標(biāo)跟蹤好選擇