浙江快速目标跟踪

无人机夜间工作时需要依靠红外机芯进行高清成像，而想要具备AI检测识别的能力则可以通过植入图像处理板。成都慧视可以根据需求提供整套的建设方案，实现快速集成开发。慧视Viztra-LE026图像处理板+MiNO 17红外机芯的组合方案，两款产品均使用小巧设计，整体组合重量在30g左右，并且都采用小功耗设计，用在无人机领域不会过多增加负担。在算法的赋能下，能够实现稳定的目标检测识别。Viztra-LE026图像处理板重量在10g左右，采用了瑞芯微全国产化芯片RV1126，能够输出2.0TOPS的算力，功耗不高于4W。能够以30Hz帧率跟踪像素2*2的目标，能够识别像素为12*12的目标，且识别率高于85%。而MiNO 17红外机芯重量在20g左右（净重5g（不含镜头）），像素分辨率为640*512，采用9/13/25mm三种定焦设计，支持18中伪彩选择，功耗小于0.75W。慧视光电基于AI图像处理的监控监管方案能够实现安全生产。浙江快速目标跟踪

此前，九号电动车的自平衡技术一次次刷新人们的认知，而其中一款探索版车型，甚至加入了智能摄像头，能够识别行人、障碍物，自动规划行驶路线，达成自动驾驶的目的。很多人好奇这种怎么做到的，其实很简单，车辆内部摄像头安装了具备图像处理的传感器。这种传感器就是图像处理板，这类AI板卡在目标识别算法的赋能下，就能够对视野范围的物体进行AI分类识别，从而帮助车辆进行避障。像成都慧视开发的高性能AI图像处理板Viztra-HE030，采用的是RK3588开发而成，凭借其工业级的性能，6.0TOPS的算力，就能够在车辆行驶过程中的复杂环境下进行周边环境的快速AI识别分类。当然，算法的能力也十分关键，由于车辆行驶环境的不断变化，算法面临的识别画面也不断变化，如何精细的进行识别，关系到车辆的行驶安全。稳定目标跟踪工程RK3399PRO图像处理板是我司自主研发的目标跟踪板，该板卡采用国产高性能CPU，搭载自研目标跟踪及跟踪算法。

由于侵入的目标的形状和颜色等特征是难以固定的，再加上监控的场景，即背景往往比较复杂，只利用一个单帧图像就找出移动的目标是非常困难的。然而，目标的运动导致了其运动时间内，监控场景图像的连续变化，所以，使用图像序列分析往往是比较有效的，而且适合于低信噪比的情况。由于监控系统通常监控的视野比较大，系统设置的环境较为恶劣，图像传输的距离较远，从而导致图像的信噪比不高，因此采用突出目标的方法，需要在配准的前提下进行多帧能量积累和噪声抑制。在该技术中，要研究的问题有，相邻的两幅或多幅图像之间的关系是什么关系，是简单的图像差的值，还是多幅之间差的最大值，还是其他的与图像减法之间的其他函数关系，是尤其需要研究的。在研究中，研究如何差，如何自动得到差图像的分割门限，如何减小背景和突出目标是研究的方向。

在无人机识别这个领域，应用十分广，因此针对于这方面的教学必不可少。目前国产化的识别传感器当属瑞芯微的RK3588，因此许多院校都会选择采用RK3588来进行教学，成都慧视开发的Viztra-HE030图像处理板就是利用RK3588打造而成，能够根据不同规格的相机深度定制接口。（不同接口的RK3588图像处理板）如果院校想进一步节约时间提升效率，成都慧视还可以提供训练学习设备的整套方案。在高性能Viztra-HE030图像处理板的基础上，根据需求帮助选择合适的相机，并且针对算法这块，我们能够提供一个高效的深度学习算法开发平台SpeedDP，这个平台能够通过大量的识别检测算法模型训练开发，实现对新数据集的快速AI自动图像标注，一方面省去大量手动标注工作，另一方面帮助提升算法性能。RK3588作为慧视光电开发的全国产化工业级板卡，具备高性能、高精度的优点。

目标检测与目标跟踪这两个任务有着密切的联系。针对目标跟踪任务，微软亚洲研究院提出了一种通过目标检测技术来解决的新视角，采用简洁、统一而高效的“目标检测+小样本学习”框架，在多个主流数据集上均取得了杰出性能。目标跟踪（Object tracking）与目标检测（Object detection）是计算机视觉中两个经典的基础任务。跟踪任务需要由用户指定跟踪目标，然后在视频的每一帧中给出该目标所在的位置，通常由一系列的矩形边界框表示。而检测任务旨在定位图片中某几类物体的坐标位置。对物体的检测、识别和跟踪能够有效地帮助机器理解图片视频的内容，为后续的进一步分析打下基础。AI图像处理板能实现24小时、无间隙信息化监控。信息化目标跟踪联系方式

工程师以RK3399PRO核心板为基础进行定制开发，让摄像头更加智能高效，能够输出高清流的图像视频。浙江快速目标跟踪

另外，经典的跟踪方法还有基于特征点的光流跟踪，在目标上提取一些特征点，然后在下一帧计算这些特征点的光流匹配点，统计得到目标的位置。在跟踪的过程中，需要不断补充新的特征点，删除置信度不佳的特征点，以此来适应目标在运动中的形状变化。本质上可以认为光流跟踪属于用特征点的来表征目标模型的方法。在深度学习和相关滤波的跟踪方法出现后，经典的跟踪方法都被舍弃，这主要是因为这些经典方法无法处理和适应复杂的跟踪变化，它们的鲁棒性和准确度都被前沿的算法所超越，但是，了解它们对理解跟踪过程是有必要的，有些方法在工程上仍然有十分重要的应用，常常被当作一种重要的辅助手段。浙江快速目标跟踪