数据目标跟踪工程

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。DVP接口转网络输出的视频跟踪板。数据目标跟踪工程

在许多领域，无人机的作业环境相对复杂，需要识别处理图像背景目标众多，这种环境下，要想实现更高精度的检测识别效果，图像处理板的性能至关重要。在慧视光电开发的多款图像处理板中，Viztra-HE030图像处理板以6.0TOPS得以胜任。这款板卡采用了瑞芯微旗舰级芯片RK3588，8nmLP制程，搭载八核64位CPU，主频高达2.4GHz。集成ARMMali-G610MP4四核GPU，内置AI加速器NPU，支持主流的深度学习框架。性能强劲的RK3588可为无人机AI识别的应用场景带来更强大的性能表现。数据目标跟踪工程AI算法赋能下的图像处理板能够进行智能目标识别。

视频监控中的多目标跟踪(MTT)是一项重要而富有挑战性的任务，由于其在各个领域的潜在应用而引起了研究人员的大量关注。多目标跟踪任务需要在每帧中单独定位目标，这仍然是一个巨大的挑战，因为目标的外观会立即发生变化，并且会出现极端的遮挡。除此之外，多目标跟踪框架需要执行多个任务，即目标检测、轨迹估计、帧间关联和重新识别。多目标跟踪分为目标检测和跟踪两个主要任务。为了区分组内对象，MTT算法将ID与在特定时间内保持特定于该对象的每个检测到的对象相关联。然后利用这些ID来生成被跟踪对象的运动轨迹。

在很长一段时间内，传统的粮库害虫检查方法是依靠人工巡检，用肉眼观察，逐仓筛查的方法，这种方法覆盖面不足且效率低下，筛查一次将耗费工作人员的大量时间精力。随着技术的发展，AI化的筛查逐步采用，通过算法的AI识别实现自动化筛查。方法基于高像素高清摄像机，实时远程监控粮库，一旦发现害虫就能够立即向管理平台发出告警，有效降低巡检成本和压力，提升工作效率。这之中，实现AI识别处理的传感器同样重要，面对复杂的粮库环境，一个高性能能够快速处理数据的图像处理板是关键。慧视RV1126图像跟踪板支持目标跟踪识别目标（人、车）。

这种智慧化的建设就是采用图像处理。在无人机内部安装图像处理板，这些图像处理板和相机、算法的有机结合就形成了无人机的智慧眼，有了这个智慧眼，无人机就能够对视野范围内的物体进行AI识别，从而自动完成避障、巡检等操作。成都慧视开发的小型化图像处理板Viztra-LE026就是专门为无人机设计的一款“智慧眼”处理器。这块板卡采用了RV1126开发而成，具备2.0TOPS的算力，外形呈圆形化设计，整体外观大小为Ф38mm*12mm，重量只有12g，功耗不高于4W，用在无人机领域具有功耗低、尺寸小的优势，不会过多占用和消耗无人机的内部空间和续航。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。数据目标跟踪工程

CVBS接口转网络输出的视频跟踪板。数据目标跟踪工程

YOLO单卷积神经网络在一次评价中直接从全图中预测多个boundingboxes和类概率，在全图上训练并直接优化检测性能，同时学习目标的泛化表示。然而，YOLO对边界框预测施加了严格的空间约束，限制了模型可以预测的相邻项目的数量。成群出现的小物件，如鸟类，对于此模型也同样有问题。fasterR-CNN，一个由全深度CNN组成的单一统一对象识别网络，提高了检测的准确性和效率，同时减少了计算开销。该模型集成了一种在区域方案微调之间交替的训练方法，使得统一的、基于深度学习的目标识别系统能够以接近实时的帧率运行，然后在保持固定目标的同时微调目标检测。数据目标跟踪工程