自主可控目标跟踪功能

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。搭载AI智能算法的跟踪板如何实现目标识别及跟踪？自主可控目标跟踪功能

实际上，跟踪和检测是分不开的，比如传统TLD框架使用的在线学习检测器，或KCF密集采样训练的检测器，以及当前基于深度学习的卷积特征跟踪框架。一方面，跟踪能够保证速度上的需要，而检测能够有效地修正跟踪的累计误差。不同的应用场合对跟踪的要求也不一样，比如特定目标跟踪中的人脸跟踪，在跟踪成功率、准确度和鲁棒性方面都有具体的要求。另外，跟踪的另一个分支是多目标跟踪（MultipleObjectTracking）。多目标跟踪并不是简单的多个单目标跟踪，因为它不仅涉及到各个目标的持续跟踪，还涉及到不同目标之间的身份识别、自遮挡和互遮挡的处理，以及跟踪和检测结果的数据关联等。自主可控目标跟踪功能慧视RK3399图像跟踪板支持目标跟踪识别目标（人、车）。

东北虎作为生活在我国东北地区的保护动物，时不时会闯入居民区，给居民生命安全造成威胁，此前不就黑龙江七台河市勃利县一村落就出现了东北虎伤人事件，伤人后东北虎不知去向，消防和公安紧急寻找。值得关注的是，公安采用了无人机进行巡查，这种方式不仅比传统的地毯式搜索效率更高，而且面对东北虎这样危险的生物，安全性也更高。但是传统的无人机需要手动操控观察，同样费时费力，想要更进一步提升效率，则可以通过无人机智能化建设实现。

差图像作为经典、常胜不衰的动目标检测方法，有其合理性，因为运动能够导致图像的变化，相邻的两幅或多幅图像之间的关系，或当前图像与背景图像之间的关系，尤其是图像差的关系，能较好地体现出运动所带来的变化。复杂背景下的运动目标检测和跟踪由于有良好的应用前景，成为当前研究的一个热点。图像监控系统的出发点是监控移动的目标，它们或是非法侵入，或是通过关键的场景，总之是移动才带来了对它们实施监控的可能。因此寻找移动的目标是图像监控的关键。智能图像处理板在边海防中的应用。

视觉跟踪技术是计算机视觉领域（人工智能分支）的一个重要课题，有着重要的研究意义；且在导弹制导、视频监控、机器人视觉导航、人机交互、以及医疗诊断等许多方面有着广泛的应用前景。随着研究人员不断地深入研究，视觉目标跟踪在近十几年里有了突破性的进展，使得视觉跟踪算法不只是局限于传统的机器学习方法，更是结合了近些年人工智能热潮—深度学习（神经网络）和相关滤波器等方法，并取得了鲁棒（robust）、精确、稳定的结果。RK3399PRO图像处理板识别概率超过85%。自主可控目标跟踪功能

RK3588处理板，智慧视觉应用开发板。自主可控目标跟踪功能

利用图像处理技术实现导弹的远程打击是一项运用了比较长时间的技术，相比于现代化的电子控制，它具备低受干扰的特点，特别是无人机在军备领域的广泛应用，图像处理的作用重新受到重视。远程打击时，需要对整个弹的识别能力进行深度学习训练，不断的训练能够让AI更加聪明，让AI知道该打击什么，从而提升打击精度。在前期的试验印证阶段，需要进行大量反复的试验训练，通过在导弹前端植入导引头，给导弹装上眼睛，可以实时记录导弹打出后的视频画面，然后将大量的视频数据采集到一起用于分析改进。自主可控目标跟踪功能