质量目标跟踪

目标运动估计是根据目标在过去的位置对目标的运动规律加以总结，并以此对目标将来的运动状态进行预测。正确的预测，可以缩小匹配的计算区域，大幅的降低匹配计算量。在视频跟踪系统中由于被跟踪的目标处于运动状态，为了把目标始终保持在摄像机视野之内，必须对摄像机加以控制。在实际应用中，摄像机被固定在云台上，云台本身不做平移运动，但可以控制云台进行水平摆动和上下俯仰，从而带动摄像机做相应运动。所以，对摄像机的控制就是对云台的控制。目标跟踪监控预警系统是防溺水技防手段中应用比较广的。质量目标跟踪

但这也遇到很多难点，通常情况下，视频回传的延迟大概在200ms左右，随着大量的弹打出，视频传输所需带宽就面临压力，如何在通信带宽有限的情况下，保证视频顺畅、清晰、无卡顿地传输，是分析改进这个工作需要解决的前期难点。针对于这个问题，慧视光电利用GS弱网高清音视频传输系统和RK3588打造的Viztra-HE030图像处理板结合，推出了低延迟低带宽图传解决方案。在一个窄带收发信道内，例如在信道有效带宽0.5Mb/s~2Mb/s内，多路视频和交互控制共用一对收发信道，信道支持数据透传，外部系统可以使用该信道，传输任意格式的数据；可实时调整视频码率，在低至500K带宽情况下依然可以回传清晰流畅的图像。可以使设备飞的更远、走的更远;可实现视频中继转发；能够基于H265实时视频编码；可实现基于视频流的“人在回路低延迟控制”。基于普通60帧相机，实现15ms的低延迟编解码，加上数据链传输延迟时间在30ms左右，目前业界前列。通用性强，使用更加灵活，适用更多应用场景；支持多路SDI视频在低至500K带宽情况下的同时传输（1080P60FPS），彻底解决“带宽苦恼”；整体时延约60ms（含相机、编解码、显示，不含传输），实现实时控制、实时打击。专业目标跟踪批发价格RV1126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。

多边形标注能够能够帮助我们标注一些规则复杂的物体，如动物、人、车、建筑物等，与矩形标注框等方法相比，多边形标注更能精确展示被标注物体的形状、大小以及实时形态，通过大量的多边形标注工作，能够更好的帮助我们提高算法模型的准确性和鲁棒性。传统的多边形标注方法中，标注者需要在物体的边缘上依次单击鼠标或使用绘图工具，将点连接起来形成一个封闭的多边形。标注的难度取决于被标注物体的复杂程度，相较于矩形框标注更加费时费力，如果遇到大量待标注目标，则极大地影响工作效率。慧视微型双光吊舱能够实现昼夜成像。

这个过程中，采用无人机是个高效的办法。无人机高空观察能够获得更多的视野，并且针对许多人无法到达的地方，还能够快速抵近观察，防止惊扰。此外，更高效的措施是在无人机上加装具备图像处理的板卡，这时候无人机就是一个智慧眼，它能够在算法的辅助下，对野猪等动物进行AI搜寻，并且具备目标锁定功能。当无人机发现疑似目标就可以抵近观察，一旦确认目标就能够立即锁定跟踪，这样，地面围剿人员就可以快速像区域靠拢，对野猪进行逮捕驱逐。这样的无人机智慧眼可以用成都慧视开发的Viztra-HE030图像处理板来实现，这块板卡采用瑞芯微旗舰级芯片RK3588，算力能够达到6.0TOPS，处理村落、树林等复杂环境不在话下。同时，针对于野生动物目标识别算法的AI训练，成都慧视还可以提供专门的AI训练平台SpeedDP，通过大量的模型训练实现AI自动图像标注，进而帮助提升算法识别性能。工程师以RV1126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。自主可控目标跟踪功能

无人机可能会受到敌方势力或者强风等因素干扰，造成不同幅度的振动，从而影响板卡能否正常完成任务。质量目标跟踪

长时间一直进行这样的图像标注工作，那无疑是枯燥而乏味的，手酸不说，更多的是精神上的折磨，进而效率大打折扣。但这又是算法提升的必要途径，无法跳过，当项目紧急时，甚至需要多人加班加点赶进度。这样的痛苦现状急需改变！慧视光电的算法工程师为了提高这一的效率，开发了一个深度学习算法开发平台SpeedDP。它的基本逻辑是基于一个手动标注一定量的数据集进行训练，形成一个可用的预选模型（如果已有模型可以直接使用），然后训练一定阶段后，可以评估此模型的能力，如果能够满足使用就可以对相同目标的新数据集（未进行任何标注）进行AI自动化标注。这一过程的省去了大量需要对新数据集的手动拉框工作，同时也在不断反哺此模型算法，帮助提升性能。质量目标跟踪