目標跟蹤算法具有不同的分類標準，可根據檢測圖像序列的性質分為可見光圖像跟蹤和紅外圖像跟蹤；又可根據運動場景對象分為靜止背景目標跟蹤和運動背景下的目標跟蹤。由于基于區域的目標跟蹤算法用的是目標的全局信息，比如灰度、色彩、紋理等。因此當目標未被遮擋時，跟蹤精度非常高、跟蹤非常穩定，對于跟蹤小目標效果很好，可信度高。但是在灰度級的圖像上進行匹配和全圖搜索，計算量較大，非常費時間，所以在實際應用中實用性不強；其次，算法要求目標不能有太大的遮擋及其形變，否則會導致匹配精度下降，造成運動目標的丟失。AI算法賦能下的圖像處理板能夠進行智能目標識別。陜西數據目標跟蹤

差圖像作為經典、常勝不衰的動目標檢測方法，有其合理性，因為運動能夠導致圖像的變化，相鄰的兩幅或多幅圖像之間的關系，或當前圖像與背景圖像之間的關系，尤其是圖像差的關系，能較好地體現出運動所帶來的變化。復雜背景下的運動目標檢測和跟蹤由于有良好的應用前景，成為當前研究的一個熱點。圖像監控系統的出發點是監控移動的目標，它們或是非法侵入，或是通過關鍵的場景，總之是移動才帶來了對它們實施監控的可能。因此尋找移動的目標是圖像監控的關鍵。江西高效目標跟蹤成都智能化目標跟蹤供應商。

云臺的旋轉將直接改變攝像機的視野，因此對于云臺的控制必須謹慎且準確。錯誤的控制會使目標從視野中消失，導致跟蹤的失敗。此外，如果云臺的控制幅度過小，可能會達不到目標回到視野中心的目的，目標也同樣極易丟失。相反如果在對目標運動速度有可靠估計的前提下，提前將目標移到視野中目標運動方向的另一側，將為此后跟蹤目標贏得更多的時間，能夠提高跟蹤的成功率。所以為了使對于云臺的控制更為合理，應該對于不同的情況采取不同的控制策略。對于情況的劃分主要取決于目標的可靠性和速度的穩定性。

用檢測器模型去解決跟蹤問題，遇到的比較大問題是訓練數據不足。普通的檢測任務中，因為檢測物體的類別是已知的，可以收集大量數據來訓練。例如 VOC、COCO 等檢測數據集，都有著上萬張圖片用于訓練。而如果我們將跟蹤視為一個特殊的檢測任務，檢測物體的類別是由用戶在首先幀的時候所指定的。這意味著能夠用來訓練的數據只是只是只有少數幾張圖片。這給檢測器帶來了很大的障礙。而慧視光電定制的目標跟蹤算法可以有效的解決這個問題，通過AI自動圖像標注平臺SpeedDP的大量模型部署訓練，能夠有效解決數據訓練不足的問題。慧視光電的RK3588跟蹤板怎么樣？

相關濾波的跟蹤算法始于2012年P.Martins提出的CSK方法，作者提出了一種基于循環矩陣的核跟蹤方法，并且從數學上完美解決了密集采樣（Dense Sampling）的問題，利用傅立葉變換快速實現了檢測的過程。在訓練分類器時，一般認為離目標位置較近的是正樣本，而離目標較遠的認為是負樣本。回顧前面提到的TLD或Struck，他們都會在每一幀中隨機地挑選一些塊進行訓練，學習到的特征是這些隨機子窗口的特征，而CSK作者設計了一個密集采樣的框架，能夠學習到一個區域內所有圖像塊的特征。快速移動的汽車怎么鎖定跟蹤？山東無線目標跟蹤

RV1126圖像處理板識別概率超過85%。陜西數據目標跟蹤

當兩個圖像之間還有旋轉或比例變化時，往往使用基于控制點的方法進行圖像配準。所謂特征點匹配就是在一幀圖像中尋找具有不變性質的結構—特征點，例如，灰度局部極大值、局部邊緣、角等，與另一幀圖像中的同類特征點作匹配，從而求得該兩幀圖像之間的變換關系。從現實的觀點看，在全部特征點中，只有部分能得到正確的匹配，這是因為特征點尋找算法并非完美無缺。特征點匹配方法具有：處理的數據量不斷減少、可能匹配的數目少于互相關方法和受照度、幾何的變化影響較小的優點。根據具體的振動情況，選擇合適的特征點和速度較快的匹配策略是該任務研究的重點。目前的研究工作都致力于圖像間的自動配準，如直接相關匹配，基于圖像分割技術的配準，利用封閉輪廓的形心作為控制點的配準等。陜西數據目標跟蹤