成都慧視開發的圖像跟蹤板能夠實現高精度的自動目標視頻跟蹤，所謂自動視頻跟蹤，是利用視頻的圖像信號，自動進行目標的檢測、識別、定位，自動控制云臺和攝像機的運動，跟蹤和鎖定目標。過去在安防領域，視頻信號一般都是可見光的攝像機產生的PAL制或NTSC制的模擬信號；現在，隨著320x240左右分辨率的非制冷的紅外熱象儀的價格進一步下降，熱成像傳感器將由jun用領域進入安防領域，以彌補CCD攝像機的夜晚成象質量差和非全天候等的問題。RV1126圖像處理板識別概率超過85%。湖北專業目標跟蹤

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。目標跟蹤推薦廠家Viztra-LE034圖像跟蹤板支持目標跟蹤識別目標（人、車）。

AI智能化檢測是打造領域智慧建設的一大舉措。通過在攝像頭中植入視覺處理AI圖像處理板，定制AI檢測算法，就能夠實現對物體的質量檢測。在智能檢測領域，圖像處理板的性能和算法的精度則是影響檢測效果的關鍵所在。不同行業的作業環境不同，對于圖像處理板的性能需求也就不同。因此，需要根據實際情況選擇合適的AI圖像處理板。像工業生產中的質量檢測，由于工業儀器的精密復雜，就需要高性能的AI圖像處理板，通過大算力實現快速數據處理。

YOLO單卷積神經網絡在一次評價中直接從全圖中預測多個boundingboxes和類概率，在全圖上訓練并直接優化檢測性能，同時學習目標的泛化表示。然而，YOLO對邊界框預測施加了嚴格的空間約束，限制了模型可以預測的相鄰項目的數量。成群出現的小物件，如鳥類，對于此模型也同樣有問題。fasterR-CNN，一個由全深度CNN組成的單一統一對象識別網絡，提高了檢測的準確性和效率，同時減少了計算開銷。該模型集成了一種在區域方案微調之間交替的訓練方法，使得統一的、基于深度學習的目標識別系統能夠以接近實時的幀率運行，然后在保持固定目標的同時微調目標檢測。慧視RK3588圖像跟蹤板支持目標跟蹤識別目標（人、車）。

無人機的迅猛發展，使得無人機的反制技術也水漲船高，常見的有電子干擾、無人機識別對抗等方式。后者采用圖像識別技術，通過在無人機攝像頭的基礎上加裝AI高性能圖像處理板，在算法的作用下，就具備無人機識別的功能，為無人機對抗創造條件。由于無人機飛行速度極快，因此針對于這樣環境下的AI識別需要“與眾不同”的圖像處理板。我們都知道，當視頻幀率越高時，視頻越能夠體現畫面細節信息，而圖像識別算法正是逐幀進行識別，因此，攝像頭捕捉到的畫面細節越多，識別的精度就會越高。慧視光電開發的慧視RV1126圖像處理板，采用了國產高性能CPU。貴州低壓線目標跟蹤

慧視RK3399PRO板卡可以用于大型公共停車場。湖北專業目標跟蹤

長時間一直進行這樣的圖像標注工作，那無疑是枯燥而乏味的，手酸不說，更多的是精神上的折磨，進而效率大打折扣。但這又是算法提升的必要途徑，無法跳過，當項目緊急時，甚至需要多人加班加點趕進度。這樣的痛苦現狀急需改變！慧視光電的算法工程師為了提高這一的效率，開發了一個深度學習算法開發平臺SpeedDP。它的基本邏輯是基于一個手動標注一定量的數據集進行訓練，形成一個可用的預選模型（如果已有模型可以直接使用），然后訓練一定階段后，可以評估此模型的能力，如果能夠滿足使用就可以對相同目標的新數據集（未進行任何標注）進行AI自動化標注。這一過程的省去了大量需要對新數據集的手動拉框工作，同時也在不斷反哺此模型算法，幫助提升性能。湖北專業目標跟蹤