2010年以前，目標跟蹤領域大部分采用一些經典的跟蹤方法，比如Meanshift、Particle Filter和Kalman Filter，以及基于特征點的光流算法等。Meanshift方法是一種基于概率密度分布的跟蹤方法，使目標的搜索一直沿著概率梯度上升的方向，迭代收斂到概率密度分布的局部峰值上。首先Meanshift會對目標進行建模，比如利用目標的顏色分布來描述目標，然后計算目標在下一幀圖像上的概率分布，從而迭代得到局部密集的區域。Meanshift適用于目標的色彩模型和背景差異比較大的情形，早期也用于人臉跟蹤。由于Meanshift方法的快速計算，它的很多改進方法也一直適用至今。用于安防監控及狀態監測的攝像頭數量的飛速發展。云南光纖數據目標跟蹤

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。云南光纖數據目標跟蹤AI算法賦能下的圖像處理板能夠進行目標識別。

低空經濟成為當下火熱的行業之一，各行各業都想利用無人機為自己服務，但是卻面臨一個問題，專業人才嚴重不足。有關數據顯示，我國無人機經營性企業已超過1.7萬家，全國實名登記的無人機已超過200萬架。而無人機人才的缺口卻多達100萬，這就給低空經濟的快速發展按下了慢速鍵。各大高校陸續建設無人機專業，但是四年的教學路怎么也得一步一個腳印，為了應對市場需求，只能從高效率的教學方法著手，讓學生更多的結合實際操作進行學習，能夠讓學生在畢業之后更快的適應工作需求，進而提升穩定就業的概率。

在智慧農業領域可以分為人工干涉和無人值守2種。系統提供了良好的人機界面，用戶可以通過系統的視頻顯示區觀看攝像機攝制的現場視頻，此時，用戶可以人工通過系統提供的按鈕以各種方式控制云臺，即人工可以干涉監控的過程。系統在大部分情況下處于無人值守的工作狀態，當監控中心的計算機系統收到外場設備的預警信號后，將自動向攝像機云臺發出控制信號，控制攝像機將發生報警區域的圖像鎖定在監視器上，并同時按系統的設定調整好焦距，視野大小等。然后系統自動轉入運動檢測，檢測當前區域是否有運動目標，如果有運動目標，則系統給出目標的一般性描述，提交給目標跟蹤模塊，對目標進行跟蹤。在這過程中，系統將作日志，記錄事故位置、時間等，同時對采集到的圖像作硬盤錄像。工程師以RK3399核心板為基礎進行定制開發，讓攝像頭更加智能高效，能夠輸出高清流的圖像視頻。

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。RK3399PRO圖像處理板識別概率超過85%。云南光纖數據目標跟蹤

慧視RK3399圖像處理板能實現24小時、無間隙信息化監控。云南光纖數據目標跟蹤

無人機在高速公路巡檢中的作用越來越突出，特別是在十一黃金周這樣的出行高峰，高速公路的安全和暢通至關重要。傳統的巡檢模式受到人力物力以及時空的限制，弊端很大，難以實現精細大面積的監控疏導。無人機靈活機動的特點則能夠很好的彌補時空的局限，而想要進一步減少人力物力的付出，則需要打造智能化的無人機，通過AI賦能，讓無人機更加聰明。打造智能化無人機可以在無人機吊艙的基礎上加裝高性能的AI圖像處理設備，成都慧視開發的Viztra-HE030圖像處理板憑借6.0TOPS的算力，用在十一黃金周這樣的出行高峰期就能夠很好地勝任工作，板卡采用了國產化芯片RK3588，在算法的賦能下，能夠實現高效巡檢。云南光纖數據目標跟蹤