對于目標被暫時遮擋的情況，通過設定目標狀態為暫時丟失狀態，并以上一次目標的位置和速度繼續對后續的目標位置進行預測，在后續圖像中可以再次重新找回目標。在攝像機控制時，采取估計提前量的控制策略也對跟蹤有很大的幫助。控制攝像機，使目標提前擺到視野中目標運動方向的另一側，可以為以后的跟蹤贏得更多的跟蹤時間和機會。在本實驗序列中尤為明顯，目標基本上保持由左上向右下運動的趨勢，根據對目標速度的估計，則攝像機提前將目標定為視野中心偏上偏左的區域，對目標運動加提前估計量。慧視RK3399圖像處理板能實現24小時、無間隙信息化監控。貴州目標跟蹤檢測

這個過程中，采用無人機是個高效的辦法。無人機高空觀察能夠獲得更多的視野，并且針對許多人無法到達的地方，還能夠快速抵近觀察，防止驚擾。此外，更高效的措施是在無人機上加裝具備圖像處理的板卡，這時候無人機就是一個智慧眼，它能夠在算法的輔助下，對野豬等動物進行AI搜尋，并且具備目標鎖定功能。當無人機發現疑似目標就可以抵近觀察，一旦確認目標就能夠立即鎖定跟蹤，這樣，地面圍剿人員就可以快速像區域靠攏，對野豬進行逮捕驅逐。這樣的無人機智慧眼可以用成都慧視開發的Viztra-HE030圖像處理板來實現，這塊板卡采用瑞芯微旗艦級芯片RK3588，算力能夠達到6.0TOPS，處理村落、樹林等復雜環境不在話下。同時，針對于野生動物目標識別算法的AI訓練，成都慧視還可以提供專門的AI訓練平臺SpeedDP，通過大量的模型訓練實現AI自動圖像標注，進而幫助提升算法識別性能。海南目標跟蹤功效成都RK3588智能跟蹤板提供商。

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。

SpeedDP作為一個服務型AI平臺，它能提供從數據標注、模型訓練、測試驗證到RockChip嵌入式硬件平臺模型部署的可視化AI開發功能。平臺所需算法并不是固定的，使用者可以根據自身實際應用場景進行AI算法的定制化開發，例如平臺經過不斷的迭代，目前能夠支持YOLOv8系列算法進行圖像標注。SpeedDP這個平臺使用起來十分簡便，在圖像標注領域其基本使用方法是：1.首先有一個比較好的預選模型2.用這個預選模型做自動標注3.后期人工審核修正慧視微型雙光吊艙能夠實現晝夜成像。

在無人機識別這個領域，應用十分廣，因此針對于這方面的教學必不可少。目前國產化的識別傳感器當屬瑞芯微的RK3588，因此許多院校都會選擇采用RK3588來進行教學，成都慧視開發的Viztra-HE030圖像處理板就是利用RK3588打造而成，能夠根據不同規格的相機深度定制接口。（不同接口的RK3588圖像處理板）如果院校想進一步節約時間提升效率，成都慧視還可以提供訓練學習設備的整套方案。在高性能Viztra-HE030圖像處理板的基礎上，根據需求幫助選擇合適的相機，并且針對算法這塊，我們能夠提供一個高效的深度學習算法開發平臺SpeedDP，這個平臺能夠通過大量的識別檢測算法模型訓練開發，實現對新數據集的快速AI自動圖像標注，一方面省去大量手動標注工作，另一方面幫助提升算法性能。慧視AI算法是無人設備的“眼睛”。海南目標跟蹤功效

成都慧視的RK3588跟蹤板卡很可以。貴州目標跟蹤檢測

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。貴州目標跟蹤檢測