weixin_43745234的博客

这段脚本提供了一个简单但实用的目标中心点评估与可视化框架。相比只依赖数值结果，图像级别的直观反馈更利于发现问题、调优模型。如果你正在调试跟踪模型，不妨试试把它接入你的 pipeline 中。

坐标系名称英文缩写原点单位轴定义常见用途WGS-84大地坐标系地球椭球面角度 + 米L：经度，A：纬度，H：高度GPS、地图、全球定位地心直角坐标系地球质心米X指经度0°赤道，Z指北极坐标变换中间体，轨道计算本地东-北-天坐标系ENU / NED任意参考点米东-北-天（或地）方向无人机导航、雷达跟踪平台坐标系平台中心米X前，Y右，Z下航空载荷、雷达、车载设备相机坐标系Camera相机光心像素或米X右，Y下，Z前（OpenCV标准）图像处理、3D重建、位姿估计。

通过避免显式的数据拷贝；显著降低延迟；提高推理帧率；是 Jetson 等设备部署高效推理模型的重要手段之一。如果你在使用 TensorRT 时遇到延迟瓶颈，不妨尝试这种优化方式，简单实用，收益巨大！

模型结构非常简洁：LSTM 后接一个线性层，输出二维坐标。self.linear = nn.Linear(hidden_size, 2) # 输出 x 和 y 坐标out = self.linear(out[:, -1, :]) # 取最后一个时间步输出return out本文演示了如何用 LSTM 网络预测二维轨迹点。虽然我们使用了简化的正余弦函数作为轨迹，但整个流程同样适用于真实的物体轨迹预测任务。替换为真实目标轨迹坐标，如手势轨迹、无人机飞行数据；加入速度或时间戳等辅助信息；

本系列文章将系统介绍进阶的红外弱小目标检测技术、跟踪算法以及两者结合的联合优化思路，同时附上部分代码实现示例，供工程实践与理论研究参考。虽然基于模板匹配的算法（如KCF、Siamese网络初期版本）在简单场景中表现良好，但面对红外图像低对比、目标易变形的问题，其鲁棒性受到限制。该系列文章旨在为从事红外检测和跟踪的科研人员与工程师提供详实的理论与实践参考，希望能进一步推动相关领域的技术进步和工程应用。通过孪生网络同时提取模板与当前帧的特征，比较相似性生成目标候选框，具有优秀的实时性能与鲁棒性。

YOLOv10 是一款高效的目标检测模型，其predict()方法可以直接对输入图片或视频进行推理。默认情况下，该方法会返回一个Results列表，每个Results对象中包含了检测到的目标信息，例如边界框、类别、置信度等。然而，predict()方法并不会自动生成标签文件。本教程通过遍历Results并将检测结果写入.txt文件，解决这一需求。通过上述代码示例，你可以在调用 YOLOv10 的predict()方法后，将检测结果自动保存为标签文件。该方法灵活高效，便于对检测结果进行进一步处理。

引擎加载与构建检查是否存在序列化的 TensorRT 引擎文件，若存在则直接加载，否则通过解析 ONNX 模型构建引擎，并保存到文件中。预处理、推理和后处理对输入图像进行预处理（调整尺寸、颜色转换、归一化等），通过 TensorRT 进行推理，然后经过转置、解码及非极大值抑制得到最终检测结果，最后恢复检测框至原图尺度。结果绘制利用 OpenCV 将检测结果（边框、类别、置信度）绘制到图像上，方便可视化检测效果。

红外弱小目标检测跟踪算法研究https://blog.youkuaiyun.com/Hilaryw/article/details/137232793https://blog.youkuaiyun.com/hilaryw/category_12556265.htmlLocal Contrast Measure（LCM）该方法实现过程一句话就可以概括：增强图像中的小目标区域，同时抑制图像中的背景区域。问题一：你怎么知道图像哪部分是小目标区域，哪部分是背景区域？问题二：怎么增强又怎么抑制呢？…如何识别出小目标呢？没错，你正是通过小目

针对目标被遮挡的情况，使用卡尔曼滤波进行轨迹预测，试验表明，对目标消失60帧的视频，具有较好的轨迹预测效果使用卡尔曼滤波对运动轨迹预测，连续起来，就是一个目标该跟踪算法，本文实现的代码，是基于检测算法实现的，即，每一帧执行检测算法，当目标消失的时候，使用卡尔曼滤波进行轨迹预测，

当Ctrl+c没有彻底结束进程，使用nvidia-smi发现仍被占用时，使用kill命令杀死进行：如下。解决办法是，直接用 bash test.sh，或者./test.sh,这两种方式来执行脚本。其中不包括刚才那种数组初始化，所以才会识别不了，直接报Syntx error。比如需要删除当前路径下的一个test的文件夹：rm -rf test。又因为dash是比bash还轻量的，只支持基本的shell功能，如果删除空文件夹，也可以使用命令进行删除：rmdir test。

stdint.h。

此外，满足假设的不光是目标，也可能是干扰，例如高亮的像素级噪声等。显性地构建一种反应这种差异的度量方式，在局部的滑窗中，计算中心和邻域之间灰度的差值或比值，包括RLCM、TLLCM、AAGD等。根据国际光学工程学会的定义，在256×256的图像中，红外小目标的像素面积不超过9×9。基于分割的方法，处理思路与模型驱动的传统方法类似，网络对每个像素进行二分类，区分为目标或者背景，输出目标分割图。缺点：不是所有的小目标检测都满足矩阵分解的前提，而且计算复杂，难以满足实时性的要求。

背景抑制类算法通过在图像上移动特殊设计的滑窗，抑制窗口内的背景像素，并增强目标像素。典型方法包括top-hat变化、中值滤波、均值滤波等。这些早期方法已经被广泛地部署于实际应用场景。top-hat算法先腐蚀后膨胀，可以腐蚀掉小目标，得到背景图，再用原图-背景图得到目标图；top-hat算法只适合检测小目标，检测不了大目标，当目标过大的时候，会被当成背景滤掉。缺点：处理厚云层或海天交界场景时会出现大量的虚警。

找了很多程序都是爬取几张就挺了，下面这个版本经测试很好使。

前言：网上找的代码是keras以tensorflow为后端的，苦于不知道具体版本号，所以各种报错，所以参考网上的代码将其修改为基于pytorch的。后来想明白了，除了前八个数没有，其他数经过迭代，Y里面都包含了，所以观察上面两个图，会发现第二幅图比第一幅图少了前面一截数据图。我的疑问，time_step = 8，意味着每8个数据预测下一个数据，为什么预测后的图画出来和原始数据的形状一直呢？3，data[:,0] data[1,:]的含义。下图是归一化后的原数据和预测数据。下图是没有归一化过的原数据。....