Monografia poświęcona jest rozwojowi metod i narzędzi wizji komputerowej wykorzystujących sztuczną inteligencję do szybkiej identyfikacji poruszających się obiektów w strumieniu danych wideo w oparciu o technologie głębokiego uczenia. Rozważane są klasyczne i nieklasyczne metody sztucznej inteligencji, konwolucyjne sieci neuronowe, wizja komputerowa i rozpoznawanie obrazów oraz teorie systemów sterowania oparte na szacunkach i kryteriach statystyki matematycznej. W wyniku rozpoznawania określany jest typ rozpoznawanego obiektu i obliczane są ilościowe szacunki dokładności. Zaimplementowano metodę stosowania szablonów. Algorytm posiada informacje o tym, jak wygląda poszukiwany obiekt, jakie może mieć tło, jak wyglądają określone kontury obiektu i w jakiej są pozycji. Natychmiast brana jest pod uwagę możliwa lokalizacja detekcji obiektu. Pozwala to na osiągnięcie wysokiej jakości rozpoznawania i dobrej wydajności. Gdy kamera wideo rejestruje kilka podobnych obiektów, zaspokajane są różne szablony, a rozpoznawalność spada. Modele sztucznych sieci neuronowych są używane do szacowania lub przybliżania funkcji, które mogą zależeć od wielu danych wejściowych i zazwyczaj są nieznane.