Warum verpasst ein Heim-NVR kurze Ereignisse, wenn die Objektverfolgung aktiviert ist?
Ein Heim-NVR kann kurze Ereignisse übersehen, wenn die Verfolgung aktiviert ist, weil das Objekt verschwinden kann, bevor genügend Erkennungen eine gültige Spur erstellen und bestätigen.
Objektverfolgung wird häufig eingesetzt, um doppelte Warnungen zu reduzieren und die Identität einer Person, eines Autos oder eines Tiers beizubehalten, während es sich durch das Bild bewegt. Sie ersetzt jedoch nicht die Objekterkennung. Ein Detektor muss das Objekt zunächst erfassen; anschließend muss der Tracker die Erkennungen zeitlich zuordnen, die Trajektorie aufrechterhalten und Ereignis- oder Zonenregeln erfüllen. Eine schnelle Bewegung durch eine Tür oder ein kurzes Erscheinen in der Einfahrt kann in jeder dieser Phasen enden.
Die Verfolgung beginnt mit der Erkennung – nicht davor
Ein Tracker kann keine zuverlässige Trajektorie für ein Objekt erstellen, das der Detektor nie gemeldet hat. Bewegungserkennung, Bildauswahl, Dekodierung, Objekterkennung und Konfidenzfilterung erfolgen weiterhin vor der Zuordnung.
Frigate empfiehlt für viele Kameras einen Erkennungsstream mit etwa 5 Bildern pro Sekunde, weist jedoch darauf hin, dass sich schneller bewegende Objekte eine höhere Rate erfordern können. Bei 5 fps erhält der Detektor alle 200 Millisekunden ein mögliches Bild.
Ein Objekt, das eine halbe Sekunde lang sichtbar ist, kann nur in zwei oder drei analysierten Bildern erscheinen. Bewegungsunschärfe, Verdeckung, eine ungünstige Größe oder ein Ergebnis mit niedriger Konfidenz können diese Folge auf eine einzige brauchbare Erkennung reduzieren.
Die Bildabtastung kann die beste Ansicht überspringen
Die Aufzeichnung kann 15 oder 30 Bilder pro Sekunde enthalten, während die Erkennung auf einem Stream mit niedrigerer Bildrate läuft. Das klarste Bild kann zwischen den an den Detektor gesendeten Bildern liegen.
Niedrigere Erkennungsraten sparen Rechenleistung und erfassen gewöhnliche Gehbewegungen meist weiterhin zuverlässig. Für eine laufende Person, ein Fahrrad, ein kleines Tier oder ein Fahrzeug, das nur durch einen schmalen Bildbereich zu sehen ist, verringern sie jedoch die zeitliche Abdeckung.
Testen Sie die tatsächliche Dauer in Bildern. Ein zehn Bilder langer Clip bei 30 fps dauert nur ein Drittel einer Sekunde; ein Detektor mit 5 fps analysiert möglicherweise nur eine oder zwei Positionen, von denen keine eine hochwertige Begrenzungsbox garantiert.
Die Prüfphase einer Spur kann länger dauern als das Ereignis
Tracker behalten ein neues Ziel häufig zunächst als vorläufig bei, bis es mehrere Bilder lang bestehen bleibt. Dadurch werden Warnungen aufgrund von Rauschen in einzelnen Detektorbildern, Reflexionen, Insekten und Kompressionsartefakten reduziert.
NVIDIA DeepStream dokumentiert eine vorläufige Prüfphase, bevor eine neue Spur aktiv wird. Verschwindet ein Ziel während dieser Phase, kann die Pipeline die Spur als wahrscheinliches Fehlalarmereignis unterdrücken.
Dieselbe Schutzmaßnahme kann ein echtes kurzes Ereignis verbergen. Eine kürzere Prüfphase verbessert die Erkennung kurzer Ereignisse, führt aber auch zu mehr Fehlalarmen durch einzelne Bilder. Daher muss sie mit dem tatsächlichen Rauschen der Kamera getestet werden.
Konfidenzschwellen entfernen schwache Boxen vor der Zuordnung
Schnelle Bewegungen, ein teilweises Eintreten am Bildrand, Nachtaufnahmen, Regen, Blendung und eine geringe Objektgröße können die Konfidenz des Detektors senken, selbst wenn eine Person das Objekt erkennen kann.
ByteTrack wurde für das Problem entwickelt, dass das Verwerfen von Detektorboxen mit niedriger Konfidenz zu übersehenen Objekten und fragmentierten Trajektorien führt.
Ein kurzes Ereignis bietet nur wenig Zeit, um eine verworfene Box auszugleichen. Vergleichen Sie hohe und niedrige Schwellenwerte anhand exportierter Clips und prüfen Sie, ob der Detektor das Objekt nur schwach erkennt oder überhaupt nicht erfasst.
Zuordnungsregeln können bei abrupten Bewegungen scheitern
Tracker sagen voraus, wo ein Objekt als Nächstes erscheinen sollte, und gleichen diese Vorhersage mit neuen Erkennungen ab. Eine plötzliche Richtungsänderung, ein großer Positionssprung zwischen Bildern, eine starke Größenänderung oder eine teilweise Verdeckung kann außerhalb der Zuordnungsgrenze liegen.
Ultralytics stellt Schwellenwerte und Puffer für die Verfolgung bereit. Diese steuern, ob Erkennungen Spuren aktualisieren und wie lange verlorene Spuren aktiv bleiben.
Eine Vergrößerung des Puffers hilft bei einem vorübergehenden Verschwinden, nachdem eine Spur bereits existiert. Sie behebt jedoch kein Ereignis, das nie zu einer Spur wurde. Eine zu lockere Zuordnung kann außerdem ein neues Objekt an eine alte Trajektorie anhängen und dadurch die falsche Ereignisidentität erzeugen.
Initialisierung und Kontinuität einer Spur erfordern einen Kompromiss zwischen Erkennungsrate und Stabilität
Online-Tracking muss entscheiden, wann eine Erkennung zu einer neuen Spur wird, wann zwei Beobachtungen zum selben Objekt gehören und wann eine Trajektorie beendet ist.
Forschung zur Online-Verfolgung behandelt die spurbewusste Initialisierung als eigenständiges Designproblem, da eine schwache Initialisierung Ziele verlieren kann, bevor eine spätere Zuordnung helfen kann.
Eine Heim-NVR-Konfiguration, die auf lange Spuren in der Einfahrt optimiert ist, kann daher ein kurzes Erscheinen auf der Veranda ablehnen. Bewerten Sie Initialisierung, Fortsetzung und Ereigniserstellung getrennt, anstatt nur eine globale Empfindlichkeitseinstellung zu ändern.
Tracking kann genug Last erzeugen, um brauchbare Bilder zu verwerfen
Erkennung, Merkmalsextraktion, Bewegungsschätzung, Zuordnung, Einblendungen, Aufzeichnung und mehrere Kamerastreams teilen sich CPU, GPU, Speicherbandbreite und Dekodierungsressourcen.
Forschung zur Initialisierung von Spuren weist darauf hin, dass die Komplexität des Trackers die Initialisierung und Wiederidentifizierung mit der Online-Geschwindigkeit in Einklang bringen muss. Eine Konfiguration, die das Echtzeitbudget des Heimservers überschreitet, kann Verzögerungen aufbauen oder Verarbeitungsschritte überspringen.
Vergleichen Sie Kamerabildrate, Erkennungsbildrate, Detektorverzögerung, Warteschlangentiefe und Zähler für verworfene Bilder, bevor und nachdem die Verfolgung aktiviert wurde. Eine Tracking-Funktion kann die Kontinuität nicht verbessern, wenn die Pipeline weniger zeitnahe Bilder verarbeitet.
Aufzeichnungsaufbewahrung und Ereignisbestätigung getrennt behandeln
Behalten Sie eine kontinuierliche oder bewegungsbasierte Aufzeichnung rund um die Kamera bei, selbst wenn verfolgte Ereignisse für Warnungen verwendet werden. Die Aufzeichnung zeigt, ob die Szene bei der Aufnahme, Erkennung, Verfolgung oder durch Ereignisregeln übersehen wurde.
Spielen Sie einen übersehenen Clip über eine kontrollierte Testpipeline ab und prüfen Sie Bewegungsboxen, rohe Erkennungen, Konfidenzwerte, Spur-IDs, Zonen und die endgültige Ereignisausgabe. Ändern Sie jeweils nur einen Schwellenwert.
ZimaSpaces Erklärung, warum man Kameraereignisse vor dem Speichern verarbeiten sollte, zeigt den Nutzen von Klassifizierung und Filterung. Für die Aufbewahrung kurzer Ereignisse wird jedoch weiterhin ein Aufzeichnungspfad benötigt, der nicht vollständig von einer bestätigten Spur abhängt.
FAQ
Sollte ich die Objektverfolgung deaktivieren, um kurze Ereignisse zu erfassen?
Nicht unbedingt. Vergleichen Sie zunächst rohe Erkennungen mit verfolgten Ereignissen. Eine größere Erkennungsabdeckung oder eine Anpassung der Spureninitialisierung kann kurze Ereignisse erhalten, ohne die Vorteile der Verfolgung zu verlieren.
Erfasst ein längerer Spurpuffer ein Objekt, das nur einmal erschienen ist?
Nein. Ein Puffer bewahrt eine bereits vorhandene, verlorene Spur. Er kann keine bestätigte Trajektorie erstellen, wenn der Detektor zu wenige brauchbare Beobachtungen geliefert hat.
Erhöht eine höhere Aufzeichnungsbildrate der Kamera auch die Erkennungsbildrate?
Nicht automatisch. Aufzeichnungs- und Erkennungsstreams können unterschiedliche Bildraten, Auflösungen und Verarbeitungspfade verwenden. Überprüfen Sie die konfigurierte Erkennungsrate direkt.
Empfohlene Produkte
Tech- & KI-Zentrum
Mehr zum Lesen
Was verursacht WebSocket-Wiederverbindungsschleifen in einer entfernten KI-Heimoberfläche?
Diagnostizieren Sie WebSocket-Schleifen über die Ebenen von Handshake, Proxy, Authentifizierung, Heartbeat, Netzwerkpfad, Sitzungswiederherstellung und Client-Backoff.
Was verursacht abweichende Prüfsummen von Backups nach einer unterbrochenen Übertragung?
Verfolge Prüfsummenabweichungen durch Quell-Snapshots, Chunk-Manifeste, Fortsetzungs-Offsets, Teildateien, Transformationen, Speicherschreibvorgänge und die abschließende Verifizierung.
Was verursacht doppelte Haushaltsentitäten in einem privaten Wissensgraphen?
Diagnostizieren Sie doppelte Knoten im Wissensgraphen, indem Sie Extraktionsvarianten, Identitätsschlüssel, Auflösungsschwellenwerte, Quellenherkunft und parallele Zusammenführungen voneinander trennen.
