¿Por qué las detecciones de los NVR domésticos se concentran cerca de los bordes de los encuadres gran angulares?
Las detecciones de NVR doméstico pueden agruparse cerca de los bordes de gran angular porque la proyección del objetivo cambia la forma de los objetos, la densidad de píxeles, el movimiento y la geometría del detector en distintas zonas del encuadre.
Una cámara de porche o de una habitación puede mostrar personas, mascotas o cuadros falsos repetidos cerca de los límites izquierdo y derecho, incluso cuando la actividad se distribuye con normalidad. La óptica gran angular transforma ángulos iguales del mundo real en formas de imagen desiguales, y los objetos situados en los bordes suelen estirarse, curvarse o entrar solo parcialmente. La detección, la corrección del objetivo, el filtrado por movimiento y el seguimiento pueden amplificar ese desequilibrio espacial.
La proyección gran angular hace que el encuadre sea espacialmente desigual
Las proyecciones de ojo de pez y de fuerte distorsión de barril preservan un amplio campo de visión al curvar la geometría recta de la escena. Cerca del límite, un objeto puede ocupar una forma y una escala angular inusuales, mientras que un cuadro rectangular convencional incluye más fondo que cerca del centro óptico.
La investigación sobre la adaptación a la geometría de ojo de pez concluye que los detectores convencionales necesitan una adaptación consciente de la geometría para las imágenes de ojo de pez y que los cuadros ordinarios representan mal los objetos distorsionados. Las representaciones poligonales y la información del modelo de cámara se ajustan mejor a la geometría de los bordes.
Un mapa de calor de detecciones cuenta coordenadas de imagen, no áreas iguales de la habitación. Una franja cercana a un borde puede abarcar una puerta o una región angular mucho mayor que una franja central, por lo que una agrupación aparente en el espacio de la imagen puede reflejar en parte la representación de la escena y no un sesgo del detector.
El entrenamiento y la rectificación cambian la confianza en los bordes
Muchos detectores se entrenan principalmente con imágenes rectilíneas y objetos erguidos. Las extremidades estiradas, los marcos de puerta curvados, las entradas parciales y el menor nivel de detalle efectivo en los bordes gran angulares difieren de esa distribución de entrenamiento, lo que modifica la confianza y los errores de localización de forma dependiente de la posición.
Un estudio sobre la detección de objetos con ojo de pez evalúa métodos de detección para cámaras de ojo de pez e introduce métodos conscientes de la distorsión para este ámbito. El trabajo respalda tratar el comportamiento de los bordes como un problema de proyección y entrenamiento, en lugar de suponer que un único valor de precisión se aplica a todo el encuadre.
La rectificación puede hacer que los objetos resulten más familiares para el modelo, pero el remuestreo estira los píxeles periféricos y puede difuminar los detalles. Recortar después de la corrección también cambia qué eventos del límite siguen siendo visibles, por lo que los flujos corregidos y sin corregir pueden producir agrupaciones distintas en los bordes con la misma cámara.
Los filtros de movimiento y la lógica de seguimiento pueden multiplicar los eventos en los bordes
Los objetos suelen entrar en la escena por sus límites. La detección de movimiento se activa cuando nuevos píxeles cruzan el encuadre, y el seguimiento comienza con un objeto parcial cuyo cuadro cambia rápidamente a medida que aparece una parte mayor; la pérdida breve del seguimiento puede crear entonces varios eventos de detección en la misma región del borde.
Un flujo reciente para la coherencia de detección periférica informa de dificultades concretas cerca de los límites del ojo de pez, donde la distorsión radial y la resolución no uniforme degradan la apariencia. Su diseño de preprocesamiento y conjunto mejora la coherencia al dirigirse explícitamente a esas condiciones periféricas. Esta distinción sigue siendo visible durante las pruebas domésticas posteriores.
El error está en interpretar cada agrupación en los bordes como distorsión del objetivo. Una puerta, una ventana reflectante, un árbol en movimiento, una superposición de fecha y hora, una máscara de privacidad o una zona de detección pueden concentrar realmente los activadores allí. Normaliza los recuentos según la actividad observada y el área utilizable antes de culpar al modelo óptico.
Crea un mapa de calor de detecciones normalizado por posición
Divide el encuadre en bandas centrales, intermedias y de borde, y después etiqueta los objetos reales, los falsos positivos, las entradas parciales y los reinicios del seguimiento en clips diurnos y nocturnos. Registra las coordenadas sin corregir y rectificadas, el tamaño del objeto en píxeles, la confianza, la forma del cuadro, el activador de movimiento y el ID de seguimiento.
Compara las detecciones de los bordes con el comportamiento descrito en la readquisición del seguimiento. Ejecuta los mismos clips con el filtrado por movimiento desactivado, la corrección del objetivo activada y desactivada, y regiones de escena de igual área, para que los efectos ópticos, de la escena y del seguimiento no permanezcan mezclados.
Cambia el flujo solo cuando la precisión o la exhaustividad condicionadas al borde sean peores después de normalizar la actividad. Si la puerta ocupa realmente el borde, conserva la cobertura y ajusta su región; si domina la distorsión, utiliza un preprocesamiento o entrenamiento consciente de la geometría en lugar de reducir globalmente la confianza.
Productos recomendados
Centro de Tecnología e IA
Más para leer
¿Cómo proporciona un intermediario secreto credenciales a un agente de IA sin exponerlas en los prompts?
Sigue la identidad de la carga de trabajo, la política, la emisión de tokens, la inyección de solicitudes, la redacción, la caducidad y la...
¿Cómo contiene un entorno aislado de herramientas los efectos secundarios de un agente de IA?
Descubre cómo el aislamiento, los controles de capacidad, el estado desechable, el control de salida, las cuotas y los registros de auditoría limitan los...
¿Cómo produce el decodificado restringido un JSON válido según el esquema?
Comprende la compilación de esquemas, el enmascaramiento de tokens, el estado del analizador sintáctico, los subconjuntos compatibles, la latencia, el truncamiento y por qué...
