¿Por qué el seguimiento de objetos parece menos estable en las cámaras gran angular?
El seguimiento con gran angular suele parecer inestable porque la geometría distorsionada de los bordes y los sujetos pequeños hacen que la posición y la apariencia sean menos coherentes entre fotogramas.
Una persona que cruza una entrada ancha puede moverse suavemente en el mundo real, pero acelerar a través del borde de la imagen, alargarse y encogerse hacia el centro. Un sistema NVR doméstico vincula las detecciones mediante coordenadas de píxeles, no en el espacio físico. Cuando la geometría y los detalles del objeto cambian a la vez, el paso de asociación dispone de evidencias menos estables.
Los objetivos gran angular convierten el movimiento constante en un movimiento no lineal en la imagen
Un campo de visión amplio proyecta un ángulo mayor de la escena en el mismo ancho del sensor. Cerca del borde, la distorsión radial curva las líneas y cambia la forma aparente de los objetos; además, la perspectiva hace que los sujetos cercanos crezcan rápidamente. Un sistema de seguimiento que presupone desplazamientos y apariencias similares entre fotogramas puede subestimar esos cambios.
Un análisis técnico sobre la distorsión gran angular muestra cómo puede utilizarse la geometría de líneas rectas para estimar y corregir la distorsión de gran angular. La necesidad de esa corrección revela por qué las coordenadas sin procesar de los bordes no se comportan como las de una imagen de cámara estenopeica simple.
El seguimiento puede saltar a una detección cercana, quedarse atrás del sujeto o recibir una nueva identidad en el borde. Aumentar la sensibilidad del detector no necesariamente corrige la geometría de asociación. De hecho, más detecciones pueden crear más candidatos que el sistema de seguimiento podría confundir.
Los sujetos situados en los bordes tienen menos píxeles útiles
La amplia cobertura hace que cada persona o vehículo distante ocupe menos píxeles. En el borde, el desenfoque, el sombreado y el remuestreo posterior a la corrección del objetivo pueden reducir aún más las texturas distintivas. El detector puede seguir encontrando un recuadro, mientras que el sistema de seguimiento carece de las características de apariencia estables necesarias para vincularlo con el fotograma anterior.
El proyecto TartanCalib informa de que una calibración precisa del gran angular mejora la detección de características y las tareas geométricas posteriores. Sus resultados ilustran que la calidad de la calibración modifica las características utilizables disponibles cerca de las regiones extremas de la imagen.
Esto produce un patrón característico: identidad estable cerca del centro, más trepidación o fragmentación en el cuarto exterior y recuperación cuando el sujeto vuelve hacia el interior. Si la inestabilidad es uniforme en todo el fotograma, es más probable que la causa sea la resolución, la velocidad de obturación o la configuración del sistema de seguimiento, y no solo la geometría del objetivo.
Cuándo el gran angular no es la causa principal
Un objetivo gran angular puede realizar un buen seguimiento cuando el modelo está entrenado para vistas de ojo de pez, la imagen se ha corregido correctamente y los sujetos siguen teniendo un tamaño suficiente. Por el contrario, un objetivo normal puede realizar un seguimiento deficiente con desenfoque de movimiento, oclusiones, una frecuencia de fotogramas baja o escenas abarrotadas. El campo de visión es un factor de riesgo, no una sentencia.
Una descripción general de la óptica explica cómo la distorsión de los objetivos gran angular altera las líneas rectas y la forma de los bordes. También distingue la distorsión óptica de la perspectiva, que no puede eliminarse simplemente aplicando un perfil de distorsión de barril.
El mecanismo falla cuando las interrupciones del seguimiento coinciden con oclusiones o fotogramas perdidos, en lugar de con la posición en el borde. También falla si el NVR realiza las detecciones a partir de un flujo ya corregido, pero superpone los recuadros en el flujo sin procesar; en ese caso, el salto aparente puede deberse a una discrepancia en la transformación de coordenadas y no a un fallo real del seguimiento.
Cartografía de la estabilidad del seguimiento en todo el campo de la cámara
Representa las coordenadas del centro del seguimiento para el mismo recorrido a pie por el borde izquierdo, el centro y el borde derecho. Mantén constantes, dentro de lo posible, la frecuencia de fotogramas, la velocidad de obturación, el modelo y la distancia al sujeto. Compara la inferencia sin procesar con la correctamente corregida, registrando el tamaño del recuadro, la confianza, los cambios de identidad y los fotogramas perdidos.
Utiliza un mini PC local para IA específico para garantizar que la misma carga de cómputo y la misma fuente de vídeo alimenten ambas pruebas. Esto evita que las cargas multimedia simultáneas se hagan pasar por un efecto del objetivo debido a fotogramas de inferencia omitidos.
La geometría gran angular es causal cuando las regiones de los bordes muestran un mayor movimiento residual o más interrupciones de identidad después de controlar el tamaño del objeto y los fotogramas perdidos. Si la corrección mejora las superposiciones, pero no las asociaciones, el sistema de seguimiento necesita gestionar el movimiento o la apariencia teniendo en cuenta la distorsión. Si los fallos siguen a picos de carga, investiga la cadencia de inferencia.
Productos recomendados
Centro de Tecnología e IA
Más para leer
Calibración de la puntuación de búsqueda privada: cómo la similitud sin procesar se convierte en una señal de confianza utilizable
Descubre por qué la similitud coseno no es una medida de confianza, cómo las consultas etiquetadas calibran las puntuaciones y cómo supervisar los umbrales...
Localidad NUMA de la IA local: por qué la ubicación de la memoria cambia la tasa de alimentación del acelerador
Descubre cómo la topología de la CPU, la RAM y PCIe afecta al suministro de datos al acelerador, por qué la asignación automática puede...
Mapeo de memoria de archivos de modelos: cómo las páginas compartidas reducen el uso duplicado de RAM
Comprende cómo se producen y comparten los fallos en las páginas de modelos mapeadas, por qué RSS puede inducir a error y qué cachés...
