Pourquoi les détections des NVR domestiques se concentrent-elles près des bords des images grand-angle ?

Les détections NVR domestiques peuvent se concentrer près des bords grand-angle, car la projection de l’objectif modifie la forme des objets, la densité de pixels, le mouvement et la géométrie du détecteur dans l’ensemble de l’image.

Une caméra de porche ou de pièce peut afficher des personnes, des animaux ou des cadres erronés répétés près des limites gauche et droite, même lorsque l’activité est normalement répartie. Les optiques grand-angle transforment des angles réels identiques en formes d’image inégales, et les objets situés en bordure sont souvent étirés, incurvés ou seulement partiellement visibles. La détection, la correction de l’objectif, le filtrage par mouvement et le suivi peuvent accentuer ce déséquilibre spatial.

La projection grand-angle rend l’image spatialement inégale

Les projections fisheye et les fortes distorsions en barillet préservent un large champ de vision en courbant la géométrie rectiligne de la scène. Près de la bordure, un objet peut occuper une forme et une échelle angulaire inhabituelles, tandis qu’un cadre rectangulaire conventionnel inclut davantage d’arrière-plan qu’il ne le ferait près du centre optique.

Les recherches sur l’adaptation à la géométrie fisheye montrent que les détecteurs conventionnels nécessitent une adaptation tenant compte de la géométrie pour les images fisheye et que les cadres ordinaires représentent mal les objets déformés. Les représentations polygonales et les informations sur le modèle de caméra correspondent mieux à la géométrie des bords.

Une carte de chaleur des détections compte les coordonnées de l’image, et non des zones égales de la pièce. Une bande située près d’un bord peut couvrir une porte ou une région angulaire bien plus vaste qu’une bande centrale. Ainsi, une concentration apparente dans l’espace de l’image peut en partie refléter la cartographie de la scène plutôt qu’un biais du détecteur.

L’entraînement et la rectification modifient la confiance près des bords

De nombreux détecteurs sont principalement entraînés sur des images rectilignes contenant des objets verticaux. Les membres étirés, les encadrements de porte incurvés, les entrées partielles et le niveau de détail effectif plus faible sur les bords grand-angle diffèrent de cette distribution d’entraînement, ce qui modifie la confiance et les erreurs de localisation selon la position.

Une étude sur la détection d’objets fisheye évalue des méthodes de détection pour les caméras fisheye et présente des méthodes tenant compte de la distorsion pour ce domaine. Ce travail montre qu’il faut traiter le comportement sur les bords comme un problème de projection et d’entraînement, plutôt que de supposer qu’une seule valeur de précision s’applique à toute l’image.

La rectification peut rendre les objets plus familiers pour le modèle, mais le rééchantillonnage étire les pixels périphériques et peut flouter les détails. Le recadrage après correction modifie également les événements en bordure qui restent visibles. Les chaînes de traitement corrigées et non corrigées peuvent donc produire des concentrations différentes sur les bords avec la même caméra.

Les filtres de mouvement et la logique de suivi peuvent multiplier les événements sur les bords

Les objets entrent souvent dans la scène par ses limites. La détection de mouvement se déclenche lorsque de nouveaux pixels traversent le cadre, et le suivi commence avec un objet partiel dont le cadre change rapidement à mesure qu’il apparaît. Une brève perte de suivi peut alors créer plusieurs événements de détection dans la même région périphérique.

Une chaîne récente dédiée à la cohérence des détections périphériques signale des difficultés particulières près des limites fisheye, où la distorsion radiale et la résolution non uniforme dégradent l’apparence. Son prétraitement et sa conception par ensemble améliorent la cohérence en ciblant explicitement ces conditions périphériques. Cette distinction reste visible lors des tests ultérieurs à domicile.

Le risque est d’interpréter chaque concentration sur les bords comme une distorsion de l’objectif. Une porte, une fenêtre réfléchissante, un arbre en mouvement, une incrustation d’horodatage, un masque de confidentialité ou une zone de détection peuvent réellement concentrer les déclenchements à cet endroit. Normalisez les comptes en fonction de l’activité observée et de la zone exploitable avant d’accuser le modèle optique.

-15% OFF

ZimaBoard 2 - Mini serveur domestique pour votre grande idée

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Créez une carte de chaleur des détections normalisée par position

Divisez l’image en bandes centrale, intermédiaire et périphérique, puis annotez les objets réels, les faux positifs, les entrées partielles et les redémarrages de suivi dans des séquences de jour et de nuit. Enregistrez les coordonnées brutes et rectifiées, la taille de l’objet en pixels, la confiance, la forme du cadre, le déclencheur de mouvement et l’identifiant de suivi.

Comparez les détections périphériques au comportement décrit dans la récupération du suivi. Exécutez les mêmes séquences avec le filtrage par mouvement désactivé, la correction de l’objectif activée puis désactivée, et des régions de scène de superficie égale, afin de ne pas mélanger les effets optiques, ceux de la scène et ceux du suivi.

Ne modifiez la chaîne de traitement que lorsque la précision ou le rappel conditionnés par la position périphérique sont moins bons après normalisation de l’activité. Si la porte occupe réellement le bord, conservez cette couverture et ajustez sa région. Si la distorsion domine, utilisez un prétraitement ou un entraînement tenant compte de la géométrie plutôt que de réduire globalement la confiance.