Perché il tracciamento degli oggetti risulta meno stabile sulle fotocamere grandangolari?
Il tracking grandangolare spesso sembra instabile perché la geometria distorta ai bordi e i soggetti di piccole dimensioni rendono meno coerenti la posizione e l'aspetto da un fotogramma all'altro.
Una persona che attraversa un ampio vialetto può muoversi in modo fluido nel mondo reale, ma accelerare attraverso il bordo dell'immagine, allungarsi e rimpicciolirsi verso il centro. Un tracker NVR domestico collega i rilevamenti nelle coordinate dei pixel, non nello spazio fisico. Quando la geometria e i dettagli del soggetto cambiano insieme, il processo di associazione dispone di prove meno stabili.
Gli obiettivi grandangolari trasformano il movimento costante in un movimento non lineare nell'immagine
Un ampio campo visivo proietta una porzione maggiore della scena sulla stessa larghezza del sensore. Vicino ai bordi, la distorsione radiale curva le linee e modifica la forma apparente degli oggetti; inoltre, la prospettiva fa ingrandire rapidamente i soggetti vicini. Un tracker che presume uno spostamento e un aspetto simili tra i fotogrammi può sottostimare questi cambiamenti.
Una discussione tecnica sulla distorsione grandangolare mostra come sia possibile usare la geometria delle linee rette per stimare e correggere la distorsione grandangolare. La necessità di questa correzione rivela perché le coordinate grezze ai bordi non si comportino come in una semplice immagine ottenuta con un modello a foro stenopeico.
Il tracking può passare a un rilevamento vicino, restare indietro rispetto al soggetto oppure assegnargli una nuova identità sul bordo. Aumentare la sensibilità del rilevatore non risolve necessariamente la geometria dell'associazione. Un numero maggiore di rilevamenti può persino creare più candidati che il tracker potrebbe confondere.
I soggetti ai bordi contengono meno pixel utili
Una copertura ampia fa sì che ogni persona o veicolo distante occupi meno pixel. Ai bordi, la sfocatura, l'ombreggiatura e il ricampionamento dopo la correzione dell'obiettivo possono ridurre ulteriormente le texture distintive. Il rilevatore può comunque individuare un riquadro, mentre il tracker non dispone delle caratteristiche di aspetto stabili necessarie per collegarlo al fotogramma precedente.
Il progetto TartanCalib riferisce che una calibrazione grandangolare accurata migliora il rilevamento delle caratteristiche e le attività geometriche successive. I suoi risultati mostrano che la qualità della calibrazione modifica le caratteristiche utilizzabili disponibili nelle regioni estreme dell'immagine.
Ne deriva uno schema caratteristico: identità stabile vicino al centro, maggiore tremolio o frammentazione vicino al quarto più esterno e recupero quando il soggetto torna verso l'interno. Se l'instabilità è uniforme in tutto il fotogramma, è più probabile che la causa sia la risoluzione, il tempo di esposizione o le impostazioni del tracker, piuttosto che la sola geometria dell'obiettivo.
Quando il grandangolo non è la causa principale
Un obiettivo grandangolare può eseguire bene il tracking quando il modello è addestrato per le visuali fisheye, l'immagine è correttamente non distorta e i soggetti rimangono abbastanza grandi. Al contrario, un obiettivo normale può eseguire male il tracking in presenza di motion blur, occlusioni, bassa frequenza dei fotogrammi o scene affollate. Il campo visivo è un fattore di rischio, non una sentenza.
Una panoramica sull'ottica spiega come la distorsione degli obiettivi grandangolari alteri le linee rette e la forma ai bordi. Distingue inoltre la distorsione ottica dalla prospettiva, che non può essere rimossa semplicemente applicando un profilo di distorsione a barilotto.
Il meccanismo non è valido quando le interruzioni del tracking coincidono con le occlusioni o con i fotogrammi persi anziché con la posizione ai bordi. Non è valido nemmeno se l'NVR esegue il rilevamento su uno stream già corretto, ma sovrappone i riquadri allo stream grezzo; in tal caso, il salto apparente può dipendere da una mancata corrispondenza nella trasformazione delle coordinate, non da un reale errore di tracking.
Mappa la stabilità del tracking nell'intero campo visivo della videocamera
Traccia le coordinate del centro del tracking per lo stesso percorso a piedi attraverso il bordo sinistro, il centro e il bordo destro. Mantieni il più possibile costanti la frequenza dei fotogrammi, il tempo di esposizione, il modello e la distanza dal soggetto. Confronta l'inferenza grezza con quella correttamente non distorta, registrando le dimensioni dei riquadri, la confidenza, i cambi di identità e i fotogrammi persi.
Usa un mini PC per l'IA locale dedicato, così da garantire che lo stesso carico di calcolo e la stessa sorgente video alimentino entrambe le prove. In questo modo si evita che carichi multimediali simultanei vengano scambiati per un effetto dell'obiettivo a causa di fotogrammi di inferenza saltati.
La geometria grandangolare è la causa quando le regioni ai bordi mostrano un movimento residuo maggiore o più interruzioni dell'identità dopo aver controllato le dimensioni del soggetto e i fotogrammi persi. Se la correzione migliora le sovrapposizioni ma non le associazioni, il tracker necessita di una gestione del movimento o dell'aspetto consapevole della distorsione. Se gli errori seguono picchi di carico, occorre invece analizzare la frequenza dell'inferenza.
Prodotti consigliati
Hub Tecnologico e AI
Altro da leggere
Calibrazione del punteggio di ricerca privata: come la similarità grezza diventa un segnale di affidabilità utilizzabile
Scopri perché la similarità coseno non indica il livello di affidabilità, come le query con etichette calibrano i punteggi e come monitorare le soglie...
Località NUMA dell'IA locale: perché il posizionamento della memoria modifica la velocità di alimentazione dell'acceleratore
Scopri come la topologia di CPU, RAM e PCIe influisce sull’alimentazione degli acceleratori, perché il posizionamento automatico può variare e come eseguire benchmark sicuri...
Mappatura della memoria dei file dei modelli: come le pagine condivise riducono l’uso duplicato della RAM
Scopri come le pagine dei modelli mappate vengono caricate in memoria e condivise, perché l’RSS può essere fuorviante e quali cache e buffer continuano...
