レンズ歪み補正は、湾曲した広角画像の座標を、動きや幾何学的な挙動が異なる較正済みの投影へ再マッピングすることで、空間追跡を変化させます。
ドアベルカメラや魚眼カメラの端付近では、人物が引き伸ばされて見え、中央付近とは異なる速度でピクセル上を移動することがあります。歪み補正では、検出の前後に較正パラメータを使ってピクセルの位置を移動させます。信頼性の高いトラッカーでは、ボックス、マスク、領域ポリゴン、速度、カメラ間マッピングを、同じ較正済み座標系に保持する必要があります。
較正モデル: 放射方向および接線方向の変位
広角レンズは直線を曲げ、画像上の点を理想的なピンホール投影から遠ざけます。較正では、既知の形状からカメラの内部パラメータと放射方向および接線方向の係数を推定し、歪んだ座標と補正後の座標の間のマッピングを生成します。
放射方向および接線方向の歪みについての解説では、これらの影響を表す係数を詳しく説明し、較正が画像の歪み補正をどのように支えるかを示しています。このマッピングは、単一のグローバルなスケール変更ではなく、空間によって変化します。
元のピクセル上に描いた追跡ルールは、補正後に自動的に有効になるわけではありません。すべてのゾーン、トリップワイヤー、過去の検出結果には、再マッピングを行うか、座標領域を明示する必要があります。この違いは、その後の家庭環境でのテストでも確認できます。
再マッピングによって位置、スケール、見かけの速度が変化する
補正では、較正済みの投影によって選ばれた位置から元のピクセルをサンプリングします。端付近の物体は、位置がずれたり、拡大または縮小されたり、アスペクト比が変化したりすることがあります。また、現実空間で同じ距離を移動しても、補正後にはより一貫した距離として表現される場合があります。
実用的な直線歪みモデルの手法では、実際のシーンに存在すると予想される直線を利用して歪みを推定します。これは、幾何学的制約によって変換が決まり、その後の追跡測定がその影響を受ける仕組みを示しています。自動化を進める前に、中間結果を検証できる状態に保つ必要があります。
補正前に検出する場合は、後からボックスや点をマッピングする必要があります。一方、補正済みフレーム上で検出する場合は、再サンプリングされた画像を使用します。非線形なボックスの角と補間によって検出器への入力が変わる可能性があるため、これらの経路は同一ではありません。この境界は、現実的な運用条件の下で個別に測定する必要があります。
補間とクロッピングによって新たな追跡境界が生じる
歪み補正ではピクセルを再サンプリングし、無効な境界をクロップすることがあり、引き伸ばされた領域では有効なディテールが減少する場合があります。小さな物体はよりぼやけて見えることがあり、補正後のフレームでは元のセンサーに映っていた領域が除外される場合もあります。この実際的な影響は、複数のソースが限られたコンテキストを取り合うときに現れます。
広角補正の精度に関する研究では、効率的な形状復元を目的とした広角補正手法を評価しています。この処理は、補正精度と再サンプリングのコストが、その後の追跡品質とは別のものであることを示しています。この依存関係は、最終的なインターフェースでも明示しておく必要があります。
失敗の境界となるのは、不正確な較正や座標空間の混在です。誤った解像度、フォーカス状態、カメラモデルに基づく補正は、元々存在する予測可能な歪みよりも深刻な、追跡の体系的なジャンプを引き起こす可能性があります。そのため、結果は元の証拠と照合して確認する必要があります。
すべての座標空間を通して1つのトラックを再投影する
中央、端、フレーム境界を通る経路について、元のフレーム上の点、補正マップ、補正後の点、検出ボックス、トラッカーの状態、領域ポリゴン、ワールド投影、カメラ間の引き継ぎを記録します。この違いは、その後の家庭環境でのテストでも確認できます。
広角追跡の結果と比較します。モデル、元のクリップ、フレームレート、しきい値を保持したまま、元のフレーム、補正済みフレーム、マッピング済みの検出結果で検出と追跡を実行します。自動化を進める前に、中間結果を検証できる状態に保つ必要があります。
各インターフェースに対して1つの正式な座標系を採用し、その間の変換を明示的に行います。領域の通過、速度、IDの連続性、端部のカバレッジが改善し、較正に依存する見落としが生じない場合にのみ合格とします。この境界は、現実的な運用条件の下で個別に測定する必要があります。
テック&AIハブ
もっと読む

時系列のダウンサンプリングはスマートホームの異常検知にどのような影響を与えるか?
バケット幅、集計、アンチエイリアシング、欠損データ、イベント期間、マルチスケール保持によって、スマートホームの異常検出再現率がどのように変化するかをご覧ください。

占有グリッドは弱いスマートホーム信号をどのように統合するのか?
空間セル、センサーモデル、対数オッズ更新、減衰、相関した証拠、しきい値が、弱いホームセンサー信号を在室推定に変える仕組みを学びましょう。

測光正規化はプライベートな顔クラスタリングにどのような影響を与えるか?
照明補正によって、顔の切り出し画像、埋め込み、クラスタ間距離、しきい値、過剰正規化、プライベート写真検索の評価がどのように変わるかをご覧ください。

