Waarom concentreren detecties van een thuis-NVR zich aan de randen van groothoekbeelden?

Detecties op een thuis-NVR kunnen zich ophopen bij de randen van groothoekbeelden, omdat lensprojectie de objectvorm, pixeldichtheid, beweging en detectorgeometrie in het beeld verandert.

Een camera bij de veranda of in een kamer kan herhaaldelijk personen, huisdieren of valse kaders bij de linker- en rechterrand tonen, zelfs wanneer de activiteit normaal verdeeld is. Groothoekoptiek zet gelijke hoeken in de echte wereld om in ongelijke beeldvormen, en objecten aan de rand worden vaak uitgerekt, gebogen of slechts gedeeltelijk vastgelegd. Detectie, lenscorrectie, bewegingsfilters en tracking kunnen die ruimtelijke onbalans versterken.

Groothoekprojectie maakt het beeld ruimtelijk ongelijk

Fisheye- en sterke tonvormige projecties behouden een groot gezichtsveld door rechte geometrie in de scène te buigen. Bij de rand kan een object een ongebruikelijke vorm en hoekgrootte innemen, terwijl een conventioneel rechthoekig kader meer achtergrond bevat dan rond het optische centrum.

Onderzoek naar aanpassing aan fisheyegeometrie laat zien dat conventionele detectors geometriebewuste aanpassing nodig hebben voor fisheye-beelden en dat gewone kaders een slechte weergave zijn van vervormde objecten. Polygonale weergaven en informatie over het cameramodel sluiten beter aan op de geometrie aan de rand.

Een detectieheatmap telt beeldcoördinaten, niet gelijke oppervlakken van de ruimte. Een strook bij een rand kan een deuropening of een veel groter hoekgebied beslaan dan een centrale strook, waardoor een schijnbare ophoping in de beeldruimte deels het gevolg kan zijn van de mapping van de scène in plaats van detectorbias.

Training en rectificatie veranderen de zekerheid aan de rand

Veel detectors worden voornamelijk getraind op rechtlijnige beelden met rechtopstaande objecten. Uitgerekte ledematen, gebogen deurposten, gedeeltelijk binnenkomende objecten en minder effectieve details aan groothoekranden wijken af van die trainingsverdeling, waardoor de zekerheid en lokalisatiefouten afhankelijk van de positie veranderen.

Een onderzoek naar objectdetectie met fisheye evalueert detectiemethoden voor fisheyecamera's en introduceert vervormingsbewuste methoden voor dit domein. Het onderzoek ondersteunt de opvatting dat gedrag aan de rand een probleem van projectie en training is, in plaats van aan te nemen dat overal in het beeld dezelfde nauwkeurigheid geldt.

Rectificatie kan objecten herkenbaarder maken voor het model, maar het opnieuw samplen rekt perifere pixels uit en kan details vervagen. Bijsnijden na correctie verandert ook welke gebeurtenissen aan de rand zichtbaar blijven, waardoor gecorrigeerde en ongecorrigeerde pipelines verschillende ophopingen aan de rand kunnen opleveren vanuit dezelfde camera.

Bewegingsfilters en tracklogica kunnen gebeurtenissen aan de rand vermenigvuldigen

Objecten komen vaak via de randen de scène binnen. Bewegingsdetectie wordt geactiveerd wanneer nieuwe pixels het beeld binnenkomen, en tracking begint met een gedeeltelijk zichtbaar object waarvan het kader snel verandert naarmate er meer verschijnt; kort trackverlies kan vervolgens meerdere detectiegebeurtenissen in hetzelfde randgebied veroorzaken.

Een recente pipeline voor consistente perifere detectie rapporteert specifieke problemen bij fisheyeranden, waar radiale vervorming en niet-uniforme resolutie het uiterlijk verslechteren. Het ontwerp voor voorbewerking en ensembles verbetert de consistentie door die perifere omstandigheden expliciet aan te pakken. Dit onderscheid blijft zichtbaar tijdens latere tests in huiselijke omstandigheden.

De foutgrens ligt bij het interpreteren van elke ophoping aan de rand als lensvervorming. Een deur, reflecterend raam, bewegende boom, tijdstempeloverlay, privacymasker of detectiezone kan daar daadwerkelijk triggers concentreren. Normaliseer aantallen op basis van waargenomen activiteit en bruikbaar oppervlak voordat je het optische model de schuld geeft.

-15% OFF

ZimaBoard 2 - Mini-thuisserver voor jouw grote idee

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Bouw een positiegenormaliseerde detectieheatmap

Verdeel het beeld in middelste, tussenliggende en randzones en label echte objecten, valse positieven, gedeeltelijk binnenkomende objecten en opnieuw gestarte tracks voor clips bij daglicht en 's nachts. Leg onbewerkte en gerectificeerde coördinaten, de pixelgrootte van het object, de zekerheid, de vorm van het kader, de bewegings-trigger en de track-ID vast.

Vergelijk detecties aan de rand met het gedrag dat wordt beschreven bij het opnieuw oppakken van tracks. Voer dezelfde clips uit met uitgeschakelde bewegingsfilters, in- en uitgeschakelde lenscorrectie en gebieden in de scène met een gelijk oppervlak, zodat optische, scène- en trackereffecten niet vermengd blijven.

Pas de pipeline alleen aan wanneer de precisie of recall, geconditioneerd op de rand, slechter is na normalisatie voor activiteit. Als de deuropening daadwerkelijk de rand inneemt, behoud dan de dekking en stel de zone af; als vervorming overheerst, gebruik dan geometriebewuste voorbewerking of training in plaats van een algemene verlaging van de betrouwbaarheidsdrempel.