Waarom voelt objecttracking minder stabiel aan op groothoekcamera’s?

Eva Wong

IceWhale author

Eva Wong is de Technisch Schrijver en en vaste knutselaar bij ZimaSpace. Een levenslange geek met een passie voor homelabs en open-source software, zij is gespecialiseerd in het vertalen van complexe technische concepten naar toegankelijke, praktische handleidingen. Eva gelooft dat zelf-hosting leuk moet zijn, niet intimiderend. Met haar tutorials stelt ze de community in staat om hardware-setup te ontrafelen, van het bouwen van hun eerste NAS tot het beheersen van Docker-containers.

Why Does Object Tracking Feel Less Stable on Wide-Angle Cameras? - Zima Store Online

Tracking met een groothoeklens voelt vaak instabiel aan, omdat vervormde geometrie aan de randen en kleine onderwerpen ervoor zorgen dat positie en uiterlijk van beeld tot beeld minder consistent zijn.

Een persoon die een brede oprit oversteekt, kan zich in de echte wereld soepel bewegen, maar aan de beeldrand versnellen, uitrekken en naar het midden toe weer krimpen. Een thuis-NVR-tracker koppelt detecties op basis van pixelcoördinaten, niet van fysieke ruimte. Wanneer geometrie en objectdetails tegelijkertijd veranderen, beschikt de associatiestap over minder stabiele aanwijzingen.

Groothoeklenzen zetten constante beweging om in niet-lineaire beeldbeweging

Een groot gezichtsveld brengt een groter deel van de scènehoek in dezelfde sensorbreedte in beeld. Bij de rand buigt radiale vervorming lijnen en verandert de schijnbare vorm van objecten; door perspectief lijken onderwerpen die dichtbij zijn bovendien snel groter te worden. Een tracker die uitgaat van een vergelijkbare verplaatsing en een vergelijkbaar uiterlijk tussen beelden, kan deze veranderingen onderschatten.

Een technische bespreking van groothoekvervorming laat zien hoe geometrie van rechte lijnen kan worden gebruikt om groothoekvervorming te schatten en te corrigeren. De noodzaak van die correctie laat zien waarom onbewerkte coördinaten aan de rand zich niet gedragen als die van een eenvoudige pinhole-camera.

De track kan naar een nabije detectie springen, achter het onderwerp aanlopen of aan de rand een nieuwe identiteit krijgen. Het verhogen van de detectorgevoeligheid verhelpt de associatiegeometrie niet noodzakelijk. Meer detecties kunnen de tracker zelfs meer kandidaten geven om door elkaar te halen.

Onderwerpen aan de rand bevatten minder bruikbare pixels

Een brede dekking zorgt ervoor dat elke persoon of elk voertuig op afstand minder pixels inneemt. Aan de rand kunnen onscherpte, schaduwen en hersampling na lenscorrectie de kenmerkende textuur verder verminderen. De detector kan nog steeds een kader vinden, terwijl de tracker niet over de stabiele uiterlijke kenmerken beschikt die nodig zijn om dat kader aan het vorige beeld te koppelen.

Het project TartanCalib meldt dat nauwkeurige groothoekkalibratie de functiedetectie en daaropvolgende geometrische taken verbetert. De resultaten illustreren dat de kalibratiekwaliteit bepaalt welke bruikbare kenmerken beschikbaar zijn in de uiterste delen van het beeld.

Dit levert een kenmerkend patroon op: een stabiele identiteit nabij het midden, meer schokken of fragmentatie in het buitenste kwart en herstel nadat het onderwerp weer naar binnen beweegt. Als de instabiliteit overal in beeld gelijk is, zijn resolutie, sluitertijd of trackerinstellingen waarschijnlijker de oorzaak dan alleen de lensgeometrie.

Wanneer groothoek niet de oorzaak is

Een groothoeklens kan goed tracken wanneer het model is getraind voor fisheye-beelden, het beeld correct is rechtgetrokken en onderwerpen groot genoeg blijven. Omgekeerd kan een normale lens slecht tracken door bewegingsonscherpte, occlusie, een lage beeldsnelheid of drukke scènes. Het gezichtsveld is een risicofactor, geen definitief oordeel.

Een overzicht van optica legt uit hoe vervorming door groothoeklenzen rechte lijnen en de vorm aan de rand verandert. Het maakt ook onderscheid tussen optische vervorming en perspectief, dat niet eenvoudig kan worden verwijderd door alleen een profiel voor tonvormige vervorming toe te passen.

Het mechanisme gaat niet op wanneer onderbrekingen van tracks samenvallen met occlusies of verloren frames in plaats van met de positie aan de rand. Het gaat ook niet op wanneer de NVR detecteert op basis van een al gecorrigeerde stream, maar kaders over de onbewerkte stream heen legt; de schijnbare sprong kan dan het gevolg zijn van een foutieve coördinatentransformatie in plaats van een daadwerkelijke trackingfout.

-15% OFF

ZimaBoard 2 - Mini-thuisserver voor jouw grote idee

Single board computer zimaboard2

Breng de trackstabiliteit over het camerabeeld in kaart

Plot de coördinaten van het trackcentrum voor hetzelfde wandelpad langs de linkerrand, het midden en de rechterrand. Houd de beeldsnelheid, sluitertijd, het model en de afstand tot het onderwerp zo constant mogelijk. Vergelijk inferentie op onbewerkte en correct rechtgetrokken beelden en noteer daarbij de kadergrootte, het vertrouwen, identiteitswijzigingen en verloren frames.

Gebruik een speciale lokale AI-mini-pc om ervoor te zorgen dat beide tests dezelfde rekenbelasting en videobron gebruiken. Zo voorkom je dat gelijktijdige mediataken zich door overgeslagen inferentieframes voordoen als een lenseffect.

Groothoekgeometrie is de oorzaak wanneer delen aan de rand, na controle voor objectgrootte en verloren frames, een grotere resterende beweging of meer identiteitsbreuken laten zien. Als correctie de overlays verbetert maar niet de associaties, heeft de tracker bewegings- of uiterlijke kenmerken nodig die rekening houden met vervorming. Als fouten samenvallen met pieken in de belasting, onderzoek dan de inferentiefrequentie.