Dlaczego detekcje domowego NVR skupiają się przy krawędziach szerokokątnych kadrów?

Eva Wong

IceWhale author

Eva Wong jest Technicznym pisarzem i stałym majsterkowiczem w ZimaSpace. Całe życie geek z pasją do homelabów i oprogramowania open-source, specjalizuje się w tłumaczeniu skomplikowanych koncepcji technicznych na przystępne, praktyczne przewodniki. Eva wierzy, że samodzielne hostowanie powinno być zabawą, a nie czymś onieśmielającym. Poprzez swoje samouczki umożliwia społeczności rozwiewanie tajemnic konfiguracji sprzętu, od budowy pierwszego NAS po opanowanie kontenerów Docker.

Why Do Home NVR Detections Cluster Near the Edges of Wide-Angle Frames? - Zima Store Online

Detekcje z domowego rejestratora NVR mogą koncentrować się przy krawędziach obrazu szerokokątnego, ponieważ projekcja obiektywu zmienia kształt obiektów, gęstość pikseli, ruch i geometrię detektora w różnych częściach kadru.

Kamera przy wejściu lub w pomieszczeniu może wielokrotnie wykrywać osoby i zwierzęta albo generować fałszywe ramki przy lewej i prawej krawędzi, nawet gdy aktywność jest normalnie rozłożona. Optyka szerokokątna odwzorowuje równe kąty rzeczywiste na nierówne kształty obrazu, a obiekty przy krawędzi często się rozciągają, zakrzywiają lub pojawiają tylko częściowo. Detekcja, korekcja obiektywu, filtrowanie ruchu i śledzenie mogą wzmacniać tę nierównowagę przestrzenną.

Projekcja szerokokątna sprawia, że kadr jest nierównomierny przestrzennie

Projekcje typu rybie oko i silne projekcje z dystorsją beczkową zachowują szerokie pole widzenia, zakrzywiając prostą geometrię sceny. Przy krawędzi obiekt może mieć nietypowy kształt i skalę kątową, a konwencjonalna prostokątna ramka może obejmować więcej tła niż w pobliżu środka optycznego.

Badania nad adaptacją geometrii obrazu typu rybie oko pokazują, że konwencjonalne detektory wymagają adaptacji uwzględniającej geometrię w przypadku obrazów typu rybie oko, a zwykłe ramki są słabą reprezentacją zniekształconych obiektów. Reprezentacje wielokątne i informacje o modelu kamery lepiej odwzorowują geometrię przy krawędziach.

Mapa cieplna detekcji zlicza współrzędne obrazu, a nie równe obszary pomieszczenia. Jeden pas przy krawędzi może obejmować drzwi lub znacznie większy region kątowy niż pas centralny, dlatego pozorne skupisko w przestrzeni obrazu może częściowo wynikać z odwzorowania sceny, a nie z tendencyjności detektora.

Uczenie i korekcja obrazu zmieniają pewność przy krawędziach

Wiele detektorów jest trenowanych głównie na obrazach prostokątnych z obiektami ustawionymi pionowo. Rozciągnięte kończyny, zakrzywione framugi drzwi, częściowo widoczne obiekty i mniejsza efektywna szczegółowość przy krawędziach szerokokątnych różnią się od danych treningowych, powodując zależne od położenia zmiany pewności i błędy lokalizacji.

Badanie dotyczące detekcji obiektów typu rybie oko ocenia metody detekcji dla kamer tego typu i przedstawia metody uwzględniające zniekształcenia. Wyniki wskazują, że zachowanie przy krawędziach należy traktować jako problem projekcji i uczenia, zamiast zakładać, że jedna wartość dokładności obowiązuje w całym kadrze.

Korekcja obrazu może sprawić, że obiekty będą bardziej znajome dla modelu, ale ponowne próbkowanie rozciąga piksele peryferyjne i może rozmywać szczegóły. Przycinanie po korekcji zmienia również to, które zdarzenia przy granicy pozostają widoczne, dlatego potoki z korekcją i bez niej mogą generować różne skupiska przy krawędziach z tej samej kamery.

Filtry ruchu i logika śledzenia mogą mnożyć zdarzenia przy krawędziach

Obiekty często pojawiają się w scenie przez jej granice. Detekcja ruchu uruchamia się, gdy nowe piksele przekraczają kadr, a śledzenie zaczyna się od częściowo widocznego obiektu, którego ramka szybko się zmienia, gdy pojawia się większa jego część; chwilowa utrata śledzenia może następnie utworzyć kilka zdarzeń detekcji w tym samym regionie krawędzi.

Niedawny potok do spójności detekcji peryferyjnych wskazuje na szczególne trudności w pobliżu granic obrazu typu rybie oko, gdzie zniekształcenie radialne i nierównomierna rozdzielczość pogarszają wygląd obrazu. Jego wstępne przetwarzanie i konstrukcja zespołowa poprawiają spójność, celując bezpośrednio w te warunki peryferyjne. Różnica ta pozostaje widoczna podczas późniejszych testów domowych.

Błędem jest interpretowanie każdego skupiska przy krawędzi jako zniekształcenia obiektywu. Drzwi, odbijające światło okno, poruszające się drzewo, nakładka z datą i godziną, maska prywatności lub strefa detekcji mogą rzeczywiście koncentrować wyzwalacze w tym miejscu. Przed obwinieniem modelu optycznego znormalizuj liczbę zdarzeń względem zaobserwowanej aktywności i użytecznej powierzchni.

-15% OFF

ZimaBoard 2 – Mini serwer domowy dla Twojego wielkiego pomysłu

Single board computer zimaboard2

Utwórz mapę cieplną detekcji z normalizacją względem położenia

Podziel kadr na pasy centralne, środkowe i przy krawędziach, a następnie oznacz rzeczywiste obiekty, fałszywe alarmy, częściowo widoczne obiekty i ponowne uruchomienia śledzenia dla nagrań dziennych i nocnych. Zapisuj współrzędne surowe i po korekcji, rozmiar obiektu w pikselach, pewność, kształt ramki, wyzwalacz ruchu i identyfikator śledzenia.

Porównaj detekcje przy krawędziach z zachowaniem opisanym w artykule ponownego pozyskiwania śledzenia. Uruchom te same nagrania przy wyłączonym filtrowaniu ruchu, z włączaną i wyłączaną korekcją obiektywu oraz z równymi obszarowo regionami sceny, aby efekty optyczne, sceniczne i związane ze śledzeniem nie pozostały ze sobą wymieszane.

Zmieniaj potok tylko wtedy, gdy precyzja lub czułość warunkowana położeniem przy krawędzi jest gorsza po normalizacji względem aktywności. Jeśli drzwi rzeczywiście zajmują obszar przy krawędzi, zachowaj ten zakres i dostosuj jego region; jeśli dominuje zniekształcenie, użyj wstępnego przetwarzania lub uczenia uwzględniającego geometrię zamiast globalnego obniżania poziomu pewności.