Dlaczego domowy rejestrator NVR pomija krótkie zdarzenia, gdy włączone jest śledzenie obiektów?
Domowy NVR może pomijać krótkie zdarzenia przy włączonym śledzeniu, ponieważ obiekt może zniknąć, zanim wystarczająca liczba detekcji utworzy i potwierdzi prawidłowy ślad.
Śledzenie obiektów często dodaje się, aby ograniczyć powielone alerty i zachować tożsamość osoby, samochodu lub zwierzęcia przemieszczającego się w kadrze. Nie zastępuje ono detekcji obiektów. Detektor musi najpierw wykryć obiekt, a następnie tracker musi powiązać detekcje w czasie, utrzymać trajektorię i spełnić reguły zdarzeń lub stref. Szybkie przejście przez drzwi albo krótkie pojawienie się na podjeździe może zakończyć się na dowolnym z tych etapów.
Śledzenie zaczyna się od detekcji, a nie wcześniej
Tracker nie może utworzyć wiarygodnej trajektorii obiektu, którego detektor nigdy nie zgłosił. Zanim dojdzie do powiązania detekcji, nadal odbywają się detekcja ruchu, wybór klatek, dekodowanie, wnioskowanie dotyczące obiektów i filtrowanie według poziomu pewności.
Frigate zaleca dla wielu kamer strumień detekcji o częstotliwości około 5 klatek na sekundę, ale zaznacza, że szybsze obiekty mogą wymagać wyższej częstotliwości. Przy 5 kl./s detektor otrzymuje jedną potencjalną klatkę co 200 milisekund.
Obiekt widoczny przez pół sekundy może pojawić się zaledwie na dwóch lub trzech analizowanych klatkach. Rozmycie, zasłonięcie, niewłaściwa skala lub jeden wynik o niskim poziomie pewności mogą ograniczyć tę sekwencję do pojedynczej użytecznej detekcji.
Próbkowanie klatek może pominąć najlepszy widok
Nagranie może zawierać 15 lub 30 klatek na sekundę, podczas gdy wnioskowanie odbywa się na strumieniu detekcji o niższej częstotliwości. Najwyraźniejsza klatka może przypadać pomiędzy klatkami wysyłanymi do detektora.
Niższa częstotliwość wnioskowania oszczędza zasoby obliczeniowe i zwykle wystarcza do rejestrowania zwykłych zdarzeń związanych z chodzeniem, ale ogranicza pokrycie czasowe w przypadku biegnącej osoby, roweru, małego zwierzęcia lub pojazdu widocznego przez wąski obszar.
Sprawdź rzeczywisty czas trwania zdarzenia w klatkach. Dziesięcioklatkowy klip przy 30 kl./s trwa zaledwie jedną trzecią sekundy; detektor działający z częstotliwością 5 kl./s może przeanalizować jedną lub dwie pozycje, z których żadna nie gwarantuje dobrej jakości ramki detekcji.
Okres próbny śladu może trwać dłużej niż zdarzenie
Trackery często utrzymują nowy cel jako wstępny, dopóki nie przetrwa on kilku klatek. Ogranicza to liczbę alertów wywoływanych przez jednoklatkowy szum detektora, odbicia, owady i artefakty kompresji.
Dokumentacja NVIDIA DeepStream opisuje okres próbny śladu, który poprzedza aktywację nowego trackera. Jeśli cel zniknie w tym czasie, potok może odrzucić ślad jako prawdopodobny fałszywy alarm.
To samo zabezpieczenie może ukryć rzeczywiste, krótkie zdarzenie. Skrócenie okresu próbnego poprawia wykrywanie krótkich zdarzeń, ale zwiększa też liczbę fałszywych alertów z pojedynczych klatek, dlatego należy je testować z rzeczywistym szumem kamery.
Progi pewności usuwają słabe ramki detekcji przed ich powiązaniem
Szybki ruch, częściowe pojawienie się na krawędzi kadru, ekspozycja nocna, deszcz, odblaski i mały rozmiar obiektu mogą obniżyć poziom pewności detektora, nawet gdy człowiek widzi obiekt.
ByteTrack zaprojektowano z uwzględnieniem problemu polegającego na tym, że odrzucanie ramek detekcji o niskim poziomie pewności prowadzi do pomijania obiektów i fragmentacji trajektorii.
Krótkie zdarzenie ma niewiele czasu, aby nadrobić skutki odrzucenia jednej ramki. Porównaj wysokie i niskie progi na wyeksportowanych klipach i sprawdź, czy detektor widzi obiekt słabo, czy też nie widzi go wcale.
Reguły powiązywania mogą zawodzić przy nagłym ruchu
Trackery przewidują, gdzie obiekt powinien pojawić się w następnej chwili, i dopasowują tę prognozę do nowych detekcji. Nagła zmiana kierunku, duża różnica położenia między klatkami, gwałtowna zmiana skali lub silne zasłonięcie mogą wykraczać poza granice dopasowania.
Ultralytics udostępnia progi śledzenia i bufory, które określają, czy detekcje aktualizują ślady oraz jak długo utracone ślady pozostają aktywne.
Zwiększenie bufora pomaga przy tymczasowym zniknięciu obiektu po utworzeniu śladu, ale nie naprawia zdarzenia, które nigdy nie stało się śladem. Zbyt luźne powiązywanie może również przypisać nowy obiekt do starej trajektorii i utworzyć zdarzenie z niewłaściwą tożsamością.
Inicjalizacja i ciągłość śladu wymagają kompromisu między wykrywalnością a stabilnością
Śledzenie online musi określić, kiedy detekcja staje się nowym śladem, kiedy dwie obserwacje dotyczą tego samego obiektu oraz kiedy trajektoria zostaje zakończona.
Badania nad śledzeniem koncentrujące się na śladach traktują inicjalizację uwzględniającą ślady jako odrębny problem projektowy, ponieważ słaba inicjalizacja może utracić cele, zanim późniejsze powiązywanie zdąży pomóc.
Konfiguracja domowego NVR zoptymalizowana pod kątem długich śladów na podjeździe może więc odrzucać krótkie pojawienie się obiektu na ganku. Oceniaj osobno inicjalizację, kontynuację i tworzenie zdarzeń, zamiast zmieniać jeden globalny regulator czułości.
Śledzenie może zwiększyć obciążenie na tyle, że użyteczne klatki zostaną pominięte
Detekcja, cechy wyglądu, estymacja ruchu, powiązywanie, nakładki, nagrywanie i wiele strumieni kamer współdzielą procesor, GPU, przepustowość pamięci i zasoby dekodowania.
Badania nad inicjalizacją śladów wskazują, że złożoność trackera musi równoważyć inicjalizację i ponowną identyfikację z szybkością działania online. Konfiguracja przekraczająca rzeczywisty budżet czasu rzeczywistego serwera domowego może powodować narastanie opóźnień lub pomijanie obliczeń.
Porównaj liczbę klatek na sekundę kamery, częstotliwość wnioskowania, opóźnienie detektora, głębokość kolejki i liczniki pominiętych klatek przed włączeniem śledzenia i po nim. Funkcja śledzenia nie poprawi ciągłości, gdy potok przetwarza mniej klatek na czas.
Oddziel przechowywanie nagrań od potwierdzania zdarzeń
Utrzymuj ciągłe lub oparte na detekcji ruchu nagrywanie z kamery, nawet gdy śledzone zdarzenia służą do generowania alertów. Nagranie pozwala ustalić, czy scena została pominięta na etapie przechwytywania, detekcji, śledzenia czy reguł zdarzeń.
Odtwórz pominięty klip w kontrolowanym potoku testowym i sprawdź ramki ruchu, surowe detekcje, wartości pewności, identyfikatory śladów, strefy i końcowy wynik zdarzenia. Zmieniaj tylko jeden próg naraz.
Wyjaśnienie ZimaSpace dotyczące tego, dlaczego należy przetwarzać zdarzenia z kamery przed ich zapisaniem, pokazuje wartość klasyfikacji i filtrowania, ale przechowywanie krótkich zdarzeń nadal wymaga ścieżki nagrywania, która nie zależy całkowicie od potwierdzonego śladu.
FAQ
Czy należy wyłączyć śledzenie obiektów, aby rejestrować krótkie zdarzenia?
Niekoniecznie. Najpierw porównaj surowe detekcje ze śledzonymi zdarzeniami. Zwiększenie pokrycia detekcji lub dostosowanie inicjalizacji śladów może zachować krótkie zdarzenia bez utraty korzyści ze śledzenia.
Czy dłuższy bufor śladu zarejestruje obiekt, który pojawił się tylko raz?
Nie. Bufor zachowuje istniejący, utracony ślad. Nie może utworzyć potwierdzonej trajektorii, gdy detektor dostarczył zbyt mało użytecznych obserwacji.
Czy zwiększenie liczby klatek nagrywania kamery zwiększa częstotliwość detekcji?
Nie automatycznie. Strumienie nagrywania i detekcji mogą korzystać z różnych częstotliwości klatek, rozdzielczości i ścieżek przetwarzania. Sprawdź bezpośrednio skonfigurowaną częstotliwość wnioskowania.
Polecane produkty
Centrum Technologii i Sztucznej Inteligencji
Więcej do przeczytania
Dlaczego przewidywania dotyczące inteligentnego domu stają się mniej trafne po sezonowych zmianach rutyny?
Sezonowe rutyny zmieniają zależność między czasem, czujnikami, obecnością domowników a pożądanymi działaniami, przez co model wytrenowany na podstawie wcześniejszych nawyków staje się nieaktualny.
Dlaczego etykiety zdjęć generowane przez AI zmieniają się po aktualizacji modelu?
Aktualizacja modelu zmienia sposób reprezentacji i ustalania rankingu używanych do przypisywania etykiet, dlatego to samo zdjęcie może przekroczyć inne granice semantyczne lub poziomy pewności.
Dlaczego lokalne rozpoznawanie mowy częściej zawodzi w pomieszczeniach dalekiego pola?
Pomieszczenia w polu dalekim osłabiają mowę bezpośrednią oraz dodają odbicia i szum, przez co system rozpoznawania otrzymuje mniej stabilny wzorzec akustyczny niż w przypadku...
