Jak korekcja dystorsji obiektywu zmienia śledzenie obiektów w przestrzeni?

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.

How Does Lens Distortion Correction Change Spatial Object Tracking?

Korekcja dystorsji obiektywu zmienia śledzenie przestrzenne, przekształcając współrzędne zakrzywionego obrazu szerokokątnego w skalibrowaną projekcję, w której ruch i geometria zachowują się inaczej.

W pobliżu krawędzi obrazu z wideodomofonu lub kamery typu fisheye osoba może wyglądać na rozciągniętą i przemieszczać się między pikselami w innym tempie niż w pobliżu środka. Usuwanie dystorsji wykorzystuje parametry kalibracji do przenoszenia pikseli przed detekcją lub po niej. Niezawodne algorytmy śledzenia muszą utrzymywać ramki, maski, poligony obszarów, prędkości i mapowania między kamerami w tym samym skalibrowanym układzie współrzędnych.

Modele kalibracji: przemieszczenie radialne i tangencjalne

Obiektywy szerokokątne zakrzywiają proste linie i przesuwają punkty obrazu względem idealnej projekcji otworkowej. Kalibracja szacuje parametry wewnętrzne kamery oraz współczynniki radialne i tangencjalne na podstawie znanej geometrii, tworząc mapowanie między współrzędnymi zniekształconymi a skorygowanymi.

Wyjaśnienie dystorsji radialnej i tangencjalnej opisuje współczynniki używane do reprezentowania efektów radialnych i tangencjalnych oraz pokazuje, jak kalibracja wspiera usuwanie dystorsji obrazu. Mapowanie zmienia się przestrzennie, a nie stanowi jednej globalnej zmiany skali.

Reguły śledzenia narysowane w surowych pikselach nie są automatycznie prawidłowe po korekcji. Każda strefa, linia przekroczenia i wcześniejsza detekcja wymaga przemapowania albo określenia używanej domeny współrzędnych. Różnica ta pozostaje widoczna podczas późniejszych testów w warunkach domowych.

Przekształcenie zmienia położenie, skalę i pozorną prędkość

Korekcja próbuje próbkować surowe piksele w lokalizacjach wyznaczonych przez skalibrowaną projekcję. Obiekty w pobliżu krawędzi mogą się przesuwać, powiększać, zmniejszać lub zmieniać proporcje, a ruch o tej samej rzeczywistej wielkości może pokrywać bardziej jednolity skorygowany dystans.

Praktyczna metoda modelowania dystorsji linii prostych szacuje dystorsję, wykorzystując linie proste oczekiwane w rzeczywistej scenie. Pokazuje, jak ograniczenia geometryczne wyznaczają transformację, którą później dziedziczą pomiary śledzenia. Wynik pośredni musi pozostać możliwy do sprawdzenia, zanim automatyzacja zacznie działać.

Detekcja przed korekcją wymaga późniejszego mapowania ramek lub punktów, natomiast detekcja na skorygowanych klatkach wykorzystuje ponownie próbkowany obraz. Ścieżki te nie są identyczne, ponieważ nieliniowość narożników ramek i interpolacja mogą zmienić dane wejściowe detektora. Tę granicę należy mierzyć osobno w realistycznych warunkach działania.

Interpolacja i przycinanie tworzą nowe granice śledzenia

Usuwanie dystorsji ponownie próbuje piksele, może przycinać nieprawidłowe krawędzie i zmniejszać efektywną ilość szczegółów w rozciągniętych obszarach. Małe obiekty mogą stać się bardziej rozmyte, a skorygowana klatka może nie obejmować obszarów widocznych na surowym obrazie z matrycy. Praktyczne konsekwencje pojawiają się, gdy kilka źródeł konkuruje o ograniczony kontekst.

Badania nad dokładnością korekcji szerokokątnej oceniają metodę korekcji szerokokątnej mającą na celu wydajne odtworzenie geometrii. Etap przetwarzania pokazuje, że dokładność korekcji i koszt ponownego próbkowania są niezależne od jakości śledzenia na dalszych etapach. Zależność ta powinna pozostać wyraźnie określona w końcowym interfejsie.

Granica błędu przebiega przy niedokładnej kalibracji lub mieszaniu układów współrzędnych. Korekcja oparta na niewłaściwej rozdzielczości, stanie ostrości lub modelu kamery może powodować systematyczne skoki ścieżek, bardziej szkodliwe niż pierwotna, przewidywalna dystorsja. Wynik należy więc sprawdzić względem oryginalnego materiału.

Featured

ZimaCube 2 Osobisty domowy NAS w chmurze

ZimaCube2

Przeprowadź jedną ścieżkę przez każdą przestrzeń współrzędnych

Zapisuj punkty surowej klatki, mapę korekcji, skorygowane punkty, ramki detekcji, stan algorytmu śledzenia, poligony obszarów, projekcję świata rzeczywistego i przekazanie między kamerami dla ścieżek przebiegających przez środek, krawędź i granicę klatki. Różnica ta pozostaje widoczna podczas późniejszych testów w warunkach domowych.

Porównaj wynik z śledzeniem szerokokątnym. Uruchom detekcję i śledzenie na surowych klatkach, skorygowanych klatkach oraz przemapowanych detekcjach, zachowując model, źródłowy klip, liczbę klatek na sekundę i progi. Wynik pośredni musi pozostać możliwy do sprawdzenia, zanim automatyzacja zacznie działać.

Przyjmij jeden nadrzędny układ współrzędnych dla każdego interfejsu i wykonuj transformacje między nimi jawnie. Uznaj test za zaliczony tylko wtedy, gdy przekraczanie obszarów, prędkość, ciągłość tożsamości i pokrycie krawędzi poprawią się bez ślepych punktów zależnych od kalibracji. Tę granicę należy mierzyć osobno w realistycznych warunkach działania.