Porque é que as deteções do NVR doméstico se concentram perto das extremidades de imagens grande-angulares?
As deteções de NVR domésticos podem concentrar-se junto às extremidades de grande angular porque a projeção da lente altera a forma dos objetos, a densidade de píxeis, o movimento e a geometria do detetor em diferentes zonas do enquadramento.
Uma câmara de alpendre ou de divisão pode apresentar pessoas, animais de estimação ou caixas falsas repetidas junto às margens esquerda e direita, mesmo quando a atividade está normalmente distribuída. As óticas de grande angular mapeiam ângulos reais iguais para formas de imagem desiguais, e os objetos nas extremidades tendem a esticar-se, curvar-se ou entrar apenas parcialmente no enquadramento. A deteção, a correção da lente, o controlo de movimento e o rastreio podem amplificar esse desequilíbrio espacial.
A Projeção de Grande Angular Torna o Enquadramento Espacialmente Desigual
As projeções olho de peixe e de forte distorção de barril preservam um campo de visão amplo ao curvar a geometria retilínea da cena. Junto à margem, um objeto pode ocupar uma forma e uma escala angular invulgares, enquanto uma caixa retangular convencional inclui mais fundo do que incluiria junto ao centro ótico.
A investigação sobre a adaptação à geometria olho de peixe conclui que os detetores convencionais precisam de adaptação consciente da geometria para imagens olho de peixe e que as caixas comuns representam mal os objetos distorcidos. As representações poligonais e as informações do modelo da câmara correspondem melhor à geometria das extremidades.
Um mapa de calor de deteções contabiliza coordenadas da imagem, não áreas iguais da divisão. Uma faixa junto a uma margem pode abranger uma porta ou uma região angular muito maior do que uma faixa central, pelo que uma concentração aparente no espaço da imagem pode refletir parcialmente o mapeamento da cena, e não uma tendência do detetor.
O Treino e a Retificação Alteram a Confiança nas Extremidades
Muitos detetores são treinados sobretudo com imagens retilíneas e objetos na vertical. Membros esticados, molduras de portas curvas, entradas parciais e menor detalhe efetivo nas extremidades de grande angular diferem dessa distribuição de treino, alterando a confiança e os erros de localização de forma dependente da posição.
Um estudo sobre a deteção de objetos olho de peixe avalia métodos de deteção para câmaras olho de peixe e introduz métodos conscientes da distorção para este domínio. O trabalho apoia a ideia de tratar o comportamento nas extremidades como um problema de projeção e treino, em vez de assumir que um único valor de precisão se aplica a todo o enquadramento.
A retificação pode tornar os objetos mais familiares ao modelo, mas a reamostragem estica os píxeis periféricos e pode desfocar os detalhes. O recorte após a correção também altera quais eventos junto às margens permanecem visíveis, pelo que os processos com e sem correção podem produzir concentrações diferentes nas extremidades a partir da mesma câmara.
Os Filtros de Movimento e a Lógica de Rastreio Podem Multiplicar os Eventos nas Extremidades
Os objetos entram frequentemente na cena através das margens. A deteção de movimento é acionada quando novos píxeis atravessam o enquadramento, e o rastreio começa com um objeto parcial cuja caixa muda rapidamente à medida que mais partes ficam visíveis; uma breve perda do rastreio pode então criar vários eventos de deteção na mesma região periférica.
Um processo recente para a consistência da deteção periférica relata dificuldades específicas junto às margens olho de peixe, onde a distorção radial e a resolução não uniforme degradam a aparência. O pré-processamento e o desenho de conjunto melhoram a consistência ao visar explicitamente essas condições periféricas. Esta distinção continua visível durante os testes domésticos posteriores.
O limite da análise está em interpretar todas as concentrações nas extremidades como distorção da lente. Uma porta, uma janela refletora, uma árvore em movimento, uma sobreposição de data e hora, uma máscara de privacidade ou uma zona de deteção podem realmente concentrar os acionamentos nesse local. Normalize as contagens pela atividade observada e pela área utilizável antes de culpar o modelo ótico.
Crie um Mapa de Calor de Deteções Normalizado pela Posição
Divida o enquadramento em faixas central, intermédia e periférica e, em seguida, classifique objetos reais, falsos positivos, entradas parciais e reinícios do rastreio em vídeos diurnos e noturnos. Registe as coordenadas brutas e retificadas, o tamanho do objeto em píxeis, a confiança, a forma da caixa, o acionamento por movimento e o ID do rastreio.
Compare as deteções nas extremidades com o comportamento descrito em readquisição do rastreio. Execute os mesmos vídeos com o controlo de movimento desativado, a correção da lente alternada e regiões da cena com áreas iguais, para que os efeitos óticos, da cena e do rastreador não permaneçam misturados.
Altere o processo apenas quando a precisão ou a cobertura condicionada às extremidades for pior após a normalização da atividade. Se a porta ocupar realmente a extremidade, mantenha a cobertura e ajuste a respetiva região; se a distorção dominar, utilize pré-processamento ou treino consciente da geometria em vez de reduzir globalmente a confiança.
Produtos recomendados
Centro de Tecnologia e IA
Mais para Ler
Como é que um corretor secreto fornece credenciais a um agente de IA sem as expor nos prompts?
Acompanhe a identidade da carga de trabalho, a política, a emissão de tokens, a injeção de pedidos, a redação, a expiração e a revogação...
Como é que uma sandbox de ferramentas contém os efeitos secundários de um agente de IA?
Veja como o isolamento, as restrições de capacidades, o estado descartável, o controlo de saída, as quotas e os registos de auditoria limitam os...
Como é que a descodificação condicionada produz JSON válido de acordo com o esquema?
Compreenda a compilação de esquemas, o mascaramento de tokens, o estado do analisador, os subconjuntos suportados, a latência, o truncamento e por que motivo...
