Como é que a correção da distorção da lente altera o rastreamento espacial de objetos?
A correção da distorção da lente altera o rastreamento espacial ao remapear as coordenadas curvas de imagens grande-angulares para uma projeção calibrada, na qual o movimento e a geometria se comportam de forma diferente.
Junto à borda de uma campainha com vídeo ou de uma câmara olho de peixe, uma pessoa pode parecer esticada e deslocar-se entre píxeis a uma velocidade diferente da registada junto ao centro. A correção da distorção utiliza parâmetros de calibração para reposicionar os píxeis antes ou depois da deteção. Os rastreadores fiáveis têm de manter caixas, máscaras, polígonos de regiões, velocidades e mapeamentos entre câmaras no mesmo sistema de coordenadas calibrado.
Modelos de calibração: deslocamento radial e tangencial
As lentes grande-angulares curvam as linhas retas e afastam os pontos da imagem da projeção ideal de orifício. A calibração estima os parâmetros intrínsecos da câmara, além dos coeficientes radiais e tangenciais, a partir de uma geometria conhecida, produzindo um mapeamento entre coordenadas distorcidas e corrigidas.
Uma explicação sobre a distorção radial e tangencial detalha os coeficientes utilizados para representar os efeitos radiais e tangenciais e mostra como a calibração permite corrigir a distorção da imagem. O mapeamento varia espacialmente, em vez de consistir numa única alteração de escala global.
As regras de rastreamento desenhadas em píxeis brutos não são automaticamente válidas após a correção. Cada zona, linha de passagem e deteção anterior precisa de ser remapeada ou de ter um domínio de coordenadas declarado. Esta distinção continua visível durante os testes domésticos posteriores.
O remapeamento altera a posição, a escala e a velocidade aparente
A correção amostra os píxeis brutos em localizações escolhidas pela projeção calibrada. Os objetos junto à borda podem deslocar-se, aumentar, diminuir ou alterar a proporção, e um movimento real equivalente pode abranger uma distância corrigida mais consistente.
Um método prático de modelo de distorção de linhas retas estima a distorção utilizando as linhas retas esperadas na cena física. Este método ilustra como as restrições geométricas determinam a transformação que será posteriormente herdada pelas medições de rastreamento. O resultado intermédio tem de continuar a ser inspecionável antes de a automatização prosseguir.
A deteção antes da correção requer o mapeamento posterior das caixas ou dos pontos, enquanto a deteção em imagens corrigidas utiliza imagens reamostradas. Estes percursos não são idênticos, porque os cantos não lineares das caixas e a interpolação podem alterar a entrada do detetor. Essa fronteira deve ser medida separadamente em condições de funcionamento realistas.
A interpolação e o recorte criam novas fronteiras de rastreamento
A correção da distorção reamostra os píxeis, pode recortar margens inválidas e reduzir o detalhe efetivo nas regiões esticadas. Os objetos pequenos podem ficar mais desfocados, enquanto uma imagem corrigida pode excluir áreas visíveis no sensor bruto. A consequência prática torna-se evidente quando várias fontes competem por um contexto limitado.
A investigação sobre a precisão da correção grande-angular avalia um método de correção grande-angular concebido para recuperar a geometria de forma eficiente. A etapa de processamento demonstra que a precisão da correção e o custo da reamostragem são distintos da qualidade do rastreamento a jusante. Esta dependência deve permanecer explícita na interface final.
A fronteira de falha é uma calibração imprecisa ou a mistura de espaços de coordenadas. Uma correção baseada na resolução, no estado de focagem ou no modelo de câmara incorretos pode criar saltos sistemáticos no rastreamento mais prejudiciais do que a distorção original previsível. O resultado deve, por isso, ser verificado com base na evidência original.
Reprojete um rastreamento através de todos os espaços de coordenadas
Registe os pontos da imagem bruta, o mapa de correção, os pontos corrigidos, as caixas de deteção, o estado do rastreador, os polígonos das regiões, a projeção mundial e a transferência entre câmaras para percursos que passem pelo centro, pela borda e pelo limite da imagem. Esta distinção continua visível durante os testes domésticos posteriores.
Compare o resultado com o rastreamento grande-angular. Execute a deteção e o rastreamento em imagens brutas, imagens corrigidas e deteções mapeadas, preservando o modelo, o clipe de origem, a taxa de fotogramas e os limiares. O resultado intermédio tem de continuar a ser inspecionável antes de a automatização prosseguir.
Adote um sistema de coordenadas autoritativo para cada interface e faça a transformação explicitamente entre eles. Considere o processo aprovado apenas quando as passagens entre regiões, a velocidade, a continuidade da identidade e a cobertura das bordas melhorarem sem pontos cegos dependentes da calibração. Essa fronteira deve ser medida separadamente em condições de funcionamento realistas.
Produtos recomendados
Centro de Tecnologia e IA
Mais para Ler
Como afeta a redução da frequência de amostragem de séries temporais a deteção de anomalias em casas inteligentes?
Veja como a largura dos intervalos, a agregação, o anti-aliasing, os dados em falta, a duração dos eventos e a retenção multiescala alteram a...
Como é que uma grelha de ocupação combina sinais fracos de uma casa inteligente?
Saiba como células espaciais, modelos de sensores, atualizações de log-odds, decaimento, evidências correlacionadas e limiares transformam sinais domésticos fracos em estimativas de ocupação.
Como é que a normalização fotométrica afeta o agrupamento privado de rostos?
Veja como a correção da iluminação altera recortes faciais, embeddings, distâncias entre clusters, limiares, sobre-normalização e a avaliação da pesquisa privada de fotografias.
