Porque é que o seguimento de objetos parece menos estável em câmaras grande-angulares?
O seguimento em grande angular parece frequentemente instável porque a geometria distorcida nas margens e os objetos pequenos tornam menos consistente a posição e a aparência entre fotogramas.
Uma pessoa a atravessar uma entrada ampla pode mover-se suavemente no mundo real, mas acelerar junto à margem da imagem, alongar-se e encolher em direção ao centro. Um sistema NVR doméstico associa os alvos detetados através de coordenadas de píxeis, não do espaço físico. Quando a geometria e os detalhes do objeto mudam em simultâneo, o passo de associação dispõe de evidências menos estáveis.
As objetivas grande angular transformam o movimento constante em movimento não linear na imagem
Um campo de visão amplo mapeia um ângulo maior da cena para a mesma largura do sensor. Perto da margem, a distorção radial curva as linhas e altera a forma aparente dos objetos; a perspetiva também faz com que os objetos próximos aumentem rapidamente de tamanho. Um sistema de seguimento que pressupõe deslocações e aparências semelhantes entre fotogramas pode subestimar essas alterações.
Uma discussão técnica sobre a distorção de grande angular mostra como a geometria de linhas retas pode ser usada para estimar e corrigir a distorção de grande angular. A necessidade dessa correção revela por que motivo as coordenadas brutas nas margens não se comportam como numa simples imagem pinhole.
O seguimento pode saltar para uma deteção próxima, ficar atrasado em relação ao objeto ou receber uma nova identidade junto à margem. Aumentar a sensibilidade do detetor não corrige necessariamente a geometria da associação. Na verdade, mais deteções podem criar ainda mais candidatos para o sistema de seguimento confundir.
Os objetos nas margens contêm menos píxeis úteis
Uma cobertura ampla faz com que cada pessoa ou veículo distante ocupe menos píxeis. Junto à margem, a desfocagem, o sombreamento e a reamostragem após a correção da objetiva podem reduzir ainda mais a textura distintiva. O detetor pode continuar a encontrar uma caixa, enquanto o sistema de seguimento não dispõe das características de aparência estáveis necessárias para ligar essa caixa ao fotograma anterior.
O projeto TartanCalib relata que uma calibração precisa de grande angular melhora a deteção de características e as tarefas geométricas subsequentes. Os seus resultados ilustram que a qualidade da calibração altera as características utilizáveis disponíveis junto às regiões extremas da imagem.
Isto produz um padrão característico: identidade estável perto do centro, mais tremulação ou fragmentação no quarto exterior e recuperação quando o objeto regressa para dentro. Se a instabilidade for uniforme em todo o enquadramento, a resolução, a velocidade do obturador ou as definições do sistema de seguimento são causas mais prováveis do que a geometria da objetiva, por si só.
Quando a grande angular não é a causa principal
Uma objetiva grande angular pode seguir objetos corretamente quando o modelo é treinado para imagens olho de peixe, a imagem é devidamente corrigida e os objetos permanecem suficientemente grandes. Em contrapartida, uma objetiva normal pode apresentar um seguimento deficiente devido a desfocagem de movimento, oclusão, baixa frequência de fotogramas ou cenas congestionadas. O campo de visão é um fator de risco, não uma sentença.
Uma visão geral da ótica explica como a distorção das objetivas grande angular altera as linhas retas e a forma nas margens. Também distingue a distorção ótica da perspetiva, que não pode ser removida simplesmente aplicando um perfil de distorção de barril.
O mecanismo falha quando as interrupções do seguimento coincidem com oclusões ou fotogramas perdidos, e não com a posição junto à margem. Também falha se o NVR fizer a deteção a partir de um fluxo já corrigido, mas sobrepuser as caixas no fluxo bruto; nesse caso, o salto aparente pode resultar de uma incompatibilidade na transformação de coordenadas, e não de uma falha real do seguimento.
Mapeie a estabilidade do seguimento em todo o campo da câmara
Registe as coordenadas do centro do seguimento para o mesmo percurso a pé pela margem esquerda, pelo centro e pela margem direita. Mantenha, tanto quanto possível, constantes a frequência de fotogramas, o obturador, o modelo e a distância ao objeto. Compare a inferência bruta com a inferência corretamente corrigida, registando o tamanho da caixa, a confiança, as alterações de identidade e os fotogramas perdidos.
Utilize um mini PC com IA local dedicado para garantir que a mesma carga computacional e a mesma fonte de vídeo alimentam ambos os testes. Isto impede que cargas de trabalho multimédia simultâneas se façam passar por um efeito da objetiva através de fotogramas de inferência ignorados.
A geometria de grande angular é causal quando as regiões marginais apresentam maior movimento residual ou mais quebras de identidade depois de controlar o tamanho dos objetos e os fotogramas perdidos. Se a correção melhorar as sobreposições, mas não as associações, o sistema de seguimento precisa de gerir o movimento ou a aparência tendo em conta a distorção. Se as falhas acompanharem picos de carga, investigue antes a cadência da inferência.
Produtos recomendados
Centro de Tecnologia e IA
Mais para Ler
Calibração da pontuação de pesquisa privada: como a similaridade bruta se transforma num indicador de confiança utilizável
Saiba por que razão a similaridade do cosseno não é confiança, como as consultas rotuladas calibram as pontuações e como monitorizar os limiares quando...
Localidade NUMA da IA local: por que a colocação da memória altera a taxa de alimentação do acelerador
Saiba como a topologia da CPU, da RAM e do PCIe afeta a alimentação do acelerador, por que motivo a colocação automática pode variar...
Mapeamento de ficheiros de modelos na memória: como as páginas partilhadas reduzem a utilização duplicada de RAM
Compreenda como as páginas de modelos mapeados são paginadas e partilhadas, por que motivo o RSS pode induzir em erro e que caches e...
