Varför samlas detekteringar från hemmets NVR-system nära kanterna i vidvinkelbilder?
Detekteringar från hemmets NVR kan samlas nära kanterna i vidvinkelbilder eftersom objektivets projektion förändrar objektform, pixeltäthet, rörelse och detektorgeometri över hela bilden.
En kamera vid en veranda eller i ett rum kan visa upprepade personer, husdjur eller falska rutor nära vänster och höger bildkant, även när aktiviteten är normalt fördelad. Vidvinkeloptik omvandlar lika stora verkliga vinklar till olika bildformer, och objekt vid kanten sträcks ofta ut, böjs eller kommer bara in delvis i bilden. Detektering, objektivkorrigering, rörelsefiltrering och spårning kan förstärka denna rumsliga obalans.
Vidvinkelprojektion gör bilden rumsligt ojämn
Fisheye- och kraftiga tunnformiga projektioner bevarar ett stort synfält genom att böja den raka geometrin i scenen. Nära kanten kan ett objekt få en ovanlig form och vinkelmässig skala, medan en konventionell rektangulär ruta inkluderar mer bakgrund än den skulle göra nära bildens optiska centrum.
Forskning om anpassning till fisheye-geometri visar att konventionella detektorer behöver geometriinriktad anpassning för fisheye-bilder och att vanliga rutor är en dålig representation av förvrängda objekt. Polygonala representationer och information om kameramodellen passar bättre för geometrin vid kanterna.
En detekteringsvärmekarta räknar bildkoordinater, inte lika stora områden i rummet. Ett band nära en kant kan täcka en dörröppning eller ett mycket större vinkelområde än ett centralt band, så en uppenbar ansamling i bildutrymmet kan delvis återspegla scenens avbildning snarare än detektorns bias.
Träning och korrigering förändrar säkerheten vid kanterna
Många detektorer tränas främst på rätlinjiga bilder med upprätta objekt. Utsträckta lemmar, böjda dörrkarmar, delvisa inträden och lägre effektiv detaljrikedom vid vidvinkelkanter skiljer sig från denna träningsfördelning, vilket gör att säkerhet och positioneringsfel förändras beroende på position.
En studie av objektdetektering med fisheye-kameror utvärderar detekteringsmetoder för fisheye-kameror och introducerar förvrängningsmedvetna metoder för området. Arbetet stödjer att kantbeteende behandlas som ett projektionsoch träningsproblem, snarare än att man antar att ett enda noggrannhetsvärde gäller för hela bilden.
Korrigering kan göra objekt mer bekanta för modellen, men omsampling sträcker ut perifera pixlar och kan göra detaljer suddiga. Beskärning efter korrigering förändrar också vilka händelser vid kanten som fortfarande syns, så korrigerade och okorrigerade pipelines kan ge olika kantansamlingar från samma kamera.
Rörelsefilter och spårningslogik kan mångfaldiga händelser vid kanten
Objekt kommer ofta in i scenen via dess kanter. Rörelsedetektering utlöses när nya pixlar passerar in i bilden, och spårning börjar med ett delvis synligt objekt vars ruta ändras snabbt när mer av objektet blir synligt. En kortvarig förlust av spåret kan sedan skapa flera detekteringshändelser i samma kantregion.
En aktuell pipeline för konsekvent perifer detektering rapporterar särskilda svårigheter nära fisheye-bilders gränser, där radiell förvrängning och ojämn upplösning försämrar utseendet. Dess förbehandling och ensembleutformning förbättrar konsekvensen genom att uttryckligen rikta in sig på dessa perifera förhållanden. Denna skillnad förblir synlig under senare tester i hemmet.
Gränsen för felanalysen går vid att tolka varje kantansamling som objektivförvrängning. En dörr, ett reflekterande fönster, ett träd som rör sig, en tidsstämpel, en sekretessmask eller en detekteringszon kan faktiskt koncentrera utlösningarna där. Normalisera antalet efter observerad aktivitet och användbar yta innan du skyller på den optiska modellen.
Skapa en positionsnormaliserad detekteringsvärmekarta
Dela in bilden i mitt-, mellan- och kantband och märk verkliga objekt, falska positiva detekteringar, delvisa inträden och omstarter av spår för klipp i dagsljus och mörker. Registrera råa och korrigerade koordinater, objektets pixelstorlek, säkerhet, rutans form, rörelseutlösare och spårnings-ID.
Jämför kantdetekteringar med beteendet som beskrivs i återupptagning av spår. Kör samma klipp med rörelsefiltrering avstängd, objektivkorrigering växlad mellan på och av samt scenregioner med lika stor yta, så att effekter från optik, scen och spårning inte förblir sammanblandade.
Ändra pipelinen endast när precision eller återkallning villkorad på kantposition är sämre efter normalisering efter aktivitet. Om dörröppningen faktiskt ligger vid kanten, behåll täckningen och justera dess region. Om förvrängning dominerar, använd geometriinriktad förbehandling eller träning i stället för en generell sänkning av säkerheten.
Rekommenderade produkter
Teknik- och AI-hubb
Mer att läsa
Hur påverkar nedsampling av tidsserier avvikelsedetektering i smarta hem?
Se hur hinkbredd, aggregering, kantutjämning, saknade data, händelselängd och bevarande i flera skalor påverkar återkallningen av avvikelser i smarta hem.
Hur kombinerar en beläggningskarta svaga signaler från smarta hem?
Lär dig hur rumsliga celler, sensormodeller, log-odds-uppdateringar, avklingning, korrelerade bevis och tröskelvärden omvandlar svaga hemsignaler till uppskattningar av närvaro.
Hur påverkar fotometrisk normalisering klustring av privata ansikten?
Se hur belysningskorrigering förändrar ansiktsbeskärningar, embeddingar, klusteravstånd, tröskelvärden, övernormalisering och utvärdering av privat fotosökning.
