Novel Vision-Based Camera Distance Estimation for Indoor Positioning

In der stillen, komplexen Welt der Innenraumnavigation versagen die vertrauten Werkzeuge, auf die wir uns im Freien verlassen, oft. Das Global Positioning System, das uns durch Städte und über Felder führt, hat Schwierigkeiten, dicke Wände und Decken von Gebäuden zu durchdringen, wodurch wir ohne ein zuverlässiges Signal zurückbleiben. Um dies zu lösen, haben sich Wissenschaftler den Kameras zugewandt, die bereits unsere Büros, Krankenhäuser und Universitäten überwachen. Diese geschlossenen Fernsehsysteme, oder CCTV, bieten einen einzigartigen Vorteil: Sie benötigen keine Funksignale, um zu sehen. Stattdessen erfassen sie die visuelle Geometrie eines Raumes und liefern eine reichhaltige Karte darüber, wo sich Menschen relativ zur Kamera befinden. Es ist jedoch ein kniffliges Rätsel, ein flaches, zweidimensionales Bild in eine genaue Messung der realen Entfernung zu verwandeln. Ein einzelnes Foto kann von Natur aus nicht sagen, wie weit ein Objekt entfernt ist; eine Person, die nah vor der Linse steht, wirkt groß, während dieselbe Person in der Ferne klein wirkt, was eine verwirrende Mehrdeutigkeit schafft, die Forscher lange Zeit vor Herausforderungen gestellt hat.

Eine neue Studie der Koya-Universität im Irak geht dieser Herausforderung entgegen, indem sie einem Computer beibringt, die Entfernung zwischen einer fest installierten Sicherheitskamera und einer durch einen Flur gehenden Person zu messen. Die Forscher versuchten nicht, den exakten Standort der Person auf einer globalen Karte zu erraten – eine Aufgabe, die oft zu Fehlern führt. Stattdessen konzentrierten sie sich auf ein handhabbareres und zuverlässigeres Ziel: die Bestimmung der präzisen physischen Distanz von der Kamera zu den Füßen der Person. Um dies zu erreichen, bauten sie ein System, das zuerst die Person im Videofeed identifiziert und deren Knöchel lokalisiert, also den spezifischen Punkt, an dem der Körper auf den Boden trifft. Falls die Knöchel verborgen oder schwer zu sehen sind, nutzt das System eine Backup-Methode, die auf der Unterkante der Silhouette der Person basiert. Die Forscher wandten dann eine Reihe digitaler Korrekturen an, um die Art und Weise zu berücksichtigen, wie Kameraleinsen Bilder naturgemäß verzerren, und nutzten eine geometrische Kartierungstechnik, um den Pixelstandort auf dem Bildschirm in eine reale Position auf dem Boden zu übersetzen.

Um diese initiale Berechnung zu verfeinern, führte das Team einen Lernschritt ein, der wie ein Feinabstimmungsmechanismus wirkt. Das System analyst das Bild nach Hinweisen auf Tiefe und die Größe der Person und vergleicht diese visuellen Merkmale mit bekannten Entfernungen, um verbleibende kleine Fehler zu korrigieren. Bei Tests mit Aufnahmen aus einem Universitätskorridor erwies sich dieser kombinierte Ansatz als bemerkenswert effektiv. Das System schätzte die Entfernung zu einer Person mit einem durchschnittlichen Fehler von nur 0,159 Metern, also etwa 15,9 Zentimetern. In statistischen Begriffen betrug der quadratische Mittelwert des Fehlers (Root-Mean-Square Error), der größere Abweichungen berücksichtigt, 0,218 Meter. Diese Ergebnisse legen nahe, dass die Methode stabil und genau genug für den praktischen Einsatz in der Innenraumpositionierung ist.

Die Studie verglich diesen neuen Ansatz auch mit einem gängigeren Standardverfahren, das sich ausschließlich auf die Erkennung der allgemeinen Form einer Person stützt, ohne deren Füße genau zu lokalisieren oder geometrische Korrekturen anzuwenden. Die Standardmethode, die lediglich einen Kasten um eine Person zieht, erzeugte einen durchschnittlichen Fehler von 0,386 Metern, was mehr als dem Doppelten des Fehlers des neuen Systems entspricht. Dieser Unterschied verdeutlicht, dass es nicht ausreicht, eine Person lediglich zu entdecken; zu verstehen, wo genau sie den Boden berührt, und die Korrektur für den spezifischen Winkel und die Eigenheiten der Kameralinse vorzunehmen, ist entscheidend für die Präzision. Die Forscher merkten an, dass ihr Erfolg auf einem spezifischen Satz von Bedingungen beruhte, wobei Daten aus einem einzigen, gut beleuchteten Korridor mit fest installierten Kameras verwendet wurden. Sie räumten ein, dass reale Umgebungen mit Menschenmengen, wechselndem Licht oder starken Schatten neue Schwierigkeiten darstellen könnten.

Trotz dieser Einschränkungen zeigt die Arbeit, dass bestehende Sicherheitsinfrastrukturen dazu umfunktioniert werden können, um eine genaue räumliche Wahrnehmung zu ermöglichen, ohne dass teure neue Sensoren oder spezialisierte Hardware erforderlich sind. Durch die Kombination der Fähigkeit, die menschliche Körperhaltung zu erkennen, mit mathematischer Kartierung und einem gelernten Korrekturschritt zeigten die Forscher, dass eine Standardkamera zuverlässig messen kann, wie weit eine Person entfernt ist. Diese Fähigkeit könnte letztlich dazu beitragen, Menschen durch große Gebäude zu führen, Einsatzkräften bei der Lokalisierung von Personen zu helfen oder Robotern die Navigation in komplexen Innenräumen zu erleichtern – und das alles, indem sie einfach durch eine Linse blicken, die bereits existiert.