Un estudio académico publicado en arXiv presenta un benchmark para evaluar la estabilidad de video basada en referencia para drones, destacando un fenómeno conocido como 'captura de consenso' que distorsiona los resultados en entornos urbanos dinámicos. El problema surge cuando los algoritmos de registro de imágenes, que asumen que solo la cámara se mueve, se ven influenciados por grupos de objetos que se desplazan de forma coherente, como vehículos en una intersección. Esto genera correspondencias consistentes que atraen la estimación de homografía hacia el movimiento de esos objetos, en lugar de la realidad, un error que las estadísticas de puntos internos no pueden detectar fácilmente.
Para medir este sesgo y la eficacia de las técnicas de enmascaramiento de objetos, los autores diseñaron un protocolo de dos partes. El primer protocolo es estático y evalúa diez pipelines de registro (incluyendo AKAZE, RootSIFT, SIFT, BRISK y ORB) bajo homografías conocidas exactamente en fotogramas aéreos de 4K. El segundo es dinámico y prueba estos algoritmos en tiempo real y en modo offline con hovers seleccionados del video, midiendo el alineamiento del fondo, el error de posición de los objetos y la proporción del desplazamiento de un grupo móvil que sigue la estimación, comparándolo con una referencia de verdad pseudo-auditada mediante puntos de control manuales.
Los resultados muestran que en escenas estáticas, los algoritmos ajustados AKAZE, RootSIFT, SIFT y BRISK lideran con una mejora máxima del 0,0062 en la precisión media (mAA) al retunear los umbrales de coincidencia. El enmascaramiento de objetos tiene un coste inferior a 0,005. Sin embargo, en el protocolo dinámico, el algoritmo ORB sin enmascarar muestra una alta tasa de captura en 28 de 304 pares en tiempo real, con un error mediano de esquina de 18,8 píxeles. El enmascaramiento elimina la captura para todos los pipelines y mantiene inalterados a los líderes. El estudio concluye que la validación de estos sistemas requiere protocolos dinámicos que simulen el movimiento real del entorno, no solo escenas estáticas.
