事件相机是一种受人类视网膜启发的新型视觉传感器,能够以超高速率捕获场景中的亮度变化并输出一系列事件点“event”,这些事件点记录着亮度变化发生时间、位置和极性信息。相比较于传统相机,事件相机具有以下优势:高动态范围、高时间分辨率、低延迟以及低功耗。因此在高速和高动态范围等传统相机面临挑战的环境中,事件相机具有很大的潜力。然而,由于事件相机的输出特性,需要新的方法来释放其潜力。目前一个常用的方法是使用短时间内的事件流片段进行累计建帧,然后应用传统的基于图像的计算机视觉算法。建帧过程中一个重要的环节是对事件流进行运动补偿,进而消除由于相机运动导致的运动模糊。目前的运动补偿算法所使用的运动模型都是线性的,不适用于较长时间间隔和相机速度快速变化的情况。针对上述问题,本文提出了一个基于非线性运动模型的运动补偿算法。该算法巧妙地避开了现有算法中极短时间内的线性运动假设,认为相机的运动是复杂的非匀速运动,将运动参数设置为关于时间的非线性函数并使用能量最大化框架进行求解。为了防止由于噪声干扰而引起的过拟合现象,算法依据事件轨迹的连续平滑特性引入了对运动参数函数的平滑约束,显著地提高了算法的鲁棒性。最后本文给出了该算法详细的优化求解过程,并讨论了其计算复杂度和实时性优化的可行性。为了更好的评估不同算法的性能,本文提出了一个全新的评价指标——归一化能量。该指标主要取决于场景纹理复杂度和运动补偿效果,具有更好的评价性能。最后本文通过一系列实验分析了本文算法中的参数设置,并通过在公共数据集和自建数据集上定性和定量的对比实验评估了本文算法的性能。实验结果表明,本文的算法不但具有良好的抗噪声性能,还能更好地拟合事件轨迹,具有更好的运动补偿效果。而且往往建帧时间越长,本文算法的优势越明显。