论文部分内容阅读
动态视觉传感器(Dynamic Vision Sensor,DVS)是一种只捕捉运动物体的传感器,只有亮度变化超过阈值的像素点才会被激活并且输出其位置信息,因此DVS输出的内容不再是帧,而是存储了多个像素点位置信息的事件流,从而DVS能以相对传统传感器少得多的数据量捕捉运动物体。近年来,DVS越来越多被应用在监控、自动驾驶等领域,在售的DVS的空间分辨率也在逐渐增大,能以低廉的算力对DVS事件流进行实时、准确地分类的方法逐渐显露其必需性,本文尝试从事件流提取低维特征和改进分类策略的方式入手进行研究。事件流的可视化图像显示着目标的纹理信息,局部二值模式(Local Binary Pattern,LBP)是一种专门用于提取图片纹理信息的低维特征,本文在LBP的基础上,基于事件流在空间上分布的稀疏性,通过只计算和统计事件位置的纹理模式进一步减少计算量,新方法被命名为基于事件的局部二值模式(Event-based Local Binary Pattern,ELBP),实验证明该方法相对现有的事件流特征提取方法,拥有更高的分类准确率。目前对事件流的分类主要采用帧驱动的算法框架,本文针对这类方法的固有局限性,在事件流的特征提取方法和分类流程上分别做出了改进。在特征提取部分,本文设计了一种事件驱动的ELBP特征提取方法。该方法在新的事件到达时,利用存在于其局部时空域内的事件进行ELBP特征提取,为了计算效率的考虑,还对ELBP特征做出了适当的调整。这种方法可以在任何时刻提取特征、获得分类结果,因此允许获得任意数目的样本,从而避免样本不均衡带来的问题。实验证明这种特征提取方式能够实现有效分类。在事件流的分类流程部分,本文提出了一种多数表决策略。由于事件流在一段时间内表示的目标通常是一致的,因此多数表决策略要求利用多个时刻的分类结果投票获得唯一结果,而不是依赖当前唯一时刻的分类结果。实验表明该策略有助于提高事件流分类的准确率,并维持分类结果的鲁棒性。结合上述的事件驱动的ELBP特征提取方法和多数表决策略,文章最后得到了一种事件驱动的事件流分类系统,它能够摆脱帧驱动的算法框架具有的局限性,这便是本文提出的能对DVS事件流以低算力实现实时、准确地分类的解决方案。