[发明专利]一种基于事件相机的高动态目标检测方法

说明书

本发明公开了一种基于事件相机的高动态目标检测方法，包括从事件相机得到事件流数据，并将事件流转化为事件图像；调整事件图像的大小，将其转化为统一的分辨率；将事件图像放入卷积神经网络中，得到多个预测框；通过非极大值抑制得到置信度较高的检测结果。本发明通过将事件相机和深度学习相结合，提高高动态目标检测的对抗光照干扰以及复杂背景环境干扰的能力。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于事件相机的高动态目标检测方法。

背景技术

目标检测是一种在图像中找出目标的位置和大小的计算机视觉技术。该技术可以应用于人工智能系统、车辆辅助驾驶系统、目标行为分析、智能视频监控等领域。

事件相机与普通相机不同，它是生物启发的视觉传感器，输出像素级亮度的变化。事件相机相当于以每秒数千帧的速度运行的传统视觉传感器，但是数据量要少得多。事件相机整体功率低、数据存储量小、计算性能要求低，并且动态范围相比普通相机增加了几个数量级。这种相机不易受到运动模糊的影响，能够在高速运动期间提供可靠的视觉信息。

当前的高动态运动目标检测方法主要使用的是普通相机。这些方法容易受到光照的影响，当光强很弱时，难以检测出运动目标。此外，当背景十分复杂或者是运动目标移动速度很快出现图像模糊的时候检测效果也会差很多。

发明内容

为了解决现有运动目标检测方法容易受到外界光照的影响容易受到复杂背景环境的影响以及容易受到运动模糊的影响，本发明提出一种基于事件相机的高动态目标检测方法，本发明的具体技术方案如下：

一种基于事件相机的高动态目标检测方法，其特征在于，包括以下步骤：

S1：从事件相机得到事件流数据，并将事件流转化为事件图像；

S2：调整事件图像的大小，将其转化为统一的分辨率；

S3：将事件图像放入卷积神经网络中，得到多个预测框；

S4：通过非极大值抑制得到置信度较高的检测结果。

进一步地，所述步骤S1包括以下步骤：

S11：从事件相机获取事件流数据；

事件相机的数据表示方式为地址事件表达，每一个数据都是由事件的地址即事件在图像上的位置、事件的时间戳以及事件的极性组成；

S12：生成事件图像；

从事件相机获取事件流数据后，累积一个固定时间间隔△t内的事件，生成事件图像，事件图像的定义为

其中，AE_frame为事件图像，t_start为起始时刻，t_end为终止时刻，t_ev为当前时刻，AE_xy为触发的事件，时间间隔△t＝t_end-t_start＝10ms；

S13：去除噪声；

设定一个阈值N，对于一张事件图像，如果一个事件周围的事件数量小于阈值N，则这个事件被当作噪点去除掉，对每个事件都采取此方法处理，则形成去除噪声后的事件图像。

进一步地，所述步骤S2将得到的事件图像转化为分辨率为416*416的图像。

进一步地，所述步骤S3的卷积神经网络为tiny yolo，所述步骤S3包括以下步骤：

S31：通过卷积层和池化层提取13*13和26*26的特征图；