【技術實現步驟摘要】
本專利技術涉及圖像處理和計算機視覺，具體涉及一種基于空間梯度方差最大化的事件特征提取方法。
技術介紹
1、在圖像處理和計算機視覺領域，特征提取是從原始數據中提取有用信息的關鍵步驟。傳統的特征提取方法，如基于邊緣檢測、角點檢測或紋理分析的方法，通常依賴于靜態圖像或視頻幀。然而，這些方法在處理動態事件，尤其是快速變化的場景時，往往無法提供足夠的實時性和準確性。例如，在交通監控、安全監控或機器人視覺等領域，需要能夠快速響應并準確識別事件的特征提取技術。
2、現有的基于事件的相機（event-based?cameras）能夠提供與傳統幀相機不同的數據，它們僅在像素亮度發生顯著變化時才生成事件，這使得它們在處理動態場景時具有優勢。但是，如何從這些事件數據中提取出有用的特征，尤其是在保持高時間分辨率的同時，仍然是一個挑戰。
技術實現思路
1、鑒于上述問題，本專利技術提供了基于空間梯度方差最大化的事件特征提取方法，解決了現有技術中如何提高事件相機捕獲的數據的進行特征提取的準確性和實時性的技術問題。
2、本專利技術提供了一種基于空間梯度方差最大化的事件特征提取方法，包括以下步驟：
3、步驟s1、獲取事件相機拍攝的事件流數據，對所述事件流數據進行處理，生成二值化事件幀；
4、步驟s2、確定所述二值化事件幀中的每個像素對應的事件patch；
5、步驟s3、獲取各個所述事件patch的多個空間梯度，基于所述多個空間梯度計算所述事件patch的空
6、步驟s4、對于所有所述事件patch的空間梯度方差，選取空間梯度方差最大的前m個事件patch進行去交疊處理，得到多個無任何重疊區域的事件patch，作為所述二值化事件幀的特征地圖。
7、優選地，所述步驟s1具體包括：
8、步驟s1-1、獲取事件相機拍攝的事件流數據，所述事件流數據包括按時間順序排列的多個事件，每個事件的信息包括：事件的像素坐標、事件的極性以及事件的時間戳；
9、步驟s1-2、按照所述事件的時間戳，將所述事件流數據中的事件劃分到多個時間窗口；
10、步驟s1-3、對每個所述時間窗口，基于所述事件的像素坐標生成二值化事件幀。
11、優選地，所述步驟s1-2具體包括：
12、步驟s1-2-1、獲取事件流數據的時間范圍，包括確定起始時間和結束時間；
13、步驟s1-2-2、確定時間窗口，從起始時間開始，基于所述時間窗口將所述時間范圍平均劃分為多個時間窗口；
14、步驟s1-2-3、對于所述事件流數據中的每個事件，按照所述事件的時間戳，將事件分配到對應的所述時間窗口中。
15、優選地，所述步驟s1-3具體包括：
16、確定寬為width?，長為?height?的二值化事件幀，初始化所有像素值為255；
17、遍歷每個時間窗口內的每個事件，根據事件的像素坐標定位二值化事件幀中對應的像素位置，無論事件的極性的值為正或負，均將所述像素位置的像素值設置為0，得到二值化事件幀在坐標處的像素值，表達式為：
18、
19、其中，表示二值化事件幀在坐標處的像素值。
20、優選地，所述步驟s2具體包括：
21、對于二值化事件幀中的每個像素，以所述像素為中心，n為邊長，構成n×n的像素區域，所述像素區域中的像素值為二值化事件幀中對應位置的像素值，將所述像素區域確定為所述像素對應的事件patch。
22、優選地，所述步驟s3具體包括：
23、步驟s3-1、對于每個事件patch，計算事件patch中各像素的水平方向梯度和垂直方向梯度，由各像素的所述水平方向梯度和垂直方向梯度確定各像素的空間梯度，表達式為：
24、
25、其中，表示事件patch中的第個像素的空間梯度，和分別表示第個像素的水平方向梯度和垂直方向梯度；
26、步驟s3-2、計算事件patch中所有像素的空間梯度的方差，作為事件patch的空間梯度方差，表達式為：
27、
28、其中，表示事件patch中的像素總數，表示事件patch的空間梯度方差。
29、優選地，所述步驟s4具體包括：
30、步驟s4-1、對所有事件patch的空間梯度方差進行排序，選取空間梯度方差最大的前m個事件patch作為候選事件patch集合；
31、步驟s4-2、對所述候選事件patch集合進行去交疊處理，得到二值化事件幀的特征地圖，具體包括：
32、步驟s4-2-1、確定最小距離閾值min_distance，初始化非重疊事件patch集合為空集；
33、步驟s4-2-2、從所述候選事件patch集合中采用列舉所有組合數的方式選取所有的事件patch對；對于每個事件patch對，計算事件patch對中兩個事件patch的曼哈頓距離，若所述曼哈頓距離大于所述最小距離閾值?min_distance，則將事件patch對加入所述非重疊事件patch集合；
34、步驟s4-2-3、將最終得到的非重疊事件patch集合中的所有事件patch確定為所述多個無任何重疊區域的事件patch，并作為所述二值化事件幀的特征地圖。
35、與現有技術相比，本專利技術至少具有如下有益效果：
36、（1）本專利技術通過將事件相機捕獲的事件流數據轉化為二值化事件幀，并忽略事件的極性，同時表示正極性和負極性事件，能夠保留關鍵的特征信息，更好地適應不同類型的事件變化，提高了特征提取的穩定性和準確性。
37、（2）本專利技術通過計算事件patch的空間梯度方差，能夠有效量化評估每個patch內的信息豐富程度。較大的方差表示梯度變化劇烈的區域，通常包含更多圖像細節和特征信息。通過選擇這些高方差區域作為特征地圖，系統能夠更精準地捕捉到圖像中的關鍵細節，為后續的識別、分類和跟蹤提供了更豐富和有意義的特征表示。
38、（3）本專利技術在特征地圖生成過程中，通過去交疊處理確保選取的事件patch之間無任何重疊。不僅提高了特征地圖的清晰度，還避免了信息冗余，從而使得特征表示更加簡潔和高效。最終生成的無重疊特征地圖為后續的事件分析和處理提供了更為精準的基礎，提高了整體系統的性能和可靠性。
本文檔來自技高網...【技術保護點】
1.一種基于空間梯度方差最大化的事件特征提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S1具體包括：
3.根據權利要求2所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S1-2具體包括：
4.根據權利要求3所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S1-3具體包括：
5.根據權利要求4所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S2具體包括：
6.根據權利要求5所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S3具體包括：
7.根據權利要求6所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟S4具體包括：
【技術特征摘要】
1.一種基于空間梯度方差最大化的事件特征提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟s1具體包括：
3.根據權利要求2所述的基于空間梯度方差最大化的事件特征提取方法，其特征在于，所述步驟s1-2具體包括：
4.根據權利要求3所述的基于空間梯度方差最大化的事件特征提取方...
【專利技術屬性】
技術研發人員：師晨洋，金靖，宋凝芳，黃杼嶼，衛博藝，張藝博，
申請(專利權)人：天目山實驗室，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。