面向稀疏事件点的时空聚类小目标检测方法技术

本发明专利技术公开了一种面向稀疏事件点的时空聚类小目标检测方法，对事件相机拍摄的原始数据进行预处理，获得预处理后的事件数据；遍历所述事件数据中的所有事件点，为每一个事件点赋予一个权重值，并按照权重值大小，对所有事件点进行降序排列；将排序靠后的M％的事件点的平均权重作为聚类阈值，根据所述聚类阈值对所述事件数据进行最近邻聚类，得到初步检测结果；对所述初步检测结果进行点云滤波，得到最终的检测结果。本发明专利技术能够直接在事件数据中提取小目标特征进行检测，在静态背景下，可以有效滤除由热噪声触发的事件点杂波以及由大型物体运动产生的干扰事件点，检测精度高。检测精度高。检测精度高。

【技术实现步骤摘要】
面向稀疏事件点的时空聚类小目标检测方法


[0001]本专利技术涉及点云中小目标检测技术，特别是一种面向稀疏事件点的时空聚类小目标检测方法。

技术介绍

[0002]现有技术通过将事件相机数据重建为强度图像进行检测小目标，虽然这一方法取得了一定的成功，但重建强度图像的方法损失了事件相机在时间分辨率上的优势。此外，还有一些技术通过对事件相机数据进行投影以适应基于图像的检测方法来完成目标检测，但这类技术主要利用了事件数据的边缘信息而非时空信息，在检测中会出现因缺少时空信息而漏检的情况。
[0003]大多数使用事件相机进行目标检测的技术应用卷积神经网络方法，使用大量标记好的数据来训练网络模型，以提取事件相机数据的时间及空间特征。但由于事件数据集的缺乏且计算需求较大，这类技术的通常需要大量的准备工作。近几年，使用脉冲神经网络处理事件数据进行目标检测的方法在降低了计算量的同时在提取时间特征上取得了一定的成功，但目前公开的用于目标检测领域的稀疏事件点的数据集很少，且体量不足，没有用于小目标检测的公开数据集，现有技术仍未能解决数据集缺乏的问题。
[0004]现有的事件相机中目标检测的技术没有专门针对小目标的算法，针对稀疏事件点数据的算法多针对于行人、建筑、汽车等有形体的目标，对于没有形体的目标检测效果差，检测精度较低。而针对图像的方法虽然可以检测到目标位置，但只能按照帧频检测一定时间范围内的水平位置，损失了时间精度。现有技术通过检测事件点云中的平面、曲面等边缘特征，这些方法对于有形体的目标有良好的效果，但没有形体的目标在事件点云中多以直线、曲线的形式存在，因此现有方法难以解决没有形体目标的检测问题。
[0005]本专利技术用到的名词解释如下：
[0006]事件相机，又称为神经形态视觉传感器、仿生硅基视觉传感器，是一种具有新成像体制的设备，每个像元独立工作，在亮度发生变化时输出异步的时空脉冲信号，事件相机的原始数据形式如下：
[0007]Z
i
＝(x,y,t,p)；
[0008]其中，Z
i
为第i个像元传感器的输出，(x,y)为成像像元i的二维位置坐标，t为成像时刻(各像元传感器之间不同)，p为事件极性(光强增加或减少对应正极性和负极性)。
[0009]与传统相机相比，事件相机具有微秒级的时间分辨率，擅长捕捉高速运动的目标，能够克服传统相机拍摄高速运动目标时的运动模糊。此外，事件相机具有极高的动态范围，使得其在具有挑战的光照条件下依然可以正常工作。
[0010]事件点云：由事件相机拍摄的原始数据去除极性获得，具有二维空间和时间维度信息，与传统激光雷达点云相比，缺乏深度信息。传统点云是由同一时刻下(x,y,z)三个方向的点组成，而事件点云是由二维空间(x,y)的光强变化随着时间t的增长而形成。
[0011]小目标通常指在图像分辨率中小于32*32像素或像素占比小于整幅图像2％的目
标，事件相机中的小目标目前没有明确定义，本专利技术沿用图像中的定义，以下本专利技术实施例中拍摄的相机分辨率为1920*1080，目标在3ms内触发的像素约10
‑
100个不等，符合2％的要求。

技术实现思路

[0012]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种面向稀疏事件点的时空聚类小目标检测方法，解决事件点云中小目标检测难度大、目标特征提取困难的问题。
[0013]为解决上述技术问题，本专利技术所采用的技术方案是：一种面向稀疏事件点的时空聚类小目标检测方法，包括以下步骤：
[0014]对事件相机拍摄的原始数据进行预处理，获得预处理后的事件数据；
[0015]遍历所述事件数据中的所有事件点，为每一个事件点赋予一个权重值，并按照权重值大小，对所有事件点进行降序排列；
[0016]将排序靠后的M％的事件点的平均权重作为聚类阈值，根据所述聚类阈值对所述事件数据进行最近邻聚类，得到初步检测结果；
[0017]对所述初步检测结果进行点云滤波，得到最终的检测结果。
[0018]本专利技术在静态背景下，可以有效滤除由热噪声触发的事件点杂波以及由大型物体运动产生的干扰事件点，极大地提高了事件点云中小目标检测精度。本专利技术直接对拍摄数据进行检测，不需要数据集就可以检测事件点云中的小目标。相比于使用形态、边缘等特征的方法，本专利技术使用密度特征进行检测，通过背景噪声事件点与待检测目标事件点两者之间在密度上的显著差异来进行检测，可以显著区分噪声事件点与目标事件点，因此对于噪声点的抑制效果更好，检测效果更好。
[0019]为了减少无用数据，提高处理效率，降低存储资源需求，本专利技术对事件相机拍摄的原始数据进行预处理，获得预处理后的事件数据的具体实现过程包括：
[0020]去除原始数据中四维事件点坐标Z
i
＝(x,y,t,p)的极性p，对去除极性后的事件点坐标进行下采样，得到三维时空点云数据[x,y,t]T
×
N，所述三维时空点云数据即预处理后的事件数据；(x,y)为成像像元的二维位置坐标，t为成像时刻，N为原始数据中事件点的个数。
[0021]本专利技术中，为了进一步提高处理效率，可以采用固定步长对所述事件数据进行切片，得到多个数据段，为各数据段中的每一个事件点赋予一个权重值；按照权重值大小，对所有数据段的事件点进行降序排列。
[0022]任一事件点a的权重值W
a
的计算公式为：其中D
max
为事件点a和与事件点a最远的事件点之间的欧式距离，D
ai
代表事件点a与第i个事件点的欧式距离，m为输入事件总数。本专利技术为每个数据点赋予了一个权重值，以此获得了数据的全局时空特征，充分挖掘了事件数据的原始时空特征，进一步提高了小目标检测精度。
[0023]本专利技术中，选取权重值分布在50％以下的事件点，计算选取的事件点的平均权重，即得到自适应聚类范围l。经过对拍摄的事件点云进行统计，在相机不动的拍摄条件下，小目标在整个点云中的占比约为30％
‑
50％，选取50％可基本保证在权重分析阶段不会造成目标事件点的丢失，同时能对背景噪声点及杂波点起到很好的抑制效果。
[0024]所述初步检测结果的获取过程包括：
[0025]根据所述聚类阈值对所述事件数据进行最近邻聚类，得到包含检测结果的聚类结果[x,y,t]T
×
M；M为聚类结果中包含的事件点的总数；
[0026]若所述聚类结果包括多个类别，则计算每个类别与其余类别的二维空间坐标偏差，若所述二维空间坐标偏差不超过所述聚类结果中的二维位置坐标，则在断裂处进行均匀差值，补充断裂轨迹，得到初步检测结果。
[0027]当小目标运动速度过快时，相机拍摄的事件点会比较稀疏，当目标速度变化较大时，事件点的密度变化较大，会将同一个目标聚成多个类别，断裂处进行均匀插值，有助于应对这一情况，提高小目标检测精度。
[0028]对所述初步检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向稀疏事件点的时空聚类小目标检测方法，其特征在于，包括以下步骤：对事件相机拍摄的原始数据进行预处理，获得预处理后的事件数据；遍历所述事件数据中的所有事件点，为每一个事件点赋予一个权重值，并按照权重值大小，对所有事件点进行降序排列；将排序靠后的M％的事件点的平均权重作为聚类阈值，根据所述聚类阈值对所述事件数据进行最近邻聚类，得到初步检测结果；对所述初步检测结果进行点云滤波，得到最终的检测结果。2.根据权利要求1所述的面向稀疏事件点的时空聚类小目标检测方法，其特征在于，对事件相机拍摄的原始数据进行预处理，获得预处理后的事件数据的具体实现过程包括：去除原始数据中四维事件点坐标Z
i
＝(x,y,t,p)的极性p，对去除极性后的事件点坐标进行下采样，得到三维时空点云数据[x,y,t]
T
×
N，所述三维时空点云数据即预处理后的事件数据；(x,y)为成像像元的二维位置坐标，t为成像时刻，N为原始数据中事件点的个数。3.根据权利要求1所述的面向稀疏事件点的时空聚类小目标检测方法，其特征在于，对事件相机拍摄的原始数据进行预处理的实现过程包括：对所述原始数据进行下采样操作。4.根据权利要求1所述的面向稀疏事件点的时空聚类小目标检测方法，其特征在于，对所述事件数据进行切片，得到多个数据段，为各数据段中的每一个事件点赋予一个权重值；按照权重值大小，对所有数据段的事件点进行降序排列。5.根据权利要求1或4所述的面向稀疏事件点的时空聚类小目标检测方法，其特征在于，任一事件点a的权重值W
a<...

【专利技术属性】
技术研发人员：李淼，安玮，盛卫东，林再平，曾瑶源，邓新蒲，安成锦，孙哲政，王龙光，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：