دارنده پروانه شرکت تولیدی در اینچ, بازل, سویس. این مقاله یک مقاله دسترسی باز تحت شرایط و ضوابط انتساب کریتیو کامنز توزیع شده است (سی سی توسط) مجوز (http://creativecommons. org/licenses/by/4.0/).
داده های مرتبط
داده های موجود در دسترس عموم در این مطالعه مورد تجزیه و تحلیل قرار گرفت. این داده ها را می توان در اینجا یافت: http://rpg. ifi. uzh. ch/davis_data. html.
چکیده
دوربین های رویداد دارای مزایای بسیاری نسبت به دوربین های مبتنی بر قاب معمولی, مانند وضوح زمانی بالا, تاخیر کم و محدوده دینامیکی بالا. با این حال, الگوریتم های مبتنی بر رویداد تیت از هنر یا نیاز به زمان محاسبات بیش از حد و یا عملکرد دقت ضعیف. در این مقاله ما یک الگوریتم استخراج و ردیابی گوشه ناهمزمان در زمان واقعی را برای یک دوربین رویداد پیشنهاد می کنیم. انگیزه اصلی ما بر افزایش دقت تشخیص و ردیابی گوشه و در عین حال اطمینان از کارایی محاسباتی متمرکز است. اولا, با توجه به قطب از حوادث, یک فیلتر ساده در عین حال موثر اعمال می شود برای ساخت دو سطح محدود از رویدادهای فعال (ارس), به نام به عنوان راسا+ و راسا−, که با دقت می تواند نشان دهنده الگوهای کنتراست بالا; در عین حال فیلتر سر و صدا و حوادث کار برکنار شده. سپس یک استخراج کننده گوشه درشت تا ریز جدید برای استخراج رویدادهای گوشه ای به طور موثر و دقیق پیشنهاد می شود. در نهایت یک روش تداعی داده محدود جهت فضا و زمان و سرعت برای تحقق ردیابی رویداد کرنر ارایه شده است و ما یک رویداد گوشه ای تازه وارد را با جدیدترین گوشه فعال مرتبط می کنیم که محدودیت جهت سرعت را در همسایگی خود ارضا می کند. تجربیات بر روی یک مجموعه داده دوربین رویداد استاندارد اجرا می شود و نتایج تجربی نشان می دهد که روش ما به عملکرد تشخیص و ردیابی گوشه ای عالی دست می یابد. علاوه بر این روش پیشنهادی می تواند بیش از 4.5 میلیون رویداد را در هر ثانیه پردازش کند و پتانسیل امیدوار کننده ای را در برنامه های بینایی رایانه ای در زمان واقعی نشان دهد.
1. مقدمه
در سالهای اخیر با توجه به توسعه تکنولوژی بینایی کامپیوتری و افزایش قابلیت پردازش اطلاعات کامپیوتری دوربینهای معمولی مبتنی بر فریم ارزش کاربرد مهمی را در زمینههای مختلف از جمله سیستم رباتهای بدون سرنشین و امنیت هوشمند و واقعیت مجازی نشان میدهند. در حالی که به طور گسترده ای به تصویب رسید, دوربین های مبتنی بر قاب همیشه در بسیاری از شرایط مطلوب نیست. برای مثال, هنگامی که در برابر حرکات با سرعت بالا (به راحتی باعث تاری) و یا صحنه های محدوده دینامیکی بالا, دوربین های مبتنی بر قاب به سختی می تواند عملکرد قوی نشان می دهد. علاوه بر این, در یک دوره زمانی بدون حرکت, تصاویر گرفته شده توسط دوربین های مبتنی بر قاب حاوی اطلاعات کار برکنار شده همان, که منجر به اتلاف عظیمی از منابع محاسباتی.
دوربین های رویداد به عنوان نوع جدیدی از سنسور بینایی [1,2] از زیست شناسی الهام گرفته شده اند و به روشی کاملا متفاوت از دوربین های مبتنی بر قاب کار می کنند. به جای گرفتن تصاویر در یک نرخ ثابت, دوربین رویداد به تغییرات روشنایی پیکسل پاسخ, به نام "حوادث", به عنوان رخ می دهد و خروجی زمان, مکان ها و نشانه هایی از حوادث ناهمزمان. در مقایسه با دوربین های مبتنی بر قاب, دوربین رویداد نشان می دهد خواص برجسته: وضوح زمانی بسیار بالا (از تاری حرکت رنج نمی برند) و زمان تاخیر کم (هر دو به ترتیب از میکروثانیه), محدوده دینامیکی بسیار بالا (140 دسی بل در مقابل. 60 دسی بل دوربین های مبتنی بر قاب) و مصرف کم انرژی. علاوه بر این, دوربین های رویداد تنها در نظر گرفتن اطلاعات از "حوادث", در نتیجه از بین بردن افزونگی اطلاعات و کاهش محاسبات. دوربین های رویداد پتانسیل های زیادی را برای غلبه بر چالش های سرعت بالا و محدوده دینامیکی با دوربین های معمولی مبتنی بر قاب نشان می دهند که دارای ارزش کاربردی زیادی در زمینه واقعیت مجازی و رباتیک هستند. r
از مزایای متعدد وجود دارد, چند کار اخیر [3,4,5,6,7,8,9,10,11,12,13,14] تمرکز بر پردازش خروجی غیر متعارف از دوربین های رویداد و باز کردن پتانسیل های خود را. در چشم انداز مبتنی بر رویداد, گوشه یکی از اساسی ترین ویژگی ها است, و ردیابی رویداد گوشه ای معمولا در بسیاری از برنامه ها استفاده می شود, مانند ردیابی هدف [15,16], بازسازی 3 بعدی [17,18] و تخمین حرکت [19,20]. در سال 2015 اولین الگوریتم تشخیص و ردیابی رویداد گوشه ای در کلادی و همکاران پیشنهاد شد. [21]. در این مقاله از روش بهینهسازی غیرخطی برای جا دادن صفحات از سطح رویدادهای فعال استفاده شده و رویدادهای گوشهای به عنوان تقاطع چند صفحه برچسب گذاری شدهاند. با این حال, به عنوان سیگنال رویداد حاوی سر و صدای زیادی, عملکرد اتصالات هواپیما کمتر از رضایت بخش است. با الهام از معمولی مبتنی بر قاب هریس گوشه ردیاب [22], واسکو و همکاران. یک ردیاب گوشه هریس مبتنی بر رویداد به نام "اهاریس" را پیشنهاد کرد [23]. در این روش از جریان های رویداد برای ساخت یک قاب باینری مصنوعی استفاده می شود و گوشه های هریس را مستقیما روی این قاب باینری تشخیص می دهند. اگرچه این روش نتایج رضایت بخشی را به همراه دارد اما به دلیل استفاده از پیچش ها بازده محاسباتی ضعیفی دارد. در ماگلر و همکاران. [24], ویژگی های مبتنی بر رویداد از تست قطعه شتاب (سریع) گوشه ردیاب, به نام "افست", پیشنهاد شد, است که توسط سریع اصلی الهام گرفته [25] و تشخیص حوادث گوشه در سای تنها با استفاده از عملیات مقایسه. این روش به دلیل اصل طراحی ساده خود از راندمان محاسباتی بالایی برخوردار است اما عملکرد تشخیص گوشه به اندازه واسکو و همکاران موثر نیست. [23]. الزوگرای و چلی الگوریتم تشخیص و ردیابی گوشه مبتنی بر رویداد را پیشنهاد کردند [26]. الگوریتم تشخیص گوشه از افست الهام گرفته شده است اما دقیق تر و کارایی بیشتری نسبت به افست دارد. با این حال, این ردیاب تغییرات محدودی در اصل اساسی دارد, عملکرد تشخیص هنوز با عملکرد ارریس قابل مقایسه نیست. علاوه بر این الگوریتم ردیابی گوشه فعلی را با جدیدترین گوشه فعال در همسایگی خود مرتبط می کند و ساختاری شبیه درخت می سازد تا مسیر همان گوشه را در فضای مکانی-زمانی نشان دهد. با این حال عملکرد ردیابی به دلیل عدم محدودیت های موثر مناسب نیست. به منظور بهبود دقت ردیابی, الزوگرای و چلی رویدادها را به صورت جداگانه پردازش کردند و یک ردیاب ویژگی پچ ناهمزمان را پیشنهاد کردند [27],
اما به دلیل بار محاسباتی بزرگ, این روش اجرا می شود در مورد 30× کندتر از ردیاب در [26], و ضعیف زمان واقعی قابلیت محاسبات. لی و همکاران. پیشنهاد یک الگوریتم تشخیص گوشه مبتنی بر رویداد به نام فا-هریس [28]; در این الگوریتم, نامزدهای گوشه ابتدا توسط یک بهبود یافته انتخاب می شوند افست و سپس توسط یک بهبود یافته تصفیه می شود ایهریس ردیاب. اگر چه دقت شده است به طور موثر بهبود یافته, این الگوریتم مصرف مقدار زیادی از زمان محاسبات و به سختی در زمان واقعی اجرا می شود با توجه به روش خسته کننده مبتنی بر ارریس.
رانده شده توسط نیاز برای پردازش رویداد گوشه موثر, در این مقاله, ما پیشنهاد می کنیم استخراج گوشه ناهمزمان و الگوریتم ردیابی برای دوربین رویداد. انگیزه اصلی ما بر افزایش تکرارپذیری تشخیص گوشه و دقت ردیابی گوشه و در عین حال اطمینان از کارایی محاسباتی متمرکز است. همانطور که در شکل نشان داده شده است 1 , روش پیشنهادی شامل سه واحد: یک واحد فیلتر سای (بخش سبز در شکل 1 ), یک واحد درشت به خوب گوشه استخراج (بخش قرمز در شکل 1 ) و یک واحد ردیاب گوشه (بخش ابی در شکل 1 ). مشارکت اصلی این کار به شرح زیر است:
رویدادهای گوشه ای توسط یک استخراج کننده گوشه درشت تا ریز جدید استخراج می شوند. استخراج کننده درشت با راندمان محاسبه بالا برای استخراج نامزدهای گوشه استفاده می شود و استخراج کننده خوب-بر اساس فیلتر جعبه فقط نامزدهای گوشه را پردازش می کند. مقدار محاسبه را به میزان قابل توجهی کاهش می دهد و کارایی را بدون کاهش دقت بهبود می بخشد.
