閆昌達(dá)，王霞，*，左一凡，李磊磊，陳家斌

（1.北京理工大學(xué) 光電學(xué)院，北京100081； 2.北京理工大學(xué) 自動(dòng)化學(xué)院，北京100081）

事件相機(jī)（Event Camera）是一種新興的生物視覺(jué)傳感器，傳統(tǒng)幀相機(jī)（Frame-based Camera）通過(guò)固定的曝光時(shí)間以一定幀率采集圖像，事件相機(jī)則通過(guò)檢測(cè)每一像素點(diǎn)的事件——亮度變化，在亮度變化超過(guò)設(shè)定閾值時(shí)異步輸出像素地址事件流數(shù)據(jù)。傳統(tǒng)幀相機(jī)受限于軟硬件條件，幀率一般為15～200 fps（fps為幀/s），在高速運(yùn)動(dòng)的場(chǎng)景中會(huì)產(chǎn)生運(yùn)動(dòng)模糊。與此同時(shí)，在高動(dòng)態(tài)的工作場(chǎng)景下會(huì)產(chǎn)生過(guò)曝與欠曝的現(xiàn)象，丟失場(chǎng)景部分細(xì)節(jié)信息。事件相機(jī)則具有高時(shí)間分辨率、高動(dòng)態(tài)范圍的特點(diǎn)［1］，由于每一像素的異步輸出特性，沒(méi)有幀率的概念其響應(yīng)時(shí)間可達(dá)到微秒級(jí)別，由于其檢測(cè)光強(qiáng)對(duì)數(shù)的變化，其動(dòng)態(tài)范圍可達(dá)140 dB［2］。

事件相機(jī)的特性使其吸引了很多領(lǐng)域研究人員的關(guān)注，比如在圖像信息處理方面，關(guān)注的是圖像中的“邊”“角”等紋理邊緣信息，傳統(tǒng)幀相機(jī)得到的圖像存在很多冗余信息，增加了計(jì)算量和對(duì)硬件水平的要求，事件相機(jī)可以直接輸出稀疏的運(yùn)動(dòng)邊緣信息，簡(jiǎn)化計(jì)算。此外，事件相機(jī)在視覺(jué)導(dǎo)航定位方向有應(yīng)用潛力，在實(shí)際應(yīng)用場(chǎng)景中，由于劇烈運(yùn)動(dòng)、光照條件變化、平臺(tái)功耗限制等影響，傳統(tǒng)幀相機(jī)存在運(yùn)動(dòng)模糊、過(guò)曝欠曝等限制［2］，運(yùn)動(dòng)劇烈時(shí)檢測(cè)的有效特征點(diǎn)減少，造成視覺(jué)信息不可靠［3］，事件相機(jī)則可以彌補(bǔ)這些不足。事件相機(jī)可應(yīng)用于無(wú)人車、無(wú)人機(jī)、自主機(jī)器人以及增強(qiáng)現(xiàn)實(shí)（Augmented Reality，AR）和同時(shí)定位及地圖構(gòu)建［4-5］（Simultaneous Localization and Mapping，SLAM）技術(shù)，相比于傳統(tǒng)幀相機(jī)具有低延時(shí)、高動(dòng)態(tài)、抗運(yùn)動(dòng)模糊、低運(yùn)算量的特點(diǎn)，可以提高導(dǎo)航系統(tǒng)的魯棒性［6］。

事件相機(jī)在實(shí)際應(yīng)用上還存在問(wèn)題。一方面事件相機(jī)由于其本身結(jié)構(gòu)對(duì)環(huán)境亮度變化十分敏感，在輸出的異步事件流中包含大量噪聲干擾。噪聲可能來(lái)源于數(shù)字信號(hào)傳輸時(shí)的脈沖噪聲以及光電二極管所引起的高斯噪聲等，對(duì)于進(jìn)一步的應(yīng)用以及事件流可視化質(zhì)量造成很大影響［7］。提高事件相機(jī)檢測(cè)亮度變化的閾值有助于降低噪聲，但是降低了對(duì)于物體運(yùn)動(dòng)引起的亮度變化檢測(cè)的靈敏度，造成信息丟失。所以，對(duì)于事件流進(jìn)行降噪處理是非常重要的預(yù)處理環(huán)節(jié)。

蘇黎世聯(lián)邦理工學(xué)院的Delbruck教授團(tuán)隊(duì)，提出了一種根據(jù)臨近事件發(fā)生時(shí)間的噪聲過(guò)濾方法［8］，通過(guò)在所發(fā)生事件的空間鄰域內(nèi)記錄事件時(shí)間，并與鄰域內(nèi)發(fā)生的下一事件的時(shí)間進(jìn)行比較，若二者的時(shí)間差大于所設(shè)定的時(shí)間閾值，則將其作為噪聲過(guò)濾并刷新當(dāng)前事件時(shí)間。該算法體現(xiàn)了事件流的時(shí)間和空間連續(xù)性，對(duì)于背景的噪聲具有較好的處理效果，但是其判斷相鄰事件時(shí)間間隔的方法可能在物體運(yùn)動(dòng)剛發(fā)生時(shí)造成有效事件被過(guò)濾的情況。中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所的呂恒毅等提出了一種基于事件密度的噪聲處理方法［9］。首先，利用基于當(dāng)前事件的一個(gè)時(shí)空鄰域建立事件密度矩陣，通過(guò)計(jì)算矩陣的L1范數(shù)并與設(shè)定的閾值進(jìn)行比較進(jìn)行粗濾波。然后，利用粗濾波后的事件再次建立事件密度矩陣進(jìn)行精濾波，并判斷除事件像素位置外其余元素是否全部為0，若全部為0則判斷為噪聲進(jìn)行濾除。該算法可以對(duì)同一像素點(diǎn)連續(xù)出現(xiàn)的噪聲進(jìn)行處理，但是一方面其時(shí)空鄰域的選取以及兩步濾波的方式，可能造成在運(yùn)動(dòng)起始或緩慢時(shí)大量有效事件被過(guò)濾。另一方面，異步事件流信息形式難以處理，且單一事件包含的信息過(guò)少，處理時(shí)需要集合事件進(jìn)行處理，同時(shí)事件流信息不直觀，不利于人眼觀察，所以需要進(jìn)行可視化處理以推進(jìn)下一步工作?；谑录鄼C(jī)可視化的相關(guān)工作可以簡(jiǎn)要分為2類：①針對(duì)事件流本身，通過(guò)固定時(shí)間窗口等方式獲得事件“幀”，便于進(jìn)行進(jìn)一步觀測(cè)和應(yīng)用處理；②對(duì)事件流信息進(jìn)行圖像重建，得到估計(jì)的強(qiáng)度圖像達(dá)到可視化的效果。

南洋理工大學(xué)陳守順等提出了一種事件流可視化方案，實(shí)現(xiàn)高低幀率調(diào)節(jié)，并在FPGA平臺(tái)驗(yàn)證其有效性［10］。但該方法在高幀率時(shí)降低了事件“幀”包含的信息量，在平緩運(yùn)動(dòng)時(shí)得到的信息過(guò)少不利于進(jìn)一步處理。西安電子科技大學(xué)的謝雪梅教授團(tuán)隊(duì)進(jìn)行了改進(jìn)，利用重疊累積的方式，可以在保證高速的情況下也保證事件“幀”信息的豐富［7］。但是，兩“幀”之間包含的重復(fù)事件在進(jìn)一步處理時(shí)可能會(huì)造成信息冗余。集合事件得到事件“幀”的方法，可以作為輸入，如特征檢測(cè)、位姿估計(jì)、神經(jīng)網(wǎng)絡(luò)等。

格拉茨科技大學(xué)的Reinbacher等提出了一個(gè)由事件流進(jìn)行實(shí)時(shí)灰度強(qiáng)度圖像重建，并且在重建過(guò)程中考慮相機(jī)噪聲對(duì)于亮度的影響的變分模型［11］。帝國(guó)理工學(xué)院的Davison教授團(tuán)隊(duì)提出一種從事件流估計(jì)強(qiáng)度圖像和光流的滑動(dòng)窗口變分優(yōu)化算法，在快速運(yùn)動(dòng)和高動(dòng)態(tài)范圍場(chǎng)景取得了較好的重建結(jié)果，在傳統(tǒng)幀相機(jī)發(fā)生運(yùn)動(dòng)模糊的情況下依然可以獲得運(yùn)動(dòng)物體邊緣輪廓［12］。澳大利亞國(guó)立大學(xué)的Mahony教授團(tuán)隊(duì)提出了一種異步濾波器將事件流和強(qiáng)度圖像融合為高時(shí)間分辨率高動(dòng)態(tài)范圍的圖像［13］。由事件流估計(jì)恢復(fù)強(qiáng)度圖像的方式主要為人眼觀察服務(wù)，或者以重建運(yùn)動(dòng)模糊、高動(dòng)態(tài)范圍的圖像為目標(biāo)，并不是為進(jìn)一步的實(shí)際任務(wù)處理服務(wù)。

本文研究針對(duì)事件流信息的降噪處理以及前一種事件流可視化的方法，通過(guò)形成事件“幀”的形式可進(jìn)行進(jìn)一步基于事件相機(jī)的相關(guān)研究。利用物體邊緣運(yùn)動(dòng)引起的事件流所具有的時(shí)間和空間連續(xù)性，對(duì)事件流進(jìn)行噪聲處理，本文選取的時(shí)空鄰域在運(yùn)動(dòng)起始和平緩時(shí)保留更多有效事件信息。對(duì)于處理后的有效事件利用事件數(shù)量以及時(shí)間閾值雙限制的方式累積事件形成事件“幀”，在運(yùn)動(dòng)平緩時(shí)可以保證幀率，體現(xiàn)事件相機(jī)低延時(shí)特性，運(yùn)動(dòng)劇烈時(shí)可以平均事件“幀”包含的事件數(shù)量，達(dá)到可視化及利于進(jìn)一步應(yīng)用目的。

1 事件相機(jī)原理及數(shù)據(jù)結(jié)構(gòu)

事件相機(jī)的最早形式為動(dòng)態(tài)視覺(jué)傳感器［13］（Dynamic Vision Sensor，DVS），其 像 素 結(jié) 構(gòu) 如圖1（a）所示［14］。圖中：I為光電流；Vp為感光器輸出電壓；A=C1/C2為差分電路增益；V0為差分電路輸出電壓。每個(gè)像素獨(dú)立通過(guò)檢測(cè)光強(qiáng)對(duì)數(shù)的變化，如果變化的量超過(guò)設(shè)定的閾值，則根據(jù)其變化的情況輸出“變亮”或“變暗”事件同時(shí)記錄新的光強(qiáng)對(duì)數(shù)。DVS相機(jī)僅輸出單純的異步事件流信息，在一定程度上可以滿足計(jì)算的需求但是不直觀，不利于人眼觀察。

出于對(duì)DVS相機(jī)的改進(jìn)，出現(xiàn)了結(jié)合事件和強(qiáng)度圖像的基于異步時(shí)間的圖像傳感器［14］（Asynchronous Time based Image Sensor，ATIS），以及可以輸出事件流也可以輸出強(qiáng)度圖像的動(dòng)態(tài)與主動(dòng)式像素視覺(jué)傳感器［15］（Dynamic and Active pixel Vision Sensor，DAVIS），其二者的像素結(jié)構(gòu)如圖1（b）和圖1（c）所示。圖1（b）［15］中：Iph為光電流；Vdiff為差分電路輸出電壓。圖1（c）［16］中：Vpd為光電二極管PD電壓；Vpr為感光器輸出電壓；Ipr為偏置電流；Vdr為MN1下方電壓節(jié)點(diǎn)；Vaps為APS電壓。ATIS相機(jī)通過(guò)結(jié)合2個(gè)子像素的方法，ATIS相機(jī)的像素中1個(gè)子像素為DVS的像素結(jié)構(gòu)，在其受到光強(qiáng)變化產(chǎn)生事件信號(hào)時(shí)激發(fā)另一子像素進(jìn)行曝光成像，可以得到亮度變化超過(guò)閾值部分像素的強(qiáng)度圖像。

圖1 三種事件相機(jī)的像素結(jié)構(gòu)Fig.1 Pixel structure of three event cameras

圖2 傳統(tǒng)幀相機(jī)和事件相機(jī)輸出對(duì)比Fig.2 Comparison of frame-based camera and event camera output

DAVIS相機(jī)則將DVS像素和傳統(tǒng)幀相機(jī)像素電路結(jié)合，利用同一個(gè)光電二極管作為APS像素和DVS像素的輸入，可以同時(shí)輸出異步的事件流信息以及同步的全局快門(mén)圖像。ATIS相機(jī)和DAVIS相機(jī)一定程度上解決了事件相機(jī)觀察不直觀的問(wèn)題，但是對(duì)于輸出的事件流依然存在無(wú)法觀察的問(wèn)題。事件流數(shù)據(jù)包含事件發(fā)生的像素位置、發(fā)生時(shí)間及事件極性，伴隨亮度變化產(chǎn)生，亮度不變則無(wú)數(shù)據(jù)，各像素間具有異步特性。而像素感受的亮度變化，一般由場(chǎng)景中運(yùn)動(dòng)物體邊緣與背景的差異造成，如圖2所示，具有空間稀疏性，所以事件流反映了場(chǎng)景的運(yùn)動(dòng)狀態(tài)，在劇烈運(yùn)動(dòng)時(shí)會(huì)產(chǎn)生密集的大量事件，在平緩運(yùn)動(dòng)時(shí)產(chǎn)生較少的事件輸出。所以利用固定時(shí)間窗口的方式，進(jìn)行事件累積得到的事件“幀”如圖3（a）和圖3（b）所示，可以通過(guò)改變幀率的方式整體調(diào)整每一幀的事件量，但是不能改善運(yùn)動(dòng)狀態(tài)差異導(dǎo)致的幀間信息量差異。本文為保證事件流可視化的事件“幀”既包含足夠信息進(jìn)行進(jìn)一步處理，又盡量保證高時(shí)間分辨率特性，利用事件信息數(shù)量及時(shí)間閾值雙限制的方式累積事件得到事件“幀”，如圖3（d）所示。在形成事件“幀”時(shí)，發(fā)現(xiàn)事件流包含大量噪聲事件，在進(jìn)一步處理過(guò)程中噪聲事件會(huì)造成干擾，所以在保證有效事件信息數(shù)量的情況下需進(jìn)行噪聲處理，以得到適合進(jìn)一步處理任務(wù)的事件“幀”。

圖3 事件流可視化方法對(duì)比Fig.3 Comparison of event stream visualization methods

本文假設(shè)事件相機(jī)零延時(shí)，所得到的事件流即邊緣運(yùn)動(dòng)信息，環(huán)境中的運(yùn)動(dòng)具有時(shí)間和空間連續(xù)性，所以其引發(fā)的事件流也具有時(shí)間和空間的連續(xù)性，而噪聲則具有隨機(jī)性，利用這種差異對(duì)事件流進(jìn)行噪聲處理，并對(duì)得到的有效事件進(jìn)行可視化，可為進(jìn)一步的處理提供包含足夠數(shù)量的有效事件信息同時(shí)也盡量保持事件相機(jī)低延時(shí)的特點(diǎn)，實(shí)驗(yàn)結(jié)果證明了本文可視化及降噪算法的有效性。

2 事件流的可視化及降噪算法

事件相機(jī)輸出的異步事件流代表像素點(diǎn)亮度變化超出閾值，單個(gè)事件可以表示為eventi=（xi，yi，ti，pi），i為序號(hào)，（x，y）為事件發(fā)生的像素位置坐標(biāo)，t為事件發(fā)生時(shí)間，p∈｛0，1｝表示事件極性（0代表亮度變暗，1代表亮度變亮）。假設(shè)事件相機(jī)零延時(shí)且無(wú)噪聲干擾，則t時(shí)刻物體邊緣運(yùn)動(dòng)所引起的事件集合可以表示為

式中：N為物體邊緣在事件相機(jī)成像區(qū)域中所占的像素點(diǎn)數(shù)。假設(shè)噪聲noise表示為式（2），j為序號(hào)，Nnoise為噪聲事件點(diǎn)像素?cái)?shù)，則實(shí)際事件流集合event′表示為式（3）。

實(shí)際處理中，事件相機(jī)也具有一定延時(shí)且不同邊緣位置與背景亮度變化差異不一定一致，同時(shí)運(yùn)動(dòng)的物體邊緣并非反應(yīng)在事件流的絕對(duì)同一時(shí)刻。所以，一般需要一定的時(shí)間窗口進(jìn)行事件累積。

2.1 基于時(shí)間空間連續(xù)性的噪聲處理

根據(jù)假設(shè)物體邊緣運(yùn)動(dòng)所引起的事件流具有時(shí)間和空間連續(xù)性，而噪聲具有隨機(jī)性，所以通過(guò)對(duì)某時(shí)刻的所有事件進(jìn)行判斷其前后時(shí)刻的相鄰空間是否有相關(guān)事件發(fā)生即可判斷此事件是否為噪聲。考慮實(shí)際事件相機(jī)存在低延時(shí)將前后時(shí)刻擴(kuò)展為時(shí)間窗口長(zhǎng)度為Δt的（t-Δt，t+Δt）時(shí)間窗口，將事件eventi需要計(jì)算的去心鄰域表示為式（4），設(shè)L為空間窗口長(zhǎng)度，則事件eventi是否為噪聲可以通過(guò)式（5）判斷。

通過(guò)噪聲處理將得到的噪聲事件eventno去除，得到有效事件eventef進(jìn)行下一步累積事件的可視化處理。

2.2 事件數(shù)量和時(shí)間閾值雙限制的累積事件“幀”

將噪聲處理后得到的有效事件在一定時(shí)間窗口內(nèi)進(jìn)行事件累積，形成事件“幀”是最簡(jiǎn)單的可視化方法之一，但是場(chǎng)景環(huán)境運(yùn)動(dòng)狀態(tài)會(huì)導(dǎo)致單位時(shí)間得到的事件信息量不均勻，進(jìn)而導(dǎo)致運(yùn)動(dòng)平緩時(shí)所形成的事件“幀”包含事件信息過(guò)少，運(yùn)動(dòng)劇烈時(shí)所形成的事件“幀”包含事件信息過(guò)多，均不利于進(jìn)一步應(yīng)用處理。通過(guò)重疊累積事件的方式可以提高平緩運(yùn)動(dòng)時(shí)的信息量且保證高幀率，但是劇烈運(yùn)動(dòng)時(shí)依然會(huì)造成事件過(guò)多，且重復(fù)累積的事件在進(jìn)一步處理中產(chǎn)生冗余。

若為保證事件“幀”包含信息量一致采用累積等量事件的方式，可以保證在運(yùn)動(dòng)平緩和劇烈時(shí)均得到包含更利于進(jìn)一步處理的事件信息量的事件“幀”。但是，在運(yùn)動(dòng)平緩時(shí)累積一幀所需時(shí)間較長(zhǎng)，導(dǎo)致事件“幀”包含大量“過(guò)時(shí)”信息。

噪聲處理及可視化算法如下：

1.初始化起始時(shí)間t0，累計(jì)事件數(shù)量n=0。

2.輸入事件eventi，確定其去心鄰域U·（eventi，L，Δt）。

3.根據(jù)式（5）判斷事件點(diǎn)為噪聲點(diǎn)還是有效事件點(diǎn)，若為噪聲點(diǎn)返回步驟2，若為有效點(diǎn)記錄eventefn，n+1。

4.判斷ti-t0＞Tth，若成立執(zhí)行步驟6。

5.判斷n＜Nth，若成立返回步驟2。

圖4 本文算法結(jié)構(gòu)示意圖Fig.4 Structure of proposed algorithm

3 實(shí)驗(yàn)與分析

為驗(yàn)證和分析事件流可視化及降噪效果，本文在真實(shí)事件數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)和測(cè)試。數(shù)據(jù)集由ETH Zurich的傳感器實(shí)驗(yàn)室利用DAVIS 240C型號(hào)的事件相機(jī)獲取，采用其中城市部分環(huán)境采集數(shù)據(jù)［17］。DAVIS 240C分辨率為240×180，動(dòng)態(tài)范圍為120 dB，最小敏感度為11%，最小延時(shí)為12μs。

實(shí)驗(yàn)分別比較固定時(shí)間窗口、重疊累積、固定事件數(shù)量、時(shí)間和事件雙限制4種事件“幀”形成方法，并且進(jìn)行事件流降噪前后對(duì)比。如圖5～圖10所示。選取的場(chǎng)景1為運(yùn)動(dòng)較平緩時(shí)刻，場(chǎng)景2為運(yùn)動(dòng)較劇烈時(shí)刻。

由圖5（b）～圖5（d）、圖7（b）～圖7（d）可以看出，利用運(yùn)動(dòng)邊緣引起的事件流的時(shí)間和空間的連續(xù)性，可以對(duì)背景處的噪聲進(jìn)行較好的處理，但是在物體邊緣的噪聲依然存在。圖5（c）中對(duì)于噪聲處理較好，但是由于場(chǎng)景1的運(yùn)動(dòng)較為平緩，大量有效事件也被濾除，丟失大量場(chǎng)景物體邊緣信息。由表1、表2可以看出，運(yùn)動(dòng)越平緩事件去除率越高，其中文獻(xiàn)［9］事件去除率最高，導(dǎo)致檢測(cè)事件數(shù)量嚴(yán)重降低，尤其在平緩運(yùn)動(dòng)時(shí)損失過(guò)多物體邊緣信息，本文噪聲處理方法相比于文獻(xiàn)［9］的方法，在運(yùn)動(dòng)起始或緩慢時(shí)可以保存更多細(xì)節(jié)邊緣事件信息，相比于文獻(xiàn)［8］的方法，噪聲處理中改變的時(shí)空鄰域可以獲得更多的事件點(diǎn)，在運(yùn)動(dòng)越平緩時(shí)效果越明顯。圖6、圖8展示了降噪處理后進(jìn)行角點(diǎn)檢測(cè)［18］的效果，可以看出，噪聲處理可以有效降低噪聲事件對(duì)角點(diǎn)檢測(cè)的干擾，當(dāng)運(yùn)動(dòng)平緩時(shí)本文降噪方法保留更多的事件信息，可以提升有效角點(diǎn)檢測(cè)數(shù)量。

圖9、圖10中，圖（a）、（b）為固定時(shí)間窗口處理方式；圖（c）、（d）為文獻(xiàn)［7］的重疊累積處理方式；圖（e）、（f）為固定事件數(shù)量處理方式；圖（g）、（h）為雙重限制方法，XX/YY意義同上。由圖9、圖10對(duì)比可以看出，在平緩運(yùn)動(dòng)狀態(tài)和劇烈運(yùn)動(dòng)狀態(tài)下事件隨時(shí)間分布不均勻，圖9（a）、（b）和圖10（a）、（b）按照固定時(shí)間窗口的方式累積事件會(huì)造成事件“幀”包含信息量產(chǎn)生差異，運(yùn)動(dòng)平緩時(shí)可能導(dǎo)致信息不足，運(yùn)動(dòng)劇烈時(shí)可能造成物體邊緣模糊。利用重疊累積的方式，可以在保證與固定時(shí)間窗口相同事件信息量的情況下提高幀率，但是依然無(wú)法解決事件隨時(shí)間分布不均，導(dǎo)致事件“幀”包含信息過(guò)多或過(guò)少的問(wèn)題。圖9（e）、（f）和圖10（e）、（f）按照事件數(shù)量進(jìn)行事件“幀”累積，可以保證均勻的信息量。但是，在運(yùn)動(dòng)十分平緩時(shí)會(huì)造成一幀輸出時(shí)間過(guò)長(zhǎng)同時(shí)包含大量“過(guò)時(shí)”事件，丟失了事件相機(jī)的低延時(shí)優(yōu)勢(shì)。本文方法如圖9（g）、（f）和圖10（g）、（h）所示，可以在運(yùn)動(dòng)劇烈時(shí)保證事件“幀”信息相對(duì)均勻分布，在運(yùn)動(dòng)平緩時(shí)按照時(shí)間輸出事件“幀”，保持了事件信息的低延時(shí)特性。

圖5 噪聲處理效果圖（場(chǎng)景1）Fig.5 Noise processing（Scene 1）

圖6 角點(diǎn)檢測(cè)效果圖（場(chǎng)景1）Fig.6 Corner detection（Scene 1）

圖7 噪聲處理效果圖（場(chǎng)景2）Fig.7 Noise processing（Scene 2）

圖8 角點(diǎn)檢測(cè)效果圖（場(chǎng)景2）Fig.8 Corner detection（Scene 2）

圖9 不同參數(shù)3種可視化方法對(duì)比（場(chǎng)景1）Fig.9 Comparison of three visualization methods with different parameters（Scene 1）

在進(jìn)行噪聲處理后，不同可視化方法處理得到的事件“幀”幀率以及平均包含事件數(shù)量，在噪聲處理后，平均包含事件數(shù)量以及事件數(shù)量方差可以一定程度反應(yīng)不論運(yùn)動(dòng)劇烈或平緩，事件“幀”包含信息的均勻性，如表3和表4所示?？梢钥闯?，重疊累積的方式可以有效提高幀率，但是無(wú)法改善事件隨時(shí)間分布不均的問(wèn)題，按照事件數(shù)量累積可以使事件“幀”的事件信息平均，但是在平緩運(yùn)動(dòng)的情況下幀率過(guò)低，本文方法可以有效降低事件數(shù)量方差，提高事件“幀”信息的均勻性。

圖10 不同參數(shù)3種可視化方法對(duì)比（場(chǎng)景2）Fig.10 Comparison of three visualization methods with different parameters（Scene 2）

表1 噪聲處理后事件數(shù)量統(tǒng)計(jì)（場(chǎng)景1）Table 1 Counts of the number of events after noise processing（Scene 1）

表2 噪聲處理后事件數(shù)量統(tǒng)計(jì)（場(chǎng)景2）Table 2 Counts of the number of events after noise processing（Scene 2）

表4 事件“幀”幀率及事件方差統(tǒng)計(jì)（場(chǎng)景2）Table 4 Frame rate and variance of events number（Scene 2）

4 結(jié) 論

本文利用運(yùn)動(dòng)邊緣引起的事件流具有時(shí)間和空間的連續(xù)性進(jìn)行噪聲處理，并利用事件數(shù)量和時(shí)間閾值雙重限制的方法進(jìn)行事件流可視化。本文通過(guò)對(duì)真實(shí)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)表明：

1）基于事件流時(shí)空連續(xù)性的噪聲處理方法可以降低事件噪聲，時(shí)空鄰域的選取在運(yùn)動(dòng)起始和平緩時(shí)也可以保留更多事件信息。

2）事件數(shù)量和時(shí)間閾值雙限制的可視化方法可以為進(jìn)一步任務(wù)提供事件“幀”，在運(yùn)動(dòng)平緩時(shí)可以保證事件“幀”輸出的低延時(shí)特性，運(yùn)動(dòng)劇烈時(shí)可以平均事件“幀”包含的事件信息量。

后續(xù)工作將會(huì)針對(duì)物體邊緣依然存在噪聲殘余的問(wèn)題以及算法結(jié)構(gòu)進(jìn)行優(yōu)化，降低運(yùn)行時(shí)間。未來(lái)將進(jìn)一步進(jìn)行基于事件相機(jī)的檢測(cè)、跟蹤、定位等視覺(jué)導(dǎo)航任務(wù)研究。