[发明专利]基于动态视觉传感器的物体检测方法及设备

说明书

本发明提供一种基于动态视觉传感器的物体检测方法及设备，所述方法包括以下步骤：通过动态视觉传感器获取多个图像帧；采用递归一致网络检测所述图像帧以获取检测对象的候选框，其中所述递归一致网络包括一个帧检测网络模型和一个候选框图模型。本发明通过采用一种新的递归一致检测网络，从动态视觉传感器获取的数据中快速检测出检测对象的包围框，在保证检测精度的同时大大提高了检测速率。

技术领域

本发明涉及计算机视觉领域，具体而言，本发明涉及一种基于动态视觉传感器的物体检测方法及设备。

背景技术

物体检测是计算机视觉领域中的一个热点问题，其目的是要在图像或视频中识别并检测出感兴趣类别的每个物体实例。它是自动驾驶、无人机和基于手势的交互系统等应用中的重要部分。高能效的摄像机、基于嵌入式低能耗处理器的实时视觉处理算法以及稳定的性能都是物体检测在实际中应用的关键。

物体检测技术在许多重要的应用场景，例如自动驾驶、无人机、家庭辅助以及基于手势的人机交互中发挥核心作用。传统的物体检测方法以可变性部件模型及其变体为主流，这类方法利用图像描述子如HOG(方向梯度直方图,Histogram of OrientedGradient)、SIFT(尺度不变特征变换,Scale-Invariant Feature Transform)以及LBP(局部二值模式,Local Binary Patterns)等作为特征，用滑窗遍历整个图像，寻找某一类别的最大响应区域。

近年来，随着深度学习技术的迅猛发展，基于深度神经网络的物体检测技术由于其显著的性能成为这一领域的主流技术方法。目前，基于深度神经网络的物体检测技术大多建立在FRCNN(快速区域卷积神经网,Faster Region Convolutional Neural Network)的框架下：首先将输入图像进行一系列的卷积操作，得到特征图；然后在特征图中根据ROI(感兴趣区域，Region of Interest)的位置及尺度，在图像特征图上动态池化出具有固定长度的特征作为该ROI的特征，最后利用该ROI特征对该ROI中的物体分类并回归该物体的包围框。

虽然这类基于卷积神经网络的方法具有良好的检测性能，但需要大量的存储空间和计算资源，通常仅能在GPU上运行，因此无法满足嵌入式电子设备应用的需求。

为了提高检测算法的速度，出现了一些更高效的网络结构，这类方法不依赖于基于ROI的动态池化，而是直接由图像特征图上每个点的特征直接分类，并回归物体的包围框参数。与FRCNN的检测模型相比，该方法能够在保证精度的情况下提速2.5倍，或者在降低精度约10％的情况下提速8.6倍。依然距离高效嵌入式应用的需求有数十倍的差距。

对于自动驾驶、无人机、家庭辅助和基于手势的交互系统等实际应用，高能效是物体检测算法能够广泛应用的先决条件。然而，基于卷积神经网络的检测方法具有良好的检测性能，但需要大量的存储空间和计算资源，通常仅能在GPU上运行，因此无法满足嵌入式电子应用的需求。

DVS(动态视觉传感器，Dynamic Vision Sensor)相机具有高效能的特点，然而现有的基于神经网络的物体检测算法都有着较高的复杂度，使得整个视觉检测系统的功耗依然很高，无法满足实际应用的需求。

和传统CMOS(互补金氧半导体电路，Complementary Metal OxideSemiconductor)或CCD(电荷耦合元件，Charge-coupled Device)敏感器生成的图像不同，DVS敏感器是根据场景光照变化强度大小而产生事件，其产生的图像具有稀疏性、二值化的特点。

发明内容

本发明的目的旨在根据DVS相机的特点，结合时域信息，提供一种物体检测方法，以提高物体检测效率。

为了实现上述目的，本发明一实施例提供一种基于动态视觉传感器的物体检测方法，包括以下步骤：

通过动态视觉传感器获取多个图像帧；