[发明专利]基于ELBP特征的DVS事件分类方法

说明书

本发明提出了一种基于ELBP特征的DVS事件分类方法，旨在保证分类效率的同时，提高DVS事件分类的准确率，包括如下步骤：获取DVS事件流；对DVS事件流进行二值图转化；获取每个二值图的ELBP特征直方图；获得训练好的分类器；获取DVS事件的分类结果。本发明在对DVS事件进行特征提取时，通过对ELBP特征图进行单元划分，在各单元内计算直方图，实现了ELBP特征的有效降维，从而避免特征维度过高给分类效果带来的负面影响，提高了分类的准确率。

技术领域

本发明属于图像处理技术领域，涉及一种DVS事件分类方法，具体涉及一种基于ELBP特征的DVS事件分类方法，可用于动态目标识别。

背景技术

动态视觉传感器DVS是针对机器视觉而设计的智能图像传感器，DVS的每个像素点可以独立感知光强变化，当变化超过阈值时，DVS将发生变化的像素点的激活位置、激活极性和激活时刻打包成事件的形式异步输出，用这些事件可以转化得到只呈现目标轮廓和纹理的二值图，而不需要像传统传感器按照固定帧率将所有像素点信息同步输出才能得到目标的图像，其速度不再受传统的曝光时间和帧速率限制，因此它可以用于捕捉快速运动目标，这种运动传统上是由以每秒几万帧的速度运行的昂贵的高速传感器捕获的，但DVS产生的数据少了一千倍。这些特点使得DVS在监控、机器人视觉等领域有很好的应用前景，而在这些领域中，高效而准确地进行DVS事件分类是一个亟待解决的问题。

DVS事件分类方法可分为基于深度学习的分类方法、基于脉冲神经网络的分类方法和基于手工特征的分类方法。深度学习方法计算复杂度高，消耗计算资源大，忽视DVS事件的优势；脉冲神经网络需要的计算时间长，且识别准确率不高，也不是理想的DVS事件分类方法。

基于手工特征的DVS事件分类算法，首先获取事件流，对事件流按照时间间隔或者事件个数进行分组得到的多个子事件流做图像转化，从图像中提取特征，对特征进行分类，得到DVS事件的标签，DVS事件的标签是DVS捕捉的目标的类别。这种方法可以充分利用DVS事件冗余度低且只呈现动态目标轮廓和纹理的特点，既能保证分类的准确率，又可以提高计算速度，是合理的DVS事件分类方法，当特征维度过高时，提取的特征对于目标的位置变化会非常敏感而缺少鲁棒性，而DVS只捕捉运动目标，即目标的位置总是在变化，所以特征维度过高会导致DVS事件分类准确率的下降，特征维度过高会带来的另一个问题是计算时间过长。如何实时提取可用于准确分类的特征是这类DVS事件分类算法中要解决的主要问题。

为了对DVS事件进行实时特征提取并实现准确分类，例如Xi Peng等人在其发表的论文“Bag of Events:An Efficient Probability-Based Feature Extraction Methodfor AER Image Sensors.”(IEEE Transactions on Neural Networks and LearningSystems,2017)中，公开了一种基于BOE特征的DVS事件分类方法。该方法首先统计每个位置出现事件的频率得到事件频率图，事件频率图尺寸和DVS分辨率一致，其次，对于事件频率高的位置进行降权，对事件频率低的位置进行加权，然后，将每一个像素点的事件频率值都串联起来，得到BOE特征，并将提取好的BOE特征输入支持向量机进行分类。该方法首先提出了从事件流实时提取BOE特征并实现准确分类的方法，但是该方法只证明对缩放后的分辨率为28×28、32×32的DVS事件能做有效分类，而实际使用中的DVS分辨率均在128×128以上，将本方法应用于这些分辨率的DVS事件时，提取的BOE特征维度等于DVS的总像素数，导致维度过高，分类时准确率会受到一定程度的影响。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于ELBP特征的DVS事件分类方法，旨在保证分类效率的同时，提高DVS事件分类的准确率。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取DVS事件流：