CN109919957A - 一种基于动态视觉传感器的角点检测方法 - Google Patents
一种基于动态视觉传感器的角点检测方法 Download PDFInfo
- Publication number
- CN109919957A CN109919957A CN201910017402.5A CN201910017402A CN109919957A CN 109919957 A CN109919957 A CN 109919957A CN 201910017402 A CN201910017402 A CN 201910017402A CN 109919957 A CN109919957 A CN 109919957A
- Authority
- CN
- China
- Prior art keywords
- event
- point
- angle point
- initial angle
- center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于动态视觉传感器的角点检测方法,包括以下步骤:1)针对动态视觉传感器数据中每一个新传入的事件,以其为圆心,构建角点检测模板;2)根据圆心处事件的极性与时间戳,统计模板内相应事件的个数;3)根据所统计相应事件的个数,判定圆心处是否为初始角点;4)对所确定的初始角点进行非极大值抑制,获得最终角点。与现有技术相比,本发明具有快速准确等优点。
Description
技术领域
本发明涉及图像特征检测技术领域,尤其是涉及一种基于动态视觉传感器的角点检测方法。
背景技术
动态视觉传感器通过检测图像的对数强度的变化来输出事件流,其中每个事件都具有位置、极性和时间戳信息。与传统相机相比,其具有延迟低,时间分辨率高,动态范围大等优势。
在传统图像处理技术领域中,角点因为其具有良好的定位性、信息量高,并且不受孔径问题影响等优势,一直被广泛应用于视觉测距、物体追踪等功能。角点作为一种实用特征,其在动态视觉传感器上的应用也备受关注。不同于传统相机输出的帧图像,动态视觉传感器输出的是离散事件流,传统的角点检测方法并不能进行直接的应用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态视觉传感器的角点检测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于动态视觉传感器的角点检测方法,包括以下步骤:
1)针对动态视觉传感器数据中每一个新传入的事件,以其为圆心,构建角点检测模板;
2)根据圆心处事件的极性与时间戳,统计模板内相应事件的个数;
3)根据所统计相应事件的个数,判定圆心处是否为初始角点;
4)对所确定的初始角点进行非极大值抑制,获得最终角点。
所述的步骤1)中,角点检测模板为:
以新传入的事件为圆心,以4像素长度为半径,由构建出圆形内的57个像素所组成。
所述的步骤2)中,统计模板内相应事件的个数具体为:
21)在角点检测模板内,搜寻与圆心处事件极性相同的事件,若在同一位置处传入过多次事件,则以最新的事件为准;
22)将搜寻到的与圆心处事件极性相同的事件与圆心处事件进行时间戳比较,并统计时间戳差值小于设定阈值的事件的个数。
所述的步骤22)中,统计时间戳差值小于设定阈值的事件的个数N(l0)的计算式为:
其中,l0为新传入的事件,位于检测模板的圆心,l为模板内其余位置处传入的事件,p(l),p(l0)为事件的极性,T(l0),T(l)为事件的时间戳,b为时间戳阈值, D(l0)为以事件l0为圆心的角点检测模板。
所述的初始角点的判定条件为:
当步骤22)中统计出的事件个数在预设范围内时,则判定该圆心处为初始角点,否则,判定该圆心处不为初始角点,具体表达式为:
其中,r1、r2为统计事件个数的范围值。
所述的步骤(4)中,对初始角点非极大值抑制包括以下步骤:
41)以每一个初始角点为中心,建立一个正方形邻域;
42)若该正方形邻域内仅有一个初始角点,则将该角点作为最终角点,若在该正方形邻域内存在多个初始角点,则分别计算各初始角点的得分值,保留得分值最大的角点为最终角点。
所述的步骤42)中,各初始角点的得分值S(l0)的计算式为:
与现有技术相比,本发明具有以下优点:
由于本发明直接对事件进行处理,通过把握角点的存在条件建立模板进行检测。与传统方法相比,大大减少了需要处理的数据量,能够在保证运用较低计算资源的同时对角点进行快速准确的检测。
附图说明
图1为本发明的角点检测算法流程图。
图2为检测模板示意图。
图3为事件时间戳比较示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,本发明提供了一种基于动态视觉传感器的角点检测算法,该算法能够对实时传入的事件流进行角点检测,并可确保其检测的准确性、高效性,所用计算资源少,提升了其应用的广泛性。该基于动态视觉传感器的角点检测算法包括以下步骤:
1)针对动态视觉传感器数据每一个新传入的事件,以其为圆心,构建角点检测模板,如图2所示;
(2)根据圆心处事件的极性与时间戳,统计模板内相应事件的个数;
(3)根据步骤(2)中所统计的事件个数,判定圆心处是否为初始角点;
(4)对所确定的初始角点进行非极大值抑制,获得最终角点。
在步骤(1)中,所述模板是以新传入的事件为圆心,以4像素长度为半径,构建的圆形内的57个像素所组成。
在步骤(2)中,统计模板内相应事件的个数步骤如下:
(3-1)在步骤(1)中所构建模板内,寻找与圆心处事件极性相同的事件,若在同一位置处传入过多次事件,则以最新的事件为准。
(3-2)将(3-1)中寻找到的事件与圆心处事件进行时间戳的比较,统计时间戳差值小于设定阈值的事件的个数。
其中,
l0表示新传入的事件,位于检测模板的圆心;
l表示模板内其余位置处传入的事件;
p(l),p(l0)表示事件的极性;
T(l0),T(l)表示事件的时间戳;
b表示时间戳阈值;
D(l0)表示以事件l0为圆心的角点检测模板;
在步骤(3)中,所述初始角点的判定条件为,在步骤(2)中所统计的事件个数在预设范围内时,则圆心处被认为是初始角点,否则排除是角点的可能。
其中,r1、r2是统计事件个数的范围值,本实施例中,设定r1的值为11,r2的值为22。
在步骤(4)中,初始角点非极大值抑制步骤如下:
(5-1)以每一个初始角点为中心,建立一个Ne×Ne的正方形邻域,本实施例中,Ne取值为3。
(5-2)若该邻域内没有其他初始角点,则将该邻域中心的初始角点设为最终角点。如果邻域内存在其他初始角点,计算各初始角点的得分值,保留得分值最大的初始角点为最终角点。得分值计算公式如下:
提取出的角点作为图像的重要特征,能够进行图像的理解与分析,并应用于三维场景重建、运动估计、目标跟踪、目标识别和图像配准等领域。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (7)
1.一种基于动态视觉传感器的角点检测方法,其特征在于,包括以下步骤:
1)针对动态视觉传感器数据中每一个新传入的事件,以其为圆心,构建角点检测模板;
2)根据圆心处事件的极性与时间戳,统计模板内相应事件的个数;
3)根据所统计相应事件的个数,判定圆心处是否为初始角点;
4)对所确定的初始角点进行非极大值抑制,获得最终角点。
2.根据权利要求1所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的步骤1)中,角点检测模板为:
以新传入的事件为圆心,以4像素长度为半径,由构建出圆形内的57个像素所组成。
3.根据权利要求1所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的步骤2)中,统计模板内相应事件的个数具体为:
21)在角点检测模板内,搜寻与圆心处事件极性相同的事件,若在同一位置处传入过多次事件,则以最新的事件为准;
22)将搜寻到的与圆心处事件极性相同的事件与圆心处事件进行时间戳比较,并统计时间戳差值小于设定阈值的事件的个数。
4.根据权利要求3所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的步骤22)中,统计时间戳差值小于设定阈值的事件的个数N(l0)的计算式为:
其中,l0为新传入的事件,位于检测模板的圆心,l为模板内其余位置处传入的事件,p(l),p(l0)为事件的极性,T(l0),T(l)为事件的时间戳,b为时间戳阈值,D(l0)为以事件l0为圆心的角点检测模板。
5.根据权利要求4所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的初始角点的判定条件为:
当步骤22)中统计出的事件个数在预设范围内时,则判定该圆心处为初始角点,否则,判定该圆心处不为初始角点,具体表达式为:
其中,r1、r2为统计事件个数的范围值。
6.根据权利要求3所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的步骤(4)中,对初始角点非极大值抑制包括以下步骤:
41)以每一个初始角点为中心,建立一个正方形邻域;
42)若该正方形邻域内仅有一个初始角点,则将该角点作为最终角点,若在该正方形邻域内存在多个初始角点,则分别计算各初始角点的得分值,保留得分值最大的角点为最终角点。
7.根据权利要求6所述的一种基于动态视觉传感器的角点检测方法,其特征在于,所述的步骤42)中,各初始角点的得分值S(l0)的计算式为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017402.5A CN109919957B (zh) | 2019-01-08 | 2019-01-08 | 一种基于动态视觉传感器的角点检测方法 |
PCT/CN2019/130225 WO2020143499A1 (zh) | 2019-01-08 | 2019-12-31 | 一种基于动态视觉传感器的角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910017402.5A CN109919957B (zh) | 2019-01-08 | 2019-01-08 | 一种基于动态视觉传感器的角点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919957A true CN109919957A (zh) | 2019-06-21 |
CN109919957B CN109919957B (zh) | 2020-11-27 |
Family
ID=66960086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910017402.5A Active CN109919957B (zh) | 2019-01-08 | 2019-01-08 | 一种基于动态视觉传感器的角点检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109919957B (zh) |
WO (1) | WO2020143499A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143499A1 (zh) * | 2019-01-08 | 2020-07-16 | 同济大学 | 一种基于动态视觉传感器的角点检测方法 |
CN113516676A (zh) * | 2021-09-14 | 2021-10-19 | 成都时识科技有限公司 | 角点检测方法、脉冲神经网络处理器、芯片及电子产品 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066104B (zh) * | 2021-03-25 | 2024-04-19 | 三星(中国)半导体有限公司 | 角点检测方法和角点检测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150030204A1 (en) * | 2013-07-29 | 2015-01-29 | Samsung Electronics Co., Ltd. | Apparatus and method for analyzing image including event information |
CN104463896A (zh) * | 2014-12-26 | 2015-03-25 | 武汉大学 | 基于核相似区分布特性的图像角点检测方法及系统 |
CN106716439A (zh) * | 2014-09-16 | 2017-05-24 | 高通股份有限公司 | 基于事件的下采样 |
CN107292899A (zh) * | 2017-05-05 | 2017-10-24 | 浙江大学 | 一种针对二维激光扫描仪的角点特征提取方法 |
CN107808524A (zh) * | 2017-11-30 | 2018-03-16 | 中山大学 | 一种基于无人机的道路交叉口车辆检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919957B (zh) * | 2019-01-08 | 2020-11-27 | 同济大学 | 一种基于动态视觉传感器的角点检测方法 |
-
2019
- 2019-01-08 CN CN201910017402.5A patent/CN109919957B/zh active Active
- 2019-12-31 WO PCT/CN2019/130225 patent/WO2020143499A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150030204A1 (en) * | 2013-07-29 | 2015-01-29 | Samsung Electronics Co., Ltd. | Apparatus and method for analyzing image including event information |
CN106716439A (zh) * | 2014-09-16 | 2017-05-24 | 高通股份有限公司 | 基于事件的下采样 |
CN104463896A (zh) * | 2014-12-26 | 2015-03-25 | 武汉大学 | 基于核相似区分布特性的图像角点检测方法及系统 |
CN107292899A (zh) * | 2017-05-05 | 2017-10-24 | 浙江大学 | 一种针对二维激光扫描仪的角点特征提取方法 |
CN107808524A (zh) * | 2017-11-30 | 2018-03-16 | 中山大学 | 一种基于无人机的道路交叉口车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
赵艳,江泽涛: "《一种改进的Harris角点检测算法》", 《桂林电子科技大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143499A1 (zh) * | 2019-01-08 | 2020-07-16 | 同济大学 | 一种基于动态视觉传感器的角点检测方法 |
CN113516676A (zh) * | 2021-09-14 | 2021-10-19 | 成都时识科技有限公司 | 角点检测方法、脉冲神经网络处理器、芯片及电子产品 |
CN113516676B (zh) * | 2021-09-14 | 2021-12-28 | 成都时识科技有限公司 | 角点检测方法、脉冲神经网络处理器、芯片及电子产品 |
Also Published As
Publication number | Publication date |
---|---|
CN109919957B (zh) | 2020-11-27 |
WO2020143499A1 (zh) | 2020-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN109816673B (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
JP5699788B2 (ja) | スクリーン領域検知方法及びシステム | |
CN107067389B (zh) | 一种图像篡改盲取证方法 | |
TW202011733A (zh) | 對影像進行目標取樣的方法及裝置 | |
WO2017054314A1 (zh) | 一种建筑物高度计算方法、装置和存储介质 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN103530599A (zh) | 一种真实人脸和图片人脸的区别方法和系统 | |
CN109919957A (zh) | 一种基于动态视觉传感器的角点检测方法 | |
CN102982537B (zh) | 一种检测场景变换的方法和系统 | |
CN103473537B (zh) | 一种目标图像轮廓特征表示方法及装置 | |
CN110298281B (zh) | 视频结构化方法、装置、电子设备及存储介质 | |
CN105279473B (zh) | 人脸图像校正方法及装置和人脸识别方法及系统 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN105224903B (zh) | 一种二维码的防伪方法和二维码的读取装置 | |
US20120320433A1 (en) | Image processing method, image processing device and scanner | |
CN113674220A (zh) | 一种图像差异检测方法、检测装置和存储介质 | |
CN105447863B (zh) | 一种基于改进vibe的遗留物检测方法 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN103324906B (zh) | 一种遗留物检测的方法和设备 | |
Widyawan et al. | Adaptive motion detection algorithm using frame differences and dynamic template matching method | |
CN109635679A (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN110580449B (zh) | 一种图像型火焰识别检测方法 | |
CN114022468B (zh) | 一种安防监控中物品遗留丢失检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |