CN111031266B - 基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 - Google Patents
基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 Download PDFInfo
- Publication number
- CN111031266B CN111031266B CN201911410826.4A CN201911410826A CN111031266B CN 111031266 B CN111031266 B CN 111031266B CN 201911410826 A CN201911410826 A CN 201911410826A CN 111031266 B CN111031266 B CN 111031266B
- Authority
- CN
- China
- Prior art keywords
- event
- value
- list
- real
- hash function
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 title claims abstract description 40
- 230000000007 visual effect Effects 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 101100108191 Vibrio parahaemolyticus serotype O3:K6 (strain RIMD 2210633) add gene Proteins 0.000 claims description 11
- 101150060298 add2 gene Proteins 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 210000002569 neuron Anatomy 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/47—Image sensors with pixel address output; Event-driven image sensors; Selection of pixels to be read out based on image data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
- H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质，本发明方法步骤包括接收DVS输出的事件event；采用哈希函数将事件event从高维向量压缩得到实数值；将实数值进行信息编码映射至m列表中的目标位置；判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event为噪声事件并过滤，否则判定事件event为真实事件；更新映射至m列表中的目标位置的值。本发明能够实现动态视觉传感器背景活动噪声的过滤，且本发明比传统的最近邻滤波器占用的内存资源更少，同时保证处理速度小于事件产生的速度从而保证实时处理，并且获得了更好的信噪比。
Description
技术领域
本发明涉及动态视觉传感器的噪声过滤技术，具体涉及一种基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质。
背景技术
动态视觉传感器(Dynamic Vision Sensor，DVS)是一种模仿生物视觉的工作机理的传感器，动态视觉传感器是像素异步工作，仅输出光强发生变化像素的地址和信息，而非被动依次读出“帧”内每个像素信息，从源头上消除冗余数据，具有场景变化实时动态响应、图像超稀疏表示、事件异步输出等特点，可广泛应用于高速目标跟踪、实时监控、工业自动化和机器人视觉等领域。在DVS中，对于单个像素点，只有接受光强度发生改变时，才会有事件 (脉冲)信号输出，没有帧的限制。事件是有极性的。如果亮度增加值超过某个阈值，那么将产生一个该像素点亮度增加的事件，反之，则产生一个该像素点亮度减弱的事件。如果光强没有变化，那么传感器将不会产生新的事件输出。DVS的这些特性使其可以拍摄高速运动的物体，即便物体运动非常快，也能拍摄清楚并且以任何速度播放。而且它比高帧率摄像机更能胜任这项任务，不会如同基于帧率的摄像机那样产生大量的冗余数据，对运算资源、能耗造成浪费。DVS的高灵敏度，无需特殊照明的特点使得其可以稳定地胜任一些低亮度的环境。它还具备高动态范围(HDR)的优点。DVS产生的事件e通常用地址事件表示(AddressEvent Representation，AER)进行表示，是一个四元组(x，y，ts，p)。其中x表示该事件产生像素的横坐标，y表示纵坐标，ts表示时间戳，p表示事件的极性。
DVS会因为热噪声和结漏电流输出一些事件，这些事件不是因为真实的物体运动产生的，没有实际意义，被称为背景活动噪声(Background Activity Noise)。通过预处理去除噪声对提高DVS输出事件的质量有重要意义，可提高后续处理算法处理DVS事件时的性能。
目前已知的DVS背景活动噪声过滤有下述方式：
1、现有的最常见的噪声滤波器是最近邻(Nearest Neighbor，NNb)滤波器，它根据时空相关性原理对DVS产生的事件进行判断。时空相关性原理表述如下：如果一个像素点产生的事件与其空间相邻的像素点产生的事件的时间差小于某个阈值，则这两个事件具有时空相关性，这两个时间都应该被判定为真实事件，从而通过滤波器。反之，如果一个像素点产生的事件与其空间相邻的像素点产生的事件的时间差都超过阈值，则认为该事件是噪声，将会被滤波器过滤。此原理的基本实现需要为DVS的每个像素点都分配一个存储单元。针对内存单元的耗费，一些工作进行了改进，通过分组共享一个存储单元或者行列共享存储单元的方式节省存储开销。
2、TrueNorth的研究人员提出了一种基于生物神经元模型的方法，在DVS的像素点之后增加了一层由泄露集成点火模型神经元组成的脉冲神经网络。该网络只有一层，神经元模型的参数设置使其实际上简化成了集成点火模型。神经元的个数和像素点的个数一一对应。神经元和像素点之间通过卷积核进行连接，通常是3x3的大小，所有神经元共享同样的权值。这样做的效果是，神经元不仅接收它对应的像素点产生的事件(脉冲)，还会接收与该像素点相邻的像素点产生的输入，当神经元积累的脉冲超过某个阈值时，它就会产生一个脉冲，该脉冲将作为该神经元对应像素点的输出事件。这种方式对移动慢的小物体的产生的事件和噪声事件的区分效果比之前的方法要好。
3、通过增强事件流的方式识别噪声。通过事件的速度计算事件的生命周期。对于一个事件，选取过去的两个事件，构造一个平面，再检测过去的事件对这个平面是否支持(到这个平面的距离是否小于某个阈值)，如果对这个平面的支持点的个数小于某个值，则这个点的生命周期被设置为0。通过判断生命周期是否为0来判断是否为噪声点。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质，本发明能够实现动态视觉传感器背景活动噪声的过滤，且本发明比传统的最近邻滤波器占用的内存资源更少，同时保证处理速度小于事件产生的速度从而保证实时处理，并且获得了更好的信噪比。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于哈希函数的动态视觉传感器背景活动噪声过滤方法，实施步骤包括：
1)接收DVS输出的事件event；
2)采用哈希函数将事件event从高维向量压缩得到实数值；
3)将实数值进行信息编码映射至m列表中的目标位置；
4)判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event 为真实事件，否则判定该事件event为噪声事件并过滤；
5)更新映射至m列表中的目标位置的值。
可选地，步骤1)中的事件event为四元组(p,x,y,ts)，其中p表示事件event的极性，x表示该事件产生像素的横坐标，y表示纵坐标，ts表示时间戳。
可选地，步骤2)具体是指采用k个局部敏感的哈希函数将事件event从高维向量压缩得到k个实数值，步骤4)中仅仅在所有的目标位置的原值大于或等于预设阈值Thr成立时才判定事件event为真实事件。
可选地，所述哈希函数的函数表达式为hi(x)＝(ax+b)/w，其中x表示输入向量形式的事件event，a为哈希函数的参数向量，参数向量a和输入向量x相同维度，w为分割线段的单位长度，b为偏置项，偏置项b取值在0到分割线段的单位长度w之间。
可选地，步骤3)中把实数值的信息编码的函数表达式为vi＝MA[himod m]，其中vi为实数值的信息编码，hi为输入的实数值，mod为模运算，m为m列表的长度，MA表示m列表，MA[himod m]表示将himod m作为m列表中的目标位置。
可选地，步骤5)更新映射至m列表中的目标位置的值时：如果事件event为噪声事件，则将映射至m列表中的目标位置的值加上预设的第一元素更新值add1作为该位置的新值；如果事件event为真实事件，则将映射至m列表中的目标位置的值加上预设的第二元素更新值add2作为该位置的新值，且第一元素更新值add1小于第二元素更新值add2。
本发明还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括：
事件接收程序单元，用于接收DVS输出的事件event；
哈希压缩程序单元，用于采用哈希函数将事件event从高维向量压缩得到实数值；
列表映射程序单元，用于将实数值进行信息编码映射至m列表中的目标位置；
噪声过滤程序单元，用于判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event为真实事件，否则判定该事件event为噪声事件并过滤；
列表更新程序单元，用于更新映射至m列表中的目标位置的值。
本发明还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，该计算机设备被编程或配置以执行所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的步骤。
本发明还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，该计算机设备的存储器上存储有被编程或配置以执行所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
和现有技术相比，本发明具有下述优点：本发明通过采用哈希函数将事件event从高维向量压缩得到实数值实现了对事件event的压缩，且通过将实数值进行信息编码映射至m列表中的目标位置并结合更新映射至m列表中的目标位置的值，从而实现了对事件event的统计，如果事件event统计值较少(目标位置的原值大于或等于预设阈值Thr)则可以判定事件 event为噪声并进行过滤，从而能够实现动态视觉传感器背景活动噪声的过滤，且本发明比传统的最近邻滤波器占用的内存资源更少，同时保证处理速度小于事件产生的速度从而保证实时处理，并且获得了更好的信噪比。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的多哈希函数实现的基本流程示意图。
图3为本发明实施例方法的数据实例示意图。
图4为本发明实施例方法和其他过滤方法的信噪比对比图。
具体实施方式
如图1所示，本实施例基于哈希函数的动态视觉传感器背景活动噪声过滤方法的实施步骤包括：
1)接收DVS输出的事件event；
2)采用哈希函数将事件event从高维向量压缩得到实数值；
3)将实数值进行信息编码映射至m列表中的目标位置；
4)判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event 为真实事件，否则判定该事件event为噪声事件并过滤；
5)更新映射至m列表中的目标位置的值。
本实施例中，步骤1)中的事件event为四元组(p,x,y,ts)，其中p表示事件event的极性， x表示该事件产生像素的横坐标，y表示纵坐标，ts表示时间戳。
作为一种可选的实施方式，步骤2)可以采用一个哈希函数将事件event从高维向量压缩得到实数值，步骤4)中如果该哈希函数映射得到的目标位置的原值大于或等于预设阈值Thr成立时才判定事件 event 为真实事件，否 则判定事件event为噪声事件并过滤。
但是，采用一个哈希函数存在误判的可能，因此为了减少误判率，如图2所示，本实施例步骤2)具体是指采用k个局部敏感的哈希函数将事件event从高维向量压缩得到k个实数值，步骤4)中仅仅在所有的目标位置的原值大于或等于预设阈值Thr成立时才判定事件event 为真实事件。哈希函数用来对DVS输出的事件event进行压缩。本实施例中，哈希函数的函数表达式为hi(x)＝(ax+b)/w，其中x表示输入向量形式的事件event，a为哈希函数的参数向量，参数向量a和输入向量x相同维度，w为分割线段的单位长度，b为偏置项，偏置项b取值在0到分割线段的单位长度w之间。一个哈希函数就相当于三维空间中的一条直线，该直线被以分割线段的单位长度w为单位的线段进行分割，空间中的一点在该直线上的投影必会落到某个线段范围内，该线段的编号就蕴含了该事件的信息，这种方式能够使得一个空间中相邻的数据点映射到另一个空间中也是相邻的。
本实施例中，m列表用来存储压缩后的时空相关性信息，它由m个存储单元组成，每个存储单元为x个比特大小，采用m列表是因为它通过索引可以方便的进行读写操作。不需要指针或者查找表等复杂或者庞大的数据结构。通过采用哈希函数压缩和m列表，本实施例方法大大的节省了过滤所需要的存储空间。
本实施例中，实数值并不会直接存储到m列表中，也是经过信息编码加工后的信息才会存入m列表。本实施例步骤3)中把实数值的信息编码的函数表达式为vi＝MA[himod m]，其中vi为实数值的信息编码，hi为输入的实数值，mod为模运算，m为m列表的长度，MA 表示m列表，MA[himod m]表示将himod m作为m列表中的目标位置。即用hi对列表长度 m取余运算后的余数作为索引，得到m列表该位置存储的数值vi，可以得到v1到vk共k个数值。每个数值都要和预设阈值Thr进行比较。超过阈值表示该点对应的特定时空发生的事件数超过了阈值，因此这些事件是具有时空相关性事件的概率非常大。如果所有索引到的m列表的值都大于阈值，可以认为该事件和发生在特定时空的历史事件是具有时空相关性，是真实事件，flag＝0。但是只要有一个索引到的m列表的值小于预设阈值Thr，说明在某个维度上该事件和其他历史事件没有很大的相关性，则被认为是噪声事件，flag＝1，并且对m列表进行更新，服从规则MA[himod m]＝MA[himod m]+addi，addi为预设的元素更新值。其中，m列表中的所有存储单元存储的值被初始化为0。假设m列表中每个存储单元的位宽L，单位是比特(bit)，最小值是1比特。如果L等于1，则更新服从规则MA[himod m]＝1。
本实施例中，步骤5)更新映射至m列表中的目标位置的值时：如果事件event为噪声事件，则将映射至m列表中的目标位置的值加上预设的第一元素更新值add1作为该位置的新值；如果事件event为真实事件，则将映射至m列表中的目标位置的值加上预设的第二元素更新值add2作为该位置的新值，且第一元素更新值add1小于第二元素更新值add2。第一元素更新值add1、第二元素更新值add2的具体取值可以根据需要进行人工选择，但是第一元素更新值add1小于第二元素更新值add2的目的是为了区分噪声事件和真实事件的信息。噪声事件不应该让存储压缩后的时空信息的m列表的某个位置的值快速地上升，否则这个位置很容易从指示噪声像素点变成指示非噪声像素点。本实施例中，第一元素更新值add1取值为 1、第二元素更新值add2取值为2。
如图3所示，本实施例步骤2)具体是指采用2个局部敏感的哈希函数将事件event从高维向量压缩得到2个实数值，假设m列表的m取值为32，w取值为1，两个哈希函数分别是h1(x)＝(0.5x1+0.5x2+0.5x3)/1,h2(x)＝(2x1+x2+x3)/1，输入向量是(1，2，1)，则详细的过程如下：
1)接收DVS输出的事件event(1，2，1)；
2)采用哈希函数h1(x)将事件event从高维向量压缩得到实数值2；采用哈希函数h2(x)将事件event从高维向量压缩得到实数值5；
3)将实数值进行信息编码映射至m列表中的目标位置，即索引的第2、5个位置，目标位置的原值分别为7和3；
4)将原值7和原值3分别和预设阈值Thr进行比较进行噪声判断。
假定预设阈值Thr取值为5，将原值7和原值3分别和5比较，则有所有的目标位置的原值大于或等于预设阈值Thr不成立(3>＝5不成)，判定event为噪声事件(flag＝1)并过滤。
假定预设阈值Thr取值为3，将原值7和原值3分别和3比较，因此所有的目标位置的原值大于或等于预设阈值Thr成立，判定event为真实事件(flag＝0)。
5)更新映射至m列表中的目标位置(第2、5个位置)的值。
当预设阈值Thr取值为5时，第2、5个位置被分别被加1，原值(7，3)更新为(8，4)。当预设阈值Thr取值为3时，第2、5个位置被分别被加2，原值(7，3)更新为(9，5)。
为了对本实施例基于哈希函数的动态视觉传感器背景活动噪声过滤方法的性能进行验证，在取m列表的长度为128、m列表的每个存储单元的长度为16比特(bit)的情况下，本实施例基于哈希函数的动态视觉传感器背景活动噪声过滤方法和其他几种过滤方法的内存占用比较如表1所示。内存单位是Byte(1Byte＝8bits)。
表1：本实施例方法和现有几种过滤方法的内存占用比较表。
| 方法 | 对比1 | 对比2 | 对比3 | 对比4 | 本实施例方法 |
| Byte | 65536 | 16384 | 2048 | 32768 | 256 |
上表中，对比1～对比4分别表示其他4种过滤方法，HM表示基于热度图的帧过滤方法，Bs1～ Bs3分别表示3种空间复杂度不同的基于时空信息相关性存储比较时间戳的过滤方法。本实施例采用一个手势数据集中的5种手势进行过滤方法效果的对比。该手势数据集是由实验人员在动态视觉传感器前做出不同的手势动作，采集动态视觉传感器因为动作引起的光强变化输出事件流而得到。不同的手势导致的事件流不同。动态视觉传感器输出的事件流是未经过噪声过滤处理的事件流。本实施例基于哈希函数的动态视觉传感器背景活动噪声过滤方法和其他几种过滤方法得到的结果信噪比如图4所示，其中Gesture1～Gesture5分别表示5种不同的手势，分别是鼓掌、左挥手、右挥手、弹吉他和打鼓，Gesture1～Gesture5的最左一列是实施例方法(HH)，其余为上面的方法1-4，其中HM表示基于热度图的帧过滤方法，Bs1～ Bs3分别表示3种空间复杂度不同的基于时空信息相关性存储比较时间戳的过滤方法，纵轴是信噪比的值。
结合表1和图3可知，本实施例基于哈希函数的动态视觉传感器背景活动噪声过滤方法比传统的最近邻滤波器占用的内存资源更少，同时保证处理速度小于事件产生的速度从而保证实时处理，并且获得了更好的信噪比。
此外，本实施例还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括：
事件接收程序单元，用于接收DVS输出的事件event；
哈希压缩程序单元，用于采用哈希函数将事件event从高维向量压缩得到实数值；
列表映射程序单元，用于将实数值进行信息编码映射至m列表中的目标位置；
噪声过滤程序单元，用于判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event为真实事件，否则判定该事件event为噪声事件并过滤；
列表更新程序单元，用于更新映射至m列表中的目标位置的值。
此外，本实施例还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，该计算机设备被编程或配置以执行本实施例前述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的步骤。
此外，本实施例还提供一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，该计算机设备的存储器上存储有被编程或配置以执行本实施例前述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行本实施例前述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于哈希函数的动态视觉传感器背景活动噪声过滤方法，其特征在于实施步骤包括：
1)接收DVS输出的事件event；
2)采用哈希函数将事件event从高维向量压缩得到实数值；
3)将实数值进行信息编码映射至m列表中的目标位置，进行信息编码映射的函数表达式为vi＝MA[hi mod m]，其中vi为实数值的信息编码，hi为输入的实数值，mod为模运算，m为m列表的长度，MA表示m列表，MA[hi mod m]表示将hi mod m作为m列表中的目标位置；
4)判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event为真实事件，否则判定该事件event为噪声事件并过滤；
5)更新映射至m列表中的目标位置的值：如果事件event为噪声事件，则将映射至m列表中的目标位置的值加上预设的第一元素更新值add1作为该位置的新值；如果事件event为真实事件，则将映射至m列表中的目标位置的值加上预设的第二元素更新值add2作为该位置的新值，且第一元素更新值add1小于第二元素更新值add2。
2.根据权利要求1所述的基于哈希函数的动态视觉传感器背景活动噪声过滤方法，其特征在于，步骤1)中的事件event为四元组(p，x，y，ts)，其中p表示事件event的极性，x表示该事件产生像素的横坐标，y表示纵坐标，ts表示时间戳。
3.根据权利要求1所述的基于哈希函数的动态视觉传感器背景活动噪声过滤方法，其特征在于，步骤2)具体是指采用k个局部敏感的哈希函数将事件event从高维向量压缩得到k个实数值，步骤4)中仅仅在所有的目标位置的原值大于或等于预设阈值Thr成立时才判定事件event为真实事件。
4.根据权利要求3所述的基于哈希函数的动态视觉传感器背景活动噪声过滤方法，其特征在于，所述哈希函数的函数表达式为hi(x)＝(ax+b)/w，其中x表示输入向量形式的事件event，a为哈希函数的参数向量，参数向量a和输入向量x相同维度，w为分割线段的单位长度，b为偏置项，偏置项b取值在0到分割线段的单位长度w之间。
5.一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，其特征在于包括：
事件接收程序单元，用于接收DVS输出的事件event；
哈希压缩程序单元，用于采用哈希函数将事件event从高维向量压缩得到实数值；
列表映射程序单元，用于将实数值进行信息编码映射至m列表中的目标位置，进行信息编码映射的函数表达式为vi＝MA[hi mod m]，其中vi为实数值的信息编码，hi为输入的实数值，mod为模运算，m为m列表的长度，MA表示m列表，MA[hi mod m]表示将hi mod m作为m列表中的目标位置；
噪声过滤程序单元，用于判断目标位置的原值大于或等于预设阈值Thr是否成立，如果成立则判定事件event为真实事件，否则判定该事件event为噪声事件并过滤；
列表更新程序单元，用于更新映射至m列表中的目标位置的值：如果事件event为噪声事件，则将映射至m列表中的目标位置的值加上预设的第一元素更新值add1作为该位置的新值；如果事件event为真实事件，则将映射至m列表中的目标位置的值加上预设的第二元素更新值add2作为该位置的新值，且第一元素更新值add1小于第二元素更新值add2。
6.一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～4中任意一项所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的步骤。
7.一种基于哈希函数的动态视觉传感器背景活动噪声过滤系统，包括计算机设备，其特征在于，该计算机设备的存储器上存储有被编程或配置以执行权利要求1～4中任意一项所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～4中任意一项所述于哈希函数的用于动态视觉传感器背景活动噪声的过滤方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911410826.4A CN111031266B (zh) | 2019-12-31 | 2019-12-31 | 基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911410826.4A CN111031266B (zh) | 2019-12-31 | 2019-12-31 | 基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111031266A CN111031266A (zh) | 2020-04-17 |
| CN111031266B true CN111031266B (zh) | 2021-11-23 |
Family
ID=70197534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911410826.4A Active CN111031266B (zh) | 2019-12-31 | 2019-12-31 | 基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111031266B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117044221A (zh) * | 2021-03-12 | 2023-11-10 | 华为技术有限公司 | 基于事件的视觉传感器和事件过滤的方法 |
| JP2024507400A (ja) * | 2021-04-19 | 2024-02-19 | 成都時識科技有限公司 | インターフェースシステムを備えたイベント駆動型集積回路 |
| CN114285962B (zh) * | 2021-12-14 | 2023-04-07 | 成都时识科技有限公司 | 噪声处理装置、方法、芯片、事件成像装置及电子设备 |
| CN113923319B (zh) * | 2021-12-14 | 2022-03-08 | 成都时识科技有限公司 | 降噪装置、方法、芯片、事件成像装置及电子设备 |
| CN114078100A (zh) * | 2021-11-25 | 2022-02-22 | 成都时识科技有限公司 | 聚类降噪装置、方法、芯片、事件成像装置及电子设备 |
| US20240064422A1 (en) * | 2021-11-25 | 2024-02-22 | Chengdu SynSense Technology Co., Ltd. | Noise filtering for dynamic vision sensor |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107147856A (zh) * | 2017-03-30 | 2017-09-08 | 深圳大学 | 一种像素单元及其去噪方法、动态视觉传感器、成像装置 |
| CN107610069A (zh) * | 2017-09-29 | 2018-01-19 | 西安电子科技大学 | 基于共享k‑svd字典的dvs可视化视频去噪方法 |
| CN109815876A (zh) * | 2019-01-17 | 2019-05-28 | 西安电子科技大学 | 基于地址事件流特征的手势识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10348994B2 (en) * | 2017-04-06 | 2019-07-09 | Samsung Electronics Co., Ltd. | Intensity image acquisition from dynamic vision sensors |
-
2019
- 2019-12-31 CN CN201911410826.4A patent/CN111031266B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107147856A (zh) * | 2017-03-30 | 2017-09-08 | 深圳大学 | 一种像素单元及其去噪方法、动态视觉传感器、成像装置 |
| CN107610069A (zh) * | 2017-09-29 | 2018-01-19 | 西安电子科技大学 | 基于共享k‑svd字典的dvs可视化视频去噪方法 |
| CN109815876A (zh) * | 2019-01-17 | 2019-05-28 | 西安电子科技大学 | 基于地址事件流特征的手势识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111031266A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111031266B (zh) | 基于哈希函数的动态视觉传感器背景活动噪声过滤方法、系统及介质 | |
| CN113424516B (zh) | 处理从基于事件的光传感器的像素阵列异步地接收的一系列事件的方法 | |
| CN110287820B (zh) | 基于lrcn网络的行为识别方法、装置、设备及介质 | |
| CN107729809B (zh) | 一种自适应生成视频摘要的方法、装置及其可读存储介质 | |
| CN111064865B (zh) | 一种动态视觉传感器背景活动噪声过滤器及处理器 | |
| CN108875482B (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
| CN113408671A (zh) | 一种对象识别方法及装置、芯片及电子设备 | |
| CN114418073B (zh) | 脉冲神经网络训练方法、存储介质、芯片及电子产品 | |
| CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
| EP3789909A1 (en) | Image classification in a sequence of frames | |
| CN110032538A (zh) | 一种数据读取系统和方法 | |
| US20190043583A1 (en) | Clustering events in a content addressable memory | |
| Guo et al. | HashHeat: An O (C) complexity hashing-based filter for dynamic vision sensor | |
| CN114169362A (zh) | 一种基于时空相关滤波的事件流数据去噪方法 | |
| CN114049483A (zh) | 基于事件相机的目标检测网络自监督训练方法及装置 | |
| CN112101135A (zh) | 一种运动目标检测方法、装置及终端设备 | |
| CN113900813B (zh) | 一种基于双口ram的盲元填充方法、系统及装置 | |
| Guo et al. | HashHeat: A hashing-based spatiotemporal filter for dynamic vision sensor | |
| US11057641B1 (en) | Systems and methods of motion estimation using monocular event-based sensor | |
| CN110427816B (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
| CN110602487B (zh) | 一种基于tsn网络的视频画面抖动检测方法 | |
| Cheng et al. | An efficient Markov random field based denoising approach for dynamic vision sensor | |
| Fan et al. | From Dense to Sparse: Low-Latency and Speed-Robust Event-Based Object Detection | |
| CN116488943B (zh) | 多媒体数据泄露溯源检测方法、装置及设备 | |
| CN110634152B (zh) | 一种基于背景建模和多帧确认的目标检测方法 |
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 |