eCDT：用于同步特征检测与跟踪的事件聚类
计算机视觉与模式识别
2022-07-21 v2
摘要
与其他标准相机相反，事件相机以完全不同的方式解释世界：作为异步事件的集合。尽管事件相机的数据输出独特，许多事件特征检测与跟踪算法通过绕道基于帧的数据表示已展现出显著进展。本文质疑如此做的必要性，并提出一种对事件数据友好、可实现同步特征检测与跟踪的新方法，称为基于事件聚类的检测与跟踪（eCDT）。我们的方法采用一种新颖的聚类方法，命名为基于 k-NN 分类器的带噪声空间聚类及应用（KCSCAN），对相邻同极性事件聚类以恢复事件轨迹。借助头尾描述子匹配过程，以不同极性重现的事件簇被持续跟踪，延长特征轨迹。得益于我们在时空空间中的聚类方法，我们的方法自动同步解决特征检测与特征跟踪。此外，eCDT 能以可调时间窗在任意频率提取特征轨迹，且不破坏原始事件数据的高时间分辨率。与 SOTA 方法相比，我们的方法特征跟踪寿命提升 30%，且误差与之近似相等。
引用
@article{arxiv.2207.09108,
title = {eCDT: Event Clustering for Simultaneous Feature Detection and Tracking-},
author = {Sumin Hu and Yeeun Kim and Hyungtae Lim and Alex Junho Lee and Hyun Myung},
journal= {arXiv preprint arXiv:2207.09108},
year = {2022}
}
备注
IROS2022 accepted paper