你需要多少事件？基于稀疏但变化像素的事件视觉地点识别
计算机视觉与模式识别
2022-10-17 v3 人工智能
机器人学
摘要
事件相机因其高动态范围、低延迟、几乎无运动模糊和高能效等理想特性持续吸引关注。有望从这些特性受益的潜在应用之一是用于机器人定位的视觉地点识别，即将查询观测与数据库中对应参考地点进行匹配。在本文中，我们探索来自一小部分像素(数十或数百个)的事件流的区分性。我们证明，当使用在参考集中显示大变化的像素时，将这些像素位置处累积进事件帧的事件数量的绝对差异足以用于地点识别任务。利用这种稀疏(在图像坐标上)但变化(各像素位置事件数的方差)的像素，能够实现频繁且计算廉价的定位估计更新。此外，当事件帧包含恒定数量的事件时，我们的方法充分利用感官流的事件驱动本质，并展现出对速度变化令人满意的鲁棒性。我们在户外驾驶场景的 Brisbane-Event-VPR 数据集以及新贡献的室内 QCR-Event-VPR 数据集上评估了所提方法，后者由安装在移动机器人平台上的 DAVIS346 相机采集。结果表明，与这些数据集上的若干基线方法相比，我们的方法取得了有竞争力的性能，并特别适用于星际漫游车等计算和能量受限平台。
引用
@article{arxiv.2206.13673,
title = {How Many Events do You Need? Event-based Visual Place Recognition Using Sparse But Varying Pixels},
author = {Tobias Fischer and Michael Milford},
journal= {arXiv preprint arXiv:2206.13673},
year = {2022}
}
备注
8 pages