王瑞琳, 王 立, 賀盈波, 李 林

北京控制工程研究所, 北京 100094

0 引 言

隨著人類太空活動的不斷增加,圍繞地球的人造空間物體數(shù)量急劇上升.這些人造空間物體雖然給人類提供了極大的便利,但同時也對地球附近的空間活動產(chǎn)生了顯著影響[1-3].因此,對地球周圍空間環(huán)境的感知與探測,即空間態(tài)勢感知,變得尤為重要[4].然而,這些目標(biāo)由于距離較遠(yuǎn)、尺寸較小,在單幀圖像中通常表現(xiàn)為點狀或者條狀[5],覆蓋的像素數(shù)量極為有限.這使得在復(fù)雜的背景中準(zhǔn)確檢測和跟蹤這些空間點目標(biāo)變得極具挑戰(zhàn)性[6].目前,在空間態(tài)勢感知任務(wù)中,常用的是基于幀的視覺傳感器,例如CCD[7]、CMOS[8]等.這類視覺傳感器在采集圖像數(shù)據(jù)時,往往會產(chǎn)生大量的數(shù)據(jù)和較高的傳輸功耗.因此,針對快速移動的空間點目標(biāo),傳統(tǒng)的視覺傳感器在檢測和跟蹤方面面臨著顯著的挑戰(zhàn).

為了解決運動目標(biāo)觀測的問題,研究人員開發(fā)了一種基于神經(jīng)形態(tài)學(xué)的新型視覺傳感器,即事件相機[9-10].這種傳感器的設(shè)計靈感來源于生物學(xué)原理,與傳統(tǒng)視覺傳感器的固定速率輸出圖像數(shù)據(jù)的方式不同,事件相機根據(jù)單個像素上相對亮度的變化來異步輸出信息,這些信息被稱為“事件”.當(dāng)相對亮度的變化超過預(yù)設(shè)的閾值時,事件相機會以微秒級時間分辨率記錄事件的時間戳,并輸出異步事件流[11].這種視覺傳感器的優(yōu)勢在于,它能夠連續(xù)地捕捉空間點目標(biāo)的運動,有效地克服了傳統(tǒng)視覺傳感器在復(fù)雜背景中難以準(zhǔn)確檢測和跟蹤空間點目標(biāo)的問題[12].

由于事件相機輸出的是事件流數(shù)據(jù),這種數(shù)據(jù)格式與傳統(tǒng)的圖像數(shù)據(jù)有本質(zhì)的不同,導(dǎo)致無法直接應(yīng)用現(xiàn)有的圖像處理算法.因此,開發(fā)專門針對事件流數(shù)據(jù)的處理算法變得迫在眉睫.GOMEZ等[13]提出了一個用于跟蹤目標(biāo)的分層神經(jīng)形態(tài)系統(tǒng),該系統(tǒng)使用兩個地址事件表示(address event representation,AER)處理層以級聯(lián)方式工作,用于檢測不同的目標(biāo)并跟蹤它們的交叉軌跡.ZONG等[14]使用移動最小二乘(moving least squares,MLS)表面擬合方法和局部平面擬合方法來處理事件流數(shù)據(jù),以便跟蹤其中的目標(biāo).SANER等[15]通過結(jié)合事件相機和傳統(tǒng)相機進行目標(biāo)跟蹤,其中傳統(tǒng)相機用于在圖像幀中跟蹤目標(biāo),事件相機用于捕捉連續(xù)幀之間的變化信息.LINARES等[16]提出了一個適用于事件流數(shù)據(jù)的FPGA框架,可以濾除不相關(guān)的噪聲并跟蹤具有不同運動狀態(tài)和尺寸的多個目標(biāo).LAGORCE等[17]利用多個不同視覺特征跟蹤目標(biāo),并使用多個不同的核函數(shù)組合來跟蹤傳入的事件數(shù)據(jù)的特征.

憑借其卓越的性能,基于事件的方法在空間目標(biāo)跟蹤和檢測任務(wù)中逐漸受到重視.CHEUNG等[18]使用地面望遠(yuǎn)鏡和事件相機獲取空間目標(biāo)的數(shù)據(jù),并提出了一種概率多假設(shè)跟蹤器的方法來獲取空間目標(biāo)的運動軌跡.盡管提出的方法可以有效跟蹤空間點目標(biāo),但它需要頻繁地更新估計,這可能導(dǎo)致錯誤的軌跡.CHIN等[19]使用事件相機進行恒星跟蹤,提出了新的旋轉(zhuǎn)平均和光束法平差公式,并使用貝葉斯濾波進行后處理,實現(xiàn)了小于1°的均方根誤差.然而該方法依賴于點云配準(zhǔn),無法應(yīng)用于資源受限的平臺.COHEN等[20]提出了一種新的空間目標(biāo)成像方法,使用兩個不同的事件相機實現(xiàn)空間態(tài)勢感知.空間目標(biāo)數(shù)據(jù)是由地面上的多個事件相機和傳統(tǒng)CCD傳感器收集的,可以成功地檢測和識別低地球軌道和地球同步軌道上的空間目標(biāo).BAGCHI等[21]提出一種基于事件的恒星跟蹤方法,使用多分辨率霍夫變換按照時間順序整合事件數(shù)據(jù),并生成準(zhǔn)確的相對旋轉(zhuǎn),以獲取整個星場的事件數(shù)據(jù).AFSHAR等[22]使用一系列事件相機構(gòu)建了一個光學(xué)空間目標(biāo)成像數(shù)據(jù)集,包括有標(biāo)簽和無標(biāo)簽的數(shù)據(jù),并提出了一種基于事件特征的檢測和跟蹤方法.該方法由級聯(lián)事件濾波器組成,可以高速處理事件數(shù)據(jù).SALVATORE等[23]提出了一個混合幀圖像和事件數(shù)據(jù)的檢測框架,使用Darknet圖像特征提取器與PointNet點云特征提取器結(jié)合提取事件數(shù)據(jù)特征,利用動態(tài)視覺技術(shù)來檢測地球同步軌道上的空間目標(biāo),提高背景中暗弱目標(biāo)的檢測性能.RALPH等[24]提出了一種基于異步跟蹤的空間目標(biāo)的快速迭代提取算法,作為事件驅(qū)動的空間態(tài)勢感知任務(wù)的跟蹤方法,有效解決了事件相機的異步和高時間分辨率問題.然而,在復(fù)雜背景下,該方法無法保證長期跟蹤的性能.此外,目前大多數(shù)處理事件流數(shù)據(jù)的方法傾向于將事件數(shù)據(jù)轉(zhuǎn)換成圖像幀格式,進而應(yīng)用傳統(tǒng)的圖像處理技術(shù)[25].這類方法沒有直接處理異步事件流數(shù)據(jù),從而未能充分發(fā)揮事件相機的獨特優(yōu)勢.

針對上述提到的問題,本文提出了一種基于異步事件流的空間點目標(biāo)跟蹤算法.利用單層脈沖神經(jīng)元的時空近鄰特性濾除原始事件流數(shù)據(jù)中的噪聲事件,并得到候選目標(biāo).采用最近鄰軌跡關(guān)聯(lián)方法對所有候選目標(biāo)進行跟蹤,得到其運動軌跡.根據(jù)空間目標(biāo)和虛警目標(biāo)的特征,構(gòu)建了特征權(quán)重濾除方法,通過特征權(quán)重濾除虛警目標(biāo),得到空間目標(biāo)的運動軌跡.

1 空間點目標(biāo)跟蹤方法

基于異步事件流的空間點目標(biāo)跟蹤方法,主要由單層脈沖神經(jīng)元、最近鄰軌跡關(guān)聯(lián)和特征權(quán)重虛警濾除3個部分組成.空間點目標(biāo)的原始事件流數(shù)據(jù)經(jīng)過本文方法的處理后,可以直接獲得其運動軌跡,具體如圖1所示.

圖1 基于異步事件流的空間點目標(biāo)跟蹤方法示意圖Fig.1 Schematic diagram of a space point object tracking method based on asynchronous event stream

1.1 時空相關(guān)性單層脈沖神經(jīng)元去噪方法

與傳統(tǒng)的基于幀的視覺傳感器相比,事件相機在觀測目標(biāo)和獲取數(shù)據(jù)的過程中,實際上模擬了生物視網(wǎng)膜的工作機制.事件相機輸出的事件流數(shù)據(jù)與生物神經(jīng)元產(chǎn)生的脈沖信號極為相似.因此,基于模擬生物神經(jīng)元的脈沖神經(jīng)元模型非常適合于處理這種事件流數(shù)據(jù).

目前,常用的脈沖神經(jīng)元模型包括H-H模型[26]、積分點火模型[27]、脈沖響應(yīng)模型[28]以及Izhikevich模型[29].在這些脈沖神經(jīng)元模型中,積分點火模型因其適用于數(shù)學(xué)分析的特點以及較低的計算復(fù)雜度而受到青睞,尤其適用于涉及多脈沖神經(jīng)元的計算任務(wù).因此,相比于其他脈沖神經(jīng)元模型,積分點火模型更適合處理事件流數(shù)據(jù).

在使用事件相機檢測和跟蹤空間點目標(biāo)時,每個時刻產(chǎn)生的空間點目標(biāo)事件流數(shù)據(jù)通常僅包括單個或少數(shù)幾個像素,在特征上與事件流數(shù)據(jù)中的背景活動噪聲和熱噪聲極為相似[30],從而大大的增加了準(zhǔn)確檢測空間點目標(biāo)的難度.為了解決這一問題,本文提出了一種具有時空相關(guān)性的單層脈沖神經(jīng)元去噪方法,能夠有效地濾除原始事件流數(shù)據(jù)中的噪聲,并能夠準(zhǔn)確地檢測出空間點目標(biāo).

本文提出的時空相關(guān)性單層脈沖神經(jīng)元去噪方法具體流程如圖2所示.首先,將事件相機獲取的原始事件流數(shù)據(jù)作為輸入.該事件流數(shù)據(jù)ei可以用數(shù)學(xué)形式表示為

圖2 時空相關(guān)性單層脈沖神經(jīng)元去噪方法示意圖Fig.2 Schematic diagram of a single-layer spiking neuron

ei={xi,yi,ti}

(1)

式中,i為事件索引,xi和yi為事件相機上像素的空間位置,ti為事件的時間戳.

接著,為最新輸入的事件數(shù)據(jù)構(gòu)建一個時空鄰域D,并將該事件數(shù)據(jù)輸入到一個脈沖神經(jīng)元中

(2)

式中:L為每個輸入事件的空間鄰域的大小,為7×7像素大小的正方形區(qū)域;Δt為輸入事件之間的時間閾值,為10 ms.

如果后續(xù)輸入的事件數(shù)據(jù)出現(xiàn)在該時空鄰域內(nèi),則認(rèn)為是由同一目標(biāo)生成的事件數(shù)據(jù),并將事件數(shù)據(jù)輸入到相應(yīng)的脈沖神經(jīng)元中.如果后續(xù)輸入的事件數(shù)據(jù)沒有出現(xiàn)在任何時空鄰域內(nèi),則認(rèn)為該事件與之前的事件沒有時空相關(guān)性,將其輸入到一個新的脈沖神經(jīng)元中,并構(gòu)建一個新的時空鄰域:

(3)

最后,相應(yīng)的脈沖神經(jīng)元的膜電位會隨著事件數(shù)據(jù)的輸入而逐漸增加,直到達(dá)到激活閾值.為了更貼近真實生物神經(jīng)元的特性,為每個神經(jīng)元添加了一個漏電流項,使得脈沖神經(jīng)元的膜電位能夠隨著時間逐漸下降,從而減少噪聲事件的影響.當(dāng)某個脈沖神經(jīng)元的膜電位達(dá)到激活閾值時,則認(rèn)為檢測到了一個運動目標(biāo),將該神經(jīng)元中積累的所有事件數(shù)據(jù)輸出,并將膜電位重置為靜息電位.反之,如果某個脈沖神經(jīng)元膜電位降至0,則認(rèn)為其中的事件數(shù)據(jù)全部為噪聲,進而將這些事件數(shù)據(jù)移除.以上過程可以用數(shù)學(xué)形式表示為

(4)

(5)

其中,Pth是脈沖神經(jīng)元的激活閾值,具體為10.

1.2 最近鄰軌跡關(guān)聯(lián)方法

在從事件流數(shù)據(jù)中成功檢測出候選目標(biāo)后,接下來的步驟是對這些目標(biāo)進行持續(xù)的跟蹤.為此,本文采用了最近鄰運動軌跡關(guān)聯(lián)方法來跟蹤這些檢測到的候選目標(biāo).相較于其他的關(guān)聯(lián)方法,該方法進行運動軌跡關(guān)聯(lián)時,不僅快速高效,而且具有較低的計算復(fù)雜度[31].

對已經(jīng)檢測到的候選目標(biāo)進行運動軌跡估計,從而確定一個預(yù)測鄰域,也就是所謂的跟蹤門.將原始事件流數(shù)據(jù)與這個預(yù)測鄰域進行對比.如果事件數(shù)據(jù)出現(xiàn)在預(yù)測鄰域內(nèi),那么將這些事件數(shù)據(jù)視為該候選目標(biāo)的后續(xù)事件.

第一步,估計和預(yù)測候選目標(biāo)的運動軌跡,得到候選目標(biāo)Oi的下一個事件出現(xiàn)的預(yù)測像素空間位置xp和yp.

候選對象的預(yù)測鄰域Dp定義為

Dp={x,y|x∈[xp,xp+Δx],y∈[yp,yp+Δy]}

(6)

其中,Δx和Δy表示候選目標(biāo)中最后兩個事件數(shù)據(jù)的像素空間位置變化.

第二步,將后續(xù)輸入的事件數(shù)據(jù)與候選目標(biāo)Oi的預(yù)測鄰域Dp進行比較.如果預(yù)測鄰域中只有一個事件出現(xiàn),則該事件為候選目標(biāo)的后續(xù)事件;如果預(yù)測鄰域中有多個事件出現(xiàn),則選擇與預(yù)測事件最接近的事件作為候選目標(biāo)的后續(xù)事件

(7)

其中,ej表示新輸入的事件.

第三步,如果只通過最近鄰方法將后續(xù)的事件數(shù)據(jù)進行關(guān)聯(lián),一些噪聲可能被誤認(rèn)為是目標(biāo)并被錯誤關(guān)聯(lián).針對這種情況,本文認(rèn)為在短時間內(nèi),目標(biāo)像素的空間位置的變化不會發(fā)生突變.因此,通過將預(yù)測鄰域中事件的像素空間位置的變化與候選目標(biāo)平均像素空間位置變化進行比較,判斷預(yù)測鄰域中的事件是否屬于候選目標(biāo)

(8)

1.3 特征權(quán)重虛警濾除

根據(jù)空間點目標(biāo)的特點,本文設(shè)計了一種特征權(quán)重虛警濾除的方法.通過特征權(quán)重區(qū)分具有不同特征的目標(biāo),并保留空間點目標(biāo).

根據(jù)所有目標(biāo)中空間點目標(biāo)的特征,提出了運動特征和事件數(shù)據(jù)量特征.運動特征反映了目標(biāo)是否是連續(xù)運動的目標(biāo),以及目標(biāo)的運動方向和速度是否有突變,而事件數(shù)據(jù)量特征反映了目標(biāo)運動軌跡中包含的事件數(shù)據(jù)的數(shù)量.

首先,計算每一個目標(biāo)的運動變化信息

ΔX={Δx1,Δx2,…,Δxn-1}

(9)

ΔY={Δy1,Δy2,…,Δyn-1}

(10)

式中,ΔX和ΔY分別表示所有x方向運動變化和y方向運動變化的集合,Δx1=x2-x1,Δy1=y2-y1等,n表示運軌跡中事件的數(shù)量.

計算目標(biāo)的運動特征

(11)

式中,F1表示目標(biāo)的運動特征.F1的值越大,表示目標(biāo)在某個方向上進行連續(xù)移動,并且移動的距離較長.相反,如果F1的值越小,表示目標(biāo)在某個位置上幾乎沒有移動.

計算目標(biāo)的事件數(shù)據(jù)量特征

F2=n

(12)

式中,F2表示物體事件數(shù)據(jù)量特征.F2的值越大,表示目標(biāo)運動軌跡中包含的事件數(shù)據(jù)越多;相反,如果F2的值越小,表示目標(biāo)運動軌跡中包含的事件數(shù)據(jù)越少.

下一步,將這兩個特征根據(jù)權(quán)重相加并進行歸一化

(13)

其中,m1、w1、m2和w2分別是運動特征和事件數(shù)據(jù)量特征的歸一化系數(shù)和權(quán)重,具體分別為1 000(經(jīng)過實驗統(tǒng)計得到運動特征的值主要集中在1 000左右)、0.5、2 000(經(jīng)過實驗統(tǒng)計事件數(shù)據(jù)量特征的值主要集中在2 000左右)和0.5.在本文中,兩個特征的權(quán)重均取值0.5,這是基于兩個特征具有相同的重要性.在最終的判斷過程中,這兩個特征平等地決定每個候選目標(biāo)是否是空間點目標(biāo).

最后,判斷每個候選目標(biāo)的特征是否符合空間點目標(biāo)的特征,濾除其中的虛警目標(biāo):

(14)

其中,Fth是特征權(quán)重閾值.

2 實驗結(jié)果與分析

為了驗證所提出的方法的有效性和合理性,分別使用CeleX-V事件相機測量數(shù)據(jù)和公共空間目標(biāo)事件數(shù)據(jù)集(EBSSA數(shù)據(jù)集)[22]進行驗證.

2.1 實驗數(shù)據(jù)

所使用的事件相機為CeleX-V視覺傳感器,該傳感器的空間分辨率達(dá)到了1 280 pixel×800 pixel,時域的最大輸出采樣頻率為160MHz,動態(tài)范圍為120 dB.該事件相機使用串行MIPI接口作為讀出接口,支持最高達(dá)2.4 Gb/s的傳輸速率[32].本文將該事件相機對著星模擬器進行拍攝,獲取了一個2等星亮度的運動目標(biāo)的事件流數(shù)據(jù),用于實驗驗證.

EBSSA數(shù)據(jù)集是西悉尼大學(xué)通過望遠(yuǎn)鏡和事件相機結(jié)合獲取的空間目標(biāo)的數(shù)據(jù),其中包含具有單個空間目標(biāo)以及多個空間目標(biāo)的事件流數(shù)據(jù).選取其中2個單目標(biāo)事件流數(shù)據(jù)和2個多目標(biāo)事件流數(shù)據(jù),用于實驗驗證.

2.2 CeleX-V事件相機測量數(shù)據(jù)的結(jié)果

在使用事件相機獲取的空間點目標(biāo)事件流數(shù)據(jù)中,存在大量的噪聲,主要包括隨機噪聲和熱噪聲.這些噪聲可能導(dǎo)致實際目標(biāo)被淹沒,從而影響空間點目標(biāo)的準(zhǔn)確檢測和跟蹤.本文使用時間相關(guān)單層脈沖神經(jīng)元去噪方法濾除事件數(shù)據(jù)中的噪聲,并從中提取出候選目標(biāo).在識別出候選目標(biāo)后,通過最近鄰運動軌跡關(guān)聯(lián)來確定每個候選目標(biāo)的運動軌跡.此外,本文還使用特征權(quán)重虛警濾除方法,以確保僅保留實際的空間點目標(biāo)及其運動軌跡.

CeleX-V事件相機獲取的空間點目標(biāo)原始事件流數(shù)據(jù)和最終跟蹤結(jié)果分別如圖3和圖4所示.從圖3中能夠看出原始事件流數(shù)據(jù)中包含著大量的噪聲,這些噪聲極大的影響了空間點目標(biāo)的檢測和跟蹤.從圖4中可以直觀地看出,經(jīng)過基于異步事件流的空間點目標(biāo)跟蹤方法的處理,原始事件流數(shù)據(jù)中的噪聲已經(jīng)基本上被全部濾除,保留下來了空間點目標(biāo)的運動軌跡,有利于后續(xù)對空間點目標(biāo)的識別和監(jiān)視.

圖3 空間點目標(biāo)原始事件流數(shù)據(jù)三維示意圖Fig.3 Three-dimensional illustration of raw event stream data for space point object

圖4 空間點目標(biāo)三維運動軌跡Fig.4 Three-dimensional motion trajectory of space point object

表1為經(jīng)過基于異步事件流的空間點目標(biāo)跟蹤方法處理后,空間點目標(biāo)事件流數(shù)據(jù)的總事件數(shù)據(jù)量、目標(biāo)事件數(shù)據(jù)量和其他事件數(shù)據(jù)量的對比.從表1中可以看出,通過基于異步事件流的空間點目標(biāo)跟蹤方法的處理,原始事件流數(shù)據(jù)中的大部分噪聲和虛警目標(biāo)已經(jīng)被過濾掉.具體數(shù)據(jù)為其他事件數(shù)量從8 430 712減少到717,減少了99.99%.然而,其中的空間點目標(biāo)事件數(shù)量從1 540減少到1 430,只減少了7.14%,但在總事件數(shù)據(jù)量中的比例卻從0.02%增加到了66.60%,這說明經(jīng)過基于異步事件流的空間點目標(biāo)跟蹤方法的處理之后有效地保留了原始事件流數(shù)據(jù)中的空間點目標(biāo)的事件.然而,最終結(jié)果中仍存在著少量的噪聲在目標(biāo)的運動軌跡周圍,但幾乎不影響空間點目標(biāo)的檢測和跟蹤,能夠從圖4中明顯地看出空間點目標(biāo)的運動軌跡.

表1 事件數(shù)據(jù)數(shù)量及變化對比Tab.1 Comparison of event data quantity and changes

2.3 EBSSA事件數(shù)據(jù)集中數(shù)據(jù)的結(jié)果

AFSHAR等[22]提出了一種基于事件流相對密度的測量方法,包括靈敏度、特異度和信息量

(15)

(16)

信息量=靈敏度+特異度-1

(17)

具體的過程為:對于任意累積的幀,如果局部事件密度高于全局事件密度,則將該累積的幀視為正例,否則視為負(fù)例;在每個累積幀中,出現(xiàn)在標(biāo)記目標(biāo)周圍10 pixel半徑范圍內(nèi)的事件被視為真,否則被視為假;將所有得到的真正例、真負(fù)例、假正例和假負(fù)例求取平均.

本文通過靈敏度、特異度和信息量這3個關(guān)鍵評價指標(biāo),對基于異步事件流的空間點目標(biāo)跟蹤方法進行了評估,與文獻(xiàn)[22]中提出的幾種方法進行了比較,結(jié)果如表2所示.在表2中,與其他方法相比,基于異步事件流的空間點目標(biāo)跟蹤方法在靈敏度、特異度和信息量這3個指標(biāo)上均展現(xiàn)出一定的優(yōu)勢,靈敏度為0.892,特異度為0.926,信息量為0.818.特別值得注意的是,靈敏度和信息量在所有對比的方法中最高.這一結(jié)果表明,基于異步事件流的空間點目標(biāo)跟蹤方法能夠有效地從原始事件流數(shù)據(jù)中提取出目標(biāo)生成的事件,并有效地濾除噪聲和虛警目標(biāo),從而實現(xiàn)準(zhǔn)確的目標(biāo)檢測和跟蹤.

表2 不同空間目標(biāo)跟蹤方法的結(jié)果對比Tab.2 Comparison of results for different space object tracking methods

圖5～8展示了基于異步事件流的空間點目標(biāo)跟蹤方法在EBSSA數(shù)據(jù)集中部分空間目標(biāo)事件流數(shù)據(jù)上的運動軌跡檢測結(jié)果(在該事件數(shù)據(jù)集中,實際空間目標(biāo)運動軌跡周圍10像素內(nèi)的事件均被認(rèn)為是由目標(biāo)生成的事件,因此并不是真正的點目標(biāo)).通過與該數(shù)據(jù)集中標(biāo)記的實際空間目標(biāo)的運動軌跡進行比較,本文提出的方法可以有效地檢測到單個對象或多個對象的運動軌跡.同時,由于原始事件流數(shù)據(jù)中存在大量噪聲且信噪比較低,還可以有效地過濾掉事件流數(shù)據(jù)中的噪聲,并保留由實際目標(biāo)生成的事件.

圖5 空間目標(biāo)SL-16R/B運動軌跡的人工標(biāo)記與最終結(jié)果Fig.5 Artificial annotation and final result of the motion trajectory of space object SL-16R/B

圖6 空間目標(biāo)SL-8R/B運動軌跡人工標(biāo)記與最終結(jié)果Fig.6 Artificial annotation and final result of the motion trajectory of space object SL-8R/B

圖7 空間目標(biāo)COSMOS運動軌跡人工標(biāo)記與最終結(jié)果Fig.7 Artificial annotation and final result of the motion trajectory of space object COSMOS

圖8 空間目標(biāo)ABS-6運動軌跡人工標(biāo)記與最終結(jié)果Fig.8 Artificial annotation and final result of the motion trajectory of space object ABS-6

3 討論及分析

在天基空間目標(biāo)光學(xué)觀測系統(tǒng)中,絕大多數(shù)被觀測的目標(biāo)是移動的空間點目標(biāo),因此,快速有效地檢測出這些空間點目標(biāo)顯得尤為關(guān)鍵.事件相機憑借其輸出的事件流數(shù)據(jù)具有異步稀疏的特性,特別適合于觀測快速移動的目標(biāo).然而,空間點目標(biāo)與其他移動的目標(biāo)不同,它們在圖像平面上僅占據(jù)極少數(shù)像素,幾乎不具備可辨識的特征信息.因此,在基于事件的空間點目標(biāo)檢測中,主要挑戰(zhàn)在于如何從大量噪聲中準(zhǔn)確識別出移動的空間點目標(biāo).

為解決這一問題,本文利用了移動空間點目標(biāo)的時空特征和脈沖神經(jīng)元的生物特性.與噪聲相比,連續(xù)移動的空間點目標(biāo)產(chǎn)生的事件更加有序和集中.這些目標(biāo)會在一段時間內(nèi)持續(xù)出現(xiàn),其運動軌跡規(guī)律且穩(wěn)定,不會發(fā)生突變,而噪聲則恰恰相反.基于這些特點,可以有效地區(qū)分空間點目標(biāo)和噪聲.

此外,與其他基于事件的空間點目標(biāo)檢測方法不同,本文提出的基于異步事件流的空間點目標(biāo)跟蹤方法不是將事件累積成幀,而是直接處理獲取的事件流數(shù)據(jù).這樣充分利用了事件數(shù)據(jù)的異步稀疏特性,使得能夠在目標(biāo)出現(xiàn)時迅速做出響應(yīng).同時,直接處理異步事件數(shù)據(jù)能夠有效節(jié)省存儲空間和計算資源,能夠滿足未來天基的應(yīng)用需求.

與傳統(tǒng)的基于幀的視覺傳感器不同,事件相機獲取的事件流數(shù)據(jù)能夠高效地表征移動目標(biāo).在未來的空間態(tài)勢感知任務(wù)中,事件相機可以為空間目標(biāo)的檢測和跟蹤提供重要支持,能夠?qū)σ曇皟?nèi)移動的空間目標(biāo)進行及時且準(zhǔn)確的識別和判斷,從而為空間安全和活動提供強有力的支持.

4 結(jié) 論

本文提出了一種新穎的基于異步事件流的空間點目標(biāo)跟蹤方法,并通過實際應(yīng)用事件相機采集的空間點目標(biāo)事件流數(shù)據(jù)和EBSSA數(shù)據(jù)集中的部分事件流數(shù)據(jù)進行了驗證.結(jié)果表明,該方法能夠有效地從原始空間點目標(biāo)事件流數(shù)據(jù)中探測和跟蹤空間點目標(biāo),同時具有較強的抗噪聲能力.為了全面評估和驗證跟蹤結(jié)果的有效性,本文采用了靈敏度、特異度和信息量3個關(guān)鍵評價指標(biāo).在EBSSA數(shù)據(jù)集上,這3個指標(biāo)分別達(dá)到了0.892、0.926和0.818.特別是靈敏度和信息量這兩個指標(biāo)均超過了文中提到的幾種方法.這一結(jié)果表明,基于異步事件流的空間點目標(biāo)跟蹤方法在探測和跟蹤運動的空間點目標(biāo)方面具有更高的準(zhǔn)確性.