Bewegungsobjekterkennung für ereignisbasierte Vision mittels Graphenspektralclustering

Die Bewegungsobjekterkennung ist ein zentrales Thema der Computer Vision aufgrund ihrer vielfältigen Anwendungen, wie zum Beispiel in selbstfahrenden Fahrzeugen, Videosurveillance, Sicherheit und Durchsetzung. Neuromorphe Sehsensoren (NVS) sind biologisch inspirierte Sensoren, die das Funktionieren des menschlichen Auges nachbilden. Im Gegensatz zu herkömmlichen bildbasierten Kameras erfassen diese Sensoren einen Strom von asynchronen "Ereignissen", der mehrere Vorteile bietet, wie einen hohen Dynamikbereich, geringe Latenz, niedrigen Energieverbrauch und weniger Bewegungsunschärfe. Allerdings gehen diese Vorteile mit erheblichen Nachteilen einher, da die Daten des Ereigniskamerasystems typischerweise mehr Rauschen enthalten und eine geringe Auflösung haben. Darüber hinaus können ereignisbasierte Kameras nur die relativen Helligkeitsänderungen einer Szene erfassen; Ereignisdaten enthalten daher nicht die übliche visuelle Information (wie Textur und Farbe), die in Videodaten von normalen Kameras verfügbar ist. Somit wird die Bewegungsobjekterkennung in ereignisbasierenden Kameras zu einer äußerst herausfordernden Aufgabe. In dieser Arbeit stellen wir eine unüberwachte Graph-Spektral-Clustering-Methode für die Bewegungsobjekterkennung in ereignisbasierenden Daten (GSCEventMOD) vor. Zudem zeigen wir, wie die optimale Anzahl beweglicher Objekte automatisch bestimmt werden kann. Experimentelle Vergleiche an öffentlich zugänglichen Datensätzen demonstrieren, dass der vorgeschlagene GSCEventMOD-Algorithmus eine Reihe von Stand-of-the-Art-Techniken um bis zu 30 % übertrifft.