Détection d'objets en mouvement pour la vision basée sur les événements à l'aide du clustering spectral de graphe

La détection d'objets en mouvement est un sujet de discussion central en vision par ordinateur en raison de son large éventail d'applications, notamment dans les voitures autonomes, la vidéosurveillance, la sécurité et l'application de la loi. Les capteurs de vision néuromorphique (NVS) sont des capteurs bio-inspirés qui imitent le fonctionnement de l'œil humain. Contrairement aux caméras traditionnelles à images fixes, ces capteurs capturent un flux d'événements asynchrones qui présente plusieurs avantages par rapport aux premières, tels qu'une grande plage dynamique, une faible latence, une faible consommation d'énergie et une réduction du flou de mouvement. Cependant, ces avantages s'accompagnent d'un coût élevé, car les données des caméras événementielles contiennent généralement plus de bruit et ont une résolution plus faible. De plus, comme les caméras événementielles ne peuvent capturer que les changements relatifs de luminosité d'une scène, les données événementielles ne contiennent pas les informations visuelles habituelles (telles que la texture et la couleur) disponibles dans les données vidéo des caméras normales. Ainsi, la détection d'objets en mouvement dans les caméras événementielles devient une tâche extrêmement difficile. Dans cet article, nous présentons une technique non supervisée de clustering spectral sur graphe pour la détection d'objets en mouvement dans les données événementielles (GSCEventMOD). Nous montrons également comment le nombre optimal d'objets en mouvement peut être déterminé automatiquement. Les comparaisons expérimentales sur des jeux de données publiquement disponibles montrent que l'algorithme GSCEventMOD proposé surpasse plusieurs techniques de pointe avec un avantage maximal de 30 %.