29、基于扩展LBP算子与概率模型的运动特征分析

基于扩展LBP算子与概率模型的运动特征分析

在计算机视觉和运动分析领域，如何有效地表征和识别运动目标的特征一直是研究的重点。本文将介绍两种不同但相关的方法，一种是利用扩展的局部二值模式（LBP）算子来表征事件地址表示，另一种是使用潜在力模型（LFMs）和隐马尔可夫模型（HMMs）来定义和组合运动原语。

扩展LBP算子表征事件地址表示

传统的在线视觉系统通常不提供像素强度或颜色信息（尽管新型动态视觉传感器（DVS）设备会提供这些信息），因此需要特殊的方法来研究像素与事件之间的关系。

事件数据的可视化与分析

为了可视化事件流，将由N个事件组成的事件流映射到一个与视网膜大小相同的二维矩阵$E_N$中。如果像素$p$对应一个具有ON极性的传入事件，则$E_N(p) = 1$（白色）；如果像素$p$处的事件极性为OFF，则$E_N(p) = -1$（黑色）；其他像素设置为零（灰色）。

通过观察不同数量事件对应的图像，可以发现事件数量对识别目标的影响。例如，当事件数量$N = 100$时，可用信息不足以识别出人物；而当$N = 300$和$N = 500$时，事件数量足够，可以使用适当的特征来识别出人物。

为了生成描述符，每个激活像素会评估其在窗口内N个事件中的激活邻居，并分析它们的方向和连通性。

事件方向分析

Benosman等人提出了一种正则化方法来拟合平面，该方法考虑了传入事件$e$周围的一个小的时空邻域$\Omega(e)$。所得平面的法向分量被视为速度向量，法向量的方向定义了事件的方向。

Clady的工作使用事件$e$附近的最大数量的事件。这种方法的一个问