本文转自空中机器人前沿，作者西湖大学-郑业。

一．概述

图1. 事件相机与标准相机输出数据对比[1]

二．事件相机的工作原理

事件相机可以完成一些基于帧的标准相机无法完成的任务，比如高速运动估计，高动态范围建图等等。除此之外，它还被研究用于一些传统的视觉任务，如特征检测与跟踪、光流估计、3D重建和姿态估计等。

为了充分开发事件相机的性能，研究人员也开始思考能从事件数据中提取更多有效信息的方法。目前，常见的事件数据表征方法包括独立事件、事件包、事件帧、体素栅格、3D点集等。这些事件表征方法可以被应用在事件处理系统中的各个部分，包含前处理，核心处理和后处理。

事件数据的主流处理方法可以分为两类，分别是event-by-event的方法和group of events的方法[3]。前者可以理解为逐个事件的处理方法。这类方法常见于各种用于降低事件噪声、提取特征和图像重建的滤波器中。它们通过对比当前事件与过去事件完成系统状态的更新。

另外，现在也有许多数据驱动的方法在使用逐个事件处理的方法，包括采用监督学习和无监督学习方法来训练分类器。基于group of events的处理方法可以理解为累积时间内的数据进行处理。由于单个事件携带的信息十分有限，这种累积事件群的处理方法极大地降低了噪声的干扰，提升了算法的可靠性。这种处理方法主要使用的数据表征方法包括事件帧，体栅格和3D点集。在基于模型的方法中，往往将事件数据累积为事件帧，然后利用基于图像的处理方法来解决问题。另外还有一种基于数据驱动的方法，它们直接将整个事件包输入神经网络，目前该类方法已经广泛应用于分类、光流估计、深度估计等任务中，并且取得了不错的效果。

本文仅做学术分享，如有侵权，请联系删文。