邱忠宇，赵文龙，高 文，潘洪涛，史冉东

（上海机电工程研究所，上海 201109）

0 前 言

近年来，机器视觉在安防、军事、医疗、工业农业生产等诸多领域大放异彩，但面对复杂环境，图像传感器仍无法平衡高精度与低计算消耗的关系。1991年，《Scientific American》杂志上刊登了一张由模仿眼睛神经结构的新型硅视网膜获得的猫的图像［1］，这是首次从生物学和工程学角度研究立体视觉问题并产生成果，也标志着视觉仿生神经形态领域的揭幕。事件相机作为一种异步传感器，改变了传统获取视觉信息的方式，从原来的根据时钟周期采样获取视觉信息，变为依靠动态场景中光线变化获取视觉信息，这与视网膜系统的信号传输有着极大相似之处。

动态视觉传感器最早源于瑞士的Jörg Kramer 教授设计的第一款异步动态视觉传感器（dynamic vision sensor，DVS），其成像规格为48×48，每个像素点会根据光照强度变化，输出ON/OFF 事件［2-3］。2004年，瑞士的Lichtsteiner 等［4］在动态视觉传感器中加入反馈机制，加快了模型反应速度，提高了传感器的动态范围。2006年到2008年，Lichtsteiner 等［5］将前端光感受器与开关电容差分电路相结合，使得响应延迟值进一步降低，动态范围也有所提升。2009年，奥地利的Posch团队［6］设计了一款基于事件的红外视觉传感器。2014年，瑞士Berner 等［7］设计了动态有源像素视觉传感器（dynamic and active pixel vision sensor，DAVIS），实现异步事件和同步帧级图像的同时输出。

事件相机以其微秒级的时间分辨率、低延迟、高动态范围和低功耗的特性，在高速、高动态范围等挑战性场景中有着极高的应用潜力。本文通过对基于事件的特征检测算法和基于事件的卷积神经网络算法这两种目标检测算法进行对比分析，验证基于事件的卷积神经网络算法在多目标、高速场景检测的优越性。……