[论文解读] Event-Based Feature Tracking in Continuous Time with Sliding Window Optimization
本文提出一种基于滑动窗口优化B样条轨迹的连续时间事件触发特征追踪方法，以提升追踪精度与持久性。通过使用$n^{\text{th}}$阶B样条建模特征运动，并在滑动窗口内优化曲线参数，该方法实现了比以往最先进方法更长、更清晰的特征轨迹，特征寿命最长提升6%，在公开数据集上平均误差更低。
We propose a novel method for continuous-time feature tracking in event cameras. To this end, we track features by aligning events along an estimated trajectory in space-time such that the projection on the image plane results in maximally sharp event patch images. The trajectory is parameterized by $n^{th}$ order B-splines, which are continuous up to $(n-2)^{th}$ derivative. In contrast to previous work, we optimize the curve parameters in a sliding window fashion. On a public dataset we experimentally confirm that the proposed sliding-window B-spline optimization leads to longer and more accurate feature tracks than in previous work.
研究动机与目标
- 解决以往事件追踪方法在短时间间隔内假设恒定光流所带来的局限，该假设导致分段线性轨迹并降低精度。
- 通过在时空中将特征运动建模为连续B样条曲线，提升特征追踪的持久性与精度。
- 通过利用B样条的局部支撑特性与滑动窗口技术，实现对长特征轨迹的高效优化。
- 通过根据事件密度动态调整优化控制点数量，降低对高事件率的依赖。
- 为事件相机的SLAM与视频分析提供一种鲁棒的连续时间基础。
提出的方法
- 通过在时空中对齐事件沿连续$n^{\text{th}}$阶B样条轨迹进行特征追踪，确保轨迹在$(n-2)^{\text{th}}$阶导数内保持连续。
- 使用SE2变形将事件投影到共同参考时间，以最大化生成事件块图像的锐度。
- 在滑动窗口内优化B样条控制点与节点位置，窗口大小根据事件密度自适应调整。
- 采用历史块以保留过去信息，提升在低事件率期间的追踪稳定性。
- 使用衰减权重函数（$\rho = 0.9$）在优化中优先考虑近期事件。
- 根据事件数量采用双节点或三节点优化策略：高密度时使用双节点，低密度时使用三节点以提升鲁棒性。
实验结果
研究问题
- RQ1与分段线性或恒定流模型相比，连续B样条轨迹是否能提升事件相机中特征追踪的精度与持久性？
- RQ2对B样条参数进行滑动窗口优化，是否能增强对稀疏事件流与变化运动动态的鲁棒性？
- RQ3B样条的局部支撑特性如何实现高效、可扩展的实时追踪优化？
- RQ4在低事件率间隔期间，引入历史块在多大程度上提升了追踪稳定性？
- RQ5所提方法在特征年龄与追踪误差方面是否能超越当前最先进事件追踪算法？
主要发现
- 所提方法（记为'ours*'）在3像素误差阈值下，于Boxes数据集上实现平均相对年龄1.05，优于Zhu等人（0.87）与基线方法'ours'（0.87）。
- 在Boxes数据集上，'ours*'将平均误差降低至0.35（'ours'为0.37，Zhu等人为0.25），同时相比'ours'将平均年龄提升6%。
- 在所有数据集上，'ours*'的平均公共误差为0.35，'ours'为0.37，表明在相同条件下性能保持一致。
- 如图2所示，'ours*'中的特征轨迹比'ours'与Zhu等人更长，且随时间维持更多活跃特征。
- 图4的定性结果表明，'ours*'的3D轨迹比以往方法更稳定、更持久，尤其在具有挑战性的运动序列中表现更优。
- 自适应节点优化的滑动窗口方法在低事件率间隔期间显著提升了鲁棒性，如在稀疏条件下使用三节点时，平均特征年龄提升6%。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。