[论文解读] Randomized Computer Vision Approaches for Pattern Recognition in Timepix and Timepix3 Detectors

Petr Mánek, B. Bergmann+4 more|arXiv (Cornell University)|Nov 6, 2019

Particle Detector Development and Performance参考文献 19被引用 6

一句话总结

本文提出了一套基于随机化计算机视觉的算法——基于RANSAC的轨迹拟合、改进的霍夫变换以及k-NN粒子识别方法，用于Timepix和Timepix3探测器中的模式识别。通过利用ToT（时间超过阈值）数据并避免二值化处理，这些方法在簇分割、重叠分离和粒子识别方面实现了高精度，其中RANSAC拟合误差在3像素（165 μm）以内，粒子识别准确率达到93.5%（在90%置信度下，拒绝率RR = 0.249）。

ABSTRACT

Timepix and Timepix3 are hybrid pixel detectors ($256 imes 256$ pixels), capable of tracking ionizing particles as isolated clusters of pixels. To efficiently analyze such clusters at potentially high rates, we introduce multiple randomized pattern recognition algorithms inspired by computer vision. Offering desirable probabilistic bounds on accuracy and complexity, the presented methods are well-suited for use in real-time applications, and some may even be modified to tackle trans-dimensional problems. In Timepix detectors, which do not support data-driven acquisition, they have been shown to correctly separate clusters of overlapping tracks. In Timepix3 detectors, simultaneous acquisition of Time-of-Arrival (ToA) and Time-over-Threshold (ToT) pixel data enables reconstruction of the depth, transitioning from 2D to 3D point clouds. The presented algorithms have been tested on simulated inputs, test beam data from the Heidelberg Ion therapy Center and the Super Proton Synchrotron and were applied to data acquired in the MoEDAL and ATLAS experiments at CERN.

研究动机与目标

• 解决传统形态学聚类方法在Timepix探测器中的局限性，这些方法依赖于二值化阈值，难以处理密集且重叠的簇。
• 克服传统方法对稀疏性的假设，尤其在空间或粒子加速器等高通量环境中帧占据率较高的场景下。
• 开发鲁棒且具备实时处理能力的算法，充分利用完整的ToT强度信息，以提升轨迹重建与粒子识别的精度。
• 通过将二维方法推广至三维点云重建，实现跨维度分析，利用Timepix3的飞行时间（ToA）与ToT能力。
• 提供适用于实时或嵌入式系统部署的精度与复杂度的概率保障。

提出的方法

• 将RANSAC（随机采样一致）方法改进用于随机化轨迹拟合，通过随机采样像素对来估计直线参数，并基于内点数量迭代优化。
• 提出一种改进的霍夫变换，通过将像素簇映射到参数空间并识别对应于不同轨迹的峰值，以检测重叠的粒子轨迹。
• 开发基于空间与形态特征的k-NN分类器，特征来自加权强度的簇，置信度分数基于最近邻类别分布计算。
• 使用ToT值作为强度输入，而非二值化阈值，以保留能量沉积信息，提升不同粒子类型之间的区分能力。
• 在k-NN分类器中引入基于置信度的拒绝机制，对低置信度预测进行剔除，以降低错误率，代价是输出覆盖率减少。
• 将RANSAC框架推广至三维，通过扩展空间坐标与ToT加权点的直线拟合，实现在Timepix3数据上的三维轨迹重建。

实验结果

研究问题

• RQ1 与传统形态学方法相比，随机化计算机视觉算法在Timepix探测器帧中如何提升轨迹拟合的精度？
• RQ2 在高帧占据率条件下，所提出的基于RANSAC的方法在分离重叠粒子轨迹方面的性能如何？
• RQ3 与二值化阈值方法相比，引入ToT强度数据对粒子识别精度有何影响？
• RQ4 在k-NN分类器中应用置信度阈值时，分类精度与拒绝率之间的权衡关系如何？
• RQ5 所提出的算法在利用Timepix3的飞行时间（ToA）与时间超过阈值（ToT）数据进行三维重建时，泛化能力如何？

主要发现

• SA-RANSAC在识别粒子入射与出射点时，平均误差为3像素（165 μm），方位角方向精度在2.9度以内。
• 改进的霍夫算法在包含最多20条重叠轨迹的帧中成功重建了轨迹，表现出对高簇密度的鲁棒性。
• 使用基于置信度拒绝机制的k-NN进行粒子识别，在90%置信度阈值（c = 0.9）下达到93.5%的准确率，拒绝率为24.9%。
• 未启用拒绝机制时，k-NN分类器在使用16个采样间隔的情况下准确率达到89.3%；随着置信度阈值提高，准确率进一步提升。
• 算法对噪声和高输入通量表现出鲁棒性，适用于空间或离子治疗等不可预测环境中的实时应用。
• 利用推广的RANSAC在Timepix3数据上对π介子轨迹进行三维重建，显示出可靠的线性拟合，证实了该方法在更高维度上的可扩展性。