**关键词：** 事件相机、iniVation、DVXplorer、时间表面、事件视觉

传统图像算法的输入通常是规则的二维数组：每隔固定时间得到一帧，每个像素都有灰度或颜色值。DVXplorer事件相机的输出方式不同。只有当像素感知到足够明显的亮度变化时，设备才会产生事件，每个事件通常包含四项信息：

`e = (x, y, t, p)`

其中，`x`和`y`是像素位置，`t`是时间戳，`p`是ON或OFF极性。算法面对的是按时间到达的稀疏事件，而不是天然排列好的图像序列。

如果把一段时间内的事件直接叠加成二值图或计数图，虽然可以看到轮廓，却丢掉了窗口内部的先后顺序。时间表面（time surface）解决的正是这个问题：它把“哪个位置刚刚发生过事件”保存成一张会随时间逐渐衰减的二维表面。
![1.jpg](https://developer.qcloudimg.com/http-save/yehe-8628718/2e895ce9ebba2673a160d1cf51a7b79a.jpg)

## 1. 为什么事件计数图还不够

假设一条亮边从左向右移动。在10 ms窗口内累积事件后，可以得到一条较粗的轨迹，但轨迹左端和右端的事件可能具有相同数值。仅看计数图，很难判断边缘从哪边来、向哪边走。

时间表面会给较新的事件更高数值，较旧事件更低数值。对于同一条运动轨迹，表面上会形成由旧到新的时间梯度。这个梯度保留了局部运动方向和速度线索，因此比简单累积图更适合描述短时动态结构。

三种常见表示可以这样区分：

| 表示方法 | 每个位置保存什么 | 主要特点 |
| --- | --- | --- |
| 事件计数图 | 时间窗内事件数量 | 简单，但丢失窗内顺序 |
| 最近时间戳图 | 最近一次事件发生时间 | 保留新旧关系，但数值范围随时间变化 |
| 衰减时间表面 | 最近事件按时间衰减后的响应 | 数值有界，便于比较和作为算法输入 |

时间表面不是普通灰度图，也不是对静态场景亮度的恢复。它描述的是近期事件活动状态。完全静止且照明稳定的物体不会因为构造时间表面而自动出现纹理。
![2.png](https://developer.qcloudimg.com/http-save/yehe-8628718/5748f11016c42d85cecc855e18107123.png)

## 2. 时间表面的基本构造

最基础的实现需要为每个像素保存最近一次事件的时间戳。由于ON和OFF事件表示相反方向的亮度变化，通常为两种极性分别维护时间戳表：

`T_on(x, y)`：该像素最近一次ON事件的时间；

`T_off(x, y)`：该像素最近一次OFF事件的时间。

当当前时刻为`t_now`时，可以使用指数衰减得到时间表面：

`S(x, y, p) = exp(-(t_now - T_p(x, y)) / tau)`

这里的`tau`是时间常数。刚发生事件的位置，其时间差接近零，表面值接近1；随着事件变旧，表面值逐渐接近0。没有历史事件的位置可以直接设为0。

需要注意，`tau`是算法参数，不是DVXplorer传感器的曝光时间，也不是事件相机延迟。它决定算法愿意保留多长的运动记忆。

时间表面也可以采用线性衰减、固定时间窗或事件序号衰减。指数衰减连续、平滑且容易解释，因此在事件视觉研究中十分常见，但它并不是唯一正确的选择。

## 3. 一个最小实现需要维护哪些状态

下面的伪代码展示了双极性时间表面的基本数据结构。代码使用纯文本公式和常规数组操作，重点不是某个软件库，而是更新顺序。

```python
# last_ts形状为[2, height, width]，分别保存OFF和ON最近时间戳
last_ts = full((2, height, width), negative_infinity)

def accept_event(x, y, t, polarity):
    channel = 1 if polarity_is_on(polarity) else 0
    last_ts[channel, y, x] = t

def make_surface(t_now, channel, tau, x0, x1, y0, y1):
    patch = last_ts[channel, y0:y1, x0:x1]
    age = t_now - patch
    surface = exp(-age / tau)
    surface[patch_is_invalid(patch)] = 0
    return surface
```

保存最近时间戳时，每个事件只需要更新一个数组元素，更新复杂度接近常数。真正的计算量发生在“生成多大范围的时间表面”这一步：

- 生成整幅640×480表面，需要遍历整幅数组；
- 只为当前事件生成半径为`r`的局部描述子，计算量与`(2r+1) × (2r+1)`有关；
- 如果算法只在检测到候选目标时查询局部表面，就不必为每个事件刷新一张完整图像。

这也是实时实现中的关键优化：底层持续更新稀疏状态，算法需要时再按当前时间计算衰减值，而不是按固定频率反复重绘整幅画面。

## 4. 时间常数tau决定看见多长的历史

`tau`过小，历史事件很快消失。高速、清晰的边缘可能仍能形成紧凑结构，但低速目标或低对比目标的事件容易变得断裂。

`tau`过大，更多旧事件被保留。轮廓看起来更完整，却可能产生较长拖尾，使不同时间经过同一区域的目标相互混合。背景噪声和光源闪烁留下的痕迹也会持续更久。

因此，`tau`没有脱离任务的“最佳值”。它至少与以下因素有关：

- 目标在像素平面上的速度；
- 镜头视场与目标距离；
- 边缘对比度和事件阈值；
- 希望识别的时间尺度；
- 算法查询或输出结果的频率。

实验初期可以选择多个相差数倍的候选值，例如1 ms、5 ms和20 ms，观察局部结构和任务指标如何变化。这些数值只是调试起点，不是通用推荐值。若目标速度跨度很大，可以并行构造多个时间尺度的表面，再由后续算法选择或融合。

## 5. 为什么同一个tau不能自动适配所有速度

时间衰减按真实时间计算。目标速度加快后，相同空间距离内的相邻事件时间差变小，时间表面会更亮、更紧密；目标变慢后，事件间隔增大，旧事件衰减更多，表面可能变得稀疏。

这意味着固定`tau`的时间表面同时编码了形状和速度。对运动估计来说，速度敏感性可能是有用信息；对只想识别物体类别的算法来说，同一物体因速度不同而产生显著变化，则可能降低泛化能力。

常见处理思路包括：

1. 使用多时间尺度表面；
2. 根据局部事件率自适应调整衰减尺度；
3. 按最近若干个事件而非固定时间构造表面；
4. 对局部描述子进行归一化；
5. 在训练数据中覆盖真实速度范围。

自适应并不必然优于固定参数。若局部事件率受灯光闪烁或背景噪声影响，用事件率调整时间尺度反而可能把干扰引入特征。参数策略必须在真实数据上验证。

## 6. ON和OFF极性应该分开还是合并

当亮边进入某个像素时可能产生ON事件，暗边进入时可能产生OFF事件。直接合并两种极性可以降低通道数量，但会丢失亮度变化方向。

分别构造ON、OFF两张时间表面，能够保留更完整的局部结构。例如，明亮物体在暗背景上移动时，前缘与后缘通常呈现不同极性；两通道结构有助于区分运动边界和照明变化。

但极性也不是绝对稳定标签。它会受到目标和背景亮度关系、运动方向、反射、阴影及传感器阈值影响。以下做法更稳妥：

- 先保留双极性通道，建立完整基线；
- 再测试极性合并、绝对值或极性不变特征；
- 分别统计ON、OFF事件率，检查是否存在明显偏置；
- 不要只凭时间表面“看起来更清楚”判断方案优劣。

最终选择应以跟踪误差、识别准确率、召回率和运算延迟为依据。

## 7. 空间邻域决定局部描述的范围

时间表面既有时间尺度，也有空间尺度。以当前事件为中心截取局部邻域时，半径过小只能看到零散像素，难以形成稳定边缘；半径过大则会混入其他目标、背景和无关运动，计算量也随面积上升。
![3.png](https://developer.qcloudimg.com/http-save/yehe-8628718/37d05867e9d03f58c12a0de32fa10327.png)

邻域大小应与目标在传感器上的像素尺寸匹配。DVXplorer提供640×480事件分辨率，但同一个真实目标究竟覆盖多少像素，取决于镜头焦距、工作距离和目标尺寸。仅根据相机分辨率选择邻域大小并不可靠。

一个实用方法是先记录标定场景，让目标在预期最近和最远距离运动，统计有效边缘宽度和目标像素范围，再选择能覆盖关键局部结构的最小邻域。改变镜头或工作距离后，应重新检查这一参数。
![4.png](https://developer.qcloudimg.com/http-save/yehe-8628718/ade767a70e8f5ee072ff445d45f1dea6.png)

## 8. HOTS怎样建立多层时间表面

Lagorce等人在HOTS（Hierarchy of Event-Based Time-Surfaces）中提出了层级式事件特征。其基本思想是：先从输入事件构造局部时间表面，再通过无监督聚类学习若干典型时间表面原型；输入描述子与某个原型匹配后，产生更高层事件，供下一层继续处理。

不同层可以使用不同空间范围和时间尺度。较低层响应短时局部边缘，较高层逐渐组合更长时间、更大范围的运动模式。整个过程仍围绕事件到达和局部状态更新展开，而不是先把所有数据转换成固定帧率视频。

HOTS的意义在于展示了一种事件原生的层级表示方法。不过，原型数量、聚类数据、层数和时间尺度都会影响结果。把层级增加得更深并不自动带来更高识别率，也会增加内存、匹配和调参成本。

## 9. HATS怎样提高分类特征的稳定性

Sironi等人在HATS（Histograms of Averaged Time Surfaces）中进一步处理了噪声与局部变化问题。该方法不只保存每个位置的最后一个事件，而是在有限时间窗内利用局部事件历史构造Local Memory Time Surface。

随后，图像平面被划分为若干空间单元。来自同一单元的时间表面被累加，再除以该单元中的事件数量，形成平均时间表面直方图。所有单元的描述子拼接后，得到可供分类器使用的HATS特征。

这一过程包含三层考虑：

- 局部时间历史减少单个异常事件对描述子的支配；
- 空间单元保留目标的大致布局；
- 按事件数量求平均，减弱高、低对比目标因事件数量不同造成的尺度变化。

HATS并不是简单把事件装进时间桶。它保留局部事件的衰减结构，再对多个局部时间表面进行统计。原始研究还采用局部共享记忆单元，避免每次都遍历整个事件历史，从而提高处理效率。

## 10. 在DVXplorer事件流上建立时间表面的流程

DVXplorer采用640×480纯事件传感器，并提供六轴IMU、USB接口和多设备同步能力。对时间表面算法而言，最重要的是获得完整、有序且时间单位明确的事件流。

可以按以下步骤建立第一版处理链路：

1. 记录未经强过滤的原始事件，保留`x、y、t、p`；
2. 确认时间戳单位、排序规则、记录起点和是否存在回绕；
3. 分别为ON、OFF通道建立最近时间戳数组；
4. 每到一个事件，只更新对应通道和像素；
5. 在候选事件、固定查询时刻或检测ROI内生成局部表面；
6. 对多个`tau`和邻域大小进行离线回放；
7. 用任务指标选择参数，再测试在线处理速度。

如果使用固定时间间隔输出时间表面，得到的是规则序列，便于送入传统卷积网络；如果每个事件都触发局部描述，则能更充分保留异步特性，但计算调度和下游接口更复杂。两种方式没有绝对优劣，应根据最终部署平台选择。

## 11. 噪声过滤为什么必须克制

热点像素、背景活动、镜头抖动和人工光源闪烁都会在时间表面留下响应。由于较新的事件值更高，一个持续产生事件的异常像素可能长期显示为亮点。

可以先使用热点像素掩码，再采用轻量时空邻域过滤，删除缺少邻近支持的孤立事件。但过滤过强会同时删除小目标、远距离边缘和高速运动产生的稀疏轨迹。

更可靠的调试顺序是：

1. 在镜头盖住、静止场景和目标运动三种条件下分别统计事件；
2. 先处理固定热点，再检查照明闪烁；
3. 比较过滤前后的目标事件召回率；
4. 使用完全相同的原始记录回放不同过滤参数；
5. 保存Bias、ROI、过滤器和时间表面参数。

滤波后的画面更整洁，不等于下游任务更准确。特别是在微小目标检测中，视觉上像噪点的少量事件可能正是需要保留的信号。

## 12. 常见实现错误

### 把时间戳单位弄错

如果数据时间戳以微秒记录，而`tau`按毫秒直接代入，衰减速度会相差1000倍。程序可能仍能运行，但表面会几乎全黑或长期不衰减。实现时应先统一时间单位。

### 忽略时间戳不连续

文件拼接、设备重启、回放循环或计数器回绕可能使时间戳倒退。此时`t_now - T`出现负值，指数响应可能异常增大。每段数据开始时应重置状态，并显式检查单调性。

### 每个事件都重算整幅表面

这会把稀疏事件更新变成高成本的密集数组计算。多数局部特征算法只需更新时间戳表，并在需要的位置生成小邻域。

### 随机拆分单个事件做训练和测试

同一运动轨迹中的相邻事件高度相关。随机拆分事件会把几乎相同的时间上下文同时放入训练集和测试集，造成数据泄漏。应按完整采集序列、场景或实验轮次划分数据。

### 用一张漂亮的可视化代替定量评估

颜色映射和归一化可以让时间表面看起来非常清晰，却不能证明跟踪或识别有效。评估至少应同时报告任务精度、误检、漏检、处理吞吐量和端到端延迟。

## 13. 一套可复现的入门实验

可以使用印有高对比图案的转盘或直线运动平台建立实验。让目标以低、中、高三档速度运动，并在稳定直流光源与常见室内灯光下分别记录数据。

实验中固定DVXplorer位置、镜头、焦点和ROI，保存原始事件流。然后离线生成多组时间表面：

- 三个或更多`tau`；
- 两种邻域大小；
- 双极性与合并极性；
- 过滤前与过滤后。

若任务是方向判断，可以比较各方案的方向分类准确率；若任务是跟踪，则比较位置误差和轨迹中断次数；若目标是实时部署，还要记录每秒可处理事件数、CPU占用和输出延迟。

所有实验应按完整运行批次划分训练、验证和测试数据，并记录光照、距离、速度、Bias及软件版本。这样得到的结论才有机会在重新采集或更换场景后复现。

## 14. 时间表面的真正价值

事件相机的优势不仅是“没有运动模糊”或“时间戳精细”，更重要的是它提供了连续、异步的变化信息。算法若一开始就把事件粗略压成低帧率计数图，往往会丢掉这部分时间结构。

时间表面在稀疏事件与常规数组算法之间建立了一座实用桥梁：底层保留每个像素的最近活动，上层可以读取局部二维特征，用于跟踪、匹配、分类或学习模型。HOTS展示了怎样从多层时间表面学习动态原型，HATS则展示了怎样通过局部记忆、空间统计和归一化提高特征稳定性。

在DVXplorer事件相机上使用时间表面时，真正需要调试的不是一个孤立公式，而是时间常数、空间邻域、极性、噪声过滤、目标速度和查询策略组成的完整链路。先保留原始事件，再通过可重复回放选择参数，通常比只根据实时画面调整效果更可靠。

## 参考资料

1. Gallego, G., Delbruck, T., Orchard, G., et al. “Event-Based Vision: A Survey.” IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(1), 154-180, 2022. DOI: 10.1109/TPAMI.2020.3008413. https://arxiv.org/abs/1904.08405
2. Lagorce, X., Orchard, G., Galluppi, F., Shi, B. E., Benosman, R. B. “HOTS: A Hierarchy of Event-Based Time-Surfaces for Pattern Recognition.” IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(7), 1346-1359, 2017. DOI: 10.1109/TPAMI.2016.2574707.
3. Sironi, A., Brambilla, M., Bourdis, N., Lagorce, X., Benosman, R. “HATS: Histograms of Averaged Time Surfaces for Robust Event-Based Object Classification.” Proceedings of CVPR, 1731-1740, 2018. https://openaccess.thecvf.com/content_cvpr_2018/html/Sironi_HATS_Histograms_of_CVPR_2018_paper.html
4. 再度事件相机产品中心：iniVation DVXplorer高分辨率事件相机，https://event-cam.cn/dvxplorer.html（访问日期：2026年9月23日）。


传统图像算法的输入通常是规则的二维数组：每隔固定时间得到一帧，每个像素都有灰度或颜色值。DVXplorer事件相机的输出方式不同。只有当像素感知到足够明显的亮度变化时，设备才会产生事件，每个事件通常包含四项信息：

iniVation DVXplorer事件相机：时间表面如何把异步事件流变成可计算特征？

iniVation DVXplorer事件相机输出的是由像素坐标、时间戳和极性组成的异步事件流，而不是固定帧率图像。时间表面通过记录各像素最近事件的时间，并让历史响应随时间衰减，将稀疏事件转换为保留运动顺序的局部时空特征。本文介绍时间表面的构造方法、时间常数与邻域大小的选择、ON/OFF极性处理、HOTS和HATS两类经典扩展，以及在跟踪、识别和实时系统中的实现要点与常见误区。

技术销售工程师

人工智能

算法

硬件

基于DVXplorer事件相机，本文详解时间表面核心原理与工程实践。对比事件计数图不足，阐述指数衰减构造、双极性通道与tau参数调优。通过HOTS与HATS算法解析，提供噪声过滤、实时优化及可复现实验方案，为事件视觉应用提供完整技术指南。

数据转换

数据结构

代码解释

数据泄漏

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

iniVation DVXplorer事件相机：时间表面如何把异步事件流变成可计算特征？-腾讯云开发者社区-腾讯云

iniVation DVXplorer事件相机：时间表面如何把异步事件流变成可计算特征？

iniVation DVXplorer事件相机：时间表面如何把异步事件流变成可计算特征？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐