本文报告了一项原创性研究，属于类型a。以下为针对该研究的学术报告。
基于事件视觉传感器频率分析的高噪声环境目标检测方法研究
本研究由美国空军理工学院、空军研究实验室空间飞行器理事会以及美国空军学院的研究人员合作完成。主要作者包括Will Johnston、Shannon Young、Michael Dexter等。研究成果以论文《Method for Target Detection in a High Noise Environment through Frequency Analysis Using an Event-Based Vision Sensor》的形式，于2025年8月5日发表在期刊《Signals》上。
一、 研究背景与目标
该研究属于计算机视觉与传感器信号处理领域，具体聚焦于事件视觉传感器在极端噪声环境下的目标检测问题。事件视觉传感器，也称为神经形态相机，是一种仿生视觉传感器。与传统帧式相机不同，EVS的每个像素独立、异步地工作，仅当该像素感知到的亮度变化超过设定阈值时才输出一个“事件”（包含像素地址、时间戳和极性）。这种工作模式使其具有高时间分辨率、低延迟、高动态范围和低功耗等优势，已应用于手势识别、星体跟踪、视觉里程计等多个领域。
然而，EVS也存在一个关键挑战：当场景中存在一个强度极高、亮度动态变化剧烈的“压倒性干扰源”时，传感器像素的灵敏度会因对数响应特性而下降，目标产生的事件会被淹没在干扰源产生的大量事件中。传统的基于事件聚类或事件累积帧的检测方法在此类场景下会失效。此外，干扰源（本研究模拟的是由大气湍流效应引起的闪烁光源）具有固有的随机频率特性，使得传统的时域背景抑制技术效果有限。此前，有研究提出通过修改像素硬件设计的“中心环绕”概念来在事件生成前抑制干扰，但该方案尚未有物理原型。
因此，本研究的目的是：针对现有商用EVS，开发并验证一种能够在存在压倒性干扰源的高噪声环境下，有效检测出微弱目标的后处理算法。该方法旨在不依赖硬件修改的情况下，从已被干扰源严重污染的事件数据中恢复出目标信息。
二、 研究方法与流程
本研究主要包含三个核心步骤：模拟数据生成、基于主成分背景抑制与峰值阈值检测的目标检测算法开发、以及与其它检测方法的性能对比。整体工作流程严谨，针对难以获取真实实验数据的问题，采用了高保真的物理模拟来生成验证数据集。
1. 问题场景与数据模拟 由于在真实世界中收集符合本研究特定问题场景（存在特定类型的压倒性干扰源）的实验数据非常困难，且没有公开的代表性数据集，研究团队采用了基于物理模型的模拟流程来生成事件数据。具体使用了两种工具：AFIT传感器与场景仿真工具（AFIT Sensor and Scene Emulation Tool, ASSET）和视频转事件工具（video-to-events, V2E）。 * 场景建模与帧生成：首先，使用ASSET生成高帧率（1000 fps）的传统帧序列。ASSET是一个物理基础的图像链模型，能够模拟包含大气效应在内的真实光电/红外传感器数据。研究中模拟了一个包含30个目标（以3, 6, 8, 10, 12, 17 Hz的频率随机闪烁）的网格场景，并引入了四个功率逐级递增（每个比前一个高一个数量级）的压倒性干扰源。干扰源的频率约为10 Hz，并叠加了由大气模型产生的随机时空变化，以模拟闪烁效应。图3直观展示了无干扰源时清晰的目标网格以及引入最强干扰源后目标几乎被完全淹没的情况。 * 事件数据生成：随后，将ASSET生成的高帧率强度帧序列输入V2E工具。V2E负责将连续的强度帧转换为离散的事件流，通过上采样将数据提升至5000事件帧/秒，以模拟EVS的高时间分辨率输出。最终，生成了四组不同干扰源强度下的模拟事件数据集，每组数据时长5秒，为目标检测算法提供了从“简单”到“近乎不可能”的不同难度级别的测试场景。
2. 主成分背景抑制与峰值阈值检测方法 这是本研究提出的核心算法，旨在从事件数据中滤除干扰源，检测出目标。该方法包含三个主要阶段：个体像素频率分析、背景抑制和统计滤波。 * 快速傅里叶变换频率分析：算法首先将事件流按像素地址分离。对于每个像素，仅使用“开启”事件（ON events），因为“关闭”事件（OFF events）会引入额外的衰减噪声。接着，将事件按时间窗口（本研究主要使用5毫秒）进行分箱求和，将非均匀时间戳的事件序列转换为均匀采样的时间序列。最后，对每个像素的时间序列应用快速傅里叶变换，得到其频率谱。这种方法将分析从事件域转换到频率域，以利用EVS的高时间分辨率特性。 * 主成分背景抑制：获得所有像素的频率谱后，构成一个数据矩阵（行代表频率，列代表像素）。由于压倒性干扰源在场景中占据主导地位且覆盖范围广，其频率特征预计会体现在数据协方差矩阵的前几个主要成分中。主成分背景抑制方法的核心思想是：将数据矩阵投影到由前k个主成分张成的“背景子空间”之外，从而抑制背景干扰。研究采用了基于“角度肘部法”的自动化策略来确定最优的主成分数量k。该方法通过计算连续主成分被减去后，最大频率谱差异曲线相邻点之间的夹角，选择夹角最小时对应的k值，以实现背景模型的充分拟合而不过度削减信号。 * 峰值与幅度滤波：在背景抑制后的数据上，进行目标像素识别。首先，在背景抑制后的“最大频率谱”（所有像素在每个频率上的最大振幅）上，使用峰值显著性为三倍标准差的方法，找出具有统计显著性的频率成分。然后，针对每个被选中的显著频率，对其在所有像素中的幅度应用三倍标准差阈值，筛选出在该频率上具有显著能量的像素，并将其标记为目标像素。值得注意的是，此方法并不关注目标的具体频率值，而是关注在抑制背景后，哪些像素仍保有显著的频率内容。这使得算法对常规FFT分析中的相位差、频谱泄漏和混叠等问题相对不敏感。
3. 性能对比方法 为了评估所提方法的性能，研究选择了两种基线方法进行对比： * DBSCAN探测器：这是一种经典的基于密度的时空聚类算法，直接在事件域（x, y, t坐标）上进行操作。它代表了当前事件相机目标检测中常用的基于事件聚类的方法。 * 马氏距离探测器：这是一种基于频率谱的异常检测方法。它计算每个像素频率谱与全局平均谱之间的马氏距离，并将距离较大的像素判为目标。这代表了另一种频域检测思路。
三、 主要研究结果
本研究对所提方法在四组不同强度的模拟数据上进行了测试，并以目标检测率和虚警率作为主要评价指标。
1. 所提方法的检测效果 研究提出的主成分背景抑制与峰值阈值检测方法在所有测试场景中均表现优异。如图13所示，即使在最强的干扰源场景下（下图），该方法也能从被干扰事件完全淹没的原始事件累积图中，成功恢复出大部分目标的位置（右图）。检测结果呈现出明确的规律：未能被检测出的目标主要集中于两类情况：（1）位于干扰源中心附近，该区域干扰源亮度极高且变化小，导致目标事件产生极少；（2）目标本身频率较低（如3Hz），在干扰源存在下采样不足。图14清晰地展示了在最强干扰源场景下，未检测目标（红色x）集中于干扰源中心或低频区域的趋势。表1汇总了定量结果：在四种干扰源强度下，所提方法的检测率分别为90%、83%、87%和80%，同时保持了极低的虚警率（约0.0024-0.0045）。这表明该方法能有效抑制干扰，实现高置信度的目标检测。
2. 与对比方法的性能比较 表1同时列出了马氏距离探测器和DBSCAN探测器的性能。为了公平比较，后两者的检测阈值被调整至与所提方法具有相同的虚警率。结果显示，马氏距离探测器的检测率显著低于所提方法（在13%-23%之间），说明单纯基于全局统计异常的频域方法无法有效处理此类强干扰问题。而DBSCAN探测器在设定的低虚警率下，完全无法检测到任何目标（检测率为0）。即使放宽条件，采用二值化决策（检测到任何聚类即判为目标），DBSCAN虽然能达到100%的检测率，但其虚警率高达26%和55.6%，且无法处理事件数量过于庞大的两个最强干扰场景（因内存溢出）。这些结果强有力地证明了，在存在压倒性干扰源的高噪声环境下，传统的时域聚类方法和简单的频域异常检测方法均告失效，而本研究提出的方法具有显著优越性。
3. 参数与配置验证 研究还进行了额外的验证实验，以探讨方法的关键设计选择： * 事件类型选择：表3显示，当同时使用ON和OFF事件进行FFT分析时，虽然检测率与仅用ON事件相似，但虚警率却升高了一个数量级，这降低了检测的置信度，从而验证了仅使用ON事件的合理性。 * 时间分箱大小：表4展示了使用不同分箱大小（1, 2.5, 10, 50 ms）的结果。分箱过小（1ms）会引入高频噪声导致高虚警；分箱过大（50ms）则会因奈奎斯特频率限制而丢失高频目标信息，导致检测率下降。这说明了选择合适分箱大小（如5ms）对于平衡频率分辨率和噪声的重要性。
四、 研究结论与意义
本研究成功提出并验证了一种用于事件视觉传感器的、基于频率分析的新型目标检测方法。该方法通过主成分分析抑制由压倒性干扰源产生的背景频率成分，再通过统计滤波识别出具有显著残留频率内容的像素作为目标。在模拟数据上的测试表明，该方法能够从被强干扰源严重污染的事件数据中有效地检测出微弱目标，其性能显著优于传统的基于事件的DBSCAN聚类方法和基于频率的马氏距离异常检测方法。
该研究的科学价值在于，它为解决EVS在极端高动态范围、高噪声场景下的探测瓶颈提供了一种有效的后处理算法框架。它将频率分析引入EVS信号处理，并创新性地结合了主成分降维和统计显著性检验，避免了直接进行困难的光谱匹配或分类。其应用价值广泛，可潜在应用于空间态势感知（在强日光或月球附近探测暗淡卫星）、搜索救援（在强背景光中识别信号）、自动驾驶（应对强光眩光）以及任何需要在存在主导性强干扰下进行微弱动态目标检测的领域。
五、 研究亮点
六、 其他有价值内容
研究在讨论部分展望了未来的工作方向，包括：进一步研究该方法的探测极限；采用受约束的随机场景生成接收者操作特征曲线以进行更系统的性能评估；模拟运动目标场景；在实验室中使用物理EVS进行验证实验；以及探索改进方案，如使用重叠分箱、核平滑、自适应分箱、非均匀FFT、短时FFT以及独立成分分析等，以提升对低频目标和位于干扰源中心附近目标的检测能力。这些方向为后续研究提供了清晰的路线图。