摘要
本文提出了一种名为Post-Stimulus Time-Dependent Event Descriptor (P-TED)的新颖“纯事件”特征描述符，专为神经形态视觉数据设计。与传统的基于帧的方法或将事件数据转换为中间表示的混合方法不同，P-TED直接作用于异步事件流，从而保留了基于事件的传感器所具有的低延迟和高时间分辨率优势。该描述符整合了两种互补的特征集：一种是运动特征向量，它汇总Moore邻域内的空间关系以量化刺激方向；另一种是模式特征向量，它利用速率编码来捕捉时间上的兴奋特征。通过三项不同的实验验证了P-TED框架的有效性：对象和字符识别（MNIST-DVS和CIFAR10-DVS）、移动机器人运动分析以及复杂的非刚性机器人手部动作识别（RoShamBo）。实验结果表明，P-TED显著降低了分类延迟，仅需2.7毫秒，而最先进的Distribution-Aware Retinal Transform (DART)框架的延迟为10.3毫秒。此外，P-TED在区分对称和镜像运动方面表现出更强的鲁棒性，并且在事件密度因尺度变化而产生的非线性波动情况下仍能保持稳定性。这项工作确立了P-TED作为实时神经形态机器人视觉系统的一种高速、计算效率高且易于解释的解决方案。
