Event-based vision sensors represent a paradigm shift in visual sensing, operating on asynchronous changes in brightness with high speed and minimal power usage. However, extracting meaningful features from sparse and time sensitive data remains a significant challenge, particularly for resource-constrained embedded systems. This thesis addresses the problem of detecting corner features from event streams in real-time on low power microcontrollers. Many event-based corner detection algorithms are available, but they often demand extensive computational power unsuitable for embedded systems. This bottleneck has limited the deployment of event-based vision in edge applications such as autonomous drones, wearable systems, or IoT cameras. To address this matter, two representative corner detection algorithms, Arc and eFast, were modified and optimized to fit the constraints of an embedded microcontroller. The adaptations affected both their computational behavior and accuracy. The implemented algorithms were benchmarked through a thorough evaluation including detection accuracy, processing latency, stack memory usage, and temporal precision under real-world conditions using a standardized dataset. Hardware timer instrumentation and low-level stack analysis were used to ensure high precision. The results reveal a clear trade-off: Arc achieves fast detection with an average latency of only 46 µs and 56 bytes of stack usage, while maintaining an F1 score of 0.715. In contrast, eFast offers slightly better accuracy of F1 score 0.776 with absolute precision but incurs 14 times higher latency and greater memory use. This demonstrates that lightweight corner detection with high accuracy is achievable on embedded devices, but algorithm selection must consider application-specific constraints such as latency and memory limits. The outcomes of this project assist in addressing a fundamental problem when deploying event-based vision systems in embedded contexts, providing insights into the trade-offs involved in adapting algorithms for low-resource hardware.

Händelsebaserade visionssensorer representerar ett paradigmskifte inom visuell avkänning, och arbetar med asynkrona förändringar i ljusstyrka med hög hastighet och minimal strömförbrukning. Att extrahera meningsfulla funktioner från glesa och tidskänsliga data är dock fortfarande en betydande utmaning, särskilt för resursbegränsade inbyggda system. Denna avhandling behandlar problemet med att detektera hörnfunktioner från händelseströmmar i realtid på mikrokontroller med låg effekt. Många händelsebaserade hörndetekteringsalgoritmer är tillgängliga, men de kräver ofta omfattande beräkningskraft som är olämplig för inbyggda system. Denna flaskhals har begränsat användningen av händelsebaserad vision i edge-applikationer som autonoma drönare, bärbara system eller IoT-kameror. För att åtgärda denna fråga modifierades och optimerades två representativa händelsebaserade hörndetekteringsalgoritmer, Arc och eFast, för att passa begränsningarna för en inbyggd mikrokontroller. Anpassningarna påverkade både deras beräkningsbeteende och noggrannhet. De implementerade algoritmerna jämfördes genom en grundlig utvärdering inklusive detektionsnoggrannhet, bearbetningslatens, stackminnesanvändning och temporal precision under verkliga förhållanden med hjälp av en standardiserad datauppsättning. Hårdvarutimerinstrumentation och lågnivåstackanalys användes för att säkerställa hög precision. Resultaten visar en tydlig avvägning: Arc uppnår snabb detektering med en genomsnittlig latens på endast 46 µs och 56 byte stackanvändning, samtidigt som den bibehåller en F1-poäng på 0,715. Däremot erbjuder eFast något bättre noggrannhet på F1-poäng 0,776 med absolut precision, men medför 14 gånger högre latens och större minnesanvändning. Detta visar att lätt hörndetektering med hög noggrannhet är uppnåelig på inbyggda enheter, men algoritmvalet måste beakta applikationsspecifika begränsningar som latens och minnesgränser. Resultaten av detta projekt hjälper till att lösa ett grundläggande problem vid driftsättning av händelsebaserade visionssystem i inbyggda sammanhang, och ger insikter i de avvägningar som är involverade i att anpassa algoritmer för resurssnål hårdvara.