视觉芯片材料

《视觉芯片材料》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一、可行性论证1、视觉芯片的原理和特点视觉芯片是一种模仿人类视觉功能，可高速完成图像采集和处理的新型片上系统芯片。要充分理解视觉芯片的工作原理，必须先了解人类的视觉系统。经过数百万年的自然进化，目前的人类拥有发达的视觉系统，具有快速、灵活、高效的视觉图像处理能力。如图1.1左侧所示，人类视觉系统主要包括眼球、大脑视觉中枢和一些信号传输神经。外部场景及物体以光信号的形式，通过眼球前端的晶状体，聚焦投影在眼球后部的视网膜上。视网膜主要完成两个功能，一是接收投影过来的图像光信号并转化为电信号，二是并行实现图像特征提取，将携带大量冗余信息的原始图像压缩为少量的特征

2、信息，然后通过传递神经传输到大脑的视觉中枢。之后，大脑基于以往学习到的经验知识，快速直观地对图像特征进行分析和识别，从而让我们能迅速识别和理解所看到的场景和物体。在人类视觉系统中，图像信息是并行传输、并行处理的，具有很高的实时响应速度。因此，人类视觉系统为高性能图像信息采集处理系统提供了很好的设计借鉴。图1.1人类视觉系统和视觉芯片而视觉芯片正是一种模仿人类视觉系统功能，集高速图像采集和并行图像处理能力于一体的数模混合系统级芯片，如图1.1右侧所示。除了模仿眼球晶状体的聚焦透镜之外，其余所有的视觉功能都可以集成在一块单芯片上实现。其中像素阵列模仿眼球视网膜

3、的图像采集功能，大规模并行处理阵列模仿视网膜的并行特征提取功能，图像数据在像素阵列和大规模并行处理阵列之间的传输也是大规模并行的。高层次处理器则模仿人类大脑功能，实现对特征的进一步分析和识别，通常不具备明显的并行处理能力。最后，视觉芯片输出这些特征数据或识别结果到片外，完成对其他设备的反馈控制。图1.2所示为典型视觉芯片的逻辑构成，它集成了图像传感器的像素阵列和多个不同功能的多个处理器。在系统逻辑结构上视觉芯片非常类似于层次化异构的人类视觉系统，图像传感器类似于视网膜的成像功能，而其后不同功能的处理器则类似于不同层次的视觉皮层，比如阵列处理器的功能和V1皮

4、层类似，用于感知边缘以及强度信息，而后续的处理器功能则类似于次级皮层，用于对初级皮层提取的边缘信息进行整合和抽象。更为重要的是，视觉芯片对视觉信息的处理采用并行处理，这一点与生物神经系统类似。图1.2视觉芯片的基本原理通过上面的简单分析，我们很容易发现，视觉芯片借鉴了很多生物系统特性，并且在现代半导体工艺快速发展的推动下，视觉芯片具有了以下特点：实时以及高速特性：视觉芯片具有并行计算和并行传输的特性，而该特性使其在计算速度上优于传统视觉处理系统。传统的视觉处理系统采用分离的图像采集部件（CMOS或者CCD图像传感器）和图像处理部件（PC、DSP、MCU），

5、其处理速度受限于图像采集和处理部件之间数据传输的速度以及并行处理部件的速度。视觉芯片的数据传输以及处理皆采用并行方式，使处理速度大大提升，很多采用视觉芯片的系统都能使响应速度达到1000帧/秒以上。低功耗：视觉芯片具有低功耗的特点，其采用大量并行电路并行进行数字信号处理，与传统串行处理方式相比，并行处理电路通过大量减少处理中所需的系统控制操作（循环、跳转操作，甚至是操作系统）来减低功耗。同时，片内数据传输与传统图像传感器和PC间数据传输相比功耗也减少很多。紧凑小型系统：视觉芯片高度集成，与传统视觉处理系统相比，其体积不足前者的百分之一。它不仅适用于传统视觉

6、系统所擅长的一般场合，在车载、移动、物联网、机器人视觉等多种小型化平台上同样适用。低成本：视觉芯片具有低成本的特点，与传统视觉处理系统相比，几乎所有的系统部件都集成在单一硅片上，所以视觉芯片的成本要低得多。随着集成电路技术的进一步发展，相同数量晶体管的设计所消耗的硅面积还在进一步缩小，因此视觉芯片的成本还可以继续下降。可以看到的是，视觉芯片具有传统视觉处理系统所不具备的诸多优势，如果我们能够将这些优势逐一发挥，那么视觉芯片必将在我国的国防安全、国民生产、人民生活的方方面面发挥重要作用。2、视觉芯片的研究现状视觉芯片的概念最早于上个世纪90年代末提出，由于其

7、结构和功能新颖，在短时间内即成为研究热点，并伴随出现了很多的研究小组，其中有的小组对其进行了长达数十年的研究。伴随半导体技术成熟以及各国学者对视觉处理的认识加深，已形成了多个视觉芯片的研究分支。图1.3总结了从1990年开始至2014年为止，具有代表性的视觉芯片研究。早期的研究者多直接利用仿生机理来设计视觉芯片，这类芯片可以将光信号转化为电信号，并且对所获得电信号进行类似视网膜功能的图像预处理。比如KochChristof在90年代初期就利用模拟电路进行了大量的尝试，这类芯片能够在某种程度上模拟神经系统中的一些特性并且可以完成早期视觉处理（EarlyVis

8、ionProcessing）。后来这类研究进一步发展为专门的神经形