AER时域视觉传感器总线仲裁建模与仿真分析

以视觉传感器设计为背景,对AER时域视觉传感器的总线仲裁进行建模,并对事件取样、AER仲裁和目标跟踪进行仿真分析.实验结果表明：AE事件数量仅占全部像素数目的5%-10%,事件集中优先仲裁方式比特定区域优先仲裁方式和轮权仲裁方式在高速目标跟踪应用上准确率高10%-20%.因此可知：基于AE数据的目标跟踪更加高效,并且事件集中优先仲裁方式更适合于高速目标跟踪应用.

基于地址-事件表示的高速二值连通域标记方法

为提高二值连通域标记的速度,将地址-事件表示AER（Address Event Representation）思想引入到二值图像处理,提出了一种基于事件对等价标号的二值连通域标记方法。该算法无需多次遍历图像中的背景点和冗余目标点,首先将待标记的连通域以AER＂事件对＂的方式编码保存,通过＂事件对＂的遍历生成临时标号和等价标记表;然后根据等价表修改临时标号;完成标号映射后最终实现连通域标记。整个算法只处理极低冗余的事件信息,避免了对全图像素的重复扫描与处理。实验结果表明,图像以AER＂事件对＂方式存储,数据量仅为全帧图像的10%~35%,有较高的压缩比;且该算法速度快,可达到了传统基于等价标号算法的1.5~8倍。

用于特征提取的小尺寸事件型卷积处理器

设计了一款用于动态视觉传感器数据特征提取的小尺寸事件型卷积处理器,该卷积处理器包含了32×32的累加阵列、用于存储卷积核的RAM阵列、左/右移位模块、控制模块和异步的事件读出模块。为了减小面积,设计了2 bit的32×32的RAM阵列来存储所需的卷积核;在累加阵列中,采用7 bit的二进制计数器代替传统的加法器来实现卷积核的累加操作,在0.18μm CMOS工艺下,每个卷积单元的面积为37.5μm×40μm,对于每个事件输入输出的最小延时为17 ns,能够处理的最大事件率为12.5 Meps。基于该卷积处理器搭建了一个识别系统,利用16个卷积处理器来提取特征,利用脉冲神经网络实现了分类识别。实验结果表明,使用2 bit卷积核的小尺寸卷积处理器能够准确完成对输入事件的卷积操作,而且基于该卷积处理器所搭建的识别系统对MNIST数据库的识别效率可以达到90.57%。

地址事件数据流的快速车道线识别方法

针对目前车道线识别方法受到运动模糊、光照明暗等问题,提出了一种针对地址事件(Address Event Representation, AER)数据流的车道线识别方法。通过利用事件流的异步输出特性,对事件数据进行滤波的方式去噪,而后用LIF(Leaky Integrate-and-Fire)编码方式得到虚拟帧。然后进行逆透视变换得到车道的俯瞰图,采用直方图峰值快速定位车道位置和B样条曲线拟合车道。利用车道跟踪策略来优化算法识别效率和鲁棒性,实现车道线快速识别及跟踪。实验结果显示,上述方法平均检测率可以达到97.05%,平均每帧耗时18.24毫秒。

一种基于地址-事件表达的实时视觉传感器实现方法

为获取高帧频、大动态范围、低数据量的精确视觉信息,提出了一种基于地址-事件表达(AER)的实时视觉CMOS传感器实现方法。采用AER方式,多模式的行仲裁及实时时间标记,有效减小读出数据量,减小时域行间信息扭曲;利用像素级光强变化感知电路探测光强变化,双采样脉冲宽度调制(PWM)电路量化光强。仿真结果显示,在100lx光强下,获得最小等效帧频1000frame/s,10lx光强下为100frame/s,静态动态范围大于133dB,视频动态范围48.16dB,并可实现实时时间标记、多模式仲裁的功能,减小输出数据量11.61%～42.74%。结果表明,该方法可完成实时视觉信息的采集、处理、输出,适用于高速、高动态范围视觉领域。