论文部分内容阅读
传统的图像传感器采用基于“帧扫描”的采样方式。随着CMOS图像传感器分辨率和帧频的提高，意味着会产生巨大的数据量和较高的传输功耗，限制了视觉系统的处理速度。人们通过对生物视觉系统的研究，提出了一种仿生的AER（Address Event Representation, AER）视觉传感器，AER图像传感器可以有效的降低数据冗余，具有超高速，实时性的特点。AER图像传感器的输出只包含事件的地址信息和属性，传统的一些处理方式并不适用于AER图像传感器，因此需要研究与AER图像传感器相适应的处理单元，对其输出事件进行有效的处理。本文研究基于AER视觉传感器的事件卷积算法，搭建了一个包含多个卷积模块的识别系统，最后设计了一个小尺寸卷积处理器。 本研究分析了AER视觉系统的基本原理，对AER方式和AER视觉传感器的基本原理进行了分析，介绍了两种脉冲神经元模型，引出了基于事件的卷积算法，对事件卷积处理器的基本结构进行了分析。然后根据事件卷积算法原理，建立了基于事件的仿真模型，对基于事件的卷积算法进行了仿真，并且搭建了一个包含两层卷积计算的识别系统，在该识别系统中利用Gabor卷积核来实现特征提取，利用脉冲神经网络对提取的特征进行了分类识别。最后，完成了一个32×32的小尺寸事件卷积处理器的设计，设计了2bit的32×32的RAM阵列来存储所需的卷积核，在累加阵列中，采用7bit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Matlab上对事件卷积算法和本文搭建的识别系统进行了仿真，仿真结果表明，本文搭建的事件卷积模型，对于输入事件实现了特征的提取。对MNIST样本库的仿真结果显示，本文搭建的识别系统识别率可以达到90.57%。在Cadence中对本文设计的32×32的小尺寸卷积处理器进行了仿真，在SMIC0.18μm工艺下，每个卷积单元的面积为37.5×40μm2，仿真结果表明该卷积处理能够根据输入事件，读取相应的卷积核，经过卷积核的移位最终实现特征提取，对于每个事件输入输出的最小的延时为17ns，最大事件率为12.5Meps。综上所述，基于事件的卷积算法能够高效的实现事件信息的特征提取，适用于高速AER视觉系统应用领域。