动态视觉传感器：当摄像头只记录变化，而非静止画面

传统的视频摄像头有一个深层缺陷：它以固定的帧率连续拍摄每一帧图像，无论画面中有没有运动、变化是否重要。监控摄像头对着空无一人的走廊，每秒钟仍然记录几十张完全相同的墙壁画面，消耗存储空间和带宽。人眼和动物视觉系统的工作方式截然不同——视网膜中的感光细胞并不按时钟周期输出信号，而是只在感受到光强变化时才发出脉冲。这种事件驱动的视觉机制极其高效，一只苍蝇可以轻松躲避拍打的手掌，而计算机视觉系统却需要数百毫秒才能检测到快速移动的物体。动态视觉传感器正是模仿生物视网膜，输出"事件流"而非"帧"，开启了机器感知运动的全新范式。

生物启发的像素架构

动态视觉传感器的每个像素独立工作，持续监测入射光强的对数变化。当变化量超过预设阈值时，像素立即输出一个包含时间戳、位置和变化极性（变亮为正、变暗为负）的事件。没有变化时，像素完全静默。这种异步、稀疏的事件流有几个革命性优势：极低的延迟（微秒级响应）、极低的冗余数据量（静态场景下几乎不产生事件）、极高的动态范围（不受光照突变影响）以及极低的功耗。在高速运动场景中，传统摄像头要么面临运动模糊，要么需要极高的帧率和巨大的数据量；而动态视觉传感器天生就适合捕捉快速移动物体的轨迹。

图1：生物视网膜（上）与事件视觉传感器（EVS）电路架构（下）的对比。感光细胞对应光接收单元，双极细胞对应放大单元，神经节细胞对应比较器，分别输出ON/OFF事件。

动态视觉传感器的核心器件是差分像素电路和地址-事件表示总线。每个像素包含一对光电二极管和对数放大器，持续比较当前光强与上一个事件的参考值。当差值超过阈值，像素向总线发送请求，仲裁器分配地址后完成读出。这种架构使动态视觉传感器能够输出百万事件每秒的流，而功耗仅几十毫瓦。与帧曝光相机不同，动态视觉传感器的事件是微观时间尺度的真实物理过程，曝光时间可以视为"无限短"，因此没有任何运动模糊。

图2：2005年动态视觉传感器（DVS）像素电路原理图。包含光电接收器、差分电路和比较器，分别对应ON/OFF事件输出通道。

图3：事件相机输出的"事件帧"可视化。只有发生变化的像素才会产生事件，静态区域完全静默，数据量极为稀疏。

高速工业质检

动态视觉传感器的杀手级应用之一是高速工业质检。在自动化生产线上，传送带上的物体以每秒数米的速度运动，传统相机需要高速闪光灯和昂贵的全局快门传感器才能捕捉清晰图像，且每张图像后处理耗时较长。动态视觉传感器直接输出运动边缘的事件流，可以轻松跟踪移动物体的轮廓、速度和旋转角度，结合异步脉冲神经网络，实现毫秒级的缺陷检测和剔除。在印刷品检、电子元件贴装、药品包装等产线中，动态视觉传感器正在替代传统机器视觉系统。

图4：自动化生产线上的传送带视觉检测系统。多个工业相机实时监控产品流动，进行质量检测与分拣。

图5：工业机器人配合视觉系统进行精密质检。机械臂搭载高帧率相机，对汽车零部件进行三维扫描与缺陷识别。

自动驾驶感知

自动驾驶是动态视觉传感器的另一战场。道路场景中存在剧烈光照变化——进出隧道、树影斑驳、对向车辆大灯，传统相机的动态范围常常难以覆盖，导致图像过曝或欠曝。动态视觉传感器具有一百二十至一百四十分贝的动态范围，远超传统相机的六十分贝，能够在极端光照下清晰感知运动物体。更关键的是，事件流的时间分辨率高达微秒级，可以精确测量物体运动的速度和方向。尽管动态视觉传感器输出的事件流不包含绝对灰度信息，无法直接用于语义分割和车道线检测，但它可以与传统相机融合——传统相机提供静态纹理，事件相机提供运动边缘，两者互补后可以大幅提升感知鲁棒性。

图6：自动驾驶场景中的事件相机感知。上图展示传统相机与事件流融合的目标检测结果，下图展示事件流点云与3D目标检测框的叠加。

无人机避障与运动捕捉

无人机避障和运动捕捉也是理想场景。小型无人机需要高速感知障碍物以避免碰撞，而传统相机加算法的延迟可能超过无人机的反应时间。动态视觉传感器的事件级响应使避障系统可以在几毫秒内完成检测到控制，甚至在极暗或极亮环境中依然工作。在动作捕捉和运动分析领域，动态视觉传感器可以追踪人体关节上贴附的闪烁LED，或者直接通过事件流提取肢体的运动轮廓，用于体育训练、康复评估和影视特效。

图7：搭载Prophesee事件相机的无人机系统（右）与闪烁红外LED追踪装置（左）。事件相机可精确捕捉高速闪烁LED的运动轨迹。

图8：基于头戴式事件相机的人体三维运动捕捉。上图：RGB视角与多种方法的骨骼估计对比；下图：事件流视角与EventEgo3D++方法的精确姿态估计。

图9：事件相机实时检测与追踪人体。事件流直接提取运动轮廓，无需完整图像即可实现人体检测与跟踪。

算法生态与神经形态计算

动态视觉传感器的生态仍处于早期。事件流的处理算法与传统图像处理完全不同——无法直接使用卷积神经网络，因为事件是稀疏、异步的时空点云。脉冲神经网络和基于图卷积的方法更适配事件数据，但这类网络的理论和训练工具尚不成熟。目前大多数动态视觉传感器应用仍然采用"累积帧"的方式，将一段时间内的事件累加成帧图像再处理，部分牺牲了低延迟优势。端到端的事件驱动算法正在快速发展，专用的神经形态处理器也与动态视觉传感器形成绝配。

图10：事件数据的体素化表示与图构建流程。将稀疏的时空事件点云转换为体素网格，再进行顶点选择与特征计算，适配图神经网络处理。

图11：BrainChip Akida神经形态处理器。专为事件驱动数据设计的芯片架构，与动态视觉传感器形成绝配，实现超低功耗的边缘AI推理。

图12：基于多模态阻变存储器阵列的神经形态视觉芯片。模拟视网膜-视觉皮层通路，实现从感光到高级识别的全硬件事件驱动处理。

产业格局与未来展望

从产业格局看，动态视觉传感器的商业化已经从科研仪器走向嵌入式计算。瑞士的iniVation、法国的Prophesee、韩国的三星等公司推出了商用芯片和开发套件，分辨率从VGA到百万像素不等，功耗最低可到毫瓦级。中国的初创企业也在布局。动态视觉传感器目前主要应用于高端工业检测和科学实验，成本较高。随着制造工艺成熟和出货量增加，预计未来三年内价格会下降到与中端CMOS传感器相当的水平，从而进入安防监控、智能家居和消费电子市场。可以想象，未来的智能手机摄像头中会集成一颗动态视觉传感器，用于隔空手势识别和运动照片拍摄——不需要按下快门，相机自动记录变化最精彩的瞬间。

图13：Prophesee GENX320事件传感器芯片，尺寸仅指尖大小。荣获CES 2024创新奖等多项荣誉，代表事件相机芯片的小型化与商业化里程碑。

图14：Prophesee Metavision系列事件传感器芯片。采用先进的CMOS工艺制造，支持百万级像素分辨率，是商用事件相机的主流方案。