机器视觉市场的成功归功于微处理器的发展与不断升级。今天，电子设计自动化(EDA)程序和半导体生产设备的改进大大增加了机器视觉系统设计者的可选择性，而且特别是开发智能相机市场。

Beyond x86

自从微处理器问世以来，半导体行业一直在致力于开发专用芯片处理器，但具有专用功能时就击败了通用目的的CISC、RISC和基于x86的微处理器架构。数字信号处理器(DSP)就是最著名的例子。

虽然具有通用目的的微处理器也能执行DSP功能，但具有浮点计算单元和并行相加/相乘功能的DSP在执行这类计算时比微处理器要快，并消耗更少能量，产生的热量也更少，这也是small-form-factor智能相机机器视觉市场中的两个关键设计因素。

Matrox Imaging 的产品经理Fabio Perelli解释说：“我们正工作在下一代平台上，还有我们的Wintel-based P和E系列智能相机。虽然细节是个人拥有的(proprietary)，但目标是简单的，即下一代平台需要比现金的智能相机更多的计算能力，更快的网络传输，一个更小的足迹和消耗更少的能量。

其它架构能比微处理器和DSP做的多得多，比如专用集成电路应用(ASICs),被设计来解决某一种计算需求。但是，Matrox Imaging的Perelli说：“ASICS对于机器视觉市场仍然太昂贵，但是你能用FPGA([field programmable gate array],场可编程门阵列)做很多。”

Perelli继续说：“智能相机市场能从中学到的是如何首次用具有DSP和FPGA的图像处理子卡来增加高端图像采集卡的性能。对于点对点类型操作、过滤器和带查找表(LUT)的扭曲校正，FPGA就是做这些专用操作的好方法。但是，问题还存在，FPGA的编程不容易，还需要使用好的软件工具来辅助。”

Multicores: Too Much Is Never Enough 

跟介绍DSP的浮点计算能力一样，对于专用操作的FPGA的快速计算能力，机器视觉从这些专用芯片中获利，这样比微处理器的能力更好、更快，且更便宜。随着更多的应用采用专用芯片，正如过去七年里FPGA做到的一样，它们会变得更廉价，通过软件和硬件获得更好的支持，对于客户来说更具有吸引力，比如机器视觉。

正如在近来关于三维图像处理的介绍一样，智能立体相机制造商，TYZX将低端微处理器的能力与FPGA和ASIC结合起来。G2嵌入式视觉系统是基于PC上运行Linux的系统。在组成上，G2有一个连接两个图像采集器的嵌入式PowerPC芯片(666 MHz AMCC 440GX)，一个TYZX DeepSea II立体处理器和一些使用一块FPGA的内存。基本的构造极其灵活，利用FPGA配置可以将任何组件配置到其它组件上。在原理上要完成一个简单的任务，针对FPGA实现一个新的配置将需要花费几周或几个月的时间。因此，用一个专门的数据流架构/FPGA配置来设计G2，要记住在一个粗糙级别上能允许各种组件可以重新配置。这种方法使得在FPGA中无需修改固件就可以应用于不同的任务。

G2的数据流是一个在任何计算机上可以通用的版本，这是为了执行视觉任务：在一帧一帧的基础上CPU可以获取输入图像（imagery）.左右矫正的源图像能在PowerPC上通过DMA的方式输入到主内存.从原理上讲，这个数据对于执行任何视觉或基于立体(stereo)的任务都是足够的。但是，在单独帧率下计算立体深度的成本将覆盖嵌入式的PowerPC。为了执行实时的3D视觉任务，PowerPC在每帧上获取其它输入图像源：一幅range图像，一幅前景图像和一幅直接由硬件计算的ProjectionSpace图像，它把图像采集卡的像素作为输入。在一个嵌入式3D视觉系统中硬件加速是实时性能的关键因素。

Defense & Security Drive Image Processing 防御及安全推动图像处理

在最近的防御及安全会议上，两个公司展示了新的计算设计，让图像处理更接近于人类大脑操作的方式。

人类大脑有大约1012的神经元，它们既能处理信息，也能存储信息，还加上连接神经元的神经键，产生一个庞大的平行处理架构。与今天的微处理器相比，相当于拥有几百个I/O和1千万个逻辑门的微处理器，很显然微处理器要达到人类的CPU还有很长的路要走。

Irvine传感器的硅大脑架构起初是通过SBIR批准才开发的，现在已经为DARPA引入到智能相机中。虽然这款芯片的许多设计由于防御分支而处于保密，但Irvine传感器的概念是在提供一个机制来极大增加各种处理单元的连接时使用堆状FPGA.这个最后的堆(stack)来自一个金字塔神经网络，在这里较低芯片的值被向上传递到更强大的，更高级的图像处理决策。

在CalTech的相关开发基础上用FPGA去仿效视觉皮层，硅大脑架构SBIR Phase II大脑仿效选择了一个堆状的FPGA方法。这个3D硅堆积技术对提供非常短距离，完全并行内部连接是重要的，它能使硅大脑在消耗小于10瓦就达到peta-ops性能。

Irvine传感器的设计使用薄的，成堆的集成电路芯片来仿效大脑的高集成神经电路。这些电路是在神经元终结的加权的神经链阵列(WSAs)，它们相互连接到神经元。每个芯片的使能开关能开启所有可能的堆内部和堆之间的连接。外部外围的堆与传感器芯片相连，比如图像光学传感器或其它。总线和控制平台模拟大脑中枢平台，它把硅大脑一分为二，并提供时钟信号、地信号、电源和内部通讯。FPGA的使用是很重要的，因为许多潜在的常见IC配置能被实现，无须把资金用于昂贵的IC设计和开发。

传统的大型电子功能的FPGA应用的困难是先进的FPGA有上百个引脚，而且在一个堆上获得足够的门计数将需要成千上万个内部连接的芯片。具有FPGA的混合3DFET和场可编程内部器件(FPIDs)结合使用Irvine传感器，新开发出神经芯片技术，这将使得公司在一个非常灵活的硅大脑架构上实现核心处理功能。FPID的插入将堆内部联系完全可配置。因此，不同的内部连接安排，比如网孔、蝶型和交叉，就能在无任何硬件改动时，在FPGA中形成的处理结点之间根据需求来实现。这种灵活性使得堆可迅速用于任意的数字处理器。

另一个有意思的开发是Ambric Am2000大型平行处理器阵列(MPPA)。尽管Am2000还没有在相机中设计，但是Ambric Business Development Director Paul Chen解释到这种设计可达到具有高可量测性的5-20X TI64X DSP性能。与高端FPGA比较而言，它提供在较低单元成本下2~5倍性能的软件可编程性。这个芯片使用具有分布内存的小计算处理器阵列。每个处理器异步运行，而从全局来看，所有处理器通过内部连接它们的可编程通道自动合成到一起。当它的输出通道满的时候，一个producer处理器停止，一个consumer处理器在输入通道为空时暂停执行。一个blocked 处理器一旦在无实时OS需求时，并在终止条件解除时自动恢复执行。通过Chen，我们了解到MPPA处理器尺寸是DSP的2/3,开发时间是在FPGA上做同样工作的1/10~1/20。在一到两天的工具培训后，一位软件工程师就成为设计生产的工程师，这些工具包括一个结构化对象编程设计工具，一个函数仿真器和一个多处理器调试器。

今天，使用计算单元阵列的新微处理器架构变得越来越常见，而且性价比也日益提高。最近，几家图像处理公司发布了新的IC和相机设计，这也反映出机器视觉行业的未来，从多核转向神经网络，朝着匹配人类大脑架构和能力的方向发展。

   这篇文章从硬件方面分析了机器视觉的发展方向，通过FPGA的灵活性，来满足机器视觉不同的实际需求；而且这样的发展将打破基于PC的机器视觉主导格局，随着专用芯片的成本不断降低，功能越来越强大，智能相机所达到的性能和效果将会超越基于PC的视觉系统，这也是机器视觉发展的趋势之一。