根据市场研究公司MarketsandMarkets的一份报告，预计2022年图像传感器市场将达到261亿美元，到2027年将增长至386亿美元。

这一预测的一个关键驱动因素是图像传感器在多种应用中的需求和采用不断增长，包括高级驾驶辅助系统（ADAS）、机器人中的机器视觉、3D运动传感器和磁共振成像（MRI）。

为了满足这些需求，几家公司今年推出了新的图像传感器解决方案，以满足日益增长的需求和越来越多的采用。在本文中，我们总结了图像传感器的一些进展。

 

微型全局快门图像传感器

就Omnivision而言，它提供了全球快门图像传感器OGOTB，用于增强现实（AR）/虚拟现实（VR）/混合现实（MR）和Metaverse应用。

 

Omnivision的OGOTB功能框图。图像由Omnivision提供。（点击图片放大）

 

这种三层堆叠图像传感器为人脸和眼睛跟踪提供了超小的外形尺寸、低功耗和高图像质量。该公司表示，传感器的低功耗和400×400分辨率使其非常适合小型和轻型电池供电设备。

Omnivision表示，在开发这种传感器时，它引入了几种内部技术，如PureCel Plus、OmniBSI和Nyxel NIR（近红外）。OGOTB提供400×400有源阵列尺寸、2.2μm×2.2μm像素尺寸、1/14.46英寸透镜尺寸、915.2μm×915.2μ米图像区域、30.84°非线性透镜主射线角（CRA）、2.81 V模拟电源和1.1 V核心电源，工作温度范围为-30°C至+85°C。

 

The OmniBSI capability in the OGOTB maximizes image quality in low-lighting conditions.

OGOTB中的OmniBSI功能可在低照明条件下最大限度地提高图像质量。图像由Omnivision提供

 

据该公司介绍，OGOTB传感器提供裁剪、镜像和翻转、帧速率、自动黑光校准（ABLC）、内置闪光灯控制和多传感器模式操作的可编程控制。开发人员还可以使用该设备的8位/10位RAW输出格式、水平和垂直2:1二次采样以及1通道MIPI/2通道SPI串行输出接口。

Omnivision表示，这些功能使该镜头适用于多种应用，包括工业自动化、生物识别认证、游戏、3D成像、无人机、工业条形码扫描，并最终满足AR/VR/MR设备的要求。

 

OLED人脸认证背后参考设计

当今成像系统市场的另一个解决方案来自意法半导体（ST）和Trinamix之间的合作。这两家公司合作开发了一种人脸认证系统的参考设计，原始原始设备制造商可以在其产品的OLED屏幕后面实现该系统。

参考设计为智能手机原始设备制造商提供了一个可以集成照明、摄像头模块和基于高性能处理器的算法的解决方案。ST提供的相机模块结合了下一代图像传感器和近红外灵敏度，而Trinamix提供的是受专利保护的算法。

由此产生的解决方案可以实现高安全性的移动支付，因为它的皮肤检测能力可以有效地将人类皮肤与超逼真的面具、照片和深度伪造等虚假演示区分开来。

 

STMico and Trinamix teamed up to provide a “behind OLED” solution

STMicro和Trinamix联手提供“背后的OLED”解决方案。图片由Trinamix/BASF提供

 

这些公司表示，ST图像传感器体积小、成本低、近红外灵敏度高，这使得人脸认证系统在智能手机显示屏后面是可行的，因为它们提供了紧凑的尺寸和高性能。

此外，虽然图像传感器为相关应用提供了高灵敏度和低串扰能力，但它们提供了整体系统集成、尺寸和性能的改进。他们声称，由于ST的图像传感器具有业界领先的像素大小功能，以及Trinamix运行算法的复杂处理器，参考设计确保了原始设备制造商获得最高效率的人脸检测和下一代性能。

该合作将由此产生的解决方案的支持扩展到为显示器不足市场服务的几个应用程序、技术和生态系统。该人脸认证系统是IIFAA、Android和FIDO标准认证的移动支付应用程序。这些公司表示，这使得它非常适合将其设计成各种智能手机设备。

 

哈佛大学研究人员的硅图像传感器

在一些应用中，特别是自动驾驶汽车中，对高速图像处理的需求不断增长，这导致了传感器内处理的发展。

哈佛大学约翰·A·保尔森工程与应用科学学院（SEAS）的传感器内处理器利用商业硅成像传感器芯片技术（CMOS）来捕获和处理视觉信息，这与过去几次开发和演示这种处理技术的尝试形成了鲜明对比，这种技术很难融入商业系统。

根据研究人员的说法，这种解决方案可以显著减少自主系统识别途中障碍物和避免碰撞所需的时间。传统的自主系统拍摄物体的快照，并将这些数据传递给微处理器进行图像处理。然而，这种传感器内处理器通过确保采集时的实时处理，消除了传输图像进行处理所需的额外步骤。

 

Silicon photodiode array by Harvard SEAS researchers for in-sensor processing.

哈佛大学SEAS研究人员的硅光电二极管阵列，用于传感器内处理。图片由哈佛大学SEAS提供

 

在《自然电子》的论文中，SEAS的研究人员将该解决方案确定为将传感器内处理融入几种现代应用的基础。研究小组利用静电掺杂的硅光电二极管阵列进行图像捕获。

 

几个电压范围

掺杂确保了操作员可以使用几个电压范围来调整像素或光电二极管对入射光线的灵敏度。所得到的电压可调光电二极管可以实现用于实时图像捕获和处理的若干计算操作。

研究人员表示，有了这种解决方案，自动驾驶汽车中的图像系统可以通过高通滤波器的高精度车道标记跟踪来促进乘客和驾驶员的安全。类似地，其他应用中的图像系统可以通过实现该解决方案来通过降噪模糊来确保高图像质量。