本文作者：安森美中國區

汽車現場應用工程經理 William Chen

如果說圖像傳感器是智能駕駛汽車的“眼睛”，那圖像傳感器動態范圍作為汽車成像中的一個關鍵指標，就代表了這只“眼睛”能看到的細節、層次與特征多少，對行駛過程中的環境路況判斷有很大影響。

什么是動態范圍？維基百科定義，動態范圍（Dynamic Range）是可變化信號（例如聲音或光）最大值和最小值的比值。

如果把場景的亮度作為橫坐標，圖像傳感器輸出的數據作為縱坐標，我們就得到圖2所示的傳感器輸出和場景的動態范圍映射關系。圖像傳感器把一定亮度范圍的場景采集并映射為自己的輸出，如圖中紅框所示。

圖2：場景到傳感器的動態范圍映射

圖像傳感器實際動態范圍通常比場景的動態范圍低，傳感器的能力只能采集紅框對應橫坐標內場景的亮度范圍。紅框的位置需要動態調整移動，以適應場景亮度的變化，這是成像算法中自動曝光(auto exposure)模塊的任務。

從原理上講，紅框尺寸受限于傳感器的像素勢阱容量，受限于尺寸，很難簡單做大，車用圖像傳感器的高動態范圍技術是行業面臨的共同挑戰。過去二十年來，車載圖像傳感器的高動態范圍大致有如下四大技術流派。

第一個是動態改變像素的靈敏度擴充動態范圍。如圖3所示，圖像傳感器對場景亮度的映射變成非線性，隨著環境亮度增加，像素靈敏度逐漸下降，靈敏度從亮度的線性函數變成分段函數。如下圖所示，電荷積累分成三段，亮度低時靈敏度高，對應黑色電荷，然后亮度中等靈敏度也中等，對應藍色電荷，最后亮度最高靈敏度最低。從坐標圖中可以看到，此時像素的勢阱容量即縱坐標不增加，但映射的場景亮度范圍即橫坐標可以明顯加大，實現了增大動態范圍的目標。

安森美(onsemi)的車用圖像傳感器產品線早期推出過30萬像素的可變靈敏度傳感器，就是基于此類技術，這個技術的最大挑戰在于它改變了像素的靈敏度特性，讓線性特性的靈敏度變成非線性，而這個折線的形狀對電壓、溫度和曝光時長敏感，一致性差，動態范圍擴展能力有限，只能勉強用于大尺寸像素黑白圖像的傳感器。目前這類技術已經逐漸被市場淘汰。

圖3：非線性化擴充動態范圍

第二個高動態范圍技術是時分多次曝光，這個是目前主流車用圖像傳感器所采用的技術。做法就是圖像傳感器改變曝光時間連續多次曝光得到多幀圖像，然后從中選擇合適像素合并成一幀圖像。如圖4示意，傳感器改變曝光時間，相當于自帶自動曝光功能，對場景不同亮度分別采樣，得到多個紅框，然后把動態范圍拼接起來。這個技術的優點在于：像素勢阱容量不用額外做大，只需把數據帶寬做大；每個曝光的時長控制可以很精確，最終擬合的圖像亮度線性特性好；動態范圍擴展容易，僅用時分技術就能做到140dB的動態范圍。

時分多次曝光技術有一個難以克服的問題，由于傳感器的連續曝光時間上是依次滯后的，當場景中有快速移動物體或光照劇烈變化例如LED頻閃情況下，多幀圖像擬合后會出現運動物體偽影和色彩噪聲。ADAS算法需要針對性地訓練這類噪聲。

圖4：多幀合并擴充動態范圍

空分多次曝光，業內也有稱之為大小像素技術。本質來說與時分多次曝光類似，由多幀融合，區別在于圖4中的多個紅框來源于空間尺寸上不同的兩種像素，兩種像素的圖像擬合成為一張圖像。由于兩種像素在曝光時間上是對齊的，可以避免了運動重影的問題，同時改善LED燈頻閃現象。

不過有得就有失：空分曝光，意味著像素數量翻倍， 例如1百萬像素傳感器實際上是1百萬大像素加1百萬小像素，增加了功耗和設計復雜度；小像素擠占了大像素的面積，降低了大像素的低照性能；大小像素的靈敏度差異大，線性特性差，小像素在光學上無法和大像素兼容，需要大量的光學標定工作以補償小像素的問題。這些都是用戶在產品應用開發中需要解決的工程挑戰，此外，大小像素圖像傳感器受小像素尺寸限制，隨著技術演進會逐漸變成瓶頸，所以安森美在2009年就發明并申請了大小像素技術的專利，但并沒有推出相應的傳感器產品。

第四個高動態范圍技術就是直接擴展像素的勢阱容量。傳統圖像傳感器像素的感光二極管在感光的同時兼具電荷存儲的功能，因此像素的電荷勢阱容量受限于感光二極管尺寸。隨著像素尺寸越來越小，像素的容量也逐漸變小。安森美的超級曝光像素技術突破了這一限制，并在業內率先量產了基于這一技術的產品。技術路徑就是為感光二極管外掛了存儲電容，當容量飽和時，多余的電荷會被轉移到電容中存儲起來。這里的電容不參與光學感光，但擴充了像素的勢阱容量。如圖5示意，上面的小桶相當于感光二極管，下面的大桶相當于存儲電容。大桶不直接接水，只存儲小桶溢出的水。

為了支持足夠高的動態范圍，業內產品通常會復用上述三種技術。一張高動態范圍的圖像，可能是時分多次曝光幀、大小像素幀和超級曝光幀的復合擬合結果。這有點像汽車動力中的插混方案，動力可能來自自排發動機，渦輪增壓，以及電機直驅的并聯。這里多幀擬合的線性特性很像汽車駕駛動力變化的線性特性，保證輸出的平順與線性是高動態范圍圖像的巨大挑戰。一般來說，技術種類越少，線性特性越好。