With the rapid development of sensor networks, machine vision faces the problem of storing and computing massive data. The human visual system has a very efficient information sense and computation ability, which has enlightening significance for solving the above problems in machine vision. This review aims to comprehensively summarize the latest advances in bio-inspired image sensors that can be used to improve machine-vision processing efficiency. After briefly introducing the research background, the relevant mechanisms of visual information processing in human visual systems are briefly discussed, including layer-by-layer processing, sparse coding, and neural adaptation. Subsequently, the cases and performance of image sensors corresponding to various bio-inspired mechanisms are introduced. Finally, the challenges and perspectives of implementing bio-inspired image sensors for efficient machine vision are discussed.

在光声层析成像（photoacoustic tomography，PAT）时，不均匀光通量分布、组织复杂的光学和声学特性以及超声探测器的非理想特性等因素会导致重建图像质量下降。本文考虑不均匀光通量、非定常声速、超声探测器的空间脉冲响应和电脉冲响应、有限角度扫描和稀疏采样等因素的影响，建立了前向成像模型。通过交替优化求解成像模型的逆问题，实现光吸收能量分布图和声速分布图的同时重建。仿真、仿体和在体实验结果表明，与反投影法、时间反演法和短滞后空间相干法相比，该方法重建图像的结构相似度和峰值信噪比可分别提高约83%、56%、22%和80%、68%、58%。由上述结果可知，对非理想成像场景采用该方法重建的图像质量有显著提高。

针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题，通过引入一种多尺度特征融合策略和注意力机制，提出一种点云目标检测网络Pillar-FFNet。针对网络中的特征提取问题，设计了一种基于残差结构的主干网络；针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题，设计了一种简单有效的多尺度特征融合策略；针对主干网络提取的特征图中信息冗余的问题，提出了一种卷积注意力机制。为验证所提算法的性能，在KITTI和DAIR-V2X-I数据集上进行实验。实验结果表明，所提出的算法在KITTI数据集上与PointPillar相比，汽车、行人和骑行者的平均精度最大提高分别为0.84%，2.13%和4.02%；在DAIR-V2X-I数据集上与PointPillar相比，汽车、行人和骑行者的平均精度最大提高分别为0.33%，2.09%和4.71%，由此证明了所提方法对点云稀疏小目标检测的有效性。

相邻障碍物的分割是无人驾驶领域的技术难点，低线激光雷达点云稀疏，无法聚类远距离物体，但激光雷达线束越多越昂贵。为了实现低成本聚类分割相邻障碍物，实验场景选取常用交通场景对象相邻的人/人、人/车，提出了一种基于多帧融合的相邻障碍物分割方法。基于惯性测量单元、激光雷达融合多帧点云，解决了低线激光雷达因分辨率低而无法聚类远距离相邻行人的问题。提出改进的欧式聚类，加入自适应阈值和向量角度约束两个新的分割标准，提高相邻障碍物的分割效果。实验结果表明，该方法具有成本低、聚类精准等特点，与单帧传统欧式聚类算法相比，该方法针对相邻障碍物分割的准确度提升约30.7%，对低线激光雷达在障碍物聚类以及后续的检测具有一定参考意义。

针对红外目标跟踪中红外图像模糊、存在噪声、目标特征少的问题，提出了自适应信息选择的变尺度相关滤波红外目标跟踪算法。首先，在提取的灰度特征中重新提取了梯度信息，用于增强特征感受野大小，丰富目标特征信息；其次，稀疏滤波器系数，减少滤波器信息冗余，并将其结合至滤波器训练过程中，不同通道下的空间信息保留程度不同，有效提高滤波器表达能力；最后，在原有保留尺度更新的基础上，加入变尺度滤波器，构建边界框比例不同的尺度池，有效应对边界框比例变化的情况。在LSOTB-TIR数据集和PTB-TIR数据集上做了对比和消融实验以验证算法的有效性，结果表明该算法在LSOTB-TIR数据集上精确度和成功率分别达到71.3%和59.4%，在使用手工特征的算法中获得了更好的表现。