CN106056539A - 一种全景视频拼接方法 - Google Patents
一种全景视频拼接方法 Download PDFInfo
- Publication number
- CN106056539A CN106056539A CN201610487092.XA CN201610487092A CN106056539A CN 106056539 A CN106056539 A CN 106056539A CN 201610487092 A CN201610487092 A CN 201610487092A CN 106056539 A CN106056539 A CN 106056539A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- idx
- splicing
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000005304 joining Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical group C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全景视频拼接方法,它采用“初始化拼接”生成一张从源图像到拼接图像的映射表,采用“主拼接”根据该映射表直接将参与拼接的多路视频图像投影到最终的全景图像上,输出拼接结果;采用本发明拼接的全景视频图像质量好,拼接效果理想,可以满足消费者的各种使用需求。
Description
技术领域
本发明涉及一种视频拼接方法,尤其是涉及一种全景视频拼接方法。
背景技术
全景视频是将多个通道的相机视频,拼接为具有更大等效视场的视频。传统上,当等效视场角为360度时才称为“全景”,但目前超过180度就可以使用全景这个概念了。现有的全景视频拼接技术受拍摄场景的变化、拍摄角度的不同等因素的影响,拼接效果不是很理想。
发明内容
本发明所要解决的技术问题,就是提供一种全景视频拼接方法,其不受拍摄场景变化和拍摄角度因素的影响,成像质量好,拼接效果理想。
为解决上述技术问题,本发明采用的技术方案如下:
一种全景视频拼接方法,其特征是包括以下步骤:
S1,特征点提取
采用SIFT特征点,提取包括以下子步骤:
S1-1,构建高斯金字塔;
S1-2,构建高斯差分金字塔;
S1-3,求取差分金字塔极值点;
S1-4,筛选极值点;
S1-5,求取特征点主方向;
S1-6,求取特征点描述子;
S2,特征点匹配
已知一幅图像1上某一特征点Xi,另一幅待匹配图像2上的某一特征点为Yj;
Xi和Yj表示描述特征点的128维向量;
匹配算法如下:
S2-1,SIFT算法检测两幅待拼接图像1和2,其特征点分别为Xi和Yj;
S2-2,对图像1中的每个特征点Xi与图像2中的n个特征点分别求欧式距离,按从小到大对距离进行排序,记为d1,d2,…,dn;
S2-3,设定阈值t,若图像1中点Xi与图像2中的点Yj的距离最小为d1,次近邻距离为d2,并且d1/d2<t,则接受点Xi与点Yj为匹配点;
S3,RanSac+4点法求单应性矩阵H
设Hik表示图像Ii到最佳相邻图像Ik的变换矩阵,已求得Ik到参考平面的变换矩阵Hk,则Ii到参考平面的变换矩阵Hk=Hik*Hi;
采用RanSaC策略,随机选择4对匹配的特征点,利用这些信息得到一个H,再遍历所有匹配的特征点对,验证一共有多少对特征点符合该H所代表的运动模型,这个数值称为内点数;
重复以上过程足够多的次数,选择内点数最多的那个运动模型对应的H作为最终的结果;
S4,从H中提取焦距f与相机姿态R,光束法平差优化
先将H分解为只包括焦距f的内参矩阵与姿态矩阵R;分解完成后,将姿态矩阵R,转化为对应的旋转矢量,即对应3个姿态角,进行光束法平差优化,优化完成后,再重新转化为内参矩阵K与只考虑姿态的外参矩阵R;(光束法平差优化)
S5,将每路图像投影到统一的球面展开图
根据K和R将每个通道的图像投影到一个统一的球面上,投影后再将球面展开为矩形图像;
S6,基于最大流算法的最优拼缝查找(现有技术)
S7,光照补偿参数计算(现有技术)
S8,多频带混合(现有技术)
S9,从源图像到拼接图像的映射表计算
计算构成重合区域的原始图像的权重,进行归一化处理;(现有技术)
S10,生成从源图像到拼接图像的映射表(和S9不一样)
在运动参数R,K以及拼缝、混合权重确定之后,计算从源图像到全景图像的映射表,其结构体如下:
map_info中同时包含addr与addr_s,在投影到球面以及球面展开时,需要使用插值以保证图像的成像质量;
使用4点插值,记录4个系数a0~a3,系数使用unsigned short型,最后用于归一化的分母与图像混合时的权重放在一起,作为整体的权重weight;
在新一帧拼接开始前,目标缓存置0,具体映射关系如下:
p_d_Y[idx_d]+=(cur_map[i].a0*p_s_Y[idx_s]+cur_map[i].a1*
p_s_Y[idx_s+1]+cur_map[i].a2*p_s_Y[idx_s+m_widestep]+
cur_map[i].a3*p_s_Y[idx_s+m_widestep_1])*cur_map[i].weight;
若图像使用YUV格式,由于UV通道数据每2*2个像素使用同一个UV值,可以不使用4点插值,则查找表的结构体简化为:
具体映射关系为:
p_d_U[idx_d]+=p_s_U[idx_s]*cur_map_UV[i].weight;
p_d_V[idx_d]+=p_s_V[idx_s]*cur_map_UV[i].weight;
若使用RGB图像格式,则映射表只需要一个,但要RGB三个通道计算3次;
S11,拼接图像
S12,输出拼接结果。
本方法总的说来就是:先采用初始化拼接生成一张从源图像到拼接图像的映射表,然后采用主拼接根据该映射表直接将参与拼接的多路视频图像投影到最终的全景图像上,最后输出拼接结果。
而关键的初始化拼接则分为初始化拼接一与初始化拼接二,初始化拼接一根据相机组在当前状态下拍摄的图像,得到一组运动参数,该组运动参数具体包括每个相机的焦距f与相机的姿态矩阵R,通过相机的焦距f与相机的姿态矩阵R,将原始图像投影到统一的球面或柱面上,完成图像从分到合的过程;初始化拼接二在图像重合区域找到一条拼缝左右纹理相差最小的路径,经过光照补偿、白平衡补偿,并解决图像重合区域的重影问题后生成一张从源图像到拼接图像的映射表。
有益效果:与现有技术相比,采用本发明拼接的全景视频图像质量好,拼接效果理想,很好的满足了消费者的各种使用需求。
附图说明
图1是本发明的流程图;
图2是本发明的SIFT特征点提取与描述的流程图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1:如图1所示,全景拼接算法分为初始化拼接与主拼接,初始化拼接生成一张从源图像到拼接图像的映射表,主拼接根据映射表直接将参与拼接的多路视频图像投影到最终的全景图像上,输出拼接结果后即进行下一帧的全景拼接。
初始化拼接的任务就是生成这张非常关键的映射表,根据各个模块的特点,又进一步划分为初始化拼接一与初始化拼接二,初始化拼接一根据相机组在当前状态下拍摄的图像,估计得到一组运动参数,该组运动参数具体包括每个相机的焦距f与相机的姿态矩阵R,通过相机的焦距f与相机的姿态矩阵R,将原始图像投影到统一的球面或柱面上,完成图像从分到合的过程。
从三维点到图像中的二维点,需要经过外参矩阵与内参矩阵的投影,外参矩阵包含相机姿态矩阵R与平移矩阵t,由于假设相机光心重合,所以t默认为0,不予考虑。而内参矩阵中主要为图像中心点(u0,v0)以及两个方向的等效焦距fu,fv,这里默认f=fu=fv,而u0,v0分别为图像两个方向上分辨率的一半。
由于制造工艺方面导致的不符合以上假设的因素,都会引入误差。由于单个相机本身成像时的畸变、多个相机光心不重合造成的模型误差是任何拼接算法都无法解决的问题;而且,模型中估计得到的f与R也不无避免会有一定的误差;最后,具体的图像数据由于重合区域较小、匹配的特征点数过少等原因也会影响拼接的精度。
所以,在经过初始化拼接一处理后还需要通过初始化拼接二进行精确处理。初始化拼接二中“基于最大流算法的最优拼缝查找”模块可以在图像重合区域找到一条拼缝左右纹理相差最小的路径,即使不是真实投影模型误差最小的路径,也可以说最优拼缝两侧肉眼可见的差异是最小的。经过光照补偿、白平衡补偿以及多频带混合模块解决图像重合区域的重影问题后,拼接结果较为理想。
为了加快拼接主模块处理速度,去除冗余的计算过程,需要生成一张从源图像到拼接图像的映射表。
具体来说,本方法包括以下步骤:
(1)特征点提取;拼接的关键问题是获得相邻图像间的联系,如果没有其它先验知识,只有相机拍摄的图像,这种联系就需要在图像的重合区域中寻找,重合区域过小,不仅会减少这种联系的总量,还会降低重合区域对整幅图像的代表性,导致运动参数计算误差增大。用来具体度量图像间联系的媒介,一般使用特征点。特征点是图像中最具显著性的像素位置,常用的特征点有SIFT、SURF、Harris等,以最经典的SIFT特征为例,其特征点提取与描述的流程如图2所示。分别在相邻图像中提取特征点之后,还要进行特征点匹配,正确匹配的特征点对才能提供正确的联系。在应用过程中,特征点匹配主要受两个因素影响,一是弱纹理,即重合区域内没有足够的特征点,如重合区域太少,或重合区域都是马路、天空、水面等没有纹理的图像;二是重复纹理,即多个特征点的邻域非常相似,多出现在人工环境,如建筑表面的窗户、马路上的路障等。
(2)特征点匹配;最常用的匹配算法是最近邻匹配法,即利用特征向量的欧氏距离作为两幅图像关键点的相似性度量。例如,已知一幅图像上某一特征点Xi,另一幅是待匹配图像上的某一特征点为Yj。本文中Xi和Yj表示描述特征点的128维向量。若||Xi-Yj||2小于某一个阈值,就认为两者匹配。该方法必须事先指定一个全局阈值,因此阈值大小的确定会直接影响匹配的结果,使得有时获得的匹配效果并不好。在上述方法的基础上,又有学者提出一种较好的方法:将最小值与次小值进行比较,若小于某一定值就接受。它的算法大致描述如下:
①SIFT算法检测两幅待拼接图像1和2,其特征点分别为Xi和Yj;
②对图像1中的每个特征点Xi与图像2中的n个特征点分别求欧式距离,按从小到大对距离进行排序,记为d1,d2,…,dn;
③设定阈值t,若图像1中点Xi与图像2中的点Yj的距离最小为d1,次近邻距离为d2,并且d1/d2<t,则接受点Xi与点Yj为匹配点。
(3)RanSac+4点法求单应性矩阵H;对于单个的特征点来说,由于只能通过自己的邻域信息与其它特征点进行比较,不足以让每个特征点都能找到正确的匹配点。但结合图像间的运动关系,也就是说符合同一个运动模型的特征点对视为正确的匹配点,就能够有效地去除误配。这个运动关系在这里可以用单应性矩阵H表示,假设Hik表示图像Ii到最佳相邻图像Ik的变换矩阵,若已求得Ik到参考平面的变换矩阵Hk,则Ii到参考平面的变换矩阵Hk=Hik*Hi。这里有一个问题,即我们不能确认哪些特征点对匹配正确,而正确估计运动参数H又需要使用正确匹配的特征点对,RanSaC策略就是解决此类问题的有效手段,它随机选择4对匹配的特征点,利用这些信息估计得到一个H,再遍历所有匹配的特征点对,验证一共有多少对特征点符合该H所代表的运动模型,这个数值称为内点数。重复以上过程足够多的次数,选择内点数最多的那个运动模型对应的H作为最终的结果。
(4)从H中提取焦距f与相机姿态R,光束法平差优化;以上RanSaC过程得到的单应性矩阵H精度仍有提升空间,首先,尽管它具有最多的内点数,但它只由4对匹配点信息计算得到,其它内点对其精度没有贡献,理论上可以通过最优化过程求取更精确的解。光束法平差(Bundle adjustment,BA)就是一种应用最广泛的此类优化算法,考虑到拼接模型本身的特点,图像间的运动模型只有4个自由度,即焦距1个,姿态角3个,并不需要单应性矩阵H中全部的8个自由度。因此,在光束法平差优化之前,先将H分解为只包括焦距f的内参矩阵与姿态矩阵R。分解完成后,将姿态矩阵R,转化为对应的旋转矢量,即对应3个姿态角,进入光束法平差优化模块,优化完成后,再重新转化为内参矩阵K与只考虑姿态的外参矩阵R。
(5)将每路图像投影到统一的球面展开图;根据K和R就可以将每个通道的图像投影到一个统一的球面上,投影后再将球面展开为矩形图像,
(6)基于最大流算法的最优拼缝查找;直接将原始图像中的所有信息都投影到球面上是不恰当的,由于畸变、参数误差等原因,重合区域并非每个像素点都对应得非常准确,即使偏离1个像素,也会导致重合区域变得模糊。基于最大流分析的最优拼缝查找算法,提供了一种解决方案,它在重合区域内寻找一条路径,该路径要求两侧的纹理差异最小。这种方案即使不能保证该拼缝使模型误差最小,也能令当前图像对在视觉上最连续、流畅。
(7)光照补偿参数计算;主要解决光照不均衡问题。
(8)多频带混合;主要解决图像重合区域的重影问题。
(9)从源图像到拼接图像的映射表计算;由于上述拼缝在处理后仍然具体一定的宽度,所以需要计算构成重合区域的原始图像的权重,进行归一化处理。当然,上述处理过程是从一无所知到拼接结束的所有过程,一些初始化拼接在特征情况下只要执行一次,或一段时间执行一次就可以了。a)在相机内外参数不变的前提下,拼接初始化拼接一,只需要出厂时执行一次即可。若相机硬件无法做到震动无影响,也可以提供另外的标定软件,可不在相机前端集成。b)最优拼缝查找、光照补偿、多频带混合模块可根据应用场景选择执行频率,一般执行一次可隔一段时间再更新。如果前端计算资源足够,每一帧图像都执行效果最好。
(10)生成从源图像到拼接图像的映射表;
在运动参数R,K以及拼缝、混合权重确定之后,可以计算从源图像到全景图像的映射表,其结构体如下:
由于拼缝查找和黑边切割等处理,并非源图像中的每一点都对最终的全景图像有贡献,所以map_info中同时包含addr与addr_s,在投影到球面以及球面展开时,需要使用插值以保证图像的成像质量,一般至少使用4点插值,需要记录4个系数a0~a3,为了避免系数使用浮点型带来不便,系数使用unsigned short型,最后用于归一化的分母与图像混合时的权重放在一起,作为整体的权重weight。在新一帧拼接开始前,目标缓存置0,具体映射关系如下:
p_d_Y[idx_d]+=(cur_map[i].a0*p_s_Y[idx_s]+cur_map[i].a1*
p_s_Y[idx_s+1]+cur_map[i].a2*p_s_Y[idx_s+m_widestep]+
cur_map[i].a3*p_s_Y[idx_s+m_widestep_1])*cur_map[i].weight;
若图像使用YUV格式,由于UV通道数据每2*2个像素使用同一个UV值,可以不使用4点插值,则查找表的结构体可简化为:
具体映射关系为:
p_d_U[idx_d]+=p_s_U[idx_s]*cur_map_UV[i].weight;
p_d_V[idx_d]+=p_s_V[idx_s]*cur_map_UV[i].weight;
若使用RGB图像格式,则映射表只需要一个,但要RGB三个通道计算3次。映射表的大小为结构体大小*映射个数。映射的个数略大于全景拼接图像的分辨率,但不一定会小于每个通道原始图像分辨率的和,因为在投影过程中图像可能会被放大。但可以考虑预先设定图像的最大分辨率,对拼接结果进行缩放。
(11)拼接图像;
(12)输出拼接结果。
Claims (5)
1.一种全景视频拼接方法,其特征是包括以下步骤:
S1,特征点提取
采用SIFT特征点;
S2,特征点匹配
已知第一幅图像上某一特征点Xi,第二幅待匹配图像上的某一特征点为Yj;
Xi和Yj表示描述特征点的128维向量;
匹配算法如下:
S2-1,SIFT算法检测第一第二两幅待拼接图像,其特征点分别为Xi和Yj;
S2-2,对第一幅图像中的每个特征点Xi与第二幅图像中的n个特征点分别求欧式距离,按从小到大对距离进行排序,记为d1,d2,…,dn;
S2-3,设定阈值t,若第一幅图像中点Xi与第二幅图像中的点Yj的距离最小为d1,次近邻距离为d2,并且d1/d2<t,则接受点Xi与点Yj为匹配点;
S3,RanSac+4点法求单应性矩阵H
设Hik表示图像Ii到最佳相邻图像Ik的变换矩阵,已求得Ik到参考平面的变换矩阵Hk,则Ii到参考平面的变换矩阵Hk=Hik*Hi;
采用RanSaC策略,随机选择4对匹配的特征点,利用这些信息得到一个H,再遍历所有匹配的特征点对,验证一共有多少对特征点符合该H所代表的运动模型,这个数值称为内点数;
重复以上过程足够多的次数,选择内点数最多的那个运动模型对应的H作为最终的结果;
S4,从H中提取焦距f与相机姿态R,光束法平差优化;
S5,将每路图像投影到统一的球面展开图
根据K和R将每个通道的图像投影到一个统一的球面上,投影后再将球面展开为矩形图像;
S6,基于最大流算法的最优拼缝查找
S7,光照补偿参数计算
S8,多频带混合
S9,从源图像到拼接图像的映射表计算
计算构成重合区域的原始图像的权重,进行归一化处理;
S10,生成从源图像到拼接图像的映射表;
S11,按映射表拼接图像;
S12,输出拼接结果。
2.根据权利要求1所述的全景视频拼接方法,其特征是:所述的步骤S1的SIFT特征点提取包括以下子步骤:
S1-1,构建高斯金字塔;
S1-2,构建高斯差分金字塔;
S1-3,求取差分金字塔极值点;
S1-4,筛选极值点;
S1-5,求取特征点主方向;
S1-6,求取特征点描述子。
3.根据权利要求1所述的全景视频拼接方法,其特征是:所述的步骤S4从H中提取焦距f与相机姿态R,光束法平差优化包括以下步骤;
先将H分解为只包括焦距f的内参矩阵与姿态矩阵R;分解完成后,将姿态矩阵R,转化为对应的旋转矢量,即对应3个姿态角,进行光束法平差优化,优化完成后,再重新转化为内参矩阵K与只考虑姿态的外参矩阵R。
4.根据权利要求1所述的全景视频拼接方法,其特征是:所述的步骤S10生成从源图像到拼接图像的映射表包括以下步骤:
在运动参数R,K以及拼缝、混合权重确定之后,计算从源图像到全景图像的映射表,其结构体如下:
map_info中同时包含addr与addr_s,在投影到球面以及球面展开时,需要使用插值以保证图像的成像质量;
使用4点插值,记录4个系数a0~a3,系数使用unsigned short型,最后用于归一化的分母与图像混合时的权重放在一起,作为整体的权重weight;
在新一帧拼接开始前,目标缓存置0,具体映射关系如下:
p_d_Y[idx_d]+=(cur_map[i].a0*p_s_Y[idx_s]+cur_map[i].a1*
p_s_Y[idx_s+1]+cur_map[i].a2*p_s_Y[idx_s+m_widestep]+
cur_map[i].a3*p_s_Y[idx_s+m_widestep_1])*cur_map[i].weight。
5.根据权利要求4所述的全景视频拼接方法,其特征是:所述的步骤S10的在新一帧拼接开始前,目标缓存置0,具体映射关系中:
若图像使用YUV格式,由于UV通道数据每2*2个像素使用同一个UV值,可以不使用4点插值,则查找表的结构体简化为:
具体映射关系为:
p_d_U[idx_d]+=p_s_U[idx_s]*cur_map_UV[i].weight;
p_d_V[idx_d]+=p_s_V[idx_s]*cur_map_UV[i].weight;
若使用RGB图像格式,则映射表只需要一个,但要RGB三个通道计算3次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610487092.XA CN106056539A (zh) | 2016-06-24 | 2016-06-24 | 一种全景视频拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610487092.XA CN106056539A (zh) | 2016-06-24 | 2016-06-24 | 一种全景视频拼接方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106056539A true CN106056539A (zh) | 2016-10-26 |
Family
ID=57167122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610487092.XA Pending CN106056539A (zh) | 2016-06-24 | 2016-06-24 | 一种全景视频拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056539A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023086A (zh) * | 2016-07-06 | 2016-10-12 | 中国电子科技集团公司第二十八研究所 | 一种基于orb特征匹配的航拍影像及地理数据拼接方法 |
CN106504196A (zh) * | 2016-11-29 | 2017-03-15 | 微鲸科技有限公司 | 一种基于空间球面的全景视频拼接方法及设备 |
CN106530407A (zh) * | 2016-12-14 | 2017-03-22 | 深圳市金大象文化发展有限公司 | 一种用于虚拟现实的三维全景拼接方法、装置和系统 |
CN106846249A (zh) * | 2017-01-22 | 2017-06-13 | 浙江得图网络有限公司 | 一种全景视频拼接方法 |
CN106851130A (zh) * | 2016-12-13 | 2017-06-13 | 北京搜狐新媒体信息技术有限公司 | 一种视频拼接方法及装置 |
CN107507133A (zh) * | 2017-09-13 | 2017-12-22 | 中国海洋石油总公司 | 一种基于圆管作业机器人的实时图像拼接方法 |
CN107590773A (zh) * | 2017-08-25 | 2018-01-16 | 包谦 | 一种全景图像的制作方法 |
CN108074250A (zh) * | 2016-11-10 | 2018-05-25 | 株式会社理光 | 匹配代价计算方法和装置 |
CN108093221A (zh) * | 2017-12-27 | 2018-05-29 | 南京大学 | 一种基于缝合线的实时视频拼接方法 |
CN108759727A (zh) * | 2018-05-09 | 2018-11-06 | 上海大学 | 一种预制管片表面麻面、粘皮检测装置和方法 |
CN109981985A (zh) * | 2019-03-29 | 2019-07-05 | 上海智觅智能科技有限公司 | 一种双视频连续拼接算法 |
CN109978761A (zh) * | 2017-12-28 | 2019-07-05 | 杭州海康威视系统技术有限公司 | 一种生成全景图片的方法、装置及电子设备 |
CN111107307A (zh) * | 2018-10-29 | 2020-05-05 | 曜科智能科技(上海)有限公司 | 基于单应性变换的视频融合方法、系统、终端及介质 |
CN113592949A (zh) * | 2021-07-01 | 2021-11-02 | 广东工业大学 | 用于车辆无线泊车影像的控制系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120301014A1 (en) * | 2011-05-27 | 2012-11-29 | Microsoft Corporation | Learning to rank local interest points |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN104639911A (zh) * | 2015-02-09 | 2015-05-20 | 浙江宇视科技有限公司 | 一种全景视频拼接方法及装置 |
-
2016
- 2016-06-24 CN CN201610487092.XA patent/CN106056539A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120301014A1 (en) * | 2011-05-27 | 2012-11-29 | Microsoft Corporation | Learning to rank local interest points |
CN103516995A (zh) * | 2012-06-19 | 2014-01-15 | 中南大学 | 一种基于orb特征的实时全景视频拼接方法和装置 |
CN104639911A (zh) * | 2015-02-09 | 2015-05-20 | 浙江宇视科技有限公司 | 一种全景视频拼接方法及装置 |
Non-Patent Citations (2)
Title |
---|
兰红等: "SIFT优化算法及其在全景拼接图像配准中的应用", 《小型微型计算机系统》 * |
李松: "基于图像拼接的球面全景图研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023086A (zh) * | 2016-07-06 | 2016-10-12 | 中国电子科技集团公司第二十八研究所 | 一种基于orb特征匹配的航拍影像及地理数据拼接方法 |
CN106023086B (zh) * | 2016-07-06 | 2019-02-22 | 中国电子科技集团公司第二十八研究所 | 一种基于orb特征匹配的航拍影像及地理数据拼接方法 |
CN108074250A (zh) * | 2016-11-10 | 2018-05-25 | 株式会社理光 | 匹配代价计算方法和装置 |
CN108074250B (zh) * | 2016-11-10 | 2022-01-04 | 株式会社理光 | 匹配代价计算方法和装置 |
CN106504196A (zh) * | 2016-11-29 | 2017-03-15 | 微鲸科技有限公司 | 一种基于空间球面的全景视频拼接方法及设备 |
CN106851130A (zh) * | 2016-12-13 | 2017-06-13 | 北京搜狐新媒体信息技术有限公司 | 一种视频拼接方法及装置 |
CN106530407A (zh) * | 2016-12-14 | 2017-03-22 | 深圳市金大象文化发展有限公司 | 一种用于虚拟现实的三维全景拼接方法、装置和系统 |
CN106846249A (zh) * | 2017-01-22 | 2017-06-13 | 浙江得图网络有限公司 | 一种全景视频拼接方法 |
CN107590773A (zh) * | 2017-08-25 | 2018-01-16 | 包谦 | 一种全景图像的制作方法 |
CN107507133B (zh) * | 2017-09-13 | 2021-04-13 | 中国海洋石油总公司 | 一种基于圆管作业机器人的实时图像拼接方法 |
CN107507133A (zh) * | 2017-09-13 | 2017-12-22 | 中国海洋石油总公司 | 一种基于圆管作业机器人的实时图像拼接方法 |
CN108093221A (zh) * | 2017-12-27 | 2018-05-29 | 南京大学 | 一种基于缝合线的实时视频拼接方法 |
CN109978761A (zh) * | 2017-12-28 | 2019-07-05 | 杭州海康威视系统技术有限公司 | 一种生成全景图片的方法、装置及电子设备 |
CN109978761B (zh) * | 2017-12-28 | 2023-06-27 | 杭州海康威视系统技术有限公司 | 一种生成全景图片的方法、装置及电子设备 |
CN108759727A (zh) * | 2018-05-09 | 2018-11-06 | 上海大学 | 一种预制管片表面麻面、粘皮检测装置和方法 |
CN111107307A (zh) * | 2018-10-29 | 2020-05-05 | 曜科智能科技(上海)有限公司 | 基于单应性变换的视频融合方法、系统、终端及介质 |
CN109981985A (zh) * | 2019-03-29 | 2019-07-05 | 上海智觅智能科技有限公司 | 一种双视频连续拼接算法 |
CN113592949A (zh) * | 2021-07-01 | 2021-11-02 | 广东工业大学 | 用于车辆无线泊车影像的控制系统及方法 |
CN113592949B (zh) * | 2021-07-01 | 2024-03-29 | 广东工业大学 | 用于车辆无线泊车影像的控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056539A (zh) | 一种全景视频拼接方法 | |
CN105654502B (zh) | 一种基于多镜头多传感器的全景相机标定装置和方法 | |
CN105678729B (zh) | 鱼眼镜头全景图像拼接方法 | |
CN106875339A (zh) | 一种基于长条形标定板的鱼眼图像拼接方法 | |
CN101908230B (zh) | 一种基于区域深度边缘检测和双目立体匹配的三维重建方法 | |
CN109903227B (zh) | 基于相机几何位置关系的全景影像拼接方法 | |
US20180213218A1 (en) | Equipment and method for promptly performing calibration and verification of intrinsic and extrinsic parameters of a plurality of image capturing elements installed on electronic device | |
CN103988048B (zh) | 在空间编码幻灯片图像上的模式的对准方法和系统 | |
CN106412497A (zh) | 一种基于全景拼接凝视技术的双目视觉立体匹配方法 | |
CN103971375B (zh) | 一种基于图像拼接的全景凝视相机空间标定方法 | |
CN106060493A (zh) | 多源投影无缝边缘拼接方法及系统 | |
CN108257183A (zh) | 一种相机镜头光轴校准方法和装置 | |
CN110351494A (zh) | 一种全景视频合成方法、装置及电子设备 | |
CN103685917A (zh) | 图像处理器、图像处理方法和成像系统 | |
CN110363838B (zh) | 基于多球面相机模型的大视野图像三维重构优化方法 | |
CN101231754A (zh) | 多视角视频图像深度搜索方法及深度估计方法 | |
CN106982312A (zh) | 多光圈相机系统及其操作方法 | |
CN105023260A (zh) | 一种全景图像融合方法及融合装置 | |
CN108200360A (zh) | 一种多鱼眼镜头全景摄像机的实时视频拼接方法 | |
CN111553939A (zh) | 一种多目摄像机的图像配准算法 | |
CN110650427A (zh) | 一种基于摄像机图像与uwb融合的室内定位方法和系统 | |
Zeller et al. | From the calibration of a light-field camera to direct plenoptic odometry | |
CN106355621A (zh) | 基于阵列图像的深度信息获取方法 | |
CN105354808A (zh) | 鱼眼图像的矫正方法 | |
CN114511609B (zh) | 基于遮挡感知的无监督光场视差估计系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161026 |
|
WD01 | Invention patent application deemed withdrawn after publication |