点击上方蓝字关注我们

微信公众号：OpenCV学堂

关注获取更多计算机视觉与深度学习知识

前言

图像/视频拼接的主要目的是为了解决相机视野(FOV-Field Of View)限制，生成更宽的FOV图像/视频场景。视频拼接在体育直播、全景显示、数字娱乐、视频处理中都被广泛应用，同时视频/图像拼接涉及到矫正图像、对其与匹配图像、融合、统一光照、无缝连接、多尺度重建等各个图像算法模型与细节处理，可以说是图像处理技术的综合运用。特别是最近几年收到深度学习的影响，各种基于深度学习的图像对齐与拼接技术也取得了长足发展。

01

图像拼接流程

图像拼接流程主要是针对输入系列视频帧或者图像，基于像素像素或者特征点相似然后对齐图像、融合对齐之后的图像，更新全景图像拼接结果，图示如下：

最常见就是基于SIFT/SURF/OBR/AKAZE等方法实现特征提取，基于RANSAC等方法实现对齐，基于图像融合或者无缝克隆算法实现对齐图像的拼接。

针对不同的拼接方式可以分为图像拼接、视频拼接、全景拼接。针对图像拼接可以分为像素相似与特征相似；视频拼接又分为固定相机、移动相机；全景拼接分为单相机、相机列阵、鱼眼相机列阵。图示如下：

02

深度学习方法

通过卷积神经网络CNN可以更好的学习与提取图像特征、通过语义分割获取初始匹配、然后对齐，图示如下：

其中IA与IB是输入图像，CNN是预训练的特征提取网络模型，匹配网络与回归网络。其中匹配网络主要是计算相似程度，其网络计算方式如下：

回归网络的结构如下：

因依老宿发心初

半学修心半读书

 推荐阅读 

OpenCV4系统化学习路线图-视频版本！

Tensorflow + OpenCV4 安全帽检测模型训练与推理

汇总 | OpenCV DNN模块中支持的分类网络

OpenCV中支持的人脸检测方法整理与汇总

详解ENet | CPU可以实时的道路分割网络

从Pytorch 的ONNX到OpenVINO中IR中间层

OpenCV 基于Inception模型图像分类

OpenCV4.4 + YOLOv4 真的可以运行了…..