设计的架构通过基于特征和关键点拼接两个视频输入来生成具有更宽视野的视频。 架构经过优化,可以实时生成输出。
一、算法
下图说明了描述算法每个步骤的系统框图
该系统大致可以分为三个子系统:
* 预处理
* 基于 SIFT 的特征提取
* 框架拼接
(1) 预处理
系统的输入视频流为 8 位 RGB 格式。输入的 8 位图像如图所示。视频流的每个单独帧将具有对应于红色、绿色和蓝色的三个通道。视频帧中的颜色信息不会增强特征检测。此外,与单通道 8 位图像相比,3 通道 8 位图像的计算需要更多时间。因此,RGB 视频帧被转换为 8 位灰度图像。生成的灰度图像噪声更小,阴影细节更多,计算效率更高,如下图所示。
(2)基于SIFT的特征提取
使用SIFT算法从灰度图像中提取特征。 SIFT算法可以分为两个主要步骤:
* 关键点检测
SIFT 操作从输入图像与不同高斯滤波器的离散卷积开始。高斯滤波器是一种广泛使用的图像平滑算法,定义为:
上式中,G为(x,y)点的高斯核,σ为高斯参数。使用较大的 σ 值会对图像产生更大的平滑效果。图像与高斯核的离散卷积生成具有较少噪声和较少细节的图像。在 SIFT 中,高斯核的离散卷积是用四个不同的 σ 值完成的。逐渐增大的 σ 值用于生成一组模糊图像或八度音阶(意思频率减半,低频部分对应灰度图中变化平缓的部分,高频部分对应灰度图中变化剧烈的部分)。
对于给定的 σ 值,卷积核中所有系数的总和应该等于 1。因此,核的大小随着 σ 值的增加而增加。
一旦生成了八度音阶,就会根据八度音阶中的四个图像构建一个 DoG 空间。 DoG 代表高斯差分。DoG 是高斯拉普拉斯算子 (LoG) 的计算效率非常高的近似值。DoG 空间是通过逐像素计算两个相邻高斯尺度图像之间的差异来构建的。八度音阶中四个图像的DoG空间将具有三个级别。
通过查找局部最大值或最小值,从 DoG 空间中提取关键点。如果一个像素是由顶层 9 个像素、中间层 8 个像素和底层 9 个像素组成的 26 像素邻域内的局部最大值或最小值,则该像素被认为是关键点。
* 描述符生成
关键点描述符是特定关键点的唯一标识符。 SIFT 使用关键点的梯度幅度和方向作为描述符的基础。 一个点的梯度大小和方向可以通过图像与 Sobel 滤波器的离散卷积来计算。
为了生成关键点描述符,计算每个关键点周围 16x16 窗口内每个点的梯度幅度和方向。 16x16 窗口的梯度幅度与高斯核卷积。将每个 4x4 单元格中的梯度幅度组合起来,使 16x16 窗口减少到 4x4 窗口和 16 个梯度方向。最后,这 16 个梯度方向被转移到 8 个 bin 中。因此,构建了一个 128 个元素的向量,作为关键点描述符。
(3) 框架拼接
框架拼接是将两个帧组合成单个图像的过程。框架拼接分两步完成:
① 关键点匹配
比较来自两个相机传感器的视频帧中关键点的关键点描述符。如果两个关键点(每个相机传感器一个)的关键点描述符之间的差异低于误差阈值,则将它们视为关键点对。将它们的关键点描述符之间差异最小的关键点对作为参考关键点。
②图像混合
加权平均方法用于将两个帧混合成单个图像。重叠区域的像素值等于两帧像素的加权平均值。根据重叠像素和相应帧的边界之间的距离选择权重。
二、程序顶层设计
顶层架构的框图如下图所示。
顶层设计分为五个阶段:
1.预处理阶段
为了模拟相机传感器的工作,使用了 image.v 和 image2.v,它们分别输入对应于左和右相机传感器的图像。 RWM_1.v 是一个读写存储器,用于存储 8 位 RGB 图像。 WRITE 模式时,RGB 图像像素数据写入内存。 存储完所有像素值后,将存储器置于 READ 模式。 在 READ 模式下,每个像素值从内存中顺序读取.
2.过滤阶段
3. 关键点阶段
4.关键点匹配阶段
5.帧混合阶段