[发明专利]运动目标的全景成像方法

说明书

本发明提供了一种运动目标的全景成像方法，对运动目标采集高清视频，运用图像拼接技术从而生成运动目标的高清全景图像。本方法主要包括特征点提取、特征点光流计算与分析、前景帧和背景帧分离以及图像融合等步骤。本发明可以克服火车等狭长目标运动时，全景成像和高清成像难以兼顾的问题，通过在运行中的火车一侧采集高清视频序列，应用本发明中的方法即可拼接出火车车身的高清全景图像，为后续的基于视觉的火车车型分析、车号识别、车速测量等提供了基础条件。

技术领域

本发明涉及图像拼接技术领域，尤其涉及一种运动目标的全景成像方法。

背景技术

通过计算机视觉技术来测量火车的运行速度，识别火车车型和车号等为铁道交通管理提供了极大的便利。而这些技术的前提是获取火车车身的高清全景图像。在对行驶中的火车目标成像时，由于目标尺寸较大，且形状狭长(火车车身的长度通常为高度的百倍级)，而普通相机成像视野有限，难以一次性获取目标的高清全貌信息。因此，如果能通过采集连续的包含火车局部的高清视频序列，然后利用图像拼接技术还原目标的高清全貌，就可以为火车等大尺寸狭长目标高清成像提供一种十分有效的途径。

图像拼接具有广泛的应用场景，是计算机视觉领域的重要研究方向之一。图像拼接的主要任务是将两幅及以上的具有部分重叠的图像进行无缝拼接从而得到大尺寸或者宽视角的图像。图像拼接技术包含图像配准和图像融合到两个主要环节。图像融合部分常用的算法包括直接平均法，加权求和法和距离权重法，由于其实现较为简单，且算法时间复杂度不高，现有的几种方法已经能达到较为理想的效果，所以总体来讲算法是较为成熟的。图像配准部分是整个图像拼接技术的核心部分，它直接关系到图像拼接算法的成功率和运行速度。目前，常用的图像配准算法包括基于灰度的块模板匹配和基于局部特征点(SURF、ORB等)的特征点匹配。基于灰度的块模板匹配本质上是一种暴力匹配的算法，其计算开销巨大，同时极容易受角度、光照、遮挡等外界条件的影响，鲁棒性较差。基于图像金字塔结构的块模板匹配采用了由粗到细的配准思想，首先在较低分辨率的图像上匹配，然后将该匹配结果作为起点在较高分辨率尺度上继续匹配，提高了匹配效率，但仍然存在对角度、光照以及遮挡等敏感的缺陷。基于局部特征点的匹配方法分别在待配准的两幅图像中提取局部特征点，然后对这些特征点进行匹配。基于局部特征点的匹配在常规的图像配准中应用较多，是一种效率较高，鲁棒性较好的图像配准方法。然而，火车车身光滑，纹理较少，且各部分相似度很大，这些特性使得基于局部特征点的匹配成功率并不高。

发明内容

(一)要解决的技术问题

本发明的目的在于提供一种运动目标的全景成像方法，从而解决上述的至少一项技术问题。

(二)技术方案

本发明提供了一种运动目标的全景成像方法，包括步骤：

S1、采集运动目标的视频序列，在所述视频序列的各帧中设置感兴趣区，并在所述感兴趣区中提取特征点；

S2、计算各相邻帧间特征点的位移；

S3、对所述特征点的位移进行方向约束和合成，得到各相邻帧间运动目标的位移；

S4、基于运动目标的位移，去除所述视频序列中的背景帧，并对去除了背景帧的视频序列进行图像融合，得到全景图。

优选地，步骤S3中的方向约束可以指特征点光流的方向与先验方向的角度的范围满足-arctan(1/10)～arctan(1/10)，所述先验方向为采集装置采集所述视频序列时的摆放方向。

优选地，步骤S3中的合成可以指：采用mean-shift算法对方向约束后的特征点进行密度分析，以密度峰值位置为中心取邻域，该邻域包含K个特征点的位移数据，求算术平均，得到运动目标在各相邻帧间的位移：其中，i的范围为1～K，K为正整数。

优选地，所述运动目标的视频序列可以为经过灰度化处理的视频序列。