本项目简单来说，就是实时生成视频全景图，该架构经过优化，可以实时视频输出。
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
框架拼接融合
预处理
系统的输入视频流为 8 位 RGB 格式。
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。
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。
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。
框架拼接融合
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：
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。
图像融合
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。
FPGA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：
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.
过滤阶段
关键点阶段
关键点匹配阶段
帧混合阶段
审核编辑;黄飞
- FPGA(591969)
- 存储器(161623)
- 视频图像(17400)
- 算法(90510)
- 相机传感器(4402)
点赞0收藏0
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉