1、基于opencv3.4.1开发的视频拼接算法，集成了特征提取、双路视频自动拼接算法；
2、需要使用vs2015，显卡运行库已经拷贝到执行文件中，直接就可以运行，如果需要进一步优化，需要自己再继续改进；
3、完全开源，由于工程较大，所以上传到网盘，有需要的可以下载使用；
4、算法中使用了多线程，如果高手做了更深的改进，欢迎一起交流。
网盘地址：链接：https://pan.baidu.com/s/1TfB6ZWPFaWfn18MiXRyuvg 密码：ltct。
原文链接：https://blog.csdn.net/zhulong1984/article/details/80748202
单应变换相比平移变换，具有更广泛的场景适应性，但同时稳定性会有一定程度下降。
设计到的技术细节有：
特征检测与描述
特征匹配与单应矩阵估计
opencv采集视频
渐入渐出图像融合
这个解决方案的硬件条件包括：有两个USB接口的计算机，两个合理放置的USB摄像头。
合理放置是指：两个摄像头分隔一定夹角，相机中心相距接近，所拍摄场景有足够的重叠部分。以上保证了单应变换的可用性。
代码实现：
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
# include "opencv2/features2d/features2d.hpp"
#include"opencv2/nonfree/nonfree.hpp"
#include"opencv2/calib3d/calib3d.hpp"
#include<iostream>
using namespace cv;
using namespace std;
int main()
{
VideoCapture cap1(0);
VideoCapture cap2(1);
double rate = 60;
int delay = 1000 / rate;
bool stop(false);
Mat img1;
Mat img2;
Mat result;
int d = 200;//渐入渐出融合宽度
Mat homography;
int k = 0;
namedWindow("cam1", CV_WINDOW_AUTOSIZE);
namedWindow("cam2", CV_WINDOW_AUTOSIZE);
namedWindow("stitch", CV_WINDOW_AUTOSIZE);
if (cap1.isOpened() && cap2.isOpened())
{
cout << "*** ***" << endl;
cout << "摄像头已启动！" << endl;
}
else
{
cout << "*** ***" << endl;
cout << "警告：请检查摄像头是否安装好!" << endl;
cout << "程序结束！" << endl << "*** ***" << endl;
return -1;
}
cap1.set(CV_CAP_PROP_FOCUS, 0);
cap2.set(CV_CAP_PROP_FOCUS, 0);
while (!stop)
{
if (cap1.read(img1) && cap2.read(img2))
{
imshow("cam1", img1);
imshow("cam2", img2);
//彩色帧转灰度
//cvtColor(img1, img1, CV_RGB2GRAY);
//cvtColor(img2, img2, CV_RGB2GRAY);
//计算单应矩阵
if (k < 1 || waitKey(delay) == 13)
{
cout << "正在匹配..." << endl;
vector<KeyPoint> keypoints1, keypoints2;
//构造检测器
//Ptr<FeatureDetector> detector = new ORB(120);
Ptr<FeatureDetector> detector = new SIFT(80);
detector->detect(img1, keypoints1);
detector->detect(img2, keypoints2);
//构造描述子提取器
Ptr<DescriptorExtractor> descriptor = detector;
//提取描述子
Mat descriptors1, descriptors2;
descriptor->compute(img1, keypoints1, descriptors1);
descriptor->compute(img2, keypoints2, descriptors2);
//构造匹配器
BFMatcher matcher(NORM_L2, true);
//匹配描述子
vector<DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);
vector<Point2f> selPoints1, selPoints2;
vector<int> pointIndexes1, pointIndexes2;
for (vector<DMatch>::const_iterator it = matches.begin(); it != matches.end(); ++it)
{
selPoints1.push_back(keypoints1.at(it->queryIdx).pt);
selPoints2.push_back(keypoints2.at(it->trainIdx).pt);
}
vector<uchar> inliers(selPoints1.size(), 0);
homography = findHomography(selPoints1, selPoints2, inliers, CV_FM_RANSAC, 1.0);
//根据RANSAC重新筛选匹配
vector<DMatch> outMatches;
vector<uchar>::const_iterator itIn = inliers.begin();
vector<DMatch>::const_iterator itM = matches.begin();
for (; itIn != inliers.end(); ++itIn, ++itM)
{
if (*itIn)
{
outMatches.push_back(*itM);
}
}
k++;
//画出匹配结果
//Mat matchImage;
//drawMatches(img1, keypoints1, img2, keypoints2, outMatches, matchImage, 255, 255);
//imshow("match", matchImage);
///
}
//拼接
double t = getTickCount();
warpPerspective(img1, result, homography, Size(2 * img1.cols-d, img1.rows));//Size设置结果图像宽度，宽度裁去一部分，d可调
Mat half(result, Rect(0, 0, img2.cols - d, img2.rows));
img2(Range::all(), Range(0, img2.cols - d)).copyTo(half);
for (int i = 0; i < d; i++)
{
result.col(img2.cols - d + i) = (d - i) / (float)d*img2.col(img2.cols - d + i) + i / (float)d*result.col(img2.cols - d + i);
}
imshow("stitch", result);
t = ((double)getTickCount() - t) / getTickFrequency();
//cout << t << endl;
}
else
{
cout << "----------------------" << endl;
cout << "waitting..." << endl;
}
if (waitKey(1) == 27)
{
stop = true;
cout << "程序结束！" << endl;
cout << "*** ***" << endl;
}
}
return 0;
}
实验效果：
上述视频是用录屏软件录制的，分辨率会有下降。实际测试中，直接观察显示良好。两幅输入的源图像均为640*480分辨率，能够做到实时的实现。在我的具有i3处理器配置的笔记本上运行，拼接图像显示间隔为0.10″~0.12″。
————————————————
版权声明：本文为CSDN博主「czl389」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/czl389/article/details/60757000