(6)将(5)中得到的所有IWi移动到同一坐标系下，对重叠部分像素点的值进行求均处理，得到拼接图像并显示。
为了提高图像拼接效率，达到实时的要求，计算出Hi之后，定义一个与拼接图像同分辨率的矩阵，称为pixelData。该矩阵的每个位置存放3个数值，分别为拼接图像矩阵每一个位置(x,y)对应单应变换的图像的相机序号Ci及Ii中与(x,y)对应的像素点坐标值x'、y'，重叠部分取序号较小的图像像素信息。由于图像选取不变特征点以及相机间相对位置保持不变，在拼接视频合成之前，首先计算pixelData并保存以重复利用，然后与视频图像共同作为输入，对于不同相机同时采集的一组图像，分配固定分辨率的拼接图像矩阵，遍历图像中每一个像素，在pixelData中对应位置得到相机序号Ci及x'、y'，在Ii中搜索对应图像及(x',y')处像素对拼接图像进行赋值，完成图像拼接。该做法显著提高了图像拼接的效率，保证系统实现实时拼接的要求。
2.2 系统的硬件平台
系统采用12台同步精度小于1ms的PointGrey Flea3相机作为视频采集设备，并将12台相机排成一列，每个相机间保持10cm的间距，主机使用32GB内存和64位CPU计算机，从硬件条件上满足了图像采集和实时系统的要求。相机组架构如图2所示。
3 实时成像结果
通过实验，基于不变特征的多相机实时视频拼接成像系统的处理速率可达到24fps。图3为室外环境下相机阵列中某一相机所拍摄图像，图4为该组图像成像结果。图5、图6分别为室外场景实时采集与成像结果。通过实验结果可以看出在室内和室外的不同场景下都具有较好的拼接效果。经图3场景实验，合成图像的分辨率为1557×833，原输入图像分辨率均为640×480，由此证明拼接图像分辨率比原图像有较大提高。同时作者使用OPENCV所提供的stitch方法进行测试，使用本系统采集的一组图像执行拼接，处理一帧图像的时间约为8秒。实验证明，对于相同的输入图像，采用本论文方法拼接效率约是OPENCV stitch方法效率的190倍，符合实时拼接成像的要求。
4 结论
以多相机为实验基础，采用基于不变特征的图像拼接算法，实现了多相机实时视频拼接系统。该系统直接利用Autostitch获得图像的分辨率、焦距、平移矩阵和旋转矩阵进行计算，避免重复寻找特征点及图像匹配等过程，降低时间成本，处理速率可达24fps，满足了实时视频系统的要求。同时，由于缺少图像接缝处理、图像融合等后期操作，拼接效果仍然有待提高，在后续的研究中将借鉴研究人员对于提高图像拼接效果的处理方法，引入使拼接图像接缝更加自然平滑。
参考文献:
[1]Junhong Gao, Seon Joo Kim,BROWN MS. Constructing image panoramas using dual-homography warping. Proceedings of Computer Vision and Pattern Recognition (CVPR), 2011[C], Providence, RI:IEEE, 2011: 49-56
[2]Minsoo Kim,Sunjung Kim,Jinyoung Choi. Robust and incremental stitching and calibration with known rotation on pan-tilt-zoom camera. Proceedings of Image Processing (ICIP), 2013 [C], Melbourne, VIC ,IEEE,2013: 2247-2251
[3]DE Carufel, J, Laganiere, R.Matching cylindrical panorama sequences using planar reprojections. Proceedings of Computer Vision Workshops (ICCV Workshops),2011[C], Barcelona,IEEE,2011: 320-327
[4]M Brown D Lowe. Automatic Panoramic Image Stitching using Invariant Features.International Journal of Computer Vision. 2007,74(1), 59-73
[5]M Brown,D G Lowe.Recognizing Panoramas.Proceedings of International Conference onComputerVision(ICCV),2003[C].Nice,France:IEEE,2003:1218-1225
