一種基于Star算法的多路視頻穩(wěn)像方法研究

王棟梁，徐嘯康，白宏陽，郭宏偉

（1 中國兵器工業(yè)試驗(yàn)測試研究院 華陰 714200；2 南京理工大學(xué)能源與動(dòng)力工程學(xué)院 南京 210094）

引言

隨著科技的進(jìn)步，現(xiàn)代化戰(zhàn)爭逐漸向著信息化、智能化方向發(fā)展，其中制導(dǎo)武器的發(fā)展極為迅速。制導(dǎo)武器因其在戰(zhàn)場上能夠?qū)崿F(xiàn)自主、高效費(fèi)比地精準(zhǔn)打擊而在戰(zhàn)場上扮演的角色越來越重要。在圖像導(dǎo)引頭中捷聯(lián)式導(dǎo)引頭與框架式導(dǎo)引頭相比，有著抗過載、體積小、成本低等優(yōu)勢[1]。但捷聯(lián)式圖像導(dǎo)引頭具備這些優(yōu)勢的同時(shí)也因?qū)б^與彈體固連的結(jié)構(gòu)導(dǎo)致圖像導(dǎo)引頭獲取的目標(biāo)視頻會隨著彈體擾動(dòng)而產(chǎn)生抖動(dòng)，嚴(yán)重影響了后續(xù)的目標(biāo)跟蹤檢測精度。此外，在實(shí)際應(yīng)用中發(fā)現(xiàn)單目圖像導(dǎo)引頭存在視野窄等弊端。借鑒仿生學(xué)原理，多路復(fù)眼圖像導(dǎo)引頭通過多路光學(xué)設(shè)計(jì)，可實(shí)現(xiàn)大視場并行探測，同時(shí)又不需要框架平臺，成本低。抗過載能力強(qiáng)，近幾年備受國內(nèi)外研究學(xué)者的關(guān)注。由于無穩(wěn)定平臺，解決捷聯(lián)式復(fù)眼導(dǎo)引頭的多路視頻抖動(dòng)的穩(wěn)像技術(shù)是復(fù)眼導(dǎo)引頭形成裝備需要突破的關(guān)鍵技術(shù)之一。

通常視頻穩(wěn)像技術(shù)可分為機(jī)械式穩(wěn)像、光學(xué)穩(wěn)像和電子穩(wěn)像技術(shù)三類[2]。機(jī)械式穩(wěn)像技術(shù)是最早被應(yīng)用的穩(wěn)像技術(shù)，通常需要陀螺穩(wěn)定平臺衰減低頻震動(dòng)或采用減震裝置來隔離載體的抖動(dòng)來實(shí)現(xiàn)穩(wěn)像。光學(xué)穩(wěn)像是通過采用光穩(wěn)元件實(shí)現(xiàn)，當(dāng)儀器受到載體擾動(dòng)，穩(wěn)像元件能夠借助慣性穩(wěn)定機(jī)構(gòu)保持穩(wěn)定不動(dòng)，滿足穩(wěn)像要求。相比上述兩種方法，電子穩(wěn)像技術(shù)則采用純數(shù)字圖像處理的方法，具備成本低、精度高、速度快等優(yōu)點(diǎn)，成為穩(wěn)像技術(shù)的重要研究方向，也更適用于解決捷聯(lián)式圖像導(dǎo)引頭存在的視頻抖動(dòng)問題。

1 特征點(diǎn)提取算法

傳統(tǒng)電子穩(wěn)像主要分為3 個(gè)步驟：運(yùn)動(dòng)估計(jì)、運(yùn)動(dòng)補(bǔ)償、圖像修補(bǔ)[3]。其中運(yùn)動(dòng)估計(jì)步驟最為重要，運(yùn)動(dòng)參數(shù)估計(jì)的準(zhǔn)確與否很大程度地決定了后續(xù)視頻穩(wěn)像的質(zhì)量。目前主流的運(yùn)動(dòng)參數(shù)估計(jì)方法有塊匹配法、灰度投影法以及特征點(diǎn)匹配法[4,5]。塊匹配法對選取塊的尺寸大小十分敏感，灰度投影法在灰度信息單一的場景中處理效果較差，且這兩種方法易受背景影響，多應(yīng)用于只有平移運(yùn)動(dòng)的參數(shù)估計(jì)，而基于特征點(diǎn)匹配的方法對平轉(zhuǎn)、旋轉(zhuǎn)以及縮放等變化場景皆有較好的估計(jì)效果[6]。

常用的特征點(diǎn)檢測方法主要有：SIFT（Scale Invariant Feature Transform，尺度不變特征變換）算法、SURF（Speed-Up Robust Feature，加速魯棒特征提取）算法、FAST(Features from Accelerated Seg?ment Test,角點(diǎn)檢測)算法等。2004 年，SIFT 算法被D.Lowe[7]提出，該算法利用高斯差分算子結(jié)合梯度直方圖完成特征的描述，具有尺度、旋轉(zhuǎn)、光照以及平移等多方面的不變性，隨即用于電子穩(wěn)像算法中特征點(diǎn)的提取，但是計(jì)算量大。2006年，Bay 等人[8]針對SIFT 算法在初始特征篩選步驟太過耗時(shí)的缺陷，提出了SURF算法，其利用積分圖像提升了計(jì)算效率，比SIFT 算法快近3 倍，不足之處是會增加誤匹配率。2006年，E.Rosten和T.Drummond[9]提出了一種簡單快速的特征點(diǎn)檢測方法，并在2010 年稍作修改發(fā)表了FAST。FAST 特征點(diǎn)檢測算法通過像素點(diǎn)之間像素值的比較從而確定特征點(diǎn)的位置，也正因此被認(rèn)為是最快的特征點(diǎn)檢測算法，然而它不具備圖像尺度不變性。M.Agrawal 等 人[10]提 出 了CenSurE（Center Sur‐round Extremas，中心環(huán)繞極值）特征提取方法，采用了雙層濾波器來近似高斯拉普拉斯算子，大大減少了計(jì)算時(shí)間，然而由于其使用的是方型濾波器，在應(yīng)對旋轉(zhuǎn)45o時(shí)性能較差。針對這個(gè)缺點(diǎn)，Star 特征提取算法[11]，采用星型濾波器，由方形濾波器與旋轉(zhuǎn)45o后的方形濾波器組合而成。主要分為以下三個(gè)步驟：

①使用雙層濾波器構(gòu)建尺度空間

CenSurE 構(gòu)建尺度空間時(shí)采用簡單的雙層濾波器來近似高斯拉普拉斯。圖1 所示為方型濾波器，又稱CenSurE-DOB。CenSurE-DOB 濾波器的內(nèi)核尺寸為（2n+1）×（2n+1），外核尺寸為（4n+1）×（4n+1）。設(shè)In為內(nèi)核權(quán)重系數(shù)，On為外核權(quán)重系數(shù)。為了使這種濾波器的DC 響應(yīng)為0，權(quán)重系數(shù)需滿足等式：

圖1 方型濾波器Fig.1 CenSurE-DOB

對尺度進(jìn)行歸一化：

星型濾波器，即CenSurE-star，由方型濾波器和一個(gè)45°旋轉(zhuǎn)的方型濾波器組合而成，如圖2 所示。每個(gè)像素點(diǎn)的中心環(huán)繞哈爾小波響應(yīng)值也由原始積分圖像和45°旋轉(zhuǎn)積分圖像疊加得到。CenSurE-star 生成尺度空間時(shí)采用7 個(gè)尺度，檢測子是在每一個(gè)像素上將濾波器與影像進(jìn)行卷積運(yùn)算，并利用積分圖像加速運(yùn)算進(jìn)程，從而獲取該像素對應(yīng)尺度的空間值，循環(huán)計(jì)算各尺度便可得到近似的LoG空間。

圖2 星型濾波器Fig.2 CenSurE-star

②檢測局部極值點(diǎn)

采用非極大值抑制的方法檢測尺度空間極值點(diǎn)作為候選特征點(diǎn)。將尺度空間每個(gè)像素點(diǎn)與本尺度層的8 個(gè)鄰域點(diǎn)和上下相鄰兩尺度層的18 個(gè)鄰域點(diǎn)進(jìn)行響應(yīng)值比較，濾除小于設(shè)定閾值的極值點(diǎn)。

③濾除邊緣上的不穩(wěn)定點(diǎn)

采用尺度適應(yīng)的Harris 方法計(jì)算主曲率[12]，表達(dá)式為：

式中：Lx、Ly為響應(yīng)函數(shù)L在x和y方向的偏導(dǎo)，通過計(jì)算Ha的跡和行列式即可計(jì)算出相應(yīng)的主曲率，主曲率閾值設(shè)為10。濾除大于閾值的候選點(diǎn)，即剔除邊緣響應(yīng)，剩余的候選點(diǎn)即為包含了位置和尺度信息的CenSurE-star特征點(diǎn)。

Star特征提取算法不僅提供了尺度不變性，且穩(wěn)定性好、計(jì)算效率高。本文基于Star算法，設(shè)計(jì)了Star與光流法結(jié)合的特征提取算法，加快了前后幀特征點(diǎn)的提取速度，降低了特征點(diǎn)的誤匹配率；同時(shí)針對多路抖動(dòng)視頻產(chǎn)生的并行穩(wěn)像問題，利用了并行開發(fā)庫的并行處理思路，提出了先對圖像進(jìn)行分塊，后對圖像塊并行提取特征點(diǎn)的解決措施，大幅度減少了穩(wěn)像耗時(shí)。

2 單路穩(wěn)像算法設(shè)計(jì)

2.1 運(yùn)動(dòng)估計(jì)

運(yùn)動(dòng)估計(jì)模塊首先對待處理的抖動(dòng)視頻提取連續(xù)兩幀圖像，灰度化處理完提取幀，改進(jìn)后的特征點(diǎn)提取算法選取了Star算法提取當(dāng)前幀的特征點(diǎn)，記做(xi,yi)，然后利用金字塔光流法預(yù)測下一幀對應(yīng)的特征點(diǎn)(xi',yi')。金字塔光流法的原理主要是：首先對相鄰兩幀圖像進(jìn)行分層（方便理解，假設(shè)為3層）處理，然后計(jì)算當(dāng)前幀已提取的特征點(diǎn)U0在各個(gè)層中的對應(yīng)的點(diǎn)U1、U2和U3，接著從金字塔最高層開始，以U3作為下一幀中最高層的初始點(diǎn)V3計(jì)算當(dāng)前最高層中的最小誤差點(diǎn)V'3以及得到相應(yīng)的光流，再由計(jì)算出來的光流找到下一幀中第二層的V2作為初始點(diǎn)，經(jīng)過相似計(jì)算后得到第二層的最小誤差點(diǎn)V'2，以此類推最終得到第0層的最小誤差點(diǎn)V'0，即特征點(diǎn)U0在下一幀中對應(yīng)的特征點(diǎn)。

如圖3所示，金字塔光流法利用了當(dāng)前幀已提取出來的特征點(diǎn)信息去跟蹤預(yù)測下一幀對應(yīng)的特征點(diǎn)，加快了特征點(diǎn)的提取速度，提升了特征點(diǎn)匹配的準(zhǔn)確率。

圖3 金字塔光流法原理圖Fig.3 Pyramid optical flow principle diagram

隨后，依據(jù)前后兩幀匹配特征點(diǎn)的位置(xi,yi)和，由計(jì)算公式（4）可得出前后兩幀圖像間的仿射變換矩陣H：

其中，H=，參數(shù)a11、a12、a21、a22表示視頻幀間的旋轉(zhuǎn)以及縮放部分，參數(shù)a13和a23則表示視頻幀間的平移運(yùn)動(dòng)。上述運(yùn)動(dòng)估計(jì)步驟具體流程如圖4所示。

圖4 改進(jìn)后的運(yùn)動(dòng)參數(shù)估計(jì)步驟流程圖Fig.4 Flow chart of improved motion parameter estimation steps

2.2 運(yùn)動(dòng)平滑

相機(jī)在拍攝過程中，相機(jī)的運(yùn)動(dòng)矢量通常由主觀運(yùn)動(dòng)矢量和隨機(jī)抖動(dòng)矢量結(jié)合而成，運(yùn)動(dòng)平滑步驟則需要濾除隨機(jī)抖動(dòng)矢量，保留相機(jī)的主觀運(yùn)動(dòng)矢量，使得穩(wěn)像后的視頻流運(yùn)動(dòng)軌跡平滑，以提升視頻穩(wěn)像效果。

Kalman濾波器是常用的濾波器之一，它采取預(yù)測值加上觀測值的方法來計(jì)算當(dāng)前時(shí)刻的估計(jì)值。本文采取Kalman濾波器對上述求出的運(yùn)動(dòng)參數(shù)做濾波平滑處理[13,14]。預(yù)測模型的具體計(jì)算公式為：

上式中，X(t|t-1)為第t幀對應(yīng)狀態(tài)預(yù)測量，X(t-1|t-1)為第t-1 幀對應(yīng)狀態(tài)的最優(yōu)估計(jì)值，P(t|t-1)為第t幀對應(yīng)的狀態(tài)協(xié)方差矩陣，F(xiàn)為系統(tǒng)轉(zhuǎn)移矩陣，Q為預(yù)測噪聲的方差陣。

Kalman濾波器的更新模型具體計(jì)算公式為：

上式中，M(t)為第t幀的Kalman 增益，Z(t)為觀測矩陣，I為單位矩陣，R為測量噪聲的協(xié)方差，P(t|t)為濾波后的協(xié)方差，H為均方誤差。

2.3 運(yùn)動(dòng)補(bǔ)償

根據(jù)已分離出來的抖動(dòng)分量對圖像進(jìn)行補(bǔ)償。首先，計(jì)算相鄰兩幀之間的運(yùn)動(dòng)矢量?Vk，累加得到當(dāng)前幀圖像的絕對運(yùn)動(dòng)矢量Sk，得到每一幀圖像的絕對運(yùn)動(dòng)矢量Sk后，對Sk做平滑濾波，得到平滑后的絕對運(yùn)動(dòng)矢量Sk'，則Sk'-Sk就是每一幀圖像的補(bǔ)償運(yùn)動(dòng)矢量，然后，加上補(bǔ)償運(yùn)動(dòng)矢量后的圖像序列，則可得到最終穩(wěn)像后的視頻。

3 多路視頻的并行穩(wěn)像及加速方法設(shè)計(jì)

由于單目導(dǎo)引頭的視場受限，彈體在實(shí)際飛行中需要采用多目導(dǎo)引頭，亦稱復(fù)眼導(dǎo)引頭，以提供一個(gè)更廣闊的視野。然而復(fù)眼導(dǎo)引頭受彈體抖動(dòng)的影響也隨多目的數(shù)量被放大，由于多路視頻的同時(shí)輸入，對彈載處理器資源造成了一定的壓力，多路抖動(dòng)視頻存在實(shí)時(shí)數(shù)字穩(wěn)像的困難。

3.1 并行開發(fā)庫

目前對于圖像處理程序的并行化處理主要通過硬件和軟件兩個(gè)方面去實(shí)現(xiàn)。硬件方面主要是通過GPU、DSP、Intel多核處理器等多核平臺進(jìn)行加速，軟件方面主要是利用并行化庫對軟件程序進(jìn)行并行改造。當(dāng)前常用的并行化庫有MPI（Message Passing Interface,消息傳遞并行編程環(huán)境）和OpenMP（Open Multi-Processing，共享存儲并行編程）。MPI在并行規(guī)模上伸縮性很強(qiáng)，適用于個(gè)人電腦以及超級計(jì)算機(jī)，但缺點(diǎn)是編程麻煩且并行效率低、內(nèi)存開銷大；OpenMP 是一套共享存儲方式并行程序接口，采用Fork-Join 模型來實(shí)現(xiàn)程序的并行化，無需再進(jìn)行復(fù)雜的線程創(chuàng)建、同步、負(fù)載平衡和銷毀工作，應(yīng)用到多核結(jié)構(gòu)上并行效率高、內(nèi)存開銷小，因此可利用OpenMP并行開發(fā)庫對多路輸入視頻進(jìn)行并行化穩(wěn)像處理。

3.2 并行加速處理

針對穩(wěn)像算法中耗時(shí)較多的步驟：運(yùn)動(dòng)估計(jì)以及運(yùn)動(dòng)濾波，設(shè)計(jì)改進(jìn)后的并行穩(wěn)像算法步驟流程圖如圖5所示：

圖5 并行穩(wěn)像算法步驟流程圖Fig.5 Parallel video stabilization algorithm step

第一步：對輸入的多路視頻進(jìn)行幀緩沖、循環(huán)提取連續(xù)兩幀圖像以及完成圖像灰度化預(yù)處理；

第二步：基于并行化庫OpenMP對預(yù)處理完后的當(dāng)前幀先分塊再并行提取各圖像塊特征點(diǎn)，完成當(dāng)前幀特征點(diǎn)的提取后進(jìn)而并行采用光流法跟蹤提取下一幀的特征點(diǎn)；

第三步：對前后幀匹配的特征點(diǎn)，并行計(jì)算出各自對應(yīng)的仿射變換矩陣H1、H2……Hi（i=1,2......n）；

第四步：對上述通過仿射變換求出來的運(yùn)動(dòng)矢量，采用卡爾曼濾波器并行濾波，濾除各路的隨機(jī)抖動(dòng)矢量[15]；

第五步：為各路濾波后的運(yùn)動(dòng)矢量計(jì)算對應(yīng)的補(bǔ)償運(yùn)動(dòng)矢量，各路圖像序列加上補(bǔ)償運(yùn)動(dòng)矢量，完成視頻穩(wěn)像。

具體并行化處理程序示例如下：

#pragma omp parallel sections

#pragma omp section

{第1路當(dāng)前幀特征點(diǎn)提取}

#pragma omp section

{第2路當(dāng)前幀特征點(diǎn)提取}

……

#pragma omp section

{第n路當(dāng)前幀特征點(diǎn)提取}

其中OpenMP 指導(dǎo)語句“#pragma omp parallel sections”用來明確開啟多線程的起始點(diǎn)，指導(dǎo)語句“#pragma omp section”用來明確子線程的起始點(diǎn)。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)設(shè)置

本文最終選取了兩種平臺進(jìn)行所設(shè)計(jì)算法性能的測試比較：PC 端與NVIDIA 的嵌入式開發(fā)板TX2，其中PC 端硬件配置如下：Intel(R) Core(TM) CPU i7-7700@3.60 GHz，16 G 內(nèi)存，操作系統(tǒng)為Windows 10。軟件平臺選取包含Opencv 庫（3.4.3 版本）的Visual Studio 2013。TX2 的配置如下：操作系統(tǒng)為Ubuntu 16.04，編譯器為GCC 6.1版本。抖動(dòng)視頻選取OTB100 數(shù)據(jù)集中的BlurCar系列作為輸入測試視頻。

4.2 評價(jià)指標(biāo)

幀間峰值信噪比PSNR 是廣泛用于評價(jià)電子穩(wěn)像效果的指標(biāo)之一，通過比較連續(xù)兩幀圖像之間像素值的變化，最終客觀、定量地評價(jià)穩(wěn)像算法的好壞。計(jì)算公式如下：

上式中EMSE為幀間均方差，W、H 分別為圖像長寬，I(x,y)為當(dāng)前幀點(diǎn)(x,y)處的像素值，I'(x,y)為下一幀點(diǎn)(x,y)處的像素值，Imax為當(dāng)前幀中圖像最大像素值。前后兩幀圖像之間RPSNR值越大，意味著視頻前后兩幀重合度越高，視頻穩(wěn)像效果越好。

4.3 單路穩(wěn)像效果比較

仿真測試視頻選取OTB 100 數(shù)據(jù)集中的Blur系列視頻以及外場試驗(yàn)拍攝的旋轉(zhuǎn)抖動(dòng)視頻。本文選取近幾年的穩(wěn)像算法進(jìn)行比較，分別是酒銳波等人[16]的基于FAST-9 角點(diǎn)檢測與光流法結(jié)合的穩(wěn)像算法和曾強(qiáng)等人[17]的基于SURF 特征提取算法加 上BRIEF（Binary Robust Independent Elemen‐tary Features,二進(jìn)制特征描述）運(yùn)動(dòng)估計(jì)的穩(wěn)像算法。

圖6、圖7 為上述方法在復(fù)雜車輛抖動(dòng)場景、旋轉(zhuǎn)抖動(dòng)場景下的兩種抖動(dòng)視頻中提取的特征點(diǎn)以及前后幀特征點(diǎn)匹配的效果圖。

圖6 場景1算法特征點(diǎn)匹配圖對比Fig.6 Scene 1 feature point matching map comparison

圖7 場景2算法特征點(diǎn)匹配圖對比Fig.7 Scene 2 feature point matching map comparison

觀察在上述不同場景下的特征點(diǎn)提取以及匹配效果圖，可以發(fā)現(xiàn)，對當(dāng)前幀提取特征點(diǎn)后，F(xiàn)AST-9 算法提取得到的特征點(diǎn)呈現(xiàn)聚簇的現(xiàn)象，而SURF 算法與Star 算法提取到的特征點(diǎn)較均勻。隨后用光流法跟蹤提取下一幀相應(yīng)的特征點(diǎn)，使用BRIEF 對三種算法提取到的前后幀特征點(diǎn)進(jìn)行特征描述進(jìn)而進(jìn)行特征點(diǎn)匹配。在特征點(diǎn)匹配圖中，近乎水平的直線表明前后幀特征點(diǎn)獲得了準(zhǔn)確的匹配，再觀察可知，F(xiàn)AST-9 算法與SURF 算法在場景1中均存在數(shù)量較多的誤匹配點(diǎn)，而改進(jìn)后的Star算法近乎沒有誤匹配點(diǎn)，針對旋轉(zhuǎn)變化大的場景2，F(xiàn)AST-9 算法與SURF 算法的準(zhǔn)確匹配率急劇下降，而改進(jìn)后的Star算法依舊保持較高的準(zhǔn)確匹配率。綜上2種典型場景下的特征點(diǎn)匹配效果圖，可以看出改進(jìn)后的Star 算法相比另外兩種算法，可以更好地適應(yīng)各種復(fù)雜背景下的特征點(diǎn)提取與匹配。

三種算法針對上述提到的BlurCar 系列視頻在PC 端以及TX2 兩種平臺下的具體穩(wěn)像參數(shù)對比如圖8以及表1所示。

圖8 各場景下各算法穩(wěn)像后提升PSNR對比Fig.8 Comparison of improved PSNR after image stabilization in various scenes

由表1 可以看出，本文算法穩(wěn)像后的視頻在PSNR 提升方面略優(yōu)于另外兩種算法，在PC 端以及TX2 平臺下穩(wěn)像速度方面則有著明顯優(yōu)勢，能夠較好地滿足實(shí)時(shí)穩(wěn)像的需求。

4.4 并行穩(wěn)像速度分析

為了定量對比串行與并行的穩(wěn)像速度，本文選擇輸入同一抖動(dòng)視頻BlurCar2。鑒于創(chuàng)建多線程的過程也會耗費(fèi)時(shí)間，因此分別選取2 路、4 路和8 路同時(shí)輸入的情況作為串、并行穩(wěn)像耗時(shí)比較。完成對整個(gè)抖動(dòng)視頻的穩(wěn)像操作后，再由已知的視頻幀數(shù)求出平均每幀穩(wěn)像耗時(shí)。兩種平臺下的具體耗時(shí)對比如下表2所示：

表2 串、并行穩(wěn)像速度對比Table 2 Serial and parallel image stabilization speed comparison

由表1 觀察可知：在PC 平臺下，多路視頻輸入的情況中，并行穩(wěn)像的平均每幀耗時(shí)比串行穩(wěn)像耗時(shí)依次減少了56.57%、59.64%和54.36%。相應(yīng)的在TX2 平臺下，并行穩(wěn)像的耗時(shí)也同樣減少了34.26%、29.76%和27.74%。綜上可見，改進(jìn)后的穩(wěn)像算法在應(yīng)對多路抖動(dòng)視頻的穩(wěn)像問題上，極大程度減少了穩(wěn)像步驟的耗時(shí)，能夠較好地滿足多路實(shí)時(shí)穩(wěn)像的要求。

5 結(jié)束語

本文對電子穩(wěn)像算法中運(yùn)動(dòng)估計(jì)模塊進(jìn)行了研究，基于Star特征點(diǎn)提取算法，采用光流法跟蹤預(yù)測下一幀特征點(diǎn)，以BRIEF 二進(jìn)制特征描述算法描述特征點(diǎn)，實(shí)現(xiàn)了圖像幀間的運(yùn)動(dòng)估計(jì)，最終完成了單路視頻的穩(wěn)像。在此基礎(chǔ)上，采用OpenMP 并行開發(fā)庫對穩(wěn)像算法進(jìn)行了并行改造，實(shí)現(xiàn)了多路輸入視頻的并行實(shí)時(shí)穩(wěn)像。最后，基于OTB100 數(shù)據(jù)集的BlurCar 系列視頻，本算法在PC 平臺下對4 路抖動(dòng)視頻并行穩(wěn)像的結(jié)果參數(shù)為：PSNR 平均提升4.62 dB，單幀耗時(shí)平均為14.51 ms。經(jīng)實(shí)驗(yàn)比較證實(shí)，本文的多路視頻穩(wěn)像方法在速度以及穩(wěn)像效果上提升明顯，具有一定的實(shí)際應(yīng)用價(jià)值。