对于背景变换和抖动分量比较小的视频序列, 传统稳像算法不能直接适用, 本文提出一种基于 Harris图像拼接的全景稳像算法。首先采用 Prewitt算子提取出图像的边缘信息, 在此基础上进行分区的 Harris特征点检测; 然后结合 NCC(normalized cross correlation)算法与 RANSAC(random sample consensus)算法实现图像间的特征点精确匹配, 接着利用加权平均融合的方法进行图像融合; 最后对融合后的全景图像进行剪裁, 完成图像补偿, 输出稳定的视频序列。实验结果表明: 改进的 Harris算法提高了算法效率以及正确特征点数量, 并且本文稳像算法实时性较好, 能够有效消除视频抖动并输出稳定的视频序列。

为了在动态场景图像序列中准确地完成全局运动估计, 实现对运动背景的补偿, 提出了基于均值聚类和几何关系的运动背景估计算法。首先, 利用Harris算法提取两帧图像的特征点, 建立特征点匹配对。其次, 利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次, 利用三角几何关系去除位于运动目标上的特征点。最后, 利用随机样本一致(RANdom SAmple Consensus, RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出: 本文算法比原始算法的峰值信噪比提高了5%左右, 所耗时间减少了50 ms。实验结果表明: 该算法能更加精确的实现运动背景估计, 提高了运动背景估计的鲁棒性, 同时提高了计算速度。