本章的图像数据来源是海港匝道口集卡通过的视频记录，用于保存每辆通过匝道口 的集卡的图像信息。匝道口两侧安装了固定的摄像头，通过摄像头录入视频图像。然而 每辆集卡的信息如果都以视频文件保存的话，那势必要占很大的系统空间，因此需要把 每帧视频图像拆开并且拼接成完整的图像文件。 。
由于匝道口狭窄，每次仅能通过一辆集卡，使得安装的摄像头离集卡空间距离近，
加上安防的摄像头为了取得尽可能大的视角，采用了鱼眼失真的镜头（如图３．１所示），
使得人们看到的是畸变的图像。
因此利用图像拼接算法在ｍａｔｌａｂ计算机仿真环境下就可以拼接帧图像，使得集卡即 消除了鱼眼失真的效果，还能缩小文件占用的空间，从而能存下更多的集卡信息。
图３．１ 集装箱视频原始数据图像
由于图像具有鱼眼失真的特性，故不能直接进行图像拼接，主要可以用下列两种方 法来克服它的失真效果对拼接的影响：
１、对图像运用几何变换把鱼眼图像校正成不失真的图像。
２、截取每帧中间不失真的狭窄区域进行拼接。
对于第一种运用几何变换的方法，运算量比较大，并且每辆车离镜头的位置不同，
要有不同的变换参数，如果一旦前期在变换这一环节有误差，将会累计到下一步图像配 准的环节，这种的误差累计最终会导致误差更大，从而使得匹配错位。
对于第二种方法，我们仅仅截取图像中间非失真的区域把它当作正常图像来做，比 较简单，运算简便。故本文用第二种方法，但是截取的区域不宜过小，也不宜过大。如 果过小，前后两帧势必没有相关区域，因此无法用图像拼接算法处理；如果过大，使得 失真的部分也截取下来了，失真的部分不仅会对匹配结果带来误差，而且拼接完的图像 也会带有失真的现象，不是很美观。
原图大小为３８４ｘ ２８８，高的方向上是不会影响图像拼接的，所以取全部２８８个像素。
决定宽度的像素大小主要有两大因素：
第一是集卡通过匝道口的车速，车速过快势必连续两帧图像相位差较大，此时如果 截取宽度较小，两帧之间没有相关图像，匹配必定失败。
第二是图像采集的帧率，通常视频帧率为２４帧，而本文用到的集卡视频则低于２４ 帧。如果采集频率过低，势必也使相邻两帧图像没有任何相关关系，这样是无法进行图
像匹配的。 ，
对于第一个问题，发现车辆通过匝道口要减速且以基本匀速速度通过匝道口。在帧 率方面，调整摄像头帧率统一到４帧／秒。经过反复实验，宽度取以中间向左右各取５０ 个像素即１０１个像素，如图３．２（ａ）截取中间像素，成为待配准图像图３．２（ｂ）：
（ａ）原始图像数据 （ｂ）截取后待配准图像 图３．２截取待匹配图像
（ａ）前一帧图像 （ｂ） 后一帧图像 （ｃ）前两帧图像拼接结果 图３．３前后两帧图像拼接
的需要 找到与
图３．３（ａ）和（ｂ）分别为前后两帧截取的待匹配图像，通过模板匹配法找前后两帧的 相位关系，过程如下：
１．在纵坐标上把前一帧均匀分成２５个小块图像，高为１０个像素，每个小块即为 秽…
１０１×１０，从前一帧的末端每隔７个像素取一列，一共取３列作为待匹配的模板
ａＥｉ］［ｊ］，如图３．４所示，取出的图像是２５小块中一块，在图像尾部截取３列，
蓝色标记处即为待匹配模板。ｉ在纵坐标方向上２５个小块，值为１到２５，ａ Ｅｊ］
为一个模板，有３个像素行，１０个像素高。
图３．４待匹配图像模板
２． 对于后一帧，同样分为２５个小分块，与步骤一一样取３列模板ｂ［ｉ］［ｊ］［ｋ］，ｉ 表示一共有２５行，ｋ表示每一行从尾部遍历到头部，每一个ｂ［ｉ］［ｊ］与ａＥｉ］［ｊ］
取差的绝对值，存入Ｃ［ｋ］。
图３．５红色为搜索模板
３．第一行取完后，找到最小的值的位移量ｃｍｉｎ［ｋ］，如图３．５，在后一帧图像相同 位置截取相同大小图像做为搜索图，并且按照箭头方向逐个像素平移，当移至 蓝色部分时，绝对值最小，即匹配成功，位移量就是ｃｍｉｎ［ｋ］。全部遍历完总共 有２５个值，即２５个位移量。
４．对这２５个位移量进行统计，找出出现频率最多的位移值，过滤掉干扰值，这样 得到一个位移量Ｐ，最终定为这两帧的位移关系。
５．截取后一帧图像Ｐ个像素宽度图像，拼接至前一帧图像的后部，结果即为图 ３．３（ｃ）所示，从而完成了两帧图像匹配。
和传统模板匹配法不同的是，本文采用多个模板，用统计的方法找到两帧图像之间 的位移关系，单一模板匹配的话，或多或少会受到一些诸如噪声的误差而产生匹配出错，
多个模板统计方法可以把误差降到最低限度，对图像拼接算法的准确度有极大帮助。
相邻两帧匹配完成后，依次进行两两相邻图像帧的匹配，把匹配好的图像裁剪后依 次拼接到原始图像后面，得到完整的集卡图像。效果如图３．６所示：
由图３．６所示，通过模板匹配法拼接图像，图像没有明显接缝、失帧、多帧以及相 位关系误差等错误。这种基于模板匹配的算法虽然能解决图像拼接问题，但是在ｍａｔｌａｂ 环境下测得时间消耗上大约每个视频８秒左右，由于每帧图像要分成２５分块，每一块 需要做遍历运算，所以比较耗ＣＰＵ时间。