图像拼接（五）：双摄像头实时视频拼接（平移模型+多线程）

在双摄像头相对平行固定，所拍摄图像视差很小，可使用平移运动模型的情形下，我们提到了“柱面投影+模板匹配+渐入渐出拼接”的解决方案。不考虑多线程，参见图像拼接（四）：双摄像头实时视频拼接（平移模型）
可以看出，图像或视频拼接其实是一项”流水线”技术，包括：源图像数据获取（两幅源图像）、柱面投影、模板匹配、图像融合、输出或者是显示拼接后的图像。这个过程中每个步骤有先后，可以说是串行的，怎么能使用多线程处理呢？但是想象一下工厂里的流水线，每个工序在进行的过程中，上一个工序产生的物料都已经准备足，当前工序做完之后，也会立刻传递给下一个工序。所以，不必等待最后的步骤做完，才从头开始。通过这样分析，整个流程的完成时间取决于最慢的那个单步，所以整个效率会有很大提高。
按上面所分，整个过程包括5个单步，所以可以分为5个线程，如果每步耗时比较平均的话，时间效率可以提高5倍！可是，怎么完成“流水线”式的多线程呢？怎么控制每步之间的同步呢？还有“图像融合”这一步需要“源图像数据获取”和“模板匹配（计算平移量）”这两步的同步数据。之前找了一些资料，加上多线程学习的不是很充分，这个问题没有得到很好的解决。
为了简化问题，将线程分为2个，这个问题就容易的多了。第一个线程就叫做“数据准备线程”，它包括帧图像读取，通过模板匹配计算平移量（由于我设计的实验中，柱面投影对结果影响不大，故忽略）；第二个线程叫做“数据处理线程”，它包括渐入渐出拼接和拼接后的图像显示。
废话不多说，上代码：

#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include"opencv2/imgproc/imgproc.hpp"
#include
#include
#include
#include
#include
#include

using namespace std;
using namespace cv;

Mat cylinder(Mat imgIn, int f);
Point2i getOffset(Mat img, Mat img1);
Mat linearStitch(Mat img, Mat img1, Point2i a);

mutex mut;
queue data_queue;
condition_variable data_cond;

VideoCapture cap1(0);
VideoCapture cap2(1);
Mat frame1;
Mat frame2;
Mat frame;
Point2i a;//存储偏移量
bool run = true;
double t = (double)getTickCount();//线程2时间
double t1 = (double)getTickCount();//线程1时间
void data_preparation_thread()
{
    while (run)
    {
        if (cap1.read(frame1) && cap2.read(frame2))
        {
            waitKey(1);
            if (waitKey(20) >= 0)
            {
                run = false;
            }
            imshow("cam1", frame1);
            imshow("cam2", frame2);

            //彩色帧转灰度
            cvtColor(frame1, frame1, CV_RGB2GRAY);
            cvtColor(frame2, frame2, CV_RGB2GRAY);

            //匹配
            //cout << "正在匹配..." << endl;
            t1 = ((double)getTickCount() - t1) / getTickFrequency();
            cout <<"匹配时间："<< t1 << endl;
            t1 = (double)getTickCount();
            a = getOffset(frame1, frame2);
        }

        lock_guard lk(mut);
        data_queue.push(a);
        data_cond.notify_one();

    }
}

void data_processing_thread()
{
    while (run)
    {
        unique_lock lk(mut);
        data_cond.wait(lk, []{return !data_queue.empty(); });
        Point2i a = data_queue.front();
        data_queue.pop();
        lk.unlock();
        //cout << "正在拼接"<
        frame = linearStitch(frame1, frame2, a);
        waitKey(20);
        if (waitKey(20) >= 0)
        {
            run = false;
        }
        t = ((double)getTickCount() - t) / getTickFrequency();
        cout <<"拼接时间："<< t << endl;
        imshow("stitch", frame);
        t = (double)getTickCount();

    }
}

int main()
{
    //初始化
    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（数量2）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);

    //匹配对齐线程
    thread t1(data_preparation_thread);
    //拼接线程
    thread t2(data_processing_thread);
    t1.join();
    t2.join();

    return 0;
}

Point2i getOffset(Mat img, Mat img1)
{
    Mat templ(img1, Rect(0, 0.4*img1.rows, 0.2*img1.cols, 0.2*img1.rows));
    Mat result(img.cols - templ.cols + 1, img.rows - templ.rows + 1, CV_8UC1);//result存放匹配位置信息
    matchTemplate(img, templ, result, CV_TM_CCORR_NORMED);
    normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());
    double minVal; double maxVal; Point minLoc; Point maxLoc; Point matchLoc;
    minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc, Mat());
    matchLoc = maxLoc;//获得最佳匹配位置
    int dx = matchLoc.x;
    int dy = matchLoc.y - 0.4*img1.rows;//右图像相对左图像的位移
    Point2i a(dx, dy);
    return a;
}


Mat linearStitch(Mat img, Mat img1, Point2i a)
{
    int d = img.cols - a.x;//过渡区宽度
    int ms = img.rows - abs(a.y);//拼接图行数
    int ns = img.cols + a.x;//拼接图列数
    Mat stitch = Mat::zeros(ms, ns, CV_8UC1);
    //拼接
    Mat_ ims(stitch);
    Mat_ im(img);
    Mat_ im1(img1);

    if (a.y >= 0)
    {
        Mat roi1(stitch, Rect(0, 0, a.x, ms));
        img(Range(a.y, img.rows), Range(0, a.x)).copyTo(roi1);
        Mat roi2(stitch, Rect(img.cols, 0, a.x, ms));
        img1(Range(0, ms), Range(d, img1.cols)).copyTo(roi2);
        for (int i = 0; i < ms; i++)
            for (int j = a.x; j < img.cols; j++)
                ims(i, j) = uchar((img.cols - j) / float(d)*im(i + a.y, j) + (j - a.x) / float(d)*im1(i, j - a.x));

    }
    else
    {
        Mat roi1(stitch, Rect(0, 0, a.x, ms));
        img(Range(0, ms), Range(0, a.x)).copyTo(roi1);
        Mat roi2(stitch, Rect(img.cols, 0, a.x, ms));
        img1(Range(-a.y, img.rows), Range(d, img1.cols)).copyTo(roi2);
        for (int i = 0; i < ms; i++)
            for (int j = a.x; j < img.cols; j++)
                ims(i, j) = uchar((img.cols - j) / float(d)*im(i, j) + (j - a.x) / float(d)*im1(i + abs(a.y), j - a.x));
    }


    return stitch;
}

对代码做些解释说明：
关于C++的多线程，linux和windows上都有相关的库，我查找了windows编程的书，里面的有些多线程函数过于古老，感觉杂乱。后又了解到C++11标准库里有多线程库，这个比较新，又是语言层面的，通用性和移植性更高，所以采用了C++11的多线程库。可以看到，有关多线程头文件如下：

#include
#include
#include

代码中使用了多线程中互斥量、锁、条件变量的概念。如果对这些概念感到茫然，可以学习下C++11线程库的教程。稍有学习后你会发现上述代码很简单。
为了帮助理解，画了张简图，（图中while的意思仅代表每个线程内部都不停在循环处理）

通俗的理解，互斥量是一块有限的资源，每次只能有一个线程占据它。占据它的方式就是用一个锁，将它锁定。

//定义一个互斥量
mutex mut;

//定义一个锁，锁定互斥量
lock_guard lk(mut);

还可以用另一种锁的类型定义锁，这种类型更加灵活

//定义一个锁，锁定互斥量
unique_lock lk(mut);
//...
//解锁
lk.unlock();

定义和创建一个线程，要定义它的线程处理函数。运行它，使用join()函数。

//匹配对齐线程
thread t1(data_preparation_thread);
//拼接线程
thread t2(data_processing_thread);
t1.join();
t2.join();

所以整个代码，大部分的工作是完成两个线程处理函数。
线程1（数据准备）：执行读帧和计算平移量的工作，工作完成后，要求锁定互斥量，将结果压入队列,并通过条件变量发出通知。
线程2（数据处理）：锁定互斥量，通过条件变量等待消息，仅当消息传来，拿到数据后才释放（有些霸道哦）。。拿到数据后，解锁互斥量，然后就可以愉快地执行任务了：图像融合和拼接结果的显示。
注：我现在分析代码，发现仅仅将平移量结果压入队列，而当前帧数据是通过全局变量实现更新的，这样的做法可以work，但有些草率，可以再定义两个Mat类型的队列的.

最后分析实验结果的时间效率，发现符合预期，拼接时间降低大约 12 。

关于C++11多线程条件变量的详解，参考资料：

C++11多线程之条件变量

std::condition_variable