圖像處理
--SURF算法
完成圖像卷積、通過海塞矩陣測特征值、完成特征點的64維描述
精度和穩定性不如sift算法，但綜合來看，比較適合處理視頻流
1.保證尺度無關性，對像素點進行高斯濾波（高斯平滑處理+二階導數），再構造海塞矩陣，計算特征值
2.找出特征點
其中0.9是原著作者給的經驗值，特征點表示由像素點的海塞矩陣行列式近似值構成
3.構造高斯金字塔
區別於sift，每組圖像大小不變，改變濾波器（高斯模糊模板）的尺寸和尺度σ，沒有了降采樣的步驟，所以提升了速度，精確度相對下降，但對於視頻流總體可接受。
4.定位特征點
非極大值抑制。將每個像素點與其三維鄰域的26個點進行大小比較，若這個點是極值，則保留用作初步特征點，采用三維線性插值法（根據8個點的像素值得到一個點的像素值）得到亞像素級的特征點，去掉小於一定閾值的點，留下特征最強的點集
5.確定特征點主方向
為保證旋轉不變性，不統計其梯度直方圖，只統計特征點領域內的Harr小波特征，計算半徑為6σ（經驗值）的圓形區域內，統計60°扇形內特征點的Harr矢量之和，遍歷圓形區域，選擇最長harr矢量方向為主方向。
6.構造特征描述子
在特征點周圍取一個長方形矢量框，邊長20σ ，方向即特征點主方向，分16份，每份統計25個像素的水平、垂直方向（相對於主方向）的haar小波特征（Σdx，Σ|dx|，Σdy，Σ|dy|），即每個特征點是16*4=64維向量。
7.匹配、篩選、拼接
比較最近鄰距離與次近鄰距離的sift匹配方式：
取圖A的一個關鍵點a，找出其與圖B中歐氏距離，最近的前兩個關鍵點b, c之間的距離s1 s2（設s1<s2），則a--b為一對匹配點
ratio=s1/s2，若ratio小於某個閾值T（0.4~0.6），則接受這一對匹配點
通過單應性矩陣進行拼接
A = MB 其中AB是兩個圖對應點的三位坐標，找出兩對對應點即可求出矩陣M，把圖2所有像素點進行矩陣變換即可。
8.融合
加權平均法。簡單的使用加權的方式從左邊過渡到右邊，匹配點的像素值為A*05+B*0.5
視頻流處理
任務需求：
攝像頭圖像大小為640*512，fps為25
- 通過對視頻流的幀處理得到圖像，fps在10-20左右可以滿足一般的監控需求，但估算算法的執行效率平均大概在0.7左右甚至更慢。fps想要達到25，需要控制處理幀的數量和使用多線程並行處理。
- 臨近幾幀的圖像基本相同，可以隔幾幀調用一次算法。
- Fps為25，意味着效率要在0.04，再算上網絡延時，很難達到效果，采用多線程並行執行算法，理論上，（單次調用算法執行時間 / 線程數量 < 0.04） 就能滿足要求，但是多線程會打亂幀順序，考慮用隊列控制