随着计算机视觉技术的发展,局部视野图像越来越不能满足实际应用的需要。图像拼接是把空间上相邻、区域上相互重叠的多幅图像通过配准、投影和融合拼接成一幅宽视野图像的技术。全景拼接是图像拼接的进一步扩展,通常是拼接视野范围180度或360度的全景图。目前,图像拼接技术已广泛应用于自动驾驶、虚拟现实、医疗成像和无人机领域,但是当前大多数图像拼接技术假设图像是相机围绕其光学中心旋转拍摄的或场景大致是平面的。一方面,对于多噪声、低光照等复杂的场景下,需要提出稳定的特征检测方法。另一方面,当前的局部对齐算法通过复杂的计算来提高对齐能力,时间效率问题亟待解决。针对以上背景,本文的主要研究内容及成果如下:(1)提出了一种高精度特征点检测算法HPFA。在SuperPoint算法的基础上,将对称自编码器应用到特征提取网络中,通过层级还原图像特征位置信息并融入对应层的尺度特征,提升了特征点检测算法的定位能力。同时,使用自监督的迭代训练方式和传统手工特征点SIFT作为辅助训练数据集,提高了特征点检测的数量。在Hpatches数据集的评估下,HPFA实现了特征点重复性和特征匹配能力的提升。(2)提出一种局部投影优化算法LPOA。根据图像分割的结果,将图像分成多个语义独立的区域,在特征点匹配过程中按区域进行匹配,区域匹配方式可以去除大量特征误匹配,改进了特征匹配和全局变换估计的速度。同时将图像划分成网格进行局部投影改善对齐能力,引入相似变换约束减轻图像的投影失真,图像拼接质量得到明显改善。(3)基于上述两种图像拼接算法,实现了一种基于自动驾驶的多场景图像拼接模型。使用CARLA模拟器,为自动驾驶汽车设计了一种全景图像拼接数据获取方式,并引入直线特征对齐约束进一步提升对其能力。实验表明,本文提出的方法能在不同的天气和光照条件下为自动驾驶汽车提供稳定的宽视野。