对于复杂非配合情况下，视频拼接中特征匹配对的数目和特征匹配准确率无法同时达到后续稳像和拼接的要求这一问题，提出一种基于灰度塔对特征点进行评分后构建匹配模型来进行精准特征匹配的方法。首先，利用灰度级压缩后相近灰度级合并这一现象，建立灰度塔来实现对特征点的评分；而后，选取评分高的特征点建立基于位置信息的匹配模型；最后，依据匹配模型的定位进行区域分块匹配来避免全局特征点的干扰和大误差噪点匹配，选择误差最小的特征匹配对作为最终结果匹配对。另外，在运动的视频流中，可通过前后帧信息建立掩模进行区域特征提取，匹配模型也可选择性遗传给后帧以节约算法时间。实验结果表明，在运用了基于灰度塔评分的匹配模型后，特征匹配对准确率在95%左右。相同帧特征匹配对的数目相较于随机采样一致性有近10倍的提升，在兼顾匹配数目和匹配准确率的同时且无大误差匹配结果，对于环境和光照有较好的鲁棒性。

针对视频拼接过程中面临的许多挑战，如实时性、有动态物体产生鬼影现象等，提出了一种基于圆形感兴趣区域（ROI）图像配准结合简化处理及图形处理器（GPU）加速的方法。首先，仅在ROI内提取特征点，提高了特征检测效率和匹配准确率。其次，为进一步降低时间开销，满足视频处理实时性需求，采用了两种策略：一方面，通过简化处理仅对首帧作图像配准，后续帧利用得到的单应性矩阵进行图像融合；另一方面，利用GPU多核实现并行化硬件加速。此外，当视场中有动态物体时，采用图形分割和多频带图像融合算法，有效地消除了鬼影。实验对两路640×480的视频进行拼接，该方法的处理速度可达27.8帧/秒。相对于基于加速鲁棒特征（SURF）算法的视频拼接方法，效率提高了26.27倍；相对于基于带方向的加速分段测试特征提取结合旋转的二进制鲁棒独立元素特征描述（ORB）算法的视频拼接方法，效率提高了11.57倍。实验结果表明，该方法可将多路视频实时地拼接为高质量的大场景视频。