《表1 各算法的视差结果平均错误率对比(KITTI2012)》
此外,为了更全面地评估本文提出方法,实验中还引入了MC-CNN-fast和SGM进行对比,均按照本文中的设置进行实验,得到在不同数据集上的平均错误率对比结果,如表1、2所示。其中评价指标为视差值与基准视差值之差大于k(k=2,3,4,5)个像素的像素点所占比例。从表1、2可知,本文提出的方法在立体匹配中匹配错误率明显低于变体方法1和变体方法2。考虑到变体方法1是采用多尺度局部特征融合模块和MC-CNN-fast作为特征提取器,相比于MC-CNN-fast方法,总体的平均匹配错误率较大,这可能是由于多尺度的LG-LBP特征更侧重于图像的细节纹理信息,而忽略了全局信息。考虑到变体方法2是采用MC-CNN-fast作为特征提取器,正负样本的构造采用加噪声的方法,以此来纠正极线校正中的误差,相比于MC-CNN-fast网络,也能一定程度上提高网络的预测性能。本文提出的方法和其他代表性方法对比可以发现,本文提出的框架相对于其他算法在匹配误差率方面具有一定优势,能精确地实现双目视图的立体匹配。
图表编号 | XD00131891800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 王旭初、刘辉煌、牛彦敏 |
绘制单位 | 重庆大学光电技术及系统教育部重点实验室、重庆大学光电工程学院、重庆大学光电工程学院、重庆师范大学计算机与信息科学学院 |
更多格式 | 高清、无水印(增值服务) |