《表1 各算法的视差结果平均错误率对比（KITTI2012)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合多尺度局部特征与深度特征的双目立体匹配》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。