《表2 各算法的视差结果平均错误率对比（KITTI2015)》

  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

从算法时间复杂度上考虑，本文在KITTI2015数据集上进行训练和测试，得到各个算法的时间复杂度如表3所示。从中可以发现，MC-CNN-fast方法网络训练时收敛最快，说明小网络和轻量级的模型参数有利于网络的快速收敛。本文方法在训练时间复杂度上和MC-CNN-fast相差不大，说明提取LG-LBP特征的过程耗时较短。对于测试而言，基于深度学习的方法相对于传统方法SGM具有明显优势。而本文方法在测试过程中不具有太大优势，主要源于LG-LBP特征提取需要消耗一定时间，但是相对于MC-CNN-fast方法，其在尽可能保证速度的同时提高了算法的匹配性能，在视差图的细节体现上具有一定的竞争性。