《表1 4种算法性能比较:基于多核学习-密度峰值聚类的基础矩阵估计》
表1分别列出了每种场景下不同算法计算获得的最终匹配点数、余差、平均对极距离和计算时间。由表1可以看出:1)对于最终估计基础矩阵所保留的匹配点数,LMedS方法最多,R-RANSAC法次之,本文算法与LO-RANSAC算法相当;2)在误差和余差方面,相对于精度最高的LO-RANSAC算法,本文算法的余差和误差分别提高了16%和13%,证明了本文算法的精度和有效性较好;3)从算法时间看,对于不同的场景图片,本文算法整体与其他算法相当,虽然计算时间出现时大时小的问题,但总体依然较小,原因是本文算法在聚类时,是根据不同的平均对极距离进行聚类,聚类次数由对极距离决定,因此当对极距离相差较大时,聚类次数增加,导致算法整体时间增加。
图表编号 | XD00133408300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 王剑峰、王宏伟、闫学勤 |
绘制单位 | 新疆大学电气工程学院、新疆大学电气工程学院、大连理工大学控制科学与工程学院、新疆大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |