《表3 各算法的性能比较：大视场域的目标检测与识别算法综述》

  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

《大视场域的目标检测与识别算法综述》

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

Yoshimi和Takahashi[36]提出一种适用于纠正垂直长物体的变形（站立的人或行人）的畸变校正方法———水平全景镶嵌（HPM），之后将处理完成的图片作为Faster R-CNN（faster region convolutional neural network）网络的输入，最终得到目标检测识别结果，此方法较基于DPM的方法在LAMR(logaverage miss rate）上有明显的下降，降低了11.58%。蔡成涛等[37]根据全景视觉系统特殊的成像原理建立全景系统的成像参数模型，根据此模型将得到LFOV图像的柱面展开图，同时根据目标的长宽比对YOLO的网络结构进行修改，使其适应目标在展开图的形状，其在全景目标检测速率上已经达到30.89frame/s，远远满足实时性要求，识别准确率也已经达到70%以上。徐佳等[38]通过球面投影校正的原理得到每张鱼眼图像的9个不同方向覆盖90°视角的平面透视图，然后运用LCNN(lookupbased convolutional neural network）[39]识别校正后的LFOV图像中的人脸，此方法在人脸识别准确率方面有显著提升且模型计算量减少。除特定人员目标外，邓军等[40]提出一种基于深度学习的火焰识别方法，此方法先将鱼眼图像投影到球面模型上，再对球面模型上获取火焰的候选区域进行畸变校正，将校正后的候选区域输入CNN(convolutional neural networks）中完成最终的火焰识别任务，在较大视场的情况下具有较低的误检率和漏检率。表3从预处理方法、特征提取网络、检测的时间、检测的准确率方面对上述算法进行总结对比。