《表4 各类畸变校正算法的性能比较》

  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

基于畸变校正的目标检测与识别算法在LFOV图像的预处理阶段加入畸变校正，然后基于校正后的图像完成目标检测与识别任务。由于普通图像下的目标检测与识别算法无法很好地检测与识别LFOV图像中的目标，因此研究人员提出利用畸变校正模型最大程度地将LFOV图像还原成普通图像，弱化目标在LFOV图像中的畸变特性，之后直接利用普通图像下的目标检测与识别算法完成大视场域的目标检测与识别任务。在从LFOV图像校正成平面图像的过程中图像质量显著下降、成像视角信息损失，尤其是图像边缘的信息损失严重，这是影响后续目标检测与识别算法精确度以及检测速度的重要因素之一，这些区域收集了大部分包含目标的场景信息，因此畸变校正成为此类算法能否准确检测与识别目标的关键所在，从表1、表2的畸变校正预处理部分可以发现，研究人员从最初的相机标定方法逐步向基于模型的非量测标定算法改进，大多数研究都关注如何在畸变校正预处理部分进行改进。传统的相机标定方法不但可以用于任意的相机模型，而且参数估计准确，但是其存在如下一些问题：1）依赖于棋盘等特定的标定物；2）计算过程较为复杂；3）难以用于实时监控场景。可以看出，此类方法依赖一定的先验信息，且需要多张视角图来确定相机的内外参数，而基于模型的非量测标定算法则解决了上述问题，也越来越受到研究人员的重视。表4对现阶段的大视场域中所用的畸变校正方法进行了整理总结。