双目立体匹配_SGM算法资源文件介绍
资源描述
本仓库提供了一个关于双目立体匹配中SGM（Semi-Global Matching）算法的资源文件。该资源文件详细记录了在KITTI2015数据集上使用SGM算法进行立体匹配的测评结果。
开发环境
- Python版本: 3.6
- NumPy版本: 1.19.5
- OpenCV版本: 4.5.5.64
- 操作系统: Ubuntu 20.04 LTS
- 处理器: Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz
实验记录
以下是不同策略和参数设置下的实验结果：
- WTA、SSD策略
- 视差范围: 190
- 半径: 3
- 视差精度: 0.5611
- 运行时间: 7.4344秒
- WTA、SSD策略
- 视差范围: 64
- 半径: 3
- 视差精度: 0.5611
- 运行时间: 2.7495秒
- SGM、SSD策略
- 视差范围: 64
- 半径: 3
- 视差精度: 0.8161
- 运行时间: 22.7137秒
- SGM、NCC策略
- 视差范围: 64
- 半径: 3
- 视差精度: 0.8119
- 运行时间: 28.0640秒
- SGM、SAD策略
- 视差范围: 64
- 半径: 3
- 视差精度: 0.6681
- 运行时间: 22.3349秒
结论
通过上述实验记录可以看出，SGM算法在不同策略下的表现有所不同。总体而言，SGM算法在视差精度上表现较好，但运行时间相对较长。具体选择哪种策略和参数设置，可以根据实际需求进行调整。