基于支持向量機的無(wú)人機視覺(jué)障礙檢測

摘要：自主障礙檢測與回避是無(wú)人機低高度飛行時(shí)保障其生存性的一項關(guān)鍵技術(shù)，有重要的研究意義。通過(guò)對機器視覺(jué)原理的研究，考慮到支持向量機方法能同時(shí)減小匹配難度和計算量，實(shí)時(shí)性能、泛化性能良好，故采用該方法通過(guò)離線(xiàn)監督學(xué)習，將無(wú)人機前視圖像分割為天空與非天空2部分，并將非天空部分作為需要回避的障礙，實(shí)現無(wú)人機基于視覺(jué)的障礙檢測系統，為后續的視覺(jué)制導提供信息。實(shí)驗結果表明，支持向量機能有效準確地實(shí)現圖像的天空分割，并具有良好的泛化性能。
關(guān)鍵詞：低高度飛行；支持向量機；圖像分割；障礙檢測

0 引言
美國軍方將地形跟隨飛行分為3類(lèi)低空飛行模式(Low AltitLlde)：低高度飛行(Low Level)、輪廓線(xiàn)飛行(Contour)、貼地飛行(Nap of the Earth)。以上三種低空飛行模式都提供了最低的飛行高度和最大程度的隱蔽性。低高度飛行的主要障礙是環(huán)境中的地形、植被和人工建筑，它通過(guò)在障礙上方飛行回避了障礙，并實(shí)現最低的飛行高度，因此對障礙物的檢測成為低高度飛行中的重點(diǎn)問(wèn)題。
SVM方法是建立在統計學(xué)習理論的VC維理論和結構風(fēng)險最小化原理的基礎上。根據有限樣本信息在模型的復雜性和學(xué)習能力之間尋求最佳折衷，以期獲得最好的泛化能力，它是一種小樣本的機器學(xué)習方法，在減小匹配難度的同時(shí)也大大減小了計算量，可以滿(mǎn)足實(shí)時(shí)性要求。因此本文研究利用這種方法，將無(wú)人機前視圖像分割為天空與非天空2部分，并將非天空部分作為需要回避的障礙。

1 支持向量機基本理論
支持向量機是基于分離超平面的。對任何一套線(xiàn)性可分的數據，存在值ω和b使數據集中的任意數據點(diǎn)x可以用下列公式分割：
y(ω·x)+b>0 (1)
式中：y=1取決于數據點(diǎn)屬于2個(gè)種類(lèi)中哪一類(lèi)(正類(lèi)為+1，負類(lèi)為-1)，當處理一個(gè)有限數據集時(shí)，式(1)可以表述為：

式中：xi是訓練集中的訓練點(diǎn)；x是待分類(lèi)的測試點(diǎn)；αi為權重系數；yi為類(lèi)別。
當數據集線(xiàn)性不可分時(shí)，通過(guò)內積核函數φexample(z)=(z，z2)將數據集非線(xiàn)性地映射到高維特征空間，變?yōu)榫€(xiàn)性可分的數據集，然后在高維特征空間建立一個(gè)不但能將2類(lèi)正確分開(kāi)，而且使分類(lèi)間隔最大的最優(yōu)分類(lèi)面。圖1是支持向量機思想在二維空間中的原理圖。其中，H為最優(yōu)分類(lèi)面；H1，H2分別為過(guò)各類(lèi)樣本中離分類(lèi)線(xiàn)最近的、且平行于分類(lèi)線(xiàn)的直線(xiàn)；H1，H2之間的距離叫作分類(lèi)間隔d。

在高維特征空間中，式(2)變?yōu)椋?br />
如果有一種方式可以在特征空間中直接計算(φ(x)·φ(xi))，就像在原始輸入點(diǎn)函數中一樣，就有可能將2個(gè)步驟融合到一起建立一個(gè)非線(xiàn)性的學(xué)習器，這樣直接計算的方法稱(chēng)為核函數法。核函數定義為：
K(x，xi)=φ(x)·φ(xi) (4)
這樣可以得到SVM分割函數的最終形式：