基于支持向量機的無(wú)人機視覺(jué)障礙檢測
加入技術(shù)交流群
采用不同的核函數，SVM算法可以構造不同的學(xué)習機。這一特點(diǎn)提供了解決算法可能導致“維數災難”問(wèn)題的方法，即在構造判別函數時(shí)，不是先對輸入空間樣本作非線(xiàn)性變換，再在特征空間中求解，而是先在輸入空間比較向量(例如，求點(diǎn)積或是某種距離)，再對結果進(jìn)行非線(xiàn)性變換。這樣，大的工作量就可以在輸入空間中完成，而不需要在高維特征空間中進(jìn)行。常用的核函數有以下幾種：
2 支持向量機的障礙檢測算法實(shí)現
圖像分割的核心就是要從整幅圖像中劃分出感興趣的目標區域，所以圖像分割可以看成是一個(gè)分類(lèi)問(wèn)題，考慮用支持向量機方法來(lái)解決圖像分割問(wèn)題。將分割問(wèn)題轉化為分類(lèi)問(wèn)題是本文算法的特點(diǎn)，本文利用支持向量機將無(wú)人機飛行試驗時(shí)機載攝像機拍攝到的圖像幀分為天空和非天空兩部分，圖2為支持向量機訓練點(diǎn)采集圖，圖3是從無(wú)人機機載攝像機拍攝的視頻流中提取的一幀圖像。本文引用地址：http://dyxdggzs.com/article/194144.htm
(1)通過(guò)觀(guān)察，在圖2中隨機選擇30個(gè)天空像素點(diǎn)作為正類(lèi)訓練點(diǎn)，同樣選擇30個(gè)非天空像素點(diǎn)作為負類(lèi)訓練點(diǎn)。
(2)選擇輸入空間的特征向量，考慮到每一個(gè)像素點(diǎn)既有顏色特征(即它的RGB值)，也有它的空間特征(即它處于空間中的位置，或者說(shuō)它周?chē)袼攸c(diǎn)信息)，因此選擇當前像素點(diǎn)的R，G，B和以當前像素點(diǎn)為中心的3×3方陣的平均Ave R，Ave G，Ave B這6個(gè)特征分量。
(3)利用標記好的樣本對SVM進(jìn)行訓練，本文選擇C-支持向量分類(lèi)機，核函數選擇高斯徑向核函數，即K(x，xi)=exp{-|x-xi|2／σ2}，并通過(guò)試驗法選擇核函數參數。
(4)利用訓練好的支持向量機對圖3進(jìn)行分割，得到分割效果圖。
(5)對分割效果圖進(jìn)行形態(tài)學(xué)操作。
評論