基于支持向量機的無人機視覺障礙檢測

摘要：自主障礙檢測與回避是無人機低高度飛行時保障其生存性的一項關(guān)鍵技術(shù)，有重要的研究意義。通過對機器視覺原理的研究，考慮到支持向量機方法能同時減小匹配難度和計算量，實時性能、泛化性能良好，故采用該方法通過離線監(jiān)督學習，將無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，實現(xiàn)無人機基于視覺的障礙檢測系統(tǒng)，為后續(xù)的視覺制導提供信息。實驗結(jié)果表明，支持向量機能有效準確地實現(xiàn)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類低空飛行模式(Low AltitLlde)：低高度飛行(Low Level)、輪廓線飛行(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，它通過在障礙上方飛行回避了障礙，并實現(xiàn)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問題。
SVM方法是建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化原理的基礎(chǔ)上。根據(jù)有限樣本信息在模型的復雜性和學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習方法，在減小匹配難度的同時也大大減小了計算量，可以滿足實時性要求。因此本文研究利用這種方法，將無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。對任何一套線性可分的數(shù)據(jù)，存在值ω和b使數(shù)據(jù)集中的任意數(shù)據(jù)點x可以用下列公式分割：
y(ω·x)+b>0 (1)
式中：y=1取決于數(shù)據(jù)點屬于2個種類中哪一類(正類為+1，負類為-1)，當處理一個有限數(shù)據(jù)集時，式(1)可以表述為：

式中：xi是訓練集中的訓練點；x是待分類的測試點；αi為權(quán)重系數(shù)；yi為類別。
當數(shù)據(jù)集線性不可分時，通過內(nèi)積核函數(shù)φexample(z)=(z，z2)將數(shù)據(jù)集非線性地映射到高維特征空間，變?yōu)榫€性可分的數(shù)據(jù)集，然后在高維特征空間建立一個不但能將2類正確分開，而且使分類間隔最大的最優(yōu)分類面。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)分類面；H1，H2分別為過各類樣本中離分類線最近的、且平行于分類線的直線；H1，H2之間的距離叫作分類間隔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))，就像在原始輸入點函數(shù)中一樣，就有可能將2個步驟融合到一起建立一個非線性的學習器，這樣直接計算的方法稱為核函數(shù)法。核函數(shù)定義為：
K(x，xi)=φ(x)·φ(xi) (4)
這樣可以得到SVM分割函數(shù)的最終形式：