基于支持向量機的無人機視覺障礙檢測
加入技術(shù)交流群
采用不同的核函數(shù)，SVM算法可以構(gòu)造不同的學(xué)習(xí)機。這一特點提供了解決算法可能導(dǎo)致“維數(shù)災(zāi)難”問題的方法，即在構(gòu)造判別函數(shù)時，不是先對輸入空間樣本作非線性變換，再在特征空間中求解，而是先在輸入空間比較向量(例如，求點積或是某種距離)，再對結(jié)果進行非線性變換。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行。常用的核函數(shù)有以下幾種：
2 支持向量機的障礙檢測算法實現(xiàn)
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(qū)域，所以圖像分割可以看成是一個分類問題，考慮用支持向量機方法來解決圖像分割問題。將分割問題轉(zhuǎn)化為分類問題是本文算法的特點，本文利用支持向量機將無人機飛行試驗時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(xùn)練點采集圖，圖3是從無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://butianyuan.cn/article/194144.htm
(1)通過觀察，在圖2中隨機選擇30個天空像素點作為正類訓(xùn)練點，同樣選擇30個非天空像素點作為負類訓(xùn)練點。
(2)選擇輸入空間的特征向量，考慮到每一個像素點既有顏色特征(即它的RGB值)，也有它的空間特征(即它處于空間中的位置，或者說它周圍像素點信息)，因此選擇當(dāng)前像素點的R，G，B和以當(dāng)前像素點為中心的3×3方陣的平均Ave R，Ave G，Ave B這6個特征分量。
(3)利用標記好的樣本對SVM進行訓(xùn)練，本文選擇C-支持向量分類機，核函數(shù)選擇高斯徑向核函數(shù)，即K(x，xi)=exp{-|x-xi|2／σ2}，并通過試驗法選擇核函數(shù)參數(shù)。
(4)利用訓(xùn)練好的支持向量機對圖3進行分割，得到分割效果圖。
(5)對分割效果圖進行形態(tài)學(xué)操作。
評論