基于支持向量机的无人机视觉障碍检测
采用不同的核函数，SVM算法可以构造不同的学习机。这一特点提供了解决算法可能导致“维数灾难”问题的方法，即在构造判别函数时，不是先对输入空间样本作非线性变换，再在特征空间中求解，而是先在输入空间比较向量(例如，求点积或是某种距离)，再对结果进行非线性变换。这样，大的工作量就可以在输入空间中完成，而不需要在高维特征空间中进行。常用的核函数有以下几种：
2 支持向量机的障碍检测算法实现
图像分割的核心就是要从整幅图像中划分出感兴趣的目标区域，所以图像分割可以看成是一个分类问题，考虑用支持向量机方法来解决图像分割问题。将分割问题转化为分类问题是本文算法的特点，本文利用支持向量机将无人机飞行试验时机载摄像机拍摄到的图像帧分为天空和非天空两部分，图2为支持向量机训练点采集图，图3是从无人机机载摄像机拍摄的视频流中提取的一帧图像。本文引用地址：http://www.eepw.com.cn/article/194144.htm
(1)通过观察，在图2中随机选择30个天空像素点作为正类训练点，同样选择30个非天空像素点作为负类训练点。
(2)选择输入空间的特征向量，考虑到每一个像素点既有颜色特征(即它的RGB值)，也有它的空间特征(即它处于空间中的位置，或者说它周围像素点信息)，因此选择当前像素点的R，G，B和以当前像素点为中心的3×3方阵的平均Ave R，Ave G，Ave B这6个特征分量。
(3)利用标记好的样本对SVM进行训练，本文选择C-支持向量分类机，核函数选择高斯径向核函数，即K(x，xi)=exp{-|x-xi|2／σ2}，并通过试验法选择核函数参数。
(4)利用训练好的支持向量机对图3进行分割，得到分割效果图。
(5)对分割效果图进行形态学操作。
评论