基于支持向量機(jī)的無(wú)人機(jī)視覺(jué)障礙檢測(cè)
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(jī)。這一特點(diǎn)提供了解決算法可能導(dǎo)致“維數(shù)災(zāi)難”問(wèn)題的方法，即在構(gòu)造判別函數(shù)時(shí)，不是先對(duì)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(diǎn)積或是某種距離)，再對(duì)結(jié)果進(jìn)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(jìn)行。常用的核函數(shù)有以下幾種：
2 支持向量機(jī)的障礙檢測(cè)算法實(shí)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(biāo)區(qū)域，所以圖像分割可以看成是一個(gè)分類問(wèn)題，考慮用支持向量機(jī)方法來(lái)解決圖像分割問(wèn)題。將分割問(wèn)題轉(zhuǎn)化為分類問(wèn)題是本文算法的特點(diǎn)，本文利用支持向量機(jī)將無(wú)人機(jī)飛行試驗(yàn)時(shí)機(jī)載攝像機(jī)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(jī)訓(xùn)練點(diǎn)采集圖，圖3是從無(wú)人機(jī)機(jī)載攝像機(jī)拍攝的視頻流中提取的一幀圖像。本文引用地址：http://www.2s4d.com/article/194144.htm
(1)通過(guò)觀察，在圖2中隨機(jī)選擇30個(gè)天空像素點(diǎn)作為正類訓(xùn)練點(diǎn)，同樣選擇30個(gè)非天空像素點(diǎn)作為負(fù)類訓(xùn)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)它周圍像素點(diǎn)信息)，因此選擇當(dāng)前像素點(diǎn)的R，G，B和以當(dāng)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(biāo)記好的樣本對(duì)SVM進(jìn)行訓(xùn)練，本文選擇C-支持向量分類機(jī)，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(guò)試驗(yàn)法選擇核函數(shù)參數(shù)。
(4)利用訓(xùn)練好的支持向量機(jī)對(duì)圖3進(jìn)行分割，得到分割效果圖。
(5)對(duì)分割效果圖進(jìn)行形態(tài)學(xué)操作。
評(píng)論