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
3 實(shí)驗(yàn)結(jié)果
不同樣本分布對(duì)應(yīng)不同的SVM模型，因?yàn)闃颖揪€性不可分，因此選擇C-SVM進(jìn)行訓(xùn)練。核函數(shù)參數(shù)的選擇也會(huì)影響分割效果，不同參數(shù)情況下圖像分割結(jié)果如圖4所示。從上述這些圖可以看出，σ的取值直接影響圖像分割的效果，在一定的范圍內(nèi)，σ取值越小，分割效果越好，如果σ過(guò)小，會(huì)使分割效果變壞，如圖5所示。然而當(dāng)訓(xùn)練集線性不可分時(shí)，分類(lèi)超平面存在錯(cuò)分，懲罰因子c控制對(duì)錯(cuò)分樣本的懲罰程度，c越大，對(duì)錯(cuò)分的懲罰越重，它在最優(yōu)超平面與最近的訓(xùn)練樣本之間的距離最大，與錯(cuò)分樣本數(shù)最少之間進(jìn)行折衷，直接影響著分類(lèi)器的容量，從而影響著分類(lèi)器的泛化性能。隨著c的增大，對(duì)錯(cuò)分樣本的懲罰增大，錯(cuò)分樣本減少，分類(lèi)間隔減小，分類(lèi)器的VC維增大，分類(lèi)器的泛化性能變差；隨著c的減小，對(duì)錯(cuò)分樣本的懲罰減小，錯(cuò)分樣本增多，分類(lèi)間隔增大，分類(lèi)器的VC維減小，分類(lèi)器的泛化性能也變差。因此，c的取值不宜太大，也不宜太小。當(dāng)c=1，σ=0．000 5時(shí)，分割效果較為理想，非天空區(qū)域中的黑色部分原圖中白色墻壁反光造成的，如圖7所示。本文引用地址：http://2s4d.com/article/194144.htm
對(duì)圖7的分割效果圖進(jìn)行形態(tài)學(xué)操作，得到障礙檢測(cè)結(jié)果圖如圖8所示。
圖8中黑色聯(lián)通部分即為無(wú)人機(jī)低高度飛行的安全區(qū)域，下面白色聯(lián)通域即為需要回避的障礙，這樣就成功快速地檢測(cè)到了障礙，為后續(xù)的無(wú)人機(jī)視覺(jué)制導(dǎo)障礙回避做好了準(zhǔn)備工作。不同于傳統(tǒng)的模式識(shí)別方法，支持向量機(jī)不是以假設(shè)樣本數(shù)目無(wú)窮大為前提進(jìn)行研究的，其理論基礎(chǔ)統(tǒng)計(jì)學(xué)習(xí)理論是專(zhuān)門(mén)針對(duì)小樣本統(tǒng)計(jì)理論的，因此在有限樣本情況下表現(xiàn)出良好性能，并且計(jì)算速度快，實(shí)時(shí)性好。
4 結(jié)語(yǔ)
本文使用具有小樣本分類(lèi)優(yōu)勢(shì)的支持向量機(jī)對(duì)未知環(huán)境圖像進(jìn)行分割實(shí)現(xiàn)無(wú)人機(jī)視覺(jué)障礙檢測(cè)。該算法結(jié)合了圖像空間彩色信息將圖像中的感興趣區(qū)域和非感興趣區(qū)域區(qū)別開(kāi)，體現(xiàn)了支持向量機(jī)在圖像分割中的優(yōu)越性能。實(shí)驗(yàn)表明，支持向量機(jī)圖像分割方法可以有效準(zhǔn)確地檢測(cè)出無(wú)人機(jī)低高度飛行中的障礙，為后續(xù)無(wú)人機(jī)視覺(jué)制導(dǎo)提供有用信息。
評(píng)論