基于支持向量机的无人机视觉障碍检测
3 实验结果
不同样本分布对应不同的SVM模型，因为样本线性不可分，因此选择C-SVM进行训练。核函数参数的选择也会影响分割效果，不同参数情况下图像分割结果如图4所示。从上述这些图可以看出，σ的取值直接影响图像分割的效果，在一定的范围内，σ取值越小，分割效果越好，如果σ过小，会使分割效果变坏，如图5所示。然而当训练集线性不可分时，分类超平面存在错分，惩罚因子c控制对错分样本的惩罚程度，c越大，对错分的惩罚越重，它在最优超平面与最近的训练样本之间的距离最大，与错分样本数最少之间进行折衷，直接影响着分类器的容量，从而影响着分类器的泛化性能。随着c的增大，对错分样本的惩罚增大，错分样本减少，分类间隔减小，分类器的VC维增大，分类器的泛化性能变差；随着c的减小，对错分样本的惩罚减小，错分样本增多，分类间隔增大，分类器的VC维减小，分类器的泛化性能也变差。因此，c的取值不宜太大，也不宜太小。当c=1，σ=0．000 5时，分割效果较为理想，非天空区域中的黑色部分原图中白色墙壁反光造成的，如图7所示。本文引用地址：//m.amcfsurvey.com/article/194144.htm
对图7的分割效果图进行形态学操作，得到障碍检测结果图如图8所示。
图8中黑色联通部分即为无人机低高度飞行的安全区域，下面白色联通域即为需要回避的障碍，这样就成功快速地检测到了障碍，为后续的无人机视觉制导障碍回避做好了准备工作。不同于传统的模式识别方法，支持向量机不是以假设样本数目无穷大为前提进行研究的，其理论基础统计学习理论是专门针对小样本统计理论的，因此在有限样本情况下表现出良好性能，并且计算速度快，实时性好。
4 结语
本文使用具有小样本分类优势的支持向量机对未知环境图像进行分割实现无人机视觉障碍检测。该算法结合了图像空间彩色信息将图像中的感兴趣区域和非感兴趣区域区别开，体现了支持向量机在图像分割中的优越性能。实验表明，支持向量机图像分割方法可以有效准确地检测出无人机低高度飞行中的障碍，为后续无人机视觉制导提供有用信息。
评论