摘要：自主障礙檢測與回避是無人機低高度飛行時保障其生存性的一項關(guān)鍵技術(shù)，有重要的研究意義。通過對機器視覺原理的研究，考慮到支持向量機方法能同時減小匹配難度和計算量，實時性能、泛化性能良好，故采用該方法通過離線監(jiān)督學(xué)習(xí)，將無人機前視圖像分割為天空與非天空2部分，并將非天空部分作為需要回避的障礙，實現(xiàn)無人機基于視覺的障礙檢測系統(tǒng)，為后續(xù)的視覺制導(dǎo)提供信息。實驗結(jié)果表明，支持向量機能有效準(zhǔn)確地實現(xiàn)圖像的天空分割，并具有良好的泛化性能。
關(guān)鍵詞：低高度飛行；支持向量機；圖像分割；障礙檢測

0 引言
     美國軍方將地形跟隨飛行分為3類低空飛行模式(Low AltitLlde)：低高度飛行(Low Level)、輪廓線飛行(Contour)、貼地飛行(Nap of the Earth)。以上三種低空飛行模式都提供了最低的飛行高度和最大程度的隱蔽性。低高度飛行的主要障礙是環(huán)境中的地形、植被和人工建筑，它通過在障礙上方飛行回避了障礙，并實現(xiàn)最低的飛行高度，因此對障礙物的檢測成為低高度飛行中的重點問題。
    SVM方法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理的基礎(chǔ)上。根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的泛化能力，它是一種小樣本的機器學(xué)習(xí)方法，在減小匹配難度的同時也大大減小了計算量，可以滿足實時性要求。因此本文研究利用這種方法，將無人機前視圖像分割為天空與非天空2部分，并將非天空部分作為需要回避的障礙。

1 支持向量機基本理論
    支持向量機是基于分離超平面的。對任何一套線性可分的數(shù)據(jù)，存在值ω和b使數(shù)據(jù)集中的任意數(shù)據(jù)點x可以用下列公式分割：
    y(ω·x)+b>0     (1)
    式中：y=1取決于數(shù)據(jù)點屬于2個種類中哪一類(正類為+1，負類為-1)，當(dāng)處理一個有限數(shù)據(jù)集時，式(1)可以表述為：
   
    式中：xi是訓(xùn)練集中的訓(xùn)練點；x是待分類的測試點；αi為權(quán)重系數(shù)；yi為類別。
    當(dāng)數(shù)據(jù)集線性不可分時，通過內(nèi)積核函數(shù)φexample(z)=(z，z2)將數(shù)據(jù)集非線性地映射到高維特征空間，變?yōu)榫€性可分的數(shù)據(jù)集，然后在高維特征空間建立一個不但能將2類正確分開，而且使分類間隔最大的最優(yōu)分類面。圖1是支持向量機思想在二維空間中的原理圖。其中，H為最優(yōu)分類面；H1，H2分別為過各類樣本中離分類線最近的、且平行于分類線的直線；H1，H2之間的距離叫作分類間隔d。

    在高維特征空間中，式(2)變?yōu)椋?br />    
    如果有一種方式可以在特征空間中直接計算(φ(x)·φ(xi))，就像在原始輸入點函數(shù)中一樣，就有可能將2個步驟融合到一起建立一個非線性的學(xué)習(xí)器，這樣直接計算的方法稱為核函數(shù)法。核函數(shù)定義為：
    K(x，xi)=φ(x)·φ(xi)     (4)
    這樣可以得到SVM分割函數(shù)的最終形式：
   
    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(biāo)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。

    (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(biāo)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。

3 實驗結(jié)果
    不同樣本分布對應(yīng)不同的SVM模型，因為樣本線性不可分，因此選擇C-SVM進行訓(xùn)練。核函數(shù)參數(shù)的選擇也會影響分割效果，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過小，會使分割效果變壞，如圖5所示。然而當(dāng)訓(xùn)練集線性不可分時，分類超平面存在錯分，懲罰因子c控制對錯分樣本的懲罰程度，c越大，對錯分的懲罰越重，它在最優(yōu)超平面與最近的訓(xùn)練樣本之間的距離最大，與錯分樣本數(shù)最少之間進行折衷，直接影響著分類器的容量，從而影響著分類器的泛化性能。隨著c的增大，對錯分樣本的懲罰增大，錯分樣本減少，分類間隔減小，分類器的VC維增大，分類器的泛化性能變差；隨著c的減小，對錯分樣本的懲罰減小，錯分樣本增多，分類間隔增大，分類器的VC維減小，分類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，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。

    對圖7的分割效果圖進行形態(tài)學(xué)操作，得到障礙檢測結(jié)果圖如圖8所示。

    圖8中黑色聯(lián)通部分即為無人機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到了障礙，為后續(xù)的無人機視覺制導(dǎo)障礙回避做好了準(zhǔn)備工作。不同于傳統(tǒng)的模式識別方法，支持向量機不是以假設(shè)樣本數(shù)目無窮大為前提進行研究的，其理論基礎(chǔ)統(tǒng)計學(xué)習(xí)理論是專門針對小樣本統(tǒng)計理論的，因此在有限樣本情況下表現(xiàn)出良好性能，并且計算速度快，實時性好。

4 結(jié)語
    本文使用具有小樣本分類優(yōu)勢的支持向量機對未知環(huán)境圖像進行分割實現(xiàn)無人機視覺障礙檢測。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，體現(xiàn)了支持向量機在圖像分割中的優(yōu)越性能。實驗表明，支持向量機圖像分割方法可以有效準(zhǔn)確地檢測出無人機低高度飛行中的障礙，為后續(xù)無人機視覺制導(dǎo)提供有用信息。