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鍵技術，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)督學習，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，實現無人機基于視覺的障礙檢測系統，為后續(xù)的視覺制導提供信息。實驗結果表明，支持向量機能有效準確地實現圖像的天空分割，并具有良好的泛化性能。
關鍵詞：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方法是建立在統計學習理論的VC維理論和結構風險最小化原理的基礎上。根據有限樣本信息在模型的復雜性和學習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習方法，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據，存在值ω和b使數據集中的任意數據點x可以用下列公式分割：
    y(ω·x)+b>0     (1)
    式中：y=1取決于數據點屬于2個種類中哪一類(正類為+1，負類為-1)，當處理一個有限數據集時，式(1)可以表述為：
   
    式中：xi是訓練集中的訓練點；x是待分類的測試點；αi為權重系數；yi為類別。
    當數據集線性不可分時，通過內積核函數φexample(z)=(z，z2)將數據集非線性地映射到高維特征空間，變?yōu)榫€性可分的數據集，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習器，這樣直接計算的方法稱為核函數法。核函數定義為：
    K(x，xi)=φ(x)·φ(xi)     (4)
    這樣可以得到SVM分割函數的最終形式：
   
    采用不同的核函數，SVM算法可以構造不同的學習機。這一特點提供了解決算法可能導致“維數災難”問題的方法，即在構造判別函數時，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。常用的核函數有以下幾種：
 

2 支持向量機的障礙檢測算法實現
    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練點，同樣選擇30個非天空像素點作為負類訓練點。
    (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)，因此選擇當前像素點的R，G，B和以當前像素點為中心的3×3方陣的平均Ave R，Ave G，Ave B這6個特征分量。
    (3)利用標記好的樣本對SVM進行訓練，本文選擇C-支持向量分類機，核函數選擇高斯徑向核函數，即K(x，xi)=exp{-|x-xi|2／σ2}，并通過試驗法選擇核函數參數。
    (4)利用訓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)學操作。

3 實驗結果
    不同樣本分布對應不同的SVM模型，因為樣本線性不可分，因此選擇C-SVM進行訓練。核函數參數的選擇也會影響分割效果，不同參數情況下圖像分割結果如圖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，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。然而當訓練集線性不可分時，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)超平面與最近的訓練樣本之間的距離最大，與錯分樣本數最少之間進行折衷，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)學操作，得到障礙檢測結果圖如圖8所示。

    圖8中黑色聯通部分即為無人機低高度飛行的安全區(qū)域，下面白色聯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)的無人機視覺制導障礙回避做好了準備工作。不同于傳統的模式識別方法，支持向量機不是以假設樣本數目無窮大為前提進行研究的，其理論基礎統計學習理論是專門針對小樣本統計理論的，因此在有限樣本情況下表現出良好性能，并且計算速度快，實時性好。

4 結語
    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無人機視覺障礙檢測。該算法結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)無人機視覺制導提供有用信息。