摘要：自主障礙檢測與回避是無人機(jī)低高度飛行時(shí)保障其生存性的一項(xiàng)關(guān)鍵技術(shù)，有重要的研究意義。通過對機(jī)器視覺原理的研究，考慮到支持向量機(jī)方法能同時(shí)減小匹配難度和計(jì)算量，實(shí)時(shí)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(jī)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(shí)現(xiàn)無人機(jī)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(shí)驗(yàn)結(jié)果表明，支持向量機(jī)能有效準(zhǔn)確地實(shí)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(jī)；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(shí)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(diǎn)問題。
SVM方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)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(jī)器學(xué)習(xí)方法，在減小匹配難度的同時(shí)也大大減小了計(jì)算量，可以滿足實(shí)時(shí)性要求。因此本文研究利用這種方法，將無人機(jī)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(jī)基本理論
支持向量機(jī)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(diǎn)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(diǎn)屬于2個(gè)種類中哪一類(正類為+1，負(fù)類為-1)，當(dāng)處理一個(gè)有限數(shù)據(jù)集時(shí)，式(1)可以表述為：

式中：xi是訓(xùn)練集中的訓(xùn)練點(diǎn)；x是待分類的測試點(diǎn)；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(shí)，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(gè)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(jī)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(jì)算(φ(x)·φ(xi))，就像在原始輸入點(diǎn)函數(shù)中一樣，就有可能將2個(gè)步驟融合到一起建立一個(gè)非線性的學(xué)習(xí)器，這樣直接計(jì)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：