牛轶峰,朱宇亭,李宏男,王 菖,吴立珍

(国防科技大学 智能科学学院,湖南 长沙 410073)

无人机对地面车辆等运动目标的侦察与监视作为无人机系统典型任务之一得到了广泛关注[1]，目前通常由任务控制站操作员进行人工目标判读与识别，需要应用自动目标识别算法，以提高目标识别精度，降低人的负担。尽管基于图像的车辆目标识别与跟踪方法已有大量研究，但是大多研究均是对水平方向或在斜上方固定视角(如道路监控)拍摄的车辆图像进行检测和识别，这些成像条件下的目标检测识别与固定翼无人机在高空快速飞行成像条件不太相同。无人机在高空拍摄车辆目标时会存在不同视角(如不同角度下的俯视视角)，而且无人机本身处于飞行运动中，因此获得的目标图像会受到光照、抖动、运动模糊等因素影响，使得传统基于灰度等特征的方法不够稳定，给检测识别过程带来困难[2]；此外，目前无人机俯视视角下的样本数据较少，在很多军事任务中难以获取大量目标样本用于训练。因此，研究如何在小样本下实现对目标检测识别是一个有重要意义的科学问题。

近年来，深度学习方法在目标检测领域表现远超传统检测方法，如R-CNN[3]、Faster R-CNN[4]、YOLO[5]、SSD[6]、Cascaded R-CNN[7]、RefineDet[8]、SNIP[9]等算法在检测准确率和速度上都远超一些传统检测方法，因此被广泛用于无人机目标感知任务中。然而，基于深度学习的方法需要大量样本数据训练，这在目标常见且样本充足情况下可行，但对于一些样本较少的特殊目标就难用这种方法取得好的检测效果，例如，实际应用中由于各种原因往往难以获取大量无人机俯视下的军事目标数据，不宜进行大量标定，以致难以达到满意的训练及检测效果。……