张 莹，刘子龙，万 伟

(上海理工大学 光电信息与计算机工程学院,上海 200093)

随着计算机视觉技术的快速发展，民用和军用方面的高精度目标检测研究需求逐渐增多，具有目标检测功能的无人机巡检系统逐渐成为新的研究热点。但是无人机视角下的车辆目标中，小目标数量较大，在车辆密集场景下会出现多重叠目标、不完整目标，导致无人机车辆目标检测精度不高。本文以现阶段目标检测算法为基础，提出一种基于无人机平台的车辆目标检测解决方案，进而实现多目标发现、处理和检测。

近年来，深度学习在计算机视觉领域得到了越来越多的关注。利用深度学习进行目标检测与识别已经成为主流方法[1]。常见的用于目标检测的算法包括以YOLO(You Only Look Once)[2-4]系列算法、SSD(Single Shot Multi Box Detector)[5]算法为代表的一阶段检测算法和以R-CNN(Regions with Convolutional Neural Network)[6-8]系列为代表的二阶段检测算法。一阶段的检测算法运算速度较快，但检测精度较差，尤其是对于小目标的检测精度较低，因此在小目标较多的场景下的无人机车辆目标检测应用中，该系列算法效果欠佳。二阶段的检测算法具有较高的检测精度，更适于在多场景下的无人机车辆检测任务。

1 无人机车辆目标检测模型

本文针对无人机物体检测任务，选择Faster R-CNN(Faster Regions with Convolutional Neural Network)作为基础检测算法，并对其进行优化。本文选择Faster R-CNN网络模型为基础算法的原因为：(1) Faster R-CNN模型是高精度检测算法的代表；(2)Faster R-CNN模型将Selective Search算法改进为RPN(Region Proposal Network)网络，提升了检测速度，且Fast R-CNN网络和RPN网络共享特征参数，可进一步提升检测速度。……