摘 要 ：深度学习在计算机目标检测领域近几年突飞猛进，取得了较大的成果。本文总结了迄今为止相关研究成果并分析了主要算法的利弊，从无人机航拍影响数据集和目标检测算法的研究发展趋势出发，分析了无人机航拍的成像特点、相关计算机目标检测算法的存在问题和改进空间。目前，无人机影像目标检测技术正处于快速发展阶段，具有广阔的应用前景和实用价值。
关键字：目标检测;深度学习;计算机视觉;无人机影像
1研究背景及意义
目标检测作为计算机视觉研究领域之一，是热点课题也是重点课题，一直以来受到广大学者的关注和研究。传统的目标检测方式首先从指定的图形上确定几个候选的地区，然后再以滑动的方法对这些地区提取特点，最后利用经过训练的分级器，对所提取的特点加以分组运算。由于采用滑动窗口的区域选择策略没有针对性，且时间复杂性较高，因此窗口多余严重，而手工设计的特征针对多样性的改变也不能很好的鲁棒性，因此传统目标检测算法难以满足发展需求，已经逐步淘汰。
深度学习是计算机学习研究中的全新重要领域，随着学术界对关键技术的进一步深入研究与发展，基于深度学习的目标测试技术也获得了突破性发展。基于学习的目标检测算法利用深度卷积神经网络获取目标特征，在鲁棒性、准确度和检测速度方面均超过了传统算法。深度研究的实质意义上，是指利用建立有很多隐层结构的机器学习模型和海量的训练数据分析，来了解更全面的系统特性，以便于最终提高分析或预测结果的精确度，具有良好的泛化性，相比较传统算法，在完成指定场景下的检测任务具有更好的表现。
随着无人机技术的发展以及安全方面的需求，经常需要利用无人机航拍来进行数据的采集。无人机能够快速的获取大量数据，在农业、军事、建筑、地质等许多领域发挥了重要作用。目前为止，常规图像目标检测技术的发展已经趋向成熟，可无人机航拍时视野广、视角高、天气复杂，其成像不稳定、目标尺度小，难以直接提取影像中的信息特征，深度学习目标检测算法在此领域依旧需要进一步的研究与改进。
2国内外研究现状
2.1目标检测研究现状
目标检测任务是寻找目标在给定图像中的位置并判定目标的归属类别。目标检测技术发展至今已有多年历程，从2001年至2021年目标检测技术发展的线路方案，大致上经过了两个主要发展阶段——基于经典特征信息提取的目标检测时代、以及基于深度学习的目标检测时代。
在深度学习时代以前，早期基于经典特征提取的传统目标检测方式的过程主要包括了三步：候选框生成、特征矢量获取，以及区域划分。候选框生成的主要功能是寻找目标在图片中可能出现的地方，如"感兴趣区域"ROI，并通过更多尺寸的滑动窗口扫描整幅图片;第二阶段需要设计能够捕捉语义信息和鲁棒性的视觉特征用来判别任务目标;第三阶段使用区域分类器，将目标对象与其他类别区分。
近年来，计算机硬件技术的飞速发展为深度卷积神经网络的实现提供了算力保障，基于深度学习的目标检测算法逐步成为目标检测算法的主流。基于深度学习，目标检测分别向两个主要研究方向发展——基于候选区域的算法和基于回归的算法。基于候选区域的算法也叫双阶段目标检测算法，第一阶段是选取候选区域，第二阶段是进行分类和边框位置的回归。双阶段目标检测的代表算法主要有RCNN、Fast RCNN、Faster RCNN等。基于回归的算法又叫单阶段目标检测算法，该算法可以跳过对候选框的选择，直接从卷积网络中预测类别的坐标值和置信度，单阶段目标检测的代表算法主要有YOLO、YOLOv2、YOLOv3、SSD等。基于深度学习的目标检测方法，从结果分析来看，从速度和精度上都大大超越了传统的目标检测方式，并且降低了人为因素，从而拥有卓越的泛化能力，基于深度学习研究目标检测，已逐渐成为主流。
2.2无人机航拍影像的目标检测研究工作现状
无人机因其航拍特殊性，其成像中任务目标广泛较小、大范围拍摄造成的尺度差异悬殊、背景多变，许多已在常规数据集上验证有效的深度学习方法无法直接利用。因此，许多研究针对无人机影像特点改进深度学习模型，以优化小目标检测的精度。现有的目标检测算法在无人机影像上的检测效果仍然不尽理想。对无人机视角下的影像进行检测有以下几方面的研究重点和研究难点：
（1）可用数据集缺乏。虽然无人机技术得到了飞速发展，无人机航拍影像的质量也逐渐提升、种类更加完全，但是还是缺少大范围的无人机航拍公开数据集，无法确保模型的充分训练。
（2）无人机成像目标尺度小。无人机在高空拍摄时，角度高，视野广，而任务目标在成像里往往可能只有数百像素，与全景图像尺寸比很小。
（3） 无人机航拍目标尺度变化大、背景复杂。无人机对地面物体拍摄时的范畴较广并且角度各异，导致图像中涉及的目标角度和尺度差异较大，尤其是随着无人机与目的距离的靠近。
3无人机目标检测研究进展
针对无人机图像中的机场、飞机、汽车等目标识别，属于一种“大范围、小目标”的识别应用，受限于目标尺寸、目标形态改变、背景干扰等各种因素的影响，传统的目标识别方法很难达到较高的準确性，近年来基于深度学习的目标检测方法在无人机技术应用领域取得了一些重要的研究进展。面向无人机图像的深度学习目标识别方法，可以解决在复杂场景下对“大范围、小目标”应用的快速准确定位问题。通过深度学习方法，首先对机场、飞机等目标进行识别，之后再对目标类型进行精细识别。使用候选窗口获取和分类器辨识的识别框架：先通过区域候选计算，获取待辨识的目标区域;在候选范围上使用已经训练好的学习模块，对范围内所包含主要目标类型做出分类辨识。
3.1航空影像数据集现状
无人机航拍影像有其独特显著的特点，在公开的自然情形图像数据集MS COCO等上面做检测任务时取得的效果令人差强人意。