7、无人机视觉的高级目标检测方法

无人机视觉的高级目标检测方法

1. 引言

无人机（UAV）在公共和私营部门的应用日益广泛。政府将其用于军事监视、地理勘测、濒危物种监测和救援行动等；私营部门则用于摄影、货物配送和农业监测等。例如，农业中无人机可借助LiDAR技术测量作物高度，配备热传感器的无人机能检测牲畜体温或水源温度。大型公司如亚马逊、谷歌等也开始利用无人机进行货物配送。

为确保众多无人机同时运行时的协调和有序，需要一个明确的架构——无人机互联网（IoD）。它包含一套规则和词汇，如空域、航线、交叉口、节点、区域、门等，用于无人机的交通控制。无人机视觉对于无人机的目标跟踪、自主导航、障碍物检测和避障能力至关重要。深度学习（DL）技术在无人机视觉中的应用，为这些能力的实现提供了强大支持。

2. 文献综述

在目标检测应用中，YOLO、Faster R - CNN和SSD等模型得到了广泛应用。在人脸识别领域，Jiang等人使用Faster R - CNN在WIDER数据集上取得了先进的准确率；Wang等人通过修改损失函数和多尺度训练等方法，在WIDER和FDDB数据集上也取得了很好的效果；Zhang等人使用ResNet101作为基础网络，结合轻量级Faster R - CNN和投票集成预测技术进行人脸识别。此外，YOLO和SSD也被用于人脸识别。

在道路行业，这些算法同样表现出色。Xu等人使用配备VGG16基础网络的Faster R - CNN，通过无人机检测道路上的移动车辆，在光照变化环境下也能成功检测，且性能优于ViBe、帧差法等传统算法。Müller等人使用SSD检测小目标（如交通灯），Zuo等人使用Faster R - CNN检测交通标志，Lin等人使用YOLO进行车