无人机航拍图像的小目标检测算法研究.pdf

无人机航拍图像的小目标检测算法研究

摘要

随着计算机视觉技术以及无人机技术的发展，无人机航拍检测技术在各项任务中

发挥着至关重要的作用。然而，一方面航拍图像容易受外部环境的影响，导致图像质

量严重下降；另一方面其具有目标小、分布密集和背景复杂等特点，导致目标检测准

确率低，存在误检、漏检等情况。鉴于此，本文基于深度学习的方法，主要做了如下

研究：

针对航拍图像容易受外部环境影响导致图像模糊的问题，采用了一种基于优化

GAN的图像去模糊算法——GAN-MS算法(GANMulti-scale)。首先，针对单尺度的网

络关注的图像特征具有局限性的问题，本文算法选择多尺度递归网络为基础架构提升

网络特征提取能力，进而更精准地复原图像细节和纹理；其次，针对多尺度算法子网

络堆叠，产生较高的计算成本的问题，引入跳跃连接来融合多尺度特征；然后，针对

子网络感受野受限问题，引入了空洞残差模块和上下文模块扩大网络的感受野从而提

升特征提取能力，加强对图像的整体结构的理解；最后，对判别器中的激活函数和归

一化方法做出优化，提升网络的泛化能力、训练效率及对图像细节判断能力。

针对航拍图像目标小、特征少等特点，采用了一种基于优化YOLOv5的小目标检

测模型——RBN-YOLOv5模型(RepVGG-BiFormer-NWDYOLOv5)。首先，针对采样层

数加深导致小目标特征信息丢失的问题，本文算法增加小目标检测层以更加明确的小

C3

目标特征信息；其次，针对原网络模块在小目标检测上面临的局部细节捕捉不足、

泛化能力弱以及处理密集小目标时会遇到特征稀疏的问题等，本文算法利用改进的

RepVGG模块融合进残差块设计了C3RepBlock模块来代替C3模块，并且引入了

BiFormer注意力机制。C3RepBlock模块具有跨阶段局部融合的特性，可以提高网络的

感受野和局部细节捕捉能力；BiFormer注意力机制能够在特征图上实现关联内容选择

的局部优化，对小目标检测能力的提升效果明显；最后，采用基于NWD方法改进损

IoU

失函数来代替交并比（）度量损失函数，解决了其在小目标检领域敏感度低、评估

不充分等问题。

关键词：图像复原；小目标检测；GAN；YOLOv5；多尺度

无人机航拍图像的小目标检测算法研究

ABSTRACT

Withthedevelopmentofcomputervisiontechnologyanddronetechnology,droneaerial

photographydetectiontechnologyplaysavitalroleinvarioustasks.However,ontheone

hand,aerialimagesareeasilyaffectedbytheexternalenvironment,resultinginaserious

degradationofimagequality.Ontheotherhand,ithasthecharacteristicsofsmalltarget,

densedistributionandcomplexbackground,whichleadstolowaccuracyoftargetdetection,

falsedetection,misseddetection,etc.Inviewofthis,basedonthemethodofdeeplearning,

mainlydoesthefollowingresearch:

Inordertosolvetheproblemthataerialimagesareeasilyblurredduetoexternal

environmentalinfluences,animagedeblurring