随着无人机技术的发展,航拍作为一种新型的图像获取方式逐渐成为人类采集数据和理解世界的重要方式。航拍车辆实时检测便是航拍技术的一个重要应用方向,它作为智能交通系统的重要环节能够对实时路况的获取、高速公路巡查、违章停车处理等起到重要作用。航拍图像中的车辆目标具有尺度较小且容易受道路环境的遮挡等特殊性,因此直接利用经典的目标检测算法难以取得较好的检测效果。而目前对航拍车辆的检测大多采用比较复杂的算法来提高检测准确率,难以满足实际应用中实时检测的需求。本文针对航拍场景中的车辆目标提出了一种基于深度学习的航拍车辆实时检测方法,该方法能够在保持实时性的前提下实现对航拍车辆目标的精确检测。本文主要工作包括以下两方面:首先,针对航拍场景下的车辆检测问题,本文提出了一种基于多尺度特征融合的航拍车辆实时检测方法。经典目标检测网络模型中的多尺度特征表达在各尺度下具有不同的语义性和空间分辨率。本文利用多尺度特征融合的思想,将网络深层包含上下文信息的高语义性特征和浅层包含目标自身细节信息的高分辨率特征有效结合在一起,在网络内部构建具有高语义性的多尺度特征金字塔,从而提高对航拍车辆目标(尤其是小目标及遮挡目标)的检测效果。同时,该方法对航拍车辆数据集分布和网络内部的实际感受域进行分析,提出了一种网络默认候选框的设置方法,通过设置合适的默认候选框提高网络的检测性能。该方法较好地解决了由于航拍车辆尺度小、容易被遮挡等所带来的检测问题,能够实现对航拍车辆目标的实时准确检测。其次,基于多尺度特征融合的航拍车辆检测算法中存在困难样本检测准确率不高所带来的误检和虚警等问题。本文针对这一问题提出了基于多损失函数交替训练的难易样本平衡策略,通过结合经典交叉熵损失函数和焦点损失函数的优点,在训练时使得简单样本和困难样本均能得到充分的训练,从而使模型学习到更加具有判别性的特征表达。实验表明该策略能够在保证简单样本高检测精度的同时大幅度提高困难样本的检测准确率,从而提高整个模型的检测性能。综上所述,本文所提出的航拍车辆实时检测方法在图像检测中能够达到较好的检测效果,同时能够满足对视频进行实时检测的需求。此外,本文所采集并标注的航拍车辆数据集可用于航拍车辆检测研究等相关领域,具有一定的理论研究价值与实际应用价值。