违建和地质灾害等问题一直备受关注。传统的人工巡查受限于人力资源以及信息获取途径,工作效率低。无人机作为检测飞行平台,因其具有灵活性强、分辨率高且效率高等优点,在巡检领域有着非常广泛的应用。本文主要研究基于多旋翼无人机机载视觉系统的地面行人和车辆等动态目标的识别和地貌图像更新方法。针对多旋翼无人机采集视频中的地面目标识别问题,本文提出了一种以YOLOv3为基础的改进算法。虽然YOLOv3算法速度快、精度高,但是其参数量很大,在实际应用时模型加载耗费的时间很长。因此如果将YOLOv3直接应用到无人机等计算资源受限的设备上,实时性根本无法保证,所以需要对YOLOv3网络模型进行压缩。本文以YOLOv3为基础,对YOLOv3网络进行稀疏化训练和模型剪枝,在保证精度的情况下对网络进行压缩,以达到轻量化的目标;此外测试中引入GIoU、mAP和F1等评价目标检测性能的指标来衡量YOLOv3及相应剪枝模型的性能。对于地貌图像的更新,本文先是通过多旋翼无人机航拍获得正射图像,再使用地面站手动完成航测区域指定任务,即设置航测的面积和形状,以指导无人机按照设定轨迹执行飞行任务。将含有数字高程信息的影像数据嵌入卫星地图,可实现检测区域图像与原有卫星地图特征的直观对比,并以此为基础采用FLANN单应性匹配器将无人机采集的地貌视频帧与全景图进行匹配,然后将采集到的图像更新到上一次任务生成的全景图中。无人机地面目标识别与地貌图像更新研究实现了地面目标的识别与地貌正射图像的逐次更新。本文以搭载视觉相机的多旋翼无人机加载视觉相机为实验平台,采集地面行人、车辆等动态目标,并通过实验验证了YOLOv3改进模型可以提高目标检测效率。在对精度影响不大的情况下,剪枝后的模型参数量减少了53%左右,缩短了学习网络推理时间。此外,通过全景图匹配实验表明本文所提方法可用于地貌图像的更新。