无人机航拍技术作为近年来逐渐兴起的新型图像采集技术,在交通、摄影、安防、测绘等领域得到了越来越广泛的应用。利用无人机获取道路图像,对路面车辆目标进行准确实时的检测,能够为智能交通系统提供强有力的数据支持,加快智慧城市建设进程。但是,无人机航拍道路图像受车辆尺寸较小、车型数量不均衡、背景复杂多变等因素的制约,现有的目标检测方法难以实现实时准确的检测。因此,本文提出了一种基于深度学习的多尺度特征融合车辆检测算法,实现了对复杂交通场景中的小目标车辆的快速准确检测。文章具体包括了以下两个内容:首先,本文对无人机航拍道路场景下的车辆检测任务的难点进行了分析,并针对性地提出了一种基于有锚检测机制的多尺度特征融合车辆检测算法。该算法根据车辆数据的尺寸分布设置了相应的锚框,提高了网络对于小车辆目标的匹配效果。同时,算法使用了多尺度相邻层特征融合架构,为小目标车辆的检测提供了高语义性的特征,改善了网络的特征表达能力。此外,针对训练中出现的样本不均衡问题,本文提出了多损失函数交替训练策略,充分利用不同损失函数的优点来指导网络学习,提高了网络的检测性能。基于以上改进,本算法初步实现了对无人机小目标车辆的准确检测,且速度能够达到实时。其次,针对有锚检测算法存在的锚框设置复杂、匹配计算冗余以及容易出现重框漏框等问题,本文在原有的多尺度车辆检测算法中引入了无锚检测机制,使检测网络不再依赖锚框,更加简单高效。同时,本文利用无锚检测机制的优势进一步改进了多尺度特征融合架构,提高了各类车型的检测精度。实验表明,该无人机车辆检测算法能够在复杂交通场景下对各类车型有效地进行识别,对高清无人机车辆数据集的检测准确率可达95.7%,检测速度可达22FPS。综上所述,本文提出的多尺度特征融合车辆检测算法能够对无人机航拍小目标车辆进行快速准确的识别,且无锚检测机制的引入使该算法能够方便快捷地迁移到其他检测任务中,具备一定的科研与实用价值。