无人机最开始被用于军事领域,替代士兵执行危险的任务。近年来,旋翼式小型无人机在民用领域的应用日趋广泛,无人机在农业、电力、环保、测绘、摄影等行业扮演着越来越重要的角色。旋翼式小型无人机往往在低空飞行,极有可能与人流、建筑、树木、车辆等发生碰撞,给无人机自身造成损坏。如何主动识别感知这些低空障碍物并灵活地规避它们成为了研究的热点。一些研究者将成熟的雷达探测、激光测量技术应用到四旋翼无人机上,但是却遇到难以小型化、耗电量高、实时性差的困难。针对旋翼式小型无人机避障的重要性和雷达、激光技术的难点,本课题以计算机视觉技术为基础研究无人机的障碍物自主感知、实时跟踪和避让路径规划。课题以大疆无人机具备的“智能跟随车辆”功能作为切入场景,研究该场景下无人机如何自主检测与实时跟踪被跟随车辆,并避免与被跟随车辆发生碰撞。本文的主要工作如下:（1）针对被跟随车辆的自主检测与实时跟踪,本文重点调研了R-CNN系列和YOLO系列目标检测算法,以及KCF目标跟踪算法。受视频压缩技术启发,将检测精度高的YOLOv4与跟踪速度快的KCF结合起来,使它们能够充分发挥各自的优势,扬长避短。通过实验,确定了YOLOv4与KCF的最佳结合间隔,在仅牺牲少量检测精度的情况下,使实时跟踪性能获得将近3倍的提升。（2）针对碰撞威胁识别,本文以双目视觉测距原理为基础,测量被跟随车辆与双目摄像头的距离。距离测量时复用了目标检测的结果,将左右视图车辆检测矩形框中心点作为近似匹配点来计算双目视差,几乎零耗时地完成了距离测量任务。对采集的实验数据进行统计分析,最终选定的预警距离能够做到正确报警和少报虚警。（3）为了解除碰撞风险,本文结合“智能跟随车辆”的场景特色,为无人机定制了节能高效的悬停、偏离避让算法,所规划的避让路径能够在节能的前提下达成解除碰撞威胁的目标。