近几年来低空无人机发展迅猛。随着低空无人机悬停、续航、图像云台技术的成熟,一大批基于无人机的行业应用随之诞生,与此同时随着计算机视觉技术与机器学习技术的兴起,对目标的检测与跟踪能力也越来也强,将两者结合起来运用于城市道路下的车辆检测与跟踪有很强的实际应用场景。同时该研究切合当下智能交通与城市的热点,是未来的趋势所在。研究的难点在于既要在无人机这样的轻负载的移动平台下进行图像采集,又要在算法上处理移动背景下的特定运动目标检测与跟踪,同时要克服机载计算设备运算能力较弱的缺点,在快速性和效率上有较高的要求,是一个很有挑战的课题。本文介绍了如何搭建低空无人机图像采集平台和机载计算平台,通过组装好的系统采集实际城市交通路况下的视频素材,对采集到图像进行分析处理,用计算机图形学和机器学习的方法对车辆目标的检测和跟踪算法进行研究,通过实际飞行试验检验了所提出算法策略的有效性。在应用层面上可以实现低成本且高效的智能交通监控系统。本研究的创新点有:(1)将整个系统部署到了无人机平台,在平台上集成了图像的采集、处理、计算的全过程,非常适合运动车辆这一目标和城市道路下的交通场景,较传统固定摄像头的系统具有快捷、低成本、高效率的特点。(2)在检测算法上根据场景特点优化了传统的算法并引入了基于特征点匹配的全局背景补偿方法和基于HOG和LBP的SVM分类器的机器学习方法使其应用于低空无人机平台所采集的运动车辆的图像视频序列,并对几种方法的优劣进行了对比分析。(3)在跟踪算法上提出了一种基于Kalman和Camshift算法的多特征融合跟踪策略,并在平台上对其进行了实验验证了其有效性。本文的具体内容包含以下几部分:(1)详细叙述了整个平台的方案设计,对整个低空平台的所需要的运载、采集、计算的硬件进行分析,对比了各硬件及平台的性能差异及特点,详细介绍了该系统软硬件搭建方法与计算平台的各项参数配置。硬件方案上,飞行运载平台采用DJI Matrice100开发者套件,图像采集设备选用DJI X3云台相机支持320P到1080P视频采集,其与Matrice100套件组合的三轴机械云台可以有效增稳抵消掉无人机平台飞行时传递给相机的高频机械振动为后续的图像检测带来方便,对于机载计算平台,对比了Intel Nuc计算机、DJI Manifold机载电脑两种设备性能上的差异。软件方案上,视频采集与算法实现上使用支持GPU的运算平台CUDA与OpenCV图像处理库。(2)针对检测平台是一个移动平台且场景实时变化的特性,首先对传统常用的背景提取、帧间差分、光流法进行实验分析发现均不太理想,于是提出使用基于特征点匹配的全局背景补偿算法来进行运动的车辆目标检测。原理是首先将参考帧和匹配帧之间的特征点对提取出来,通过对特征点进行匹配找到参考和匹配两帧之间的变换关系,将计算得到的变换关系作为全局背景补偿的参数,将移动背景下的目标检测问题转换成静态背景下的目标检测,从而减少检测平台移动性对其的影响。(3)通过分析与实验,对Meanshift、Kalman滤波、基本粒子滤波三种跟踪算法在本系统平台下的跟踪效果进行比较,分析几种算法针对此种应用场景下的缺陷,针对场景图像特点提出了基于Kalman和Camshift跟踪算法的多特征融合策略,跟踪效果较好且能够应对车辆目标静止等情况,同时较大的提升了算法的跟踪速度。实验验证了本系统及算法可以在城市道路的不同场景中有效的检测到运动的车辆目标,并进行有效、连续的跟踪。