航拍影像中的车辆小目标检测技术一直以来都是计算机视觉领域中的难点,主要有两个原因:(1)目标像素少,特征不足;(2)航拍背景环境复杂,受外界影响大。目前很多传统的车辆小目标检测算法能够实现在简单背景下对航拍车辆的检测,但考虑到航拍影像中背景具有复杂性、影像目标存在角度多样性,传统目标检测算法难以对航拍中的车辆目标进行检测。但随着计算机软硬件的不断提高,基于海量数据驱动的深度学习技术得到了越来越多的注意,其中基于深度学习的目标检测能够自动提取多维特征,使得深度学习在目标检测领域得到了广泛运用。本文提出了一种基于Focal Loss的多特征融合地物小目标检测算法。通过对结合FPN结构的Faster R-CNN模型(FFRCNN模型)进行改进,利用实地采集的航拍影像进行测试,使最终改进后的算法均平均精度(Mean Average Precision,mAP)指标提高了19.7%。本课题主要研究内容如下:首先,对深度学习与卷积神经网络做了概述,选择One-stage模型中的SSD模型与Two-stage模型中的Faster R-CNN模型在本文的航拍车辆数据集上进行小目标检测,考虑本文需要解决小目标检测的精度问题,再结合检测效果,Faster R-CNN模型检测效果更佳。同时,本文还对目前深度学习中的小目标检测技术进行了阐述,最终选择以FFRCNN模型为原型进行改进。其次,构建自选数据集,主要从数据标定与数据预处理两方面进行展开。(1)介绍数据集的选取与标定工作;(2)针对数据集中的噪声图像采用高斯滤波与双边滤波相结合的方式进行滤波操作。同时,为了解决部分图像亮度过曝的问题,利用多种图像增强算法进行处理并对比分析。再次,根据课题研究目的与数据集中样本的实际情况,对FFRCNN模型提出三点改进:(1)采用多特征融合提升网络的感受野;(2)重新定义anchor信息增强网络对目标的适应性;(3)改进损失函数增加对难例样本的关注度。最后,将改进算法与原算法进行检测效果对比实验。实验结果表明,改进后的算法平均每张图像检测时间为0.24s,虽然检测时长增加了0.06s,但mAP达到了93.7%,提升了19.7%。改进后的算法能够大大降低了网络对小目标的漏检率、误检率,有效提升了网络模型识别率,算法具有较强鲁棒性。