高空俯视中实时监测车辆目标对于智能交通或安防监督具有重大意义。航空影像中的车辆目标由于所占图像比例较小等因素,使得该问题一直不能得到良好解决。另外,空中俯视下的车辆的方向信息十分重要,对于特定场合应用中不可忽略,而方向评估是现有的目标检测框架的一个严重短板。本文针对航空影像下的小车辆目标实时检测问题,根据特定要求提出解决方案,最终得到了良好的检测结果。本文的主要研究内容如下:1.使用多参数指数激活的卷积网络特征提取。基于深度学习的目标检测算法要实现良好的检测效果依赖特征提取网络提取的细微特征,特征的好坏直接决定检测效果。本文以影响卷积滤波程度最大的激活层为出发点,提出了多参数指数函数作为新的激活函数,该函数更好的融合特征,能够在整流函数和指数函数之间随意转换,更重要的是它增加了参数的可学习性,将激活层纳入到类似于卷积层的参数更新体系中,使得网络能够实现更好的特征提取,通过对公用数据集的实验分析,验证了采用该激活函数有效提升了网络的性能。2.面向航空影像下小车辆的目标检测器。根据对通用检测框架对待小目标检测的缺陷分析,提出了轻量级尺度公平单卷积检测器用于航空影像中的车辆检测,该架构基于回归的单一网络,采用特征金字塔模式的预测框形式,保证了这些检测框能够与不同大小和比例的车辆目标实现匹配。另外,所提出的架构相对于通用的单一网络检测架构模型更小,层数更少。其次,提出了公平尺度分配策略,包括对预测框提取来源的优化以及预测框大小和比例的优化,使之更适合所应用的具体目标。最后,由于公平尺度的小预测框使得负样本大幅度的增加,为此提出了最大背景分数策略,将负样本进行评分,保留最高分数的样本作为负样本,与难例挖掘技术搭配以平衡正负样本的数量。选取两个公共数据集验证,取得了较好的结果。3.航空影像中车辆的区域定向。在实际场景中,车辆目标的方向评估对于监侦等应用十分广泛。本文在轻量级尺度公平单卷积检测器的基础上增加角度信息提出了方向轻量级尺度公平单卷积检测器。所提出的检测器采用带有角度信息的方向边框作为算法中目标数据的处理方式,摒弃了通用的水平边框,在复杂的背景中能有效的减少背景干扰,增强检测器的鲁棒性。实验结果表明,所提出的方向检测器不仅能够估计车辆目标的方向,而且再检测精度上有了一定提升。