光学目标检测是计算机视觉的基础研究方向,与物理光学有密切的联系。随着无人机技术以及光学成像技术的飞速发展,无人机在众多领域(如电力、救援、巡防、交通等)的应用越来越广泛。很多场景要求无人机对感兴趣目标进行自主搜寻、监控,基于无人机平台的车辆检测技术是其中的核心技术之一,成为了研究热点。本文研究的是一个理工结合的课题,航拍光学图像中车辆检测的难点与问题如下:1.现有数据集不够完备,目标检测数据集中的目标尺度较大且无俯视视角,无人机数据集只有垂直视角的光学图像。2.传统航拍光学图像车辆检测算法有一定的局限性,道路检测算法只适用于垂直视角,运动目标检测算法无法检测静态目标,而新兴的深度学习方法难以应对小尺度的目标。3.航拍光学图像中车辆目标视角多样且尺度较小,进行车辆检测时存在检测率低、虚警率较高的问题。针对上述问题,本文提出了一种由粗到细的车辆目标检测框架,由候选区域算法与去虚警算法两部分构成。主要工作及研究内容如下:1.针对现有的公开数据集不能较好反应实际情况的问题,为了研究无人机平台下的车辆目标检测,本文采集了大量的航拍图像,制作了无人机车辆数据集。2.针对现有算法不能广泛适用于航拍光学图像中车辆检测的问题,本文选择聚合通道特征作为候选区域算法框架。探索了多类光学特征对无人机平台下车辆目标的表征性能;研究了特征的多尺度特性,使用尺度间特征近似减少了检测时间;分类器选择基于决策树的Ada Boost算法,能够一定程度上降低训练时间且避免过拟合。实验结果表明,本文使用的候选区域算法能够有效提取航拍图像中的车辆目标。3.针对车辆检测存在较多虚警的问题,本文采用了基于光学原理的去虚警算法。光在均匀介质中沿直线传播,因而车辆目标周围存在阴影,光从车窗进入后发生多次吸收与漫反射,因而在远处接收到的车窗的反射光强较弱亮度较暗;根据车辆存在多处较暗区域的特点,研究了车辆目标在暗通道图像中的特性;利用阈值分割等手段能够有效地区分背景环境与真实车辆目标。实验结果表明,本文提出的去虚警算法能够有效提升整体算法的检测性能。