车辆检测任务包含车辆识别以及车辆定位,是交通控制管理,交通安全,车辆智能化的重要研究内容,同时也是高级辅助驾驶系统,国际智能交通系统等领域的关键技术。航拍图像具有高空远距离拍摄,拍摄视野广和携带地理信息等特点,可以为高级辅助驾驶系统和国际智能交通系统提供丰富的道路状况信息以及地理位置信息。同时,这也导致航拍图像存在尺度多样性、视角特殊性、小目标多、目标密集及背景复杂等问题,为航拍图像车辆检测任务带来了挑战:航拍图像任务场景复杂,目标尺度变化大,小目标和微小目标占比高,因此需要提高航拍车辆检测的精度。基于手工特征的传统方法对特征的表达能力有限,同时难以满足航拍车辆检测的实时性需求。目前,基于卷积神经网络的航拍图像车辆检测取得了更先进的检测性能。YOLOv5算法是YOLO系列最新的目标检测算法,相比其他检测系统,具有更快的检测速度与较高的检测精度,具有更好的速度与精度之间的平衡。YOLOv5s是YOLOv5算法中最轻量的模型,具有最快的检测速度,同时检测精度与其他检测系统相当。YOLOv5s算法在航拍图像车辆检测的复杂场景中容易误检与漏检,对于多尺度目标检测性能较差,需要进一步改进算法提高车辆检测精度。基于此,本文的主要工作如下:本文针对航拍图像车辆检测任务中场景复杂导致的误检与漏检问题和目标多尺度问题,对YOLOv5s算法进行改进,提高算法对航拍图像车辆检测的精度。首先,引入特征增强表示模块改进上采样,基于特征内容在更大的感受野完成特征图上采样,增加上下文信息,减少网络对车辆的误检和漏检;然后,基于网络参数分布和航拍图像目标尺度分布重新设计多尺度特征融合网络,利用特征增强表示模块进一步提取有利于小目标和微小目标检测的高分辨率特征图,与主干网4倍降采样特征图进行拼接,送入检测层,同时裁剪无效检测分支减少网络的参数量;最后,使用Kmeans++算法聚类更优的anchor。本文针对航拍车辆图像的目标尺度不平衡问题,提出一种具有尺度变换的过采样数据增强方法Scale-Mosaic,对Mosaic数据增强方式选取的4张训练样本使用尺度缩放因子进行缩放。Scale-Mosaic数据增强方法在不改变网络输入分辨率的同时,对训练样本中的目标尺度进行缩放,能够放大小目标增加中大型目标数量,改善尺度不平衡问题,不会带来额外的参数和计算,可以提高网络的多尺度检测性能。本文基于单卡Tesla V100-PCIE GPU平台,在VisDrone-2019-DET数据集上进行实验与验证。实验结果表明,本文改进的YOLOv5s算法检测精度mAP达67.9%,参数量减少到5.63M,相比于原YOLOv5s算法精度提高了 6.1%,参数量减少了20.4%。实验结果显示,本文改进算法减少了车辆的误检漏检,提高了网络对小目标和微小目标以及大目标的检测能力,对航拍车辆多尺度检测的性能有一定提高。