无人机对地目标的感知与理解作为无人机系统典型任务之一,得到了广泛的关注。目前无人机系统在复杂环境下的自主能力有限,特别是目标感知任务仍需人参与,以保证任务的可靠性,因此研究人机合作的目标感知方法在实际运用中具有重要意义。本论文面向混合主动感知这一关键任务,研究无人机对地面车辆目标的检测识别和跟踪方法,包括无人机主动感知和操作员主动感知两方面。无人机主动感知是指利用机器视觉算法在数据层面对目标特征的捕捉能力进行感知,操作员主动感知是指人基于视觉注意等认知机制在任务层面对目标进行感知,通过人机混合主动共同完成目标感知任务。此外,由于军事任务的特殊性,往往难以获取足够的目标样本数据,本文研究重点以小样本数据展开,主要进行了以下几方面研究:(1)针对edgeBox算法检测准确率受阴影等背景成分影响的问题,提出了频率和时域显著性检测结合的SR-edgeBox检测算法。通过在频域中抑制低频而突出高频、在时域中增强结构性区域而弱化无规则形状背景,实现在无特定目标先验信息下更准确的目标检测。利用无人机拍摄的含阴影的车辆图像进行测试验证了本文提出的算法相比原始edge Box算法在阴影条件下检测准确率更高。同时,针对SR-edgeBox算法检测区域较多不利于后续识别的问题,提出了候选框自动聚类算法,将彼此有重叠关系的框聚为一类。通过对多场景下的图像进行聚类测试,结果验证了聚类算法的有效性。(2)针对传统基于角点、颜色等特征的识别方法在无人机应用中存在特征不稳定、难以解决遮挡、样本需求量大且不具有语义解释性等问题,提出了基于关键部件的车辆小样本识别方法。通过对目标部件的分割提取和识别进而推断目标是否为车辆。其中,针对现有迭代图割算法(GrabCut)难以有效分割出部件的不足,采用最大类间方差法(Ostu)计算最佳分割阈值,设计了基于随机划线方式的迭代图割算法,实现部件的精细分割。针对传统方法难以处理形变部件识别的问题,设计了建立部件概率图模型的方法。通过对部件轮廓用表征边缘方向的特征节点稀疏表示,并对轮廓的连续性进行约束,建立概率图模型推理识别部件。结合先验观测信息,基于识别出的部件利用贝叶斯进行推理识别目标是否为车辆。用无人机拍摄的图像测试表明,在样本数量小、存在遮挡,本文的识别方法能以较高的正确率识别出车辆目标,并且部件概念的引入使得识别方法具有语义层的解释性。(3)针对自动跟踪算法在复杂环境下不稳定的问题,以TLD跟踪算法为例,提出了人在回路中的鲁棒跟踪hTLD算法。算法通过设计交互式学习机制综合利用了人的认知能力与自动算法对目标的捕捉能力。人负责自顶向下以任务为导向跟踪目标,并将认知信息输入算法;自动算法负责自下而上由数据驱动跟踪目标并将跟踪结果及置信度提供给人,同时将人的认知信息纳入算法进行在线学习。利用无人机拍摄的视频离线验证表明,hTLD算法跟踪速度和准确率相比原始TLD算法得到了提升。并且随着人的交互,置信度告警的误警率和漏警率减小,人可以更多依赖于直观的置信度提示,使工作负担逐渐降低。