基于计算机视觉的无人机目标检测算法研究

摘要：伴随着我国信息技术的高速发展，使得计算机视觉技术也相应得到了全面的发展与进步。基于深度学习的卷积神经网络进行分析，可以实现较为快速的目标检测。在无人机领域的目标检测环节，就可以基于这样的技术，实现高效率的检测以及分析。在本文的分析中，主要基于计算机视觉针对图像进行处理，文章首先指出了基于区域的目标检测算法，继而又分析了基于回归的检测算法，最后指出了目标检测在无人机领域的具体应用手段，针对应用环节进行详细的阐述，同时明确出具体的技术要点。

关键词：信息技术；视觉技术；无人机

引言：无人机是一种信息化技术发展进程中，全新的技术产物，进行设计时会涉及到数据采集、智能控制、信息处理以及通信等各种技术形式。这样的设备实现了较高的操作灵活性，也相应的呈现出体积较小、机动性较高的效果。伴随着无人机技术的发展，在其设计的过程中，也相应的与计算机视觉技术进行了融合，提升检测的效率与准确性。

1 基于区域建议的目标检测算法

在对于这样的计算逻辑方式，基本上有着R-CNN、Fast R-CNN等技术类型。对于这样的算法结构，基本上可以分为启发式候选区，所生成了多个潜在目标区域，同时基于深度神经网络的处理方式，对于目标候选区当中的特征进行针对性的处理。之后利用这样的特征采集方式，充分实现目标真实边界的回归处理。

对于R-CNN技术而言，是一种对于传统窗口式区域的选择，可以很好的利用相应的算法，对于检测图像当中的多个区域，确定出具体的固定大小，并保障利用5个卷积层以及连接层，构建出CNN的实际特征提取效果。这样所得到的固定长度向量，最后需要将其输入到SVM分类器中，进行相应的信息类别分析。另一方面，在这样的技术逻辑下，也相应的确定了其候选框当中的精确修正效果。该模型的分析方式，相比较传统的信息处理方式，全面提升了分析的精确度。另外，在手工提取的方法使用中，则会受到复杂环境因素的影响，从而导致鲁棒性带来负面问题。在这样的处理方式下，就要积极的对相同区域当中的反复卷积进行处理，同时固定出具体的尺寸信息，这样就可以最大程度上避免畸形出现。

2 基于目标回归的目标检测算法

现阶段全面提升检测性，是一种设计无人机技术的时候，十分重要的技术需求。对于目标检测的领域，现今已经出现了各种各样的技术形式。其中R-CNN的技术方式，基本上是对于场景进行识别，同时对于目标进行检测，这样的算法使用上，可以很好的实现目标检测分析，应相应的舍去了候选区当中的实际过程。在这样检测速度的分析中，基本上YOLO算法有着最高的效率。从综合角度进行分析，这样的处理方式下，回归算法可以实现目标的检测以及分析，同时也相应的最大程度上保障无人机领域，基于目标回归方面的良好计算以及分析，可以最大化提升处理效果[1]。

3 目标检测在无人机领域的运用

3.1 检测速度方面的运用

在现阶段无人机的硬件设计过程中，基本上处理速度可以得到全面的提升，但是检测的速度方面始终都是十分重要的检测方向。在我国现阶段对于该领域的研究中，基本上从原始模型的卷积层进行分析，同时对于执行通道进行良好的饿修剪处理。在这样基准数据的评估过程中，基本上显示参数尺寸，以及浮点的运算上，都出现了较为明显的下降趋势。在运行速度全面提升的进程中，也相应的保障检测精确度的全面提升[2]。

3.2 复杂环境下的小目标识别

在进行无人机航拍的过程中，经常会受到目标像素值过低，或者受到周围复杂环境要素的影响，进而导致目标检测的过程中，存在着明显的小目标难点。在对无人机图像当中的复杂背景噪声信息处理上，当下基本上是基于全卷积网络，对于检测目标进行较为严格的分割处理，之后基于连通分量，进行相应的目标检测，以此全面证实了在语义分割的过程中，可以很好的对目标检测分析，实现全面的整合处理。通过这样的处理方式，往往是基于RPN的算法逻辑，实现对噪声信息的集中消除。

该技术方式下，基本上是将集成之后的特征信息，基于空洞空间金字塔池化，以及基于卷积的分析方式，得到相应的语义特征。这样经过全面的筛选处理之后，就可以基于逻辑算法内容，充分的保障概率值得到进一步的提升，将其全部运用到实际的特征信息当中。基于小目标的检测方式，可以发挥出R-CNN技术的优势，同时最大化保障实际运行阶段，能够让子网络系统，可以很好的实现坐标回归。

在处理小目标的检测工作中，也相应的发挥出了技术的优势，全面提升了检测的准确性，这是一种在对其检测过程中，十分重要的算法逻辑关系。在现阶段进行相应的信息技术分析中，一些学者提出了FPN算法，这是一种在对高层特征语义信息，在较为丰富的情况下，可以很好的确定出具体的底层特征语义，但是这对于目标位置而言，能够全面提升位置信息的分析效果。基于深度卷积网络。可以实现对多尺寸金字塔层次结构的建设，也相应的提升检测的效果。

以此，基于横向连接的设计方式下，可以实现对不同特征层次下的信息分析，这样就可以保障对全部尺度的高级语义分析中，实现调特征图的分析与处理。在FPN的算法处理上，基于不同特征层进行预测以及分析，就可以基于顶层特征，以及对于低层的特征进行融合分析，最大化提升检测分析的效果。其次，还要保障无人机领域的设计中，要进行相应算法的合理化调整。充分的保障对传统的计算方式进行调整，基于识别逻辑计算技术的优化以及改进的情况，对集中在检测当中的准确度，以及对检测速度进行相应的分析。在这样的计算逻辑分析下，不仅仅解决了传统无人机检测过程中的技术弊端，也相应的优化了检测的效果，发挥出无人机视觉技术的优势。

总结：综上所述，在现阶段进行无人机设计中，可以很好的发挥出计算机视觉技术的优势，同时最大化保障无人机在实际运行阶段，能够合理的分析具体的问题，同时保障后续目标检测以及分析环节，充分的保障无人机满足相应的计算需求。

参考文献：

[1]陈旭，彭冬亮，谷雨.基于改进YOLOv5s的无人机图像实时目标检测[J].光电工程，2022，49（03）：69-81.

[2]刘爱东，郭智超，徐君明，等.基于改进YOLOV4与JetsonTX2的无人机实时目标检测方法[J/OL].兵器装备工程学报：1-8[2022-04-26].