随着社会经济的发展,我国居民的汽车使用率正在逐年增加,频繁发生的道路拥挤、交通紧急事件、交通安全问题等已经影响居民的正常出行,制约了城市经济的发展。随着科技的进步智能交通系统逐渐成熟,其中道路交通信息的采集急需稳定且高效的信息采集方法,通过使用无人机航拍影像的车辆目标检测为道路交通信息的采集提供稳定且高效的方法,本论文主要实现基于卷积神经网络的两种车辆目标检测算法,并针对无人机航拍影像所制作的数据集特点对两种算法进行改进优化。本论文的主要工作包括以下几个部分。(1)制作了一个基于无人机航拍影像的车辆目标检测数据集。运用深度学习的无人机航拍影像的车辆目标检测重要前提是制作含有大量无人机航拍影像下的车辆目标,该数据集将车辆分为三类,即轿车、货车、客车,使用了开源软件label Img来标注车辆目标的具体信息,将航拍影像数据做成了标准的VOC型数据集,本文制作的无人机航拍影像数据集包含2190图片,含有大量的车辆目标。(2)实现基于Faster R-CNN(Region-based Convolution Neural Networks)的无人机航拍影像车辆目标检测。原版Faster R-CNN对车辆检测小目标的检测效果有一定的提升空间,尤其是不完整的车辆目标,针对本文所制作的数据集特点,对原版Faster R-CNN进行改进优化,在原版Faster R-CNN的基础上使用Soft-NMS算法以及将Res Net-101作为特征提取网络,将原版Faster R-CNN的无人机车辆目标检测与改进Faster R-CNN的无人机车辆目标检测结果进行分析与对比,相比原版网络,改进Faster R-CNN的无人机航拍影像车辆目标检测相比于原版mAP提高1.74%。(3)实现基于YOLO(You Look Only Once)的无人机航拍影像车辆目标检测。本文使用的是YOLOv3版本,原版YOLOv3对车辆检测小目标的检测效果有一定的提升空间,包括不完整的车辆目标,针对本文所制作的数据集特点,对原版YOLOv3进行改进优化,将Darknet-53替换成深层次的Res Net-101为特征提取网络。相比原版网络,得出改进YOLOv3的无人机车辆目标检测对航拍影像中的小目标车辆及不完整目标车辆的适应性更强且检测精度更高相比于原版mAP提高了5.36%。