宋建輝，楊佰強(qiáng)，劉硯菊，王思宇

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽(yáng) 110159)

目標(biāo)識(shí)別技術(shù)可以被廣泛應(yīng)用于各生活領(lǐng)域及小型自尋導(dǎo)引頭等軍民領(lǐng)域，并且隨著機(jī)器視覺理論的逐步發(fā)展，在智能交通系統(tǒng)、無人機(jī)檢測(cè)跟蹤等研究領(lǐng)域都有著重要的應(yīng)用[1]。目標(biāo)識(shí)別作為無人機(jī)視覺定位技術(shù)視覺分析階段的核心技術(shù)之一，主要包括目標(biāo)分類識(shí)別與運(yùn)動(dòng)目標(biāo)檢測(cè)這兩個(gè)問題[2]，待定位目標(biāo)的識(shí)別精度和速度直接影響到目標(biāo)定位的效果，無人機(jī)在進(jìn)行圖像采集時(shí)，目標(biāo)與背景邊緣對(duì)比度小，傳統(tǒng)邊緣檢測(cè)算法應(yīng)用于這類圖像準(zhǔn)確率低[3]。傳統(tǒng)的特征算子檢測(cè)算法在無人機(jī)距離目標(biāo)較遠(yuǎn)的情況下，加上地面目標(biāo)的尺度旋轉(zhuǎn)性，特征點(diǎn)顯著度降低，分塊匹配策略需提取的特征點(diǎn)過多導(dǎo)致匹配時(shí)間過長(zhǎng)進(jìn)而降低實(shí)時(shí)性[4]?；谏疃葘W(xué)習(xí)的目標(biāo)識(shí)別和視覺定位技術(shù)使用卷積神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)邊緣檢測(cè)和特征檢測(cè)算法來作為圖像處理模塊，深度學(xué)習(xí)的目標(biāo)檢測(cè)算法模型可歸結(jié)為兩類，基于Two-stage的卷積神經(jīng)網(wǎng)絡(luò)雖然精度很高，但大量候選框的聚類繼而分類回歸需要更多的聚類時(shí)間和計(jì)算量，難以實(shí)現(xiàn)定位實(shí)時(shí)性。與其相比，以YOLO[5]、SSD(Single Shot Multi Box Detector)[6]為代表的基于One-stage(單階段檢測(cè))的卷積神經(jīng)網(wǎng)絡(luò)能在圖像上不同位置均勻采樣后直接進(jìn)行一步分類回歸，縮短了檢測(cè)時(shí)間以實(shí)現(xiàn)后續(xù)定位實(shí)時(shí)性，通過配合多種數(shù)據(jù)庫(kù)設(shè)備，能達(dá)到無人機(jī)對(duì)地面運(yùn)動(dòng)目標(biāo)的檢測(cè)識(shí)別與定位要求。綜上，研究基于深度學(xué)習(xí)的地面目標(biāo)識(shí)別與定位技術(shù)不僅具有較高的理論意義，而且有廣泛的實(shí)用參考價(jià)值。

本文研究基于深度學(xué)習(xí)的目標(biāo)識(shí)別和無人機(jī)視覺定位技術(shù)。使用改進(jìn)SSD目標(biāo)識(shí)別網(wǎng)絡(luò)作為無人機(jī)視覺定位技術(shù)中的圖像處理模塊，在保證使用SSD網(wǎng)絡(luò)滿足定位實(shí)時(shí)性的基礎(chǔ)上，設(shè)計(jì)調(diào)制系數(shù)使網(wǎng)絡(luò)變相側(cè)重于挖掘困難樣本的信息，為解決SSD網(wǎng)絡(luò)與基于Two-stage(雙階段檢測(cè))的網(wǎng)絡(luò)相比精度不理想的問題，修改SSD子網(wǎng)絡(luò)結(jié)構(gòu)，引入包含殘差單元的預(yù)測(cè)模塊和反卷積網(wǎng)絡(luò)來提高網(wǎng)絡(luò)復(fù)雜度和檢測(cè)尺度，合并引入的網(wǎng)絡(luò)模塊來提高檢測(cè)速度，最后通過得到的目標(biāo)中心像素坐標(biāo)進(jìn)行坐標(biāo)變換，解算出目標(biāo)位置信息，驗(yàn)證技術(shù)的可行性。

1 RESSD網(wǎng)絡(luò)改進(jìn)

1.1 SSD網(wǎng)絡(luò)原理

2016年Liu Wei 提出一種基于One-Stage的網(wǎng)絡(luò)模型——SSD。SSD算法的主網(wǎng)絡(luò)結(jié)構(gòu)是VGG16，將最后兩個(gè)全連接層改成卷積層，并隨后增加了4個(gè)級(jí)聯(lián)卷積層來獲得多尺度特征圖用于目標(biāo)檢測(cè)[7]，同時(shí)SSD借鑒了RPN網(wǎng)絡(luò)中Anchor的機(jī)制思想，在多特征圖上獲得大量的默認(rèn)框(Default box)，利用非極大值抑制冗余候選框，最后將剩余的先驗(yàn)框進(jìn)行回歸與分類。主要結(jié)構(gòu)如圖1所示。

圖1 SSD網(wǎng)絡(luò)主結(jié)構(gòu)

1.2 殘差網(wǎng)絡(luò)模塊和反卷積模塊引入

針對(duì)網(wǎng)絡(luò)層數(shù)加深帶來的訓(xùn)練錯(cuò)誤增加和過擬合導(dǎo)致的梯度消失問題，構(gòu)建結(jié)合ResNet152卷積子網(wǎng)絡(luò)作為深度殘差網(wǎng)絡(luò)(Deep Residual Network)的SSD模型(RESSD)，圖2所示的結(jié)構(gòu)為引入的包含殘差單元的預(yù)測(cè)模塊，殘差通道卷積處理后的原特征提取層與網(wǎng)絡(luò)主卷積通道特征相加[8]，計(jì)算效率比VGG高，大幅度解決梯度消失問題，保證了在增加網(wǎng)絡(luò)深度獲得多尺度特征的同時(shí)訓(xùn)練誤差的控制。

圖2 殘差單元預(yù)測(cè)模塊

為了更匹配無人機(jī)航拍采集圖像的地面目標(biāo)檢測(cè)，借鑒FPN網(wǎng)絡(luò)的結(jié)構(gòu)引入反卷積模塊[9]，拓展網(wǎng)絡(luò)上下文信息，融合網(wǎng)絡(luò)高低層特征，將提取到的深層特征傳遞出來與網(wǎng)絡(luò)淺層特征信息融合，其特征提取充分性有極大提高，使檢測(cè)精度可以達(dá)到和復(fù)雜卷積網(wǎng)絡(luò)一樣的效果[10]。使用反卷積層代替簡(jiǎn)單的雙線性插值法應(yīng)用于采樣階段，每個(gè)卷積層尤其是低層特征層緊隨一個(gè)歸一化層[11]。RESSD網(wǎng)絡(luò)對(duì)小目標(biāo)以及具有顯著區(qū)分度的背景目標(biāo)的圖片特征提取更充分。

1.3 RESSD網(wǎng)絡(luò)系數(shù)優(yōu)化

本文針對(duì)網(wǎng)絡(luò)對(duì)難例樣本的學(xué)習(xí)不充分和網(wǎng)絡(luò)層數(shù)加深引起的速度下降這兩個(gè)問題，在ResNet152作為卷積子網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，提出了改進(jìn)RESSD網(wǎng)絡(luò)。

1.3.1 設(shè)計(jì)調(diào)制因子

本文利用RESSD網(wǎng)絡(luò)迭代損失函數(shù)與其反向傳播進(jìn)行更新權(quán)重的特點(diǎn)，在不增加Easy example[12](簡(jiǎn)單樣本)損失值的基礎(chǔ)上減小權(quán)重，變相增加難例樣本對(duì)loss的累加貢獻(xiàn)，引導(dǎo)網(wǎng)絡(luò)側(cè)重難例樣本的學(xué)習(xí)，提高網(wǎng)絡(luò)識(shí)別小目標(biāo)困難樣本的精度。

RESSD網(wǎng)絡(luò)參考并借鑒了傳統(tǒng)交叉熵?fù)p失函數(shù)[13](Cross Entropy)，使用Focal Loss[14]函數(shù)，構(gòu)成FL-RESSD模型，引入調(diào)制因子(1-pi)α*β，公式為

FL(pi)=-(1-pi)α*βlog(pi)

(1)

式中：α、β≥0，為自定義聚焦參數(shù)；pi為預(yù)測(cè)樣本概率，(1-pi)∈(0，1)。當(dāng)網(wǎng)絡(luò)學(xué)習(xí)Easy example時(shí)，(1-pi)很小，引入調(diào)制系數(shù)(1-pi)α*β后，數(shù)值呈幾何倍數(shù)趨近于零，對(duì)loss的累加貢獻(xiàn)下降。隨著α、β的增加，調(diào)制系數(shù)增加，預(yù)測(cè)正確的Easy example的損失值削減變快，不會(huì)對(duì)總體損失值有主導(dǎo)作用。

1.3.2 設(shè)計(jì)權(quán)重因子

針對(duì)模型泛化性降低的網(wǎng)絡(luò)訓(xùn)練問題，本文使用單類別車輛樣本集合進(jìn)行訓(xùn)練，占比為1，自定義加權(quán)因子，后續(xù)根據(jù)課題進(jìn)展增加新類樣本集合。

在FL-RESSD模型損失函數(shù)基礎(chǔ)上，引入權(quán)重因子得到新的損失函數(shù)，公式為

FL(pi)=-δi(1-pi)α*βlog(pi)

(2)

式中：δi=δ*i，i為通過交叉驗(yàn)證得到的倍數(shù)因子；FL(pi)為新?lián)p失函數(shù)下的樣本損失值。

進(jìn)行車輛單類目標(biāo)識(shí)別時(shí)，取δi=1、α=1、β=2時(shí)，經(jīng)過仿真對(duì)比得到傳統(tǒng)交叉熵?fù)p失函數(shù)與新?lián)p失函數(shù)對(duì)比效果如表1所示，CE(pi)為傳統(tǒng)交叉熵?fù)p失函數(shù)下的樣本損失值，F(xiàn)L(pi)/CE(pi)表示樣本對(duì)loss貢獻(xiàn)度的相對(duì)占比。

表1 CE/FL損失函數(shù)結(jié)果對(duì)比表

從表1中可以看出，pi越高對(duì)應(yīng)的是Easy example損失值和貢獻(xiàn)度相對(duì)占比越小，當(dāng)pi較小時(shí)意味著樣本往往容易誤判，這也就是難例樣本，表中數(shù)據(jù)表明難例樣本損失值下降幅度控制在20%以內(nèi)，貢獻(xiàn)度相對(duì)占比大，變相提高了難例樣本對(duì)loss的累加貢獻(xiàn)，引導(dǎo)網(wǎng)絡(luò)模型側(cè)重難例樣本的學(xué)習(xí)，更集中于難例樣本分類。

1.4 融合卷積與歸一化層

RESSD作為卷積子網(wǎng)絡(luò)結(jié)構(gòu)確實(shí)能保證網(wǎng)絡(luò)提取深淺層特征的信息融合，特征提取的充分性也提升了網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)效果，但網(wǎng)絡(luò)模型層數(shù)加深的同時(shí)也帶來網(wǎng)絡(luò)推理速度的降低，針對(duì)速度下降的問題，將RESSD網(wǎng)絡(luò)的ResNet卷積子網(wǎng)絡(luò)和大量BN層(歸一化層)融合，減少網(wǎng)絡(luò)推理時(shí)間，卷積融合BN層公式為

(3)

式中：ωx+b為卷積計(jì)算結(jié)果；通過網(wǎng)絡(luò)學(xué)習(xí)得到縮放因子γ和偏置β；σ2為方差；μ為均值。將融合后卷積層的加權(quán)ω_new和偏差b_new計(jì)算公式寫為式(4)和式(5)，整理得到式(6)。

(4)

(5)

xout=ω_new+b_new

(6)

對(duì)SSD300、SSD513、未進(jìn)行網(wǎng)絡(luò)融合的RESSD網(wǎng)絡(luò)和本文網(wǎng)絡(luò)融合的RESSD進(jìn)行實(shí)驗(yàn)對(duì)比，使用網(wǎng)絡(luò)檢測(cè)達(dá)到的幀率作為網(wǎng)絡(luò)檢測(cè)速度的評(píng)價(jià)參數(shù)。實(shí)驗(yàn)結(jié)果如表2所示。在設(shè)計(jì)ResNet152卷積子網(wǎng)絡(luò)替代VGG16的網(wǎng)絡(luò)結(jié)構(gòu)后，模型響應(yīng)速度下降到10.3fps，不能實(shí)現(xiàn)實(shí)時(shí)視覺定位。

表2 調(diào)試各網(wǎng)絡(luò)速度對(duì)比

將歸一化層與卷積層融合后，網(wǎng)絡(luò)的復(fù)雜度大幅降低，網(wǎng)絡(luò)識(shí)別的速度可達(dá)到33.2fps。調(diào)試中發(fā)現(xiàn)改進(jìn)RESSD網(wǎng)絡(luò)內(nèi)存使用率下降30%，一定程度上降低了硬件設(shè)備的局限性。

2 視覺定位技術(shù)

圖3所示為圖像像素坐標(biāo)系、圖像物理坐標(biāo)系、攝像機(jī)坐標(biāo)系和世界坐標(biāo)系的關(guān)系。

圖3 像素、圖像物理、攝像機(jī)和世界坐標(biāo)系的關(guān)系圖

整理四個(gè)坐標(biāo)系的關(guān)系，可得式(7)為

(7)

式中：u、v即為目標(biāo)檢測(cè)網(wǎng)絡(luò)提供的目標(biāo)中心點(diǎn)像素坐標(biāo)；u0、v0為圖像中心點(diǎn)像素坐標(biāo)；Zc為深度信息；dx、dy為像素單位長(zhǎng)度；R、T為旋轉(zhuǎn)平移矩陣。由式(7)解算出的Xw、Yw、Zw即為待定位目標(biāo)位于世界坐標(biāo)系的坐標(biāo)。

使用改進(jìn)RESSD目標(biāo)檢測(cè)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的圖像處理模塊實(shí)現(xiàn)無人機(jī)地面目標(biāo)視覺定位技術(shù)，具體流程如下圖4所示。

圖4 改進(jìn)RESSD網(wǎng)絡(luò)的無人機(jī)視覺定位技術(shù)流程

3 實(shí)驗(yàn)驗(yàn)證分析

將無人機(jī)實(shí)地航拍圖片的識(shí)別精度和定位實(shí)時(shí)性作為基于RESSD網(wǎng)絡(luò)的地面目標(biāo)無人機(jī)視覺定位技術(shù)的性能衡量標(biāo)準(zhǔn)，并總結(jié)分析相應(yīng)的指標(biāo)。

3.1 實(shí)驗(yàn)訓(xùn)練配置

數(shù)據(jù)集主要來源為UCAS-AOD，另外新增了現(xiàn)實(shí)場(chǎng)景距地80～120m的飛行高度范圍多觀測(cè)角度、多高度實(shí)地航拍的地面車輛圖像，與篩選后的航拍數(shù)據(jù)集共同組成本文使用的數(shù)據(jù)集UCAS-AOD-ADD。采用加入噪聲、調(diào)整亮度、旋轉(zhuǎn)等方法擴(kuò)大樣本[15]，UCAS-AOD-ADD數(shù)據(jù)集由車輛目標(biāo)構(gòu)成，其中訓(xùn)練集與測(cè)試集的數(shù)量比例為8∶1。

操作系統(tǒng)為64位Ubuntu16.04系統(tǒng)，安裝Tensorflow1.14和python 3.5(64-bit)，以Tensorflow框架作為運(yùn)行環(huán)境，訓(xùn)練RESSD網(wǎng)絡(luò)模型，GPU為NVIDIA GeForce RTX 2060，顯存6GB+GDDR6。訓(xùn)練ResNet152為卷積子網(wǎng)絡(luò)的RESSD網(wǎng)絡(luò)模型，將網(wǎng)絡(luò)訓(xùn)練初始學(xué)習(xí)率設(shè)為0.001，在30000步降為0.0001、50000步降為0.00001，再以與前兩階段同樣的學(xué)習(xí)率和迭代次數(shù)固定參數(shù)針對(duì)反卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此提高網(wǎng)絡(luò)參數(shù)利用率。

為了更符合UCAS-AOD-ADD數(shù)據(jù)集的要求，本文通過在訓(xùn)練時(shí)設(shè)計(jì)調(diào)制系數(shù)和固定權(quán)重因子，將設(shè)計(jì)的FL-RESSD模型損失函數(shù)應(yīng)用到所有候選區(qū)域里訓(xùn)練驗(yàn)證，RESSD模型損失變化與準(zhǔn)確度曲線如圖5所示。圖5a為RESSD網(wǎng)絡(luò)模型損失曲線，圖5b為RESSD網(wǎng)絡(luò)模型訓(xùn)練準(zhǔn)確率曲線圖。

從圖5中可以觀察到，訓(xùn)練剛開始損失值比較大，原因是數(shù)據(jù)集采集制作中航拍高度與角度的多樣性導(dǎo)致樣本尺寸位置存在差異性，尤其是一些包含大量小目標(biāo)的困難樣本成為損失值的貢獻(xiàn)源，采用在不同迭代梯度設(shè)置對(duì)應(yīng)學(xué)習(xí)率的策略，在迭代次數(shù)達(dá)到6萬次后，損失值和訓(xùn)練準(zhǔn)確率曲線的超調(diào)量波動(dòng)已經(jīng)收斂，最終準(zhǔn)確率趨近于0.94，網(wǎng)絡(luò)損失下降至約0.35，得到的網(wǎng)絡(luò)模型訓(xùn)練學(xué)習(xí)的權(quán)重結(jié)果相對(duì)理想。

圖5 RESSD模型損失變化與準(zhǔn)確率曲線

3.2 網(wǎng)絡(luò)性能對(duì)比

為了驗(yàn)證本文提出的改進(jìn)RESSD網(wǎng)絡(luò)的有效性，以mAP(mean Average Precision)作為評(píng)價(jià)指標(biāo)，使用UCAS-AOD-ADD數(shù)據(jù)集訓(xùn)練四個(gè)網(wǎng)絡(luò)，結(jié)合Resnet152卷積子網(wǎng)絡(luò)結(jié)構(gòu)、擴(kuò)充上下文信息改進(jìn)RESSD網(wǎng)絡(luò)由“M+”表示，引入新調(diào)制系數(shù)改進(jìn)RESSD網(wǎng)絡(luò)由“FL+”表示，結(jié)合上述2種改進(jìn)由“FM+”表示，檢測(cè)結(jié)果如表3所示。

表3 每種改進(jìn)方式對(duì)mAP的影響

與SSD300網(wǎng)絡(luò)比較，結(jié)合Resnet152卷積子網(wǎng)絡(luò)結(jié)構(gòu)、擴(kuò)充上下文信息改進(jìn)RESSD網(wǎng)絡(luò)，mAP提高了3.2%；引入新調(diào)制系數(shù)改進(jìn)RESSD網(wǎng)絡(luò)，mAP提高了4.6%；結(jié)合上述2種改進(jìn)，并將改進(jìn)的RESSD網(wǎng)絡(luò)通過采用邊界框置信度得分取最大值操作微調(diào)邊界框預(yù)測(cè)規(guī)則，有效減小了車輛目標(biāo)的重檢和相似背景采樣對(duì)網(wǎng)絡(luò)的干擾，最終在對(duì)車輛類目標(biāo)的檢測(cè)上能夠達(dá)到88.4%的識(shí)別率，增強(qiáng)了RESSD網(wǎng)絡(luò)的魯棒性。

圖6所示為部分多角度、多高度航拍圖片的檢測(cè)結(jié)果，圖片尺寸為321×321，按照?qǐng)D像像素坐標(biāo)系的定義得到的檢測(cè)框四個(gè)頂點(diǎn)與目標(biāo)車輛實(shí)際邊框平均像素誤差不超過2pt，改進(jìn)的RESSD網(wǎng)絡(luò)跟傳統(tǒng)的SSD300網(wǎng)絡(luò)作比較，mAP總體提高了8.9%。

圖6 部分檢測(cè)結(jié)果示例

3.3 視覺定位性能分析

為了驗(yàn)證分析本文提出的使用改進(jìn)RESSD目標(biāo)識(shí)別網(wǎng)絡(luò)作為圖像處理模塊支持無人機(jī)對(duì)地目標(biāo)進(jìn)行視覺定位技術(shù)的可行性與性能，在原有UCAS-AOD-ADD數(shù)據(jù)集的基礎(chǔ)上增加構(gòu)建的驗(yàn)證集，無人機(jī)在對(duì)地80～120m內(nèi)懸停，設(shè)置攝像機(jī)三個(gè)拍攝角度各為90°、60°、45°，采集若干張影像，將構(gòu)建的驗(yàn)證集圖像進(jìn)行尺寸調(diào)整后導(dǎo)入網(wǎng)絡(luò)，將網(wǎng)絡(luò)識(shí)別出的目標(biāo)邊框與真實(shí)邊框進(jìn)行對(duì)比得到檢測(cè)框準(zhǔn)確率，將識(shí)別定位解算結(jié)果與提前記錄的目標(biāo)車輛實(shí)際位置信息進(jìn)行對(duì)比得到定位誤差，如表4所示。

表4 無人機(jī)視覺定位檢測(cè)率及誤差

檢測(cè)框準(zhǔn)確率q計(jì)算公式為

(8)

(xtrue.min，ytrue.min)，(xtrue.max，ytrue.max)分別為真實(shí)框左下角和右上角兩個(gè)頂點(diǎn)坐標(biāo)。(xmin，ymin)，(xmax，ymax)分別為檢測(cè)框左下角和右上角頂點(diǎn)坐標(biāo)。

分析表4中結(jié)果可以發(fā)現(xiàn)：攝像機(jī)在不同姿態(tài)下的檢測(cè)框準(zhǔn)確率和定位誤差有所不同，以這兩個(gè)指標(biāo)作為評(píng)判標(biāo)準(zhǔn)來衡量定位效果，以90°高低角拍攝的圖像在進(jìn)行視覺定位時(shí)的性能最佳。目標(biāo)車輛在圖像中的位置會(huì)伴隨高低角的變化產(chǎn)生投影誤差，非90°垂直拍攝時(shí)投影誤差與高低角呈反比例關(guān)系，投影誤差越大，正確的目標(biāo)車輛檢測(cè)框誤差也會(huì)隨之增大，直接影響到目標(biāo)車輛定位精度，可以通過在適當(dāng)高度范圍內(nèi)升高無人機(jī)拍攝高度、調(diào)整高低角接近90°等方法來抵消部分投影誤差對(duì)無人機(jī)視覺定位準(zhǔn)確率的干擾。使用90°高低角條件下采集的數(shù)據(jù)進(jìn)行定位，正確的目標(biāo)車輛檢測(cè)框準(zhǔn)確度達(dá)到了96.2%，定位誤差降低至0.20m，針對(duì)無人機(jī)視覺定位技術(shù)的標(biāo)準(zhǔn)可以達(dá)到要求。

4 結(jié)論

本文以改進(jìn)的RESSD目標(biāo)識(shí)別網(wǎng)絡(luò)作為無人機(jī)視覺定位技術(shù)中的圖像處理模塊，依靠擴(kuò)充上下文信息和引入包含殘差單元的預(yù)測(cè)模塊，設(shè)計(jì)調(diào)制系數(shù)，加強(qiáng)網(wǎng)絡(luò)對(duì)航拍的小目標(biāo)車輛和難例樣本的檢測(cè)效果，改進(jìn)的RESSD網(wǎng)絡(luò)識(shí)別精度得到提高，構(gòu)建UCAS-AOD-ADD數(shù)據(jù)集并進(jìn)行網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，根據(jù)檢測(cè)出的目標(biāo)邊界點(diǎn)像素坐標(biāo)通過坐標(biāo)變換最終解算出待定位航拍車輛類目標(biāo)的位置信息。無人機(jī)視覺定位系統(tǒng)規(guī)定1000m高空定位誤差在80m以下，本技術(shù)在無人機(jī)飛行懸停高度為80～120m范圍、拍攝高低角為45～90°范圍的條件下，將定位誤差控制在0.3m以內(nèi)的同時(shí)能達(dá)到90%以上的正確車輛類目標(biāo)區(qū)域檢測(cè)率，小于視覺定位系統(tǒng)要求的誤差，檢測(cè)速度達(dá)到33幀/s，高于國(guó)內(nèi)使用PAL制式幀率要求的25幀/s，能滿足實(shí)時(shí)性要求，對(duì)無人機(jī)航拍車輛類目標(biāo)識(shí)別的mAP達(dá)到88.4%。綜上基于改進(jìn)RESSD網(wǎng)絡(luò)的地面目標(biāo)無人機(jī)視覺定位技術(shù)，在實(shí)現(xiàn)了無人機(jī)視覺定位技術(shù)實(shí)時(shí)性的同時(shí)也滿足了定位精度要求。