随着以深度学习为代表的人工智能技术的迅速发展,赋能各个行业、拓宽行业边界已经是人工智能技术发展的趋势。其中,安防行业与深度学习技术,尤其是计算机视觉的结合,受到越来越广泛的关注。目前,由于小型无人机的广泛普及,无人机的使用门槛不断降低,对城市安防提出了新的挑战。因此,检测基于光学图像的低空无人机目标,成为一个值得研究的实际问题。目前,在该研究方向,并没有广泛采用的标准无人机目标数据集,同时,对于无人机目标的检测,往往采用传统的目标检测算法,并没有充分利用无人机的特征,在检测精度方面有待提升。除此之外,由于低空场景多变,背景复杂,同时无人机的飞行姿态各异,这些因素都增加了检测的难度,但是也更加适合利用基于深度学习的检测技术。因此,本文以城市低空场景下的无人机为检测目标,开展基于深度学习的低空无人机检测技术的研究,通过实验对比,选择SSD检测网络作为baseline,针对该模型对小目标检测效果较差的问题,本文设计了金字塔特征提取网络,同时利用实际感受野技术,重新设计先验框的尺寸和数量,通过研究低空场景中存在的正负样本不平衡问题,提出了基于Focal Loss的渐进改变难易样本调节因子的算法,并进行视频检测测试。本文的工作主要包括:(1)建立低空无人机目标数据集。鉴于在目前公开的目标检测研究工作中,没有通用、成熟的低空无人机目标图像数据集,研究基于深度学习的无人机目标检测方法存在较大困难,因此本文通过实地拍摄、借鉴现有数据集和技术仿真的方式,建立了一个20000张包含无人机正样本和鸟、风筝等负样本组成的数据集,结合了多种实际场景,并进行目标尺度划分。(2)分析主流的目标检测框架并实验对比。通过对比单阶段和二阶段的检测模型,从实际应用场景出发,选择在检测准确性和检测速度方面表现较好的SSD模型作为改进的基础模型,其对无人机的检测AP(Average Precision)为80.25%,检测速度为0.02s/帧,重点改进小目标检测效果。(3)通过对低层和高层特征图的研究,针对高层特征对小目标特征表达能力弱的问题,引入VGG16低层特征图Conv3＿3,对高层特征图进行上采样,并与上一层特征图和其1×1卷积后的输出特征图相加,构建特征金字塔网络,增强了网络对小目标无人机的特征提取能力。接着,通过研究卷积特征图中理论感受野、有效感受野和先验框的关系,重新设计了不同尺寸和尺度的先验框,极大改善了无人机、尤其是小目标无人机的检测效果,检测准确率AP提升了9.12%,最后实验分析了各卷积层对不同尺寸无人机检测效果的影响,提高检测网络对不同场景的定制化能力。(4)针对低空场景下无人机检测任务中显著存在的样本不平衡问题,通过研究目前先进的算法,本文提出了基于Focal Loss的渐进改变难易样本调节因子的算法,使得难分样本的权重不会因为训练过程中置信度的提高而降低,在与OHEM、GHM等算法的对比实验中,在没有降低检测速度的前提下,该算法对小目标无人机的检测AP最高,达到了89.98%。通过实验表明,本文设计的基于改进SSD模型的低空无人机检测算法实现了对各尺度无人机的有效检测,检测AP达到92.84%,相比本文的baseline,提高了15.69%,检测速度为0.031s/帧。最后,设计视频检测模块并开发GUI软件,测试真实场景下的视频无人机检测,在本文硬件场景下,满足实时性检测需求。