机场场面监视是一个复杂的问题,随着我国民航发展,机场管理人员对场面活动目标的监视管理越发困难,近几年来机场场面安全事故频发,因此,增强机场场面监视能力迫在眉睫。飞行器目标检测是机场场面监视的根本,其目的是准确完成飞行器的识别与定位任务,检测效果将直接影响到后续的跟踪、事件监测结果,这在场面监视系统中至关重要。近年来随着深度学习的兴起,基于深度学习的目标检测性能达到了较高水准。然而,深度学习严重依赖训练样本,目前没有专门针对机场的检测数据集,公共数据集中没有包含飞行器的各种姿态角度以及复杂天气条件下的数据,这种训练样本受限的情况将对检测算法产生严重影响。另外,目标检测普遍存在不平衡问题,由于机场监控图像的背景远大于前景,因此机场检测数据中的不平衡问题更为严重,为了更好地利用机场检测数据集,需要开展针对不平衡问题的研究。综上所述,制作包含机场场面上的各种情况、满足算法训练需求的数据集,并以此为基础针对机场不平衡问题提出相关检测方法是很有意义并富有挑战性的工作。本文的主要研究内容如下:1.研究了主流目标检测数据集的设计方案,针对每一个数据集使用YOLO、\Faster-RCNN、SSD算法训练针对飞行器的检测器。通过各检测器对机场场面监视数据的检测结果,对现有数据集在飞行器检测方面的缺陷进行了一个梳理:主流数据集针对飞行器的样本只包含了少数角度、姿态,并且这些样本中飞行器目标明显、背景尺度单一,检测难度不大。以这些样本训练的检测器即使在正常机场环境下,其检测效果也不够理想,因此专业的机场检测数据集对机场飞行器检测不可或缺。2.本文针对主流数据集在机场检测方面的缺陷,设计了针对机场环境的数据采集制作方案,并最终完成了数据的标注。数据集采用的标注工具为Labelimg。该数据集包含6000张图片的训练集以及1500张图片的测试集,所有图片均已完全手工标注,总目标数超过20000个,包含了各种天气、光照、尺度以及部分遮挡缺损等情况。经实验,通过本文提出的数据集的训练,各检测算法在机场实际监控数据中的表现远好于公共数据集的结果。3.针对机场检测不平衡问题严重的特点,本文提出了面向不平衡学习的检测方法,相比与目前主流的针对模型结构的研究,该方法主要针对的是关注度较少的训练过程,其创新点主要在于使用平衡特征金字塔以减少传播过程中的不平衡,同时引入焦点损失函数以改善训练样本的不平衡,该方法以在本文提出的数据集上得到了验证,结果表明本文提出的检测方法有效的抑制了训练过程中的不平衡问题,提高了检测精度。