近年来,国内外无人机相关研究越来越多,随之而来的是无人机特点越来越鲜明、种类越来越繁多,导致不同无人机在质量、尺寸、速度、飞行高度和航程等多方面都有一定差异,为无人机关键点检测带来了困难。随着越来越多的学者开始关注深度学习和卷积神经网络,基于深度学习的关键点检测研究也越来越多。关键点检测作为计算机视觉领域中具有一定难度的课题,不仅需要关注物体本身姿态的多样性,从多视角多维度研究关键点,还需要考虑光照、遮挡、雾等外界因素对关键点的影响,能够在复杂多变的环境下完成检测。本文在无人机关键点数据集和算法模型方面作出改进,做出如下工作:1.由于当前无人机关键点识别领域中缺少规模化无人机关键点数据集,本研究构建云雀固定翼无人机与大疆精灵4系列Phantom 4四旋翼无人机的数据集。再通过数据增强的手段,最终获得了包含约12000张图片的数据集,同时使用标签矫正方案来减小错误数据的影响,为后续研究奠定基础。2.针对无人机关键点检测问题,构建了一种两分支多阶段卷积网络结构,两个分支中一个提取每个关键点本身置信图特征,另一个提取每个关键点与其他关键点之间关联的矢量图特征。构建过程中将Open Pose网络作为基础网络,修改卷积结构来优化检测效果,修改特征提取网络来提高多尺度特征提取能力。3.针对目前关键点识别主要面向单类型目标的问题,文中提出一种两类无人机关键点检测算法。算法通过设计一个包含需要检测两类无人机关键点骨架,在进行标注时对于每一个关键点采用一个标记位来标定当前关键点是否存在图片中,能让不同物体关键点之间互不影响,实现一个模型能够混合检测两类无人机。最后加入视频检测优化方案减小关键点抖动。4.基于无人机关键点检测算法设计并实现了一套系统。该系统通过关键点检测算法获取图片中无人机的关键点坐标,对无人机关键点检测算法进行了应用和展示。