航拍无人机在各个领域的广泛应用给人们带来便捷,以航拍无人机为核心的新兴产业正在迅速扩大,同时航拍视频中视觉技术方面的研究也愈发受到了国内外学者的重视。在航拍无人机拍摄的航拍视频中运动目标单位连接紧密且目标较小,通常运动目标小至10*10个像素左右,现阶段目标检测方法在该应用场景下依然存在较大的挑战,由于无人机自身的快速移动以及飞行过程中抖动噪声的影响,往往通过单帧图像很难检测出图像中感兴趣目标。本文主要在无人机地面站平台上,实现对航拍视频增强、运动小目标检测等算法改进及优化工作。本文主要工作及贡献:1.本文提出暗通道快速去雾算法。在航拍带雾图像暗通道透射率图计算过程中,通过采用均值下采样与双线性插值方法来大大减少去雾过程的运算量。实验测试过程中,本文提出的方法相比于传统暗通道先验方法去雾帧率提高了 2-3倍。在航拍视频运动小目标检测中,本文提出通过动态帧间差分(ORB-DFD)方法,动态选取合适的间隔步长与累加帧数。通过全局ORB特征对相邻帧进行匹配得到背景的全局运动估计量,根据背景的平移分量、旋转分量与缩放分量得到间隔步长。同时计算像素点的能量累积值并统计像素分布情况,在约束条件下得到合适的累加帧数取值。最终通过帧间差分以及形态学方法得到运动目标信息。本文方法在航拍视频运动小目标测试实验中,检测准确度提高的同时,帧率也达到实时性的要求。2.本文提出基于强化学习方法的目标序列置信度的航拍视频运动小目标检测方法。通过后向回退方法增加视频序列相关性信息,并引入对运动目标的长期序列置信度描述与像素灰度置信度,来提高运动目标检测的准确性、鲁棒性。候选目标的筛选通过固定大小的滑窗进行约束,再利用滑窗区域与边界拓展区域的像素灰度值分布率进行判定、剔除以及边框整合。应用到强化学习中的后向回退思想得到长期价值期望作为长期序列置信度,通过长期序列置信度描述与像素灰度置信度对运动目标评估。实验通过目标平均置信度评估方法,得到不同滑窗大小以及折扣因子的性能优劣。在不同场景的航拍视频测试中,本文方法在确保检测实时性的前提下,检测准确度得到了明显提高。3.本文提出深度逆强化学习方法的非线性策略网络应用到运动目标位置与尺寸信息的决策,模型包含特征网络层与策略网络层。特征网络层通过多层卷积特征信息提取候选目标区域,并将当前帧候选目标与前n帧检测结果关联作为策略网络初始层。策略通过全连接层的权重值来表现,并在专家轨迹辅助下进行特征网络模型的优化和策略网络层的探索策略迭代更新,完成对奖励回报函数的非线性拟合与专家策略的学习过程。基于值估计方法的贝叶斯的后验概率容易造成间接策略退化的问题,本文通过将策略优化目标函数的极值问题转化为代理函数极值问题。通过置信域策略优化方法对策略的参数向量进行调优,引入状态空间与动作空间分布的平均KL散度作为约束条件,确保策略在更新迭代过程中单调不减。航拍视频片段的经验池训练方法,分为策略网络通过专家轨迹辅助学习专家策略,以及策略网络自主提高策略两个阶段。在无人机地面站平台应用上,本文提出暗通道快速去雾方法、动态帧差检测方法、目标序列置信度检测方法以及深度逆强化学习检测方法。