面向多尺度坦克装甲车辆目标检测的改进Faster R-CNN算法

摘要

复杂战场环境下的图像目标检测技术, 是未来发展目标自动检测与跟踪一体化坦克火控系统需要解决的关键性问题. 针对 Faster R-CNN 算法在小尺度坦克装甲车辆目标检测方面存在的问题, 提出一种改进算法. 首先采用尺度依赖区域建议网络(RPN), 根据目标尺度分布情况在不同深度的卷积层上设置合理大小的滑动窗口, 使 RPN 能够提取出更加精确的建议区域; 其次提出一种选择性池化策略, 根据尺度依赖 RPN 产生建议区域的大小选择合适深度的卷积层特征进行 ROI 池化, 为后续的检测子网络保留足够的目标信息. 在 Tank VOC4000 图像库中从目标召回率、检测精度和速度等角度进行实验的结果表明, 通过合理地利用多个层次上的卷积特征, 文中算法对多种尺度的坦克装甲目标均取得了良好的检测效果, 检测精度和速度均优于原Faster R-CNN算法, 能够更好地满足实际应用需求.