邓雪亚，肖秦琨

(西安工业大学兵器科学与技术学院，陕西西安710021)

1 引言

适应现在战场上技术的进步，掌握作战信息的实时性和准确性是非常重要的。对战场上的目标进行精确的检测是实现战场目标跟踪打击的重要基础。仅仅依靠人工的方法对目标进行检测是不行的，检测精度和速度都跟不上战场的实际需求。因此，发展具有自动检测功能的坦克装甲车辆是目前战场信息化作战的趋势[1]。本文提出基于优化候选区域的战场目标检测研究，解决小目标和遮挡目标的检测问题。

基于深度学习的目标检测算法不断地深入研究，Ren等[2]人，提出Faster R-CNN算法，该算法使用区域提取网络(Region Proposal Networks，RPN)，与检测网络共享特征图很大地提高了目标检测的速度。但Faster R-CNN算法对于小目标的深层次的特征提取不精确。一些研究者对Faster R-CNN算法进行了改进，用来解决目标检测的复杂问题。Jipeng等[3]，提出改进的Faster R-CNN结构，该算法将低层次和高层次的特征融合在一起用于小物体检测，在检测精度方面取得了一些进步，但仍存在一些问题。林国平等[4]，采用了K-Means++聚类算法来代替原来Faster R-CNN算法中的RPN网络来提取候选框，该改进算法对车辆有较高的检测精度，但在物体模糊不清或者有遮挡发生时，会出现漏检的情况。张御宇等[5]，针对小尺度目标提出改进的Faster R-CNN算法，该算法增强了高低卷积层间的信息传递，增加锚的尺寸和锚框选择策略，检测准确率有了明显的提高，但文中没有考虑改进算法的耗时问题。……