马少斌，张成文

（1.兰州文理学院 数字媒体学院,甘肃 兰州730010；2.兰州文理学院VR 技术研发与推广中心,甘肃 兰州730010）

引言

为了提升装甲车辆自动化与智能化的能力，早期的科研人员在有限硬件资源的情况下开展目标辅助识别功能研制[1]。然而，目标所在的地面背景极其复杂，其适应性并不理想。随着信号处理技术的发展，浅层机器学习算法提升了复杂环境下目标检测的适应性，使得复杂环境下目标检测应用成为可能。Chen 等人通过人工设计特征描述子提取目标特征，然后通过聚类分析确定初始目标区域，并利用多尺度搜索准确检测出目标[2]。虽然浅层机器学习算法提升了目标检测应用的准确度，并已经应用于简单背景中的目标检测任务，但并不具备完成复杂环境使用任务。

近年来，随着智能硬件性能的提升以及海量数据集的构建，国内外学者对深度网络模型进行了大量研究，并在特定领域取得了突破性进展。海军航空大学顾佼佼博士在前景分离算法的基础上采用Faster R-CNN 对全景图像进行舰船目标检测[3]，有助于提升检测与分类性能，但该模型直接用于陆战环境的目标检测概率较低。为了提升复杂陆战环境下装甲目标的检测精度，本文提出了一种双路多尺度网络模型，该模型在空间金字塔池化的基础上，增加了联合金字塔上采样,增强弱小目标的高分辨率特征映射能力。

1 双路多尺度金字塔池化模型

众所周知，深度网络在逐层迭代优化时容易造成细节丢失，轮廓演化不足，使目标检测结果无法准确定位目标[4]。……