徐 芳，劉晶紅，孫 輝*，王騰龍，王 宣

（1.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所 航空光學(xué)成像與測量重點(diǎn)實(shí)驗(yàn)室，吉林 長春130033；2.中國電力工程顧問集團(tuán) 東北電力設(shè)計(jì)院有限公司，吉林 長春130021）

1 引言

衛(wèi)星遙感與無人機(jī)偵察等航天航空成像技術(shù)可獲取高空間分辨率的高清地物目標(biāo)信息，為海域安全領(lǐng)域目標(biāo)的檢測與識別研究提供了豐富的圖像數(shù)據(jù)源。船舶作為海上航行運(yùn)輸載體及重要軍事目標(biāo)，對它進(jìn)行自動檢測與識別在軍用和民用中具有重要意義。軍事上要監(jiān)察重點(diǎn)海域船舶的分布情況，評估敵方作戰(zhàn)實(shí)力，形成作戰(zhàn)情報(bào)，有效精準(zhǔn)打擊等；民事上船舶檢測可以輔助海上交通監(jiān)管、海上搜救、打擊非法捕魚及反走私等實(shí)際情況。因此，提高遙感圖像數(shù)據(jù)自動判讀的精度與效率，準(zhǔn)確、穩(wěn)健且快速地檢測與定位海面船舶目標(biāo)區(qū)域，具有重要的現(xiàn)實(shí)意義。

當(dāng)前，用于船舶檢測的遙感圖像源主要可分為合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）圖像、可見光波段圖像、紅外波段圖像和多/超光譜波段圖像4類?；诓煌膫鞲衅黝愋团c成像場景，船舶檢測方法的設(shè)計(jì)思路大相徑庭，方法的有效性和適應(yīng)性也會變化。盡管不同成像傳感器的應(yīng)用條件和功能不同，但很多算法是相似且通用的，相對于其他成像源，光學(xué)衛(wèi)星成像中的可見光波段能更直觀反映地物目標(biāo)與背景的真實(shí)顏色信息，紋理豐富，結(jié)構(gòu)特征明顯，在海面船舶檢測及偵察領(lǐng)域具有其他圖像源不可比擬的優(yōu)勢。

在過去數(shù)十年里，基于光學(xué)遙感成像的海面船舶目標(biāo)檢測一直是研究熱點(diǎn)。盡管在SAR遙感成像數(shù)據(jù)中關(guān)于海面船舶目標(biāo)檢測的研究最多，首次利用SAR遙感圖像檢測海洋區(qū)域中的船舶目標(biāo)及其航跡的研究始于1978年美國海洋衛(wèi)星Seasat實(shí)驗(yàn)，而且同年人們還開展了光學(xué)遙感成像船舶目標(biāo)檢測的研究工作。第一顆民用光學(xué)衛(wèi)星Landsat1于1972年發(fā)射，隨著高分辨率衛(wèi)星成像技術(shù)的發(fā)展，當(dāng)今已有數(shù)百顆大范圍分辨率的光學(xué)成像衛(wèi)星在軌運(yùn)行。經(jīng)調(diào)研，在1972年～2019年間，光學(xué)成像衛(wèi)星的發(fā)射數(shù)量和基于光學(xué)衛(wèi)星圖像船舶檢測研究均以2005年為拐點(diǎn)呈指數(shù)增長［1］。

2000年，高清光學(xué)成像衛(wèi)星開始大量在軌使用，能提供的空間分辨率小于5 m，之后幾年相關(guān)船舶檢測的研究開始增加；而在此之前，受限于在軌衛(wèi)星數(shù)量和成像分辨率，衛(wèi)星圖像中船舶目標(biāo)的檢測概率非常低；2005年～2019年，光學(xué)成像衛(wèi)星數(shù)量大大增加，其成像分辨率也逐漸提高，但由于高清光學(xué)衛(wèi)星成像成本相對較高，其應(yīng)用范圍較窄。近幾年，WorldView、GeoEye與Pleiades系列光學(xué)衛(wèi)星相繼發(fā)射，它們不僅能提供更大的地面覆蓋范圍，也能提供更高的時(shí)間、空間與光譜分辨率，小型船舶更易被發(fā)現(xiàn)，大型船舶的特征也更豐富。

在基于光學(xué)遙感成像的海面船舶檢測中，算法系統(tǒng)需要處理大量寬幅圖像數(shù)據(jù)，除此還要針對不同的應(yīng)用場景，保證船舶目標(biāo)檢測準(zhǔn)確率，并實(shí)現(xiàn)近實(shí)時(shí)響應(yīng)。因此，船舶檢測算法的設(shè)計(jì)極具挑戰(zhàn)，光學(xué)遙感圖像海面船舶目標(biāo)檢測算法應(yīng)具有更強(qiáng)的抗干擾能力與適應(yīng)性。本文針對基于光學(xué)遙感衛(wèi)星可見光成像波段下開闊海域、帶有港口及島嶼的船舶目標(biāo)檢測技術(shù)研究現(xiàn)狀及發(fā)展趨勢進(jìn)行了分析與探討。

2 研究現(xiàn)狀

為快速準(zhǔn)確地搜索提取光學(xué)遙感圖像船舶目標(biāo)，當(dāng)前研究方法通常采用由粗到精的目標(biāo)檢測策略。如圖1所示，常見的船舶檢測流程主要包括以下步驟：（1）輸入圖像；（2）海陸分割，從圖像中去除陸地區(qū)域，保留海域部分；（3）干擾移除，消除或減輕環(huán)境影響；（4）船舶候選區(qū)域提取，獲得潛在船舶目標(biāo)區(qū)域，是整個(gè)檢測流程中最重要的部分；（5）目標(biāo)鑒別，根據(jù)候選目標(biāo)的特征屬性區(qū)分真實(shí)船舶目標(biāo)與虛假目標(biāo)，保留真實(shí)的船舶目標(biāo)；（6）獲得檢測結(jié)果；（7）性能評估，分析檢測結(jié)果，評價(jià)算法性能。本文重點(diǎn)從算法入手，對海陸分割、干擾移除、船舶候選區(qū)域提取及目標(biāo)鑒別這幾個(gè)步驟進(jìn)行了回顧及詳細(xì)分析。

圖1 船舶目標(biāo)檢測流程Fig.1 Workflow of common vessel detection

2.1 海陸分割

海陸分割又稱海陸掩膜，對帶有陸地區(qū)域的海面船舶目標(biāo)的精確檢測是基礎(chǔ)，如果處理的是純海面圖像則不需要進(jìn)行該步驟。目前，海陸分割處理主要有兩種方法：引入外部掩膜海岸線數(shù)據(jù)或者基于圖像特征分析進(jìn)行分離。

基于海岸線數(shù)據(jù)方法：當(dāng)有港口的地理信息時(shí)導(dǎo)入現(xiàn)存海岸線數(shù)據(jù)，得到分離陸地與海洋的區(qū)分線，通過匹配進(jìn)行分離［2-3］。常用的海岸線數(shù)據(jù)集有：全球自成一體的分層高分辨率地理數(shù)據(jù)庫（Global Self-consistent，Hierarchical，High-res?olution Geography，GSHHG）［4-5］，可免費(fèi)獲取，它結(jié)合了中央情報(bào)局世界數(shù)據(jù)庫II（world data bank II，WDBII）和世界矢量海岸 線（the world vector shorelines，WVS）數(shù) 據(jù) 集，存 儲 數(shù) 據(jù) 以1∶250000比例尺覆蓋到圖像中進(jìn)行陸地掩膜，也有研究使用中分辨率以比例尺1∶70000來獲取更高的細(xì)節(jié)；另一個(gè)免費(fèi)可用的全球水域掩膜是使用航天飛機(jī)雷達(dá)地形測繪使命數(shù)據(jù)（Shuttle Radar Topography Mission，SRTM）和 基 于SRTM制作的全球水面矢量數(shù)據(jù)集（the SRTM Water Body Data，SWBD）進(jìn)行南北緯60°內(nèi)，分辨率約30 m的海陸分割［6-7］。雖然采用海岸線數(shù)據(jù)處理更快速，但是海陸掩膜是靜態(tài)的，僅代表海陸當(dāng)前分布的臨時(shí)狀態(tài)，不能應(yīng)對海岸的動態(tài)變化；而且該方法分辨率較低，很多圖像細(xì)節(jié)，如人工河堤或半島都會被去掉，從而導(dǎo)致海岸線變簡單，在處理高分辨率圖像時(shí)會更明顯，雖然后續(xù)可以采用人工校正，但較耗時(shí)。

當(dāng)港口先驗(yàn)信息不易獲取或由于數(shù)據(jù)年代久遠(yuǎn)，海岸變化較大等海岸線數(shù)據(jù)方法不適用時(shí)，采用基于圖像特征的分析方法。對于中低分辨率圖像，一般根據(jù)水域在圖像亮度分布上更低的反射性，設(shè)置灰度直方圖閾值分離海陸區(qū)域，根據(jù)處理情況可采用上下采樣或形態(tài)學(xué)濾波方法優(yōu)化，這類方法較簡單、快速[8-9]，但容易受渾濁水域和與船舶尺寸類似的礁石等影響；而對于較高分辨率圖像，受多種因素影響，水域亮度分布較復(fù)雜，船舶也存在黑白極性問題，如果仍采用傳統(tǒng)的水域分割方法，容易導(dǎo)致誤分割，針對該類情況，需要根據(jù)圖像特征進(jìn)行分析。Cheng等[10]對輸入圖像進(jìn)行超像素分割，對每個(gè)像素節(jié)點(diǎn)建立多特征描述器，訓(xùn)練支持向量機(jī)用來進(jìn)行自動種子選擇及Graph Cut分割，再精調(diào)邊緣。Wang等[11]首先提取圖像每個(gè)像素的灰度、邊緣、紋理和結(jié)構(gòu)等特征信息，然后學(xué)習(xí)一個(gè)海陸分類器，將分割問題轉(zhuǎn)為像素級二值分類問題。Liu等[12]提出一種深層次神經(jīng)網(wǎng)絡(luò)Deep UNet適應(yīng)高分辨率圖像分割，包含收縮路徑和擴(kuò)展路徑，并在兩種路徑中設(shè)計(jì)下行塊和上行塊，以獲得更精確的分割結(jié)果。Shamsolmoali等[13]提出了一種深度神經(jīng)網(wǎng)絡(luò)用于像素級海陸分割，對輸入圖像進(jìn)行上采樣或下采樣，設(shè)計(jì)了幾個(gè)密集連接的殘差網(wǎng)絡(luò)來系統(tǒng)地聚合多尺度上下文信息，充分利用了圖像的層次特征。

2.2 干擾移除

干擾移除能消除或減輕圖像背景干擾因素的影響，在船舶目標(biāo)檢測中可選擇執(zhí)行。在光學(xué)遙感圖像中，環(huán)境干擾因素的存在是不可預(yù)料且不可避免的，會在很大程度上使船舶檢測問題復(fù)雜化。對船舶檢測精度影響較大的主要干擾因素是云霧、雜散光、海雜波及環(huán)繞船舶的尾跡海浪，如圖2所示。

圖2 帶有干擾因素的海面圖像Fig.2 Sea surface images with disturbance

2.2.1 云 霧

在遙感圖像中，云層會以大面積連續(xù)分布狀態(tài)呈現(xiàn)，內(nèi)部變化較平緩。厚重云團(tuán)會遮蔽圖像中目標(biāo)位置區(qū)域，導(dǎo)致漏檢，而小的、孤立的云朵易被誤檢為目標(biāo)；海面霧氣的存在會降低圖像對比度，使得成像質(zhì)量下降?；陂撝祷蛱荻鹊姆椒梢詭椭瞥龍D像中的云層，Corbane等［14］使用統(tǒng)計(jì)學(xué)閾值方法去除云層；一些研究工作［15］采用二維傅里葉變換算法移除圖像中的云層，當(dāng)有云時(shí)，傅里葉變換中心會有尖峰分布，且隨著云層薄厚和面積的不同，變換的分布也有變化；Yu?an等［16］在目標(biāo)檢測前進(jìn)行圖像去霧處理，提高了檢測精度，但算法時(shí)間成本高，且圖像顏色易失真。

2.2.2 雜散光

雜散光是海面海浪局部區(qū)域在某方向上反射太陽光形成的。當(dāng)海面粗糙度尺度較小時(shí)，亮度對比度會特別明顯［17］，雜散光或圖像中某些高反射率區(qū)域易對目標(biāo)產(chǎn)生誤理解，但由于在可見光波段衛(wèi)星圖像中缺少光照參考數(shù)據(jù)用于算法開發(fā)，所以在現(xiàn)有研究中較少有光照校正工作。

2.2.3 海雜波

海雜波是撞擊的海浪帶起白浪花產(chǎn)生的亮塊，具有不同的長度、高度和方向。海況或許會從起伏的幾米高海浪到數(shù)十米高大浪，甚至高達(dá)數(shù)百米，這些海浪會進(jìn)一步在頂部形成分毫米的碎浪花，即小尺度粗糙海面［18］，影響船舶目標(biāo)的檢測精度。在平靜海面背景下，不同尺寸船舶的檢測精度較高，但同種算法在海況復(fù)雜時(shí)檢測性能會急劇下降，特別是在檢測小型船舶時(shí)。在光學(xué)圖像中，海面背景顯示了局部紋理與局部密度的相似性；海雜波密度一般與風(fēng)速成正比，意味著在高風(fēng)速和復(fù)雜海況條件下，很難檢測到感興趣區(qū)域內(nèi)的所有船舶目標(biāo)，也很難保持較低的虛警率。盡管充分分析海面能提高船舶檢測的性能，是在復(fù)雜海況下進(jìn)行船舶檢測的先決條件，但實(shí)際上很多算法沒有提前處理海雜波問題，僅在鑒別階段對海浪產(chǎn)生的虛警進(jìn)行剔除［19］。

2.2.4 船舶尾跡與環(huán)繞海浪

船舶尾跡與環(huán)繞海浪是船舶在運(yùn)動時(shí)在尾部產(chǎn)生的長條狀海浪和船舶周圍產(chǎn)生的白色浪花［20］。尾跡可用來估計(jì)船舶的航向和速度，但檢測移動的船舶目標(biāo)非常具有挑戰(zhàn)性，尤其是針對具有與其周圍尾跡和海浪亮度相似的船舶，船舶本身尺寸易被過估計(jì)，較難提取船舶本身的形狀等特征。

在受到上述干擾且海面背景環(huán)境較復(fù)雜時(shí)，光學(xué)遙感圖像中船舶目標(biāo)的檢測問題會較難處理，對于在檢測過程中不好移除的干擾物，后期可在目標(biāo)鑒別過程中剔除，以降低檢測虛警率。

2.3 船舶候選區(qū)域提取

船舶候選區(qū)域提取是整個(gè)檢測處理中最重要的部分，關(guān)鍵任務(wù)在于如何利用船舶目標(biāo)與海面背景的特征差異，從圖像中獲取船舶目標(biāo)的潛在位置區(qū)域。

2.3.1 基于海面背景灰度分布的方法

基于海面背景灰度分布的方法是早期常用的船舶檢測算法，主要利用水體和船舶目標(biāo)的灰度統(tǒng)計(jì)特性差異進(jìn)行圖像閾值分割提取目標(biāo)。Burgess等［21］提出了使用掩膜、濾波、形狀分析等處理的海面船舶檢測方法。Corbane等［14］提出了一個(gè)檢測船舶的完整處理鏈，采用統(tǒng)計(jì)與形態(tài)學(xué)濾波方法來搜索提取船舶的潛在區(qū)域，根據(jù)小波分析與Radon變換去除虛警。Proia等［22］通過估計(jì)海面背景密度函數(shù)高斯分布模型，應(yīng)用貝葉斯決策理論檢測小型船舶目標(biāo)。Yang等［23］在分析海面背景分布后，建立了一個(gè)結(jié)合圖像像素與區(qū)域特征的線性函數(shù)選取船舶目標(biāo)。Xu等［24］采用水平集方法提取海面船舶目標(biāo)輪廓。

這類方法計(jì)算較簡單，適用于紋理分布均勻的海面環(huán)境背景，且船舶目標(biāo)與海面背景灰度要有較大的對比度；但在實(shí)際應(yīng)用中，當(dāng)海面背景復(fù)雜時(shí)，如存在厚重云層、不均勻光照、島嶼與海雜波等，該方法的檢測性能會大大降低。另外，在光學(xué)遙感場景下，船舶目標(biāo)顏色還存在黑極性與白極性的問題，如果船舶顏色分布同海面背景相近，該方法很難提取到船舶。

2.3.2 基于稀疏表示的方法

基于稀疏表示的方法利用過完備字典內(nèi)元素的線性組合對輸入信號進(jìn)行描述，在盡可能少的非零系數(shù)下令重構(gòu)信號與輸入信號間誤差達(dá)到最小，可以更簡潔地表示信號，更容易獲取信號細(xì)節(jié)，檢測流程如圖3所示。Sun等［25］提出了基于稀疏編碼的Bag of Words（BoW）模型方法，將訓(xùn)練字典代替?zhèn)鹘y(tǒng)BoW模型中的碼表，得到了更準(zhǔn)確的圖像目標(biāo)描述特征。Han等［26］設(shè)計(jì)多種類遙感目標(biāo)檢測方法，提出了基于視覺顯著性模型與稀疏編碼的判別學(xué)習(xí)機(jī)制。Yokoya等［27］整合了稀疏表達(dá)模型，將圖像局部特征檢測轉(zhuǎn)為通用的Hough變換船舶目標(biāo)檢測。Wang等［28］設(shè)計(jì)了稀疏表達(dá)判別模型來檢測多類遙感目標(biāo)，包括海面船舶目標(biāo)。

圖3 基于稀疏表達(dá)的遙感圖像目標(biāo)檢測架構(gòu)Fig.3 Target detection architecture based on sparse rep?resentation from remote sensing image

該方法的檢測準(zhǔn)確率較高［29-30］，具有較強(qiáng)的魯棒性，但缺點(diǎn)是需要訓(xùn)練較多的圖像樣本，計(jì)算復(fù)雜，且忽略了圖像內(nèi)部的幾何結(jié)構(gòu)，對小型船舶目標(biāo)的檢測性能較差。

2.3.3 基于視覺顯著性的方法

基于視覺顯著性的方法對海雜波等背景干擾的抑制能力較強(qiáng)，可迅速覺察到與當(dāng)前場景及目標(biāo)相關(guān)的信息，成為開闊海域船舶目標(biāo)檢測的熱點(diǎn)。當(dāng)前用于船舶目標(biāo)檢測的視覺顯著性模型主要可分為兩類：（1）基于目標(biāo)驅(qū)動的自頂向下模型；（2）基于數(shù)據(jù)驅(qū)動的自底向上模型。算法研究的一般框架如圖4所示。

圖4 基于視覺顯著性的船舶目標(biāo)檢測架構(gòu)Fig.4 Vessel detection architecture based on visual sa?liency

第一類檢測模型與具體的待檢目標(biāo)及任務(wù)有關(guān)，利用感知因子如期望、動機(jī)、先驗(yàn)知識及上下文信息等進(jìn)行視覺搜索。Zhu等［31］提出了一種基于編碼分類與空間上下文信息的基于目標(biāo)驅(qū)動的視覺顯著性檢測模型。Zhang等［32］提出了一套漸進(jìn)式注意力機(jī)制模型，能選擇性地整合多層特征的多重上下文信息，降低背景干擾。該類模型考慮了海面背景信息與目標(biāo)檢測任務(wù)，降低了干擾目標(biāo)的引入，但其計(jì)算復(fù)雜度較高，且沒有通用模型可用，需要針對不同的目標(biāo)檢測任務(wù)制定不同的搜索策略。

另一類是自底向上的顯著性檢測模型，根據(jù)是否進(jìn)行頻域變換，分為空間域模型或變換域模型?；诳臻g域模型最早于1998年由IT?TI和Koch提出［33］，之后一系列顯著性檢測方法被提出［34-35］，該類模型提取并結(jié)合圖像的多類特征，在遙感場景下船舶目標(biāo)尺寸較小，易受成像時(shí)天氣與海況等因素的影響，干擾抑制能力較弱，時(shí)間成本較高?；谧儞Q域模型在計(jì)算耗時(shí)與抑制干擾等方面的優(yōu)勢較明顯，Yu等［36］設(shè)計(jì)了一種基于Walsh-Hadamard變換二值頻譜的視覺顯著性方法，應(yīng)用于多光譜影像船舶檢測任務(wù)中。Xu等［37］基于小波變換分析構(gòu)建顯著性檢測模型，使用高頻成分進(jìn)行反小波變換，基于逐像素位置的顯著性概率計(jì)算最終顯著性圖，能有效適應(yīng)多尺度光學(xué)遙感圖像。Yang等［38］基于圖像的亮度特征與上下文分析設(shè)計(jì)了基于頻域分析的顯著性模型，但所提取的船舶目標(biāo)區(qū)域內(nèi)部的連續(xù)性較差。Dong等［39］基于可操控金字塔模型進(jìn)行多尺度分析，構(gòu)建目標(biāo)圖像顯著性模型，考慮了艦船目標(biāo)的尺寸差異性，凸顯目標(biāo)效果較好，但也引入了部分虛警。Nie等［40］改進(jìn)了基于超復(fù)數(shù)理論的傅里葉變換模型，根據(jù)圖像空間相關(guān)性、對比度、多方向特征構(gòu)建超復(fù)數(shù)進(jìn)行后續(xù)計(jì)算。該類顯著性檢測方法可提取整幅圖像場景中船舶目標(biāo)的潛在區(qū)域，檢測性能較好，但對于近海岸的船舶，受檢測環(huán)境影響檢測性能較差；另外，基于視覺顯著性的檢測方法只能檢測出疑似船舶位置區(qū)域，還需后續(xù)目標(biāo)鑒別處理以剔除虛假目標(biāo)。

2.3.4 基于深度學(xué)習(xí)的方法

近些年，隨著深度學(xué)習(xí)理論的快速發(fā)展，通過多層交替的卷積與池化操作能自動學(xué)習(xí)出圖像區(qū)域的層次化特征表示，整個(gè)特征提取過程類似于人類的視覺神經(jīng)系統(tǒng)，可直接檢測圖像中目標(biāo)，深度學(xué)習(xí)模型豐富的特征與強(qiáng)大的表征能力極大提升了目標(biāo)檢測的準(zhǔn)確率［41-42］。按照目標(biāo)檢測流程，基于深度學(xué)習(xí)的船舶檢測算法主要分為兩步檢測器和一步檢測器兩類，主要的算法模型如圖5所示。

圖5 基于深度學(xué)習(xí)的檢測器分類Fig.5 Taxonomy of ship detection methods based on deep learning

兩步檢測器大多基于候選區(qū)域，主要包含兩個(gè)方面：候選框生成與框內(nèi)目標(biāo)識別，步驟1先在圖像中生成多個(gè)區(qū)域建議，其次提取這些區(qū)域中的特征；步驟2使用訓(xùn)練好的分類器與回歸器做分類與回歸；最終，采用非極大值抑制方法等后處理手段獲取檢測結(jié)果；該類檢測器的檢測精度較高，但檢測速度慢。一步檢測器受Region Pro?posal Network（RPN）網(wǎng)絡(luò)啟發(fā)，采用anchor思想設(shè)計(jì)，通常聚焦于快速、準(zhǔn)確地檢測目標(biāo)。上述兩類檢測器的主要算法模型的優(yōu)缺點(diǎn)比較如表1所示。

表1 檢測器模型比較Tab.1 Comparison of detector models

基于上述檢測器的深度學(xué)習(xí)方法較多應(yīng)用于自然場景目標(biāo)的自動檢測任務(wù)中，尤其是具有較高檢測精度與速度的基于YOLOV 3檢測器及其改進(jìn)模型的目標(biāo)檢測方法。近幾年，一些研究者開始將上述檢測器應(yīng)用于遙感場景下目標(biāo)的檢測與分類中［43-45］。該類方法的遙感船舶目標(biāo)搜索檢測架構(gòu)如圖6所示，集合了船舶目標(biāo)搜索、特征提取、分類鑒別等步驟的一體化處理，經(jīng)過卷積網(wǎng)絡(luò)模型，將各個(gè)處理階段較好地集成到一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)框架中。

圖6 基于深度學(xué)習(xí)的海面船舶目標(biāo)檢測架構(gòu)Fig.6 Vessel detection architecture based on deep neu?ral network

與自然場景成像不同，遙感成像海面船舶目標(biāo)具有尺度較小、目標(biāo)多方向旋轉(zhuǎn)、部分目標(biāo)排布較密集及圖像對比度較低等問題，這會影響深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net?works，CNN）在遙感場景下的海面船舶檢測準(zhǔn)確率，如圖7所示。研究人員對上述檢測器網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)與優(yōu)化。Zhang等［46］基于深度神經(jīng)旋轉(zhuǎn)與鑒別網(wǎng)絡(luò)構(gòu)建了衛(wèi)星遙感船舶目標(biāo)檢測模型。Xiao等［47］基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了語義分割網(wǎng)絡(luò)，結(jié)合精細(xì)細(xì)節(jié)信息與粗尺度語義信息，對遙感圖像船舶目標(biāo)進(jìn)行檢測。Chen等［48］引入端到端的深度語義分割方法，將深度卷積神經(jīng)網(wǎng)絡(luò)與全連接條件隨機(jī)場相結(jié)合，提高了船舶檢測精度與捕獲圖像細(xì)節(jié)的能力。Zhang等［49］設(shè)計(jì)多層卷積特征融合網(wǎng)絡(luò)用于小船舶目標(biāo)檢測。Dong等［50］設(shè)計(jì)了一種多角度框選結(jié)構(gòu)網(wǎng)絡(luò)檢測模型。Guo等［51］設(shè)計(jì)了一個(gè)Libra R-CNN網(wǎng)絡(luò)進(jìn)行不同方向旋轉(zhuǎn)船舶目標(biāo)的檢測。

圖7 不同尺度、方向旋轉(zhuǎn)、排列緊密船舶的檢測Fig.7 Detection of rotating and close-arranged ship in different scales

該類方法要求研究者具有深厚的知識儲備，檢測模型能有效抵抗復(fù)雜圖像背景的干擾，更適合自然場景下較大尺度和高對比度的目標(biāo)，但在遙感圖像寬幅場景、較小尺度船舶目標(biāo)、旋轉(zhuǎn)船舶目標(biāo)情況下直接檢測，檢測效果會受影響。另外，該類方法搭建模型的過程繁瑣，在訓(xùn)練學(xué)習(xí)過程中需要大量圖像樣本數(shù)據(jù)，且人工標(biāo)注樣本的成本較高，網(wǎng)絡(luò)模型訓(xùn)練時(shí)間較長，計(jì)算資源代價(jià)大，難以使檢測精度與運(yùn)算速度達(dá)到最優(yōu)。

2.3.5 算法模型比較

定性評估上述主要的光學(xué)遙感成像船舶提取算法，結(jié)果如圖8所示。基于海面背景灰度分布方法計(jì)算簡單、速度快，但其檢測準(zhǔn)確率受場景復(fù)雜程度的影響較大，虛警率較多；基于稀疏表示的方法能抵抗一定光照變化與圖像遮擋，但計(jì)算復(fù)雜，對小型船舶目標(biāo)的檢測效果不好，適應(yīng)能力差；基于視覺顯著性的方法能抑制海雜波及云霧等冗余信息的干擾，較好地檢測各個(gè)方向的較小目標(biāo)，但當(dāng)海面背景特別復(fù)雜時(shí)，檢測性能受到較大影響；基于深度學(xué)習(xí)的方法能克服復(fù)雜場景干擾，適應(yīng)對比度與尺度較大的目標(biāo)，但模型復(fù)雜，對小目標(biāo)的檢測性能較差。因此，針對光學(xué)遙感成像，研究具有高度適應(yīng)能力、實(shí)用化的船舶目標(biāo)提取方法，非常具有挑戰(zhàn)性，還需要進(jìn)行大量深入地研究與探索。

圖8 現(xiàn)有船舶目標(biāo)提取方法的定性評估Fig.8 Qualitative evaluation of existing vessel extraction methods

2.4 目標(biāo)鑒別

船舶目標(biāo)鑒別在使用視覺顯著性方法進(jìn)行船舶目標(biāo)檢測中常被用到，在提取到疑似目標(biāo)區(qū)域后，有時(shí)不僅提取了真實(shí)船舶目標(biāo)，還可能引入虛假目標(biāo)，目標(biāo)鑒別確認(rèn)即在疑似目標(biāo)中剔除非船舶目標(biāo)，保留真正船舶目標(biāo)的過程。根據(jù)鑒別依據(jù)的不同，現(xiàn)有的鑒別方法可劃分為基于先驗(yàn)信息與基于船舶目標(biāo)本身特征的方法。

基于先驗(yàn)信息的方法根據(jù)船舶可能出現(xiàn)的區(qū)域位置及所屬海域等先驗(yàn)信息剔除虛警。這種方法處理較簡單，但依賴船舶目標(biāo)自動識別系統(tǒng)（Automatic Identification System，AIS）與歐盟船舶監(jiān)測系統(tǒng)（Vessel Monitoring System，VMS）等先驗(yàn)數(shù)據(jù)信息［52-54］。

基于船舶目標(biāo)本身特征的方法，即在提取到船舶疑似目標(biāo)區(qū)域的基礎(chǔ)上，結(jié)合船舶目標(biāo)自身特征進(jìn)行深入地分析和確認(rèn)，去除虛假目標(biāo)?；谔卣鞯哪繕?biāo)鑒別方法的一般算法結(jié)構(gòu)如圖9所示。光學(xué)遙感圖像中的船舶目標(biāo)特征需要考慮圖像獲取的視角、分辨率、海況和船舶速度等因素。大部分研究者基于簡單的幾何特征來執(zhí)行鑒別，如船舶的長、寬、長寬比、面積等幾何尺寸，緊致度、矩形度、偏心度、對稱性、不變矩等形狀特征，均值、方差、標(biāo)準(zhǔn)差、梯度、熵值、灰度共生矩陣等紋理特征，均值、方差、最小值、最大值等亮度和顏色特征。如果目標(biāo)特征描述子的變動系數(shù)在有效范圍內(nèi)，即判斷為船舶目標(biāo)［55］。部分研究使用光譜、形狀、紋理或者其混合特征［39］，結(jié)合多個(gè)特征方式去除虛警。還有研究提取船舶目標(biāo)的各種特征制作大量樣本投入到SVM、隨機(jī)森林、決策樹與Adaboost等分類器中分類鑒別［40，56］，以區(qū)分真實(shí)目標(biāo)與干擾目標(biāo)，使用該類方法進(jìn)行鑒別時(shí)，前期樣本準(zhǔn)備階段的工作量較大。隨著深度學(xué)習(xí)的發(fā)展，也有研究使用基于CNN的 經(jīng) 典 分 類 網(wǎng) 絡(luò)［42］，如AlexNet，VGGNet和GoogleNet等進(jìn)行候選區(qū)域鑒別，不僅剔除了虛警干擾，還可以標(biāo)識候選區(qū)域所屬的類別。另外，如果對遙感圖像直接使用基于深度學(xué)習(xí)的船舶檢測方法，由于深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含不同深度的特征層，能自動提取船舶候選區(qū)域及其多層級特征，集成了目標(biāo)分類與鑒別，無須再單獨(dú)進(jìn)行目標(biāo)鑒別處理。

圖9 船舶目標(biāo)鑒別算法框架Fig.9 Algorithm framework for vessel target identifica?tion

3 現(xiàn)存問題與挑戰(zhàn)

光學(xué)遙感成像在提供豐富信息輔助海面目標(biāo)監(jiān)管的同時(shí)，在船舶目標(biāo)檢測算法的研究和應(yīng)用上仍面臨很多問題與挑戰(zhàn)。在對光學(xué)遙感成像場景下的海面船舶目標(biāo)檢測中，不僅要判定出目標(biāo)的位置和數(shù)量，有時(shí)還需要獲得目標(biāo)的大小與方向，甚至形狀與紋理，然而船舶目標(biāo)的表觀形態(tài)特征變化多樣，海面背景存在各種干擾，當(dāng)前大多數(shù)船舶檢測研究面臨的普遍問題如下：

（1）光學(xué)遙感成像受天氣、海況、成像條件等多種因素的影響。天氣條件（晴天、陰天、云霧等）反映到圖像中，目標(biāo)特征發(fā)生變化，易引起對目標(biāo)的誤理解；海面背景狀況（雜散光、海雜波、島嶼等）變化，很容易給檢測帶來大量虛警；不同成像分辨率、不同成像時(shí)間、不同成像視角（下視、前視、側(cè)視）、遠(yuǎn)距離成像等成像條件也會增加檢測算法處理的復(fù)雜性。

（2）船舶目標(biāo)本身表觀特征的影響。船舶目標(biāo)是人造剛體目標(biāo)，為了適航，大多船舶呈軸對稱結(jié)構(gòu)分布，一般船首較尖，形狀狹長，根據(jù)不同用途，船舶外形結(jié)構(gòu)有所差異，船舶呈現(xiàn)的紋理特征也有區(qū)別。不同的光照條件和目標(biāo)表面涂層材料，會導(dǎo)致船舶與海面背景的亮度差異增加或減小，呈現(xiàn)黑白顏色極性。另外，船舶目標(biāo)僅占海面背景區(qū)域的較小部分，位置分布隨機(jī)、目標(biāo)尺寸大小不一、方向旋轉(zhuǎn)不定，有些船舶排列緊密，這些都為船舶目標(biāo)的判讀帶來困難。

部分房地產(chǎn)企業(yè)沒有明確的目標(biāo)和方向，盲目擴(kuò)展、粗放建設(shè)，戰(zhàn)略規(guī)劃和經(jīng)營計(jì)劃不清晰，甚至朝令夕改，缺乏持續(xù)性，公司的戰(zhàn)略和管理控制系統(tǒng)分離，各業(yè)務(wù)單位、職能部門各自為政。房地產(chǎn)企業(yè)在進(jìn)行全面預(yù)算管理時(shí)若是和企業(yè)戰(zhàn)略規(guī)劃脫節(jié)，即使可以在短時(shí)間內(nèi)取得不俗的效果，但卻不利于長期發(fā)展，導(dǎo)致預(yù)算管理無法取得理想的效果。

當(dāng)船舶目標(biāo)行駛在開闊海面上，運(yùn)動船舶存在尾跡，而在大多數(shù)光學(xué)全色圖像和多光譜圖像中，很難將船舶與其尾跡區(qū)分開；有些船舶?？吭诟劭诖a頭，進(jìn)行港口和內(nèi)陸水域的船舶檢測，與開放海域檢測不同，這類方法還需要處理船舶和港口背景間的相似度問題（如顏色、結(jié)構(gòu)等）。

（3）圖像幅寬增長且數(shù)據(jù)量大。當(dāng)前光學(xué)遙感衛(wèi)星分布在各類型地球軌道上，成像幅寬隨衛(wèi)星所處軌道高度的提升而增大。隨著光學(xué)衛(wèi)星數(shù)量的增加、回訪周期的縮短與圖像分辨率的提高，對地觀測傳感器日常可產(chǎn)生海量的不同光譜、輻射、空間和時(shí)間分辨率的圖像數(shù)據(jù)［2］，隨著新衛(wèi)星的發(fā)射升空，數(shù)據(jù)量還會繼續(xù)增加。

針對上述問題，當(dāng)前尚不存在適用所有場景的船舶檢測算法，算法研究只能在保證較高檢測精度的條件下盡可能適應(yīng)大多數(shù)遙感場景。因此，在保證高的檢測精度和速度的同時(shí)，提高船舶檢測算法的抗干擾與適應(yīng)能力仍是一項(xiàng)具有挑戰(zhàn)且有意義的工作。

4 圖像數(shù)據(jù)集及算法性能評價(jià)

4.1 圖像數(shù)據(jù)集

光學(xué)遙感成像船舶檢測性能受多種因素的影響，為驗(yàn)證算法的普適性，應(yīng)在具有代表性的海面背景圖像，即在不同的海面區(qū)域、船舶類型和天氣狀況等條件下進(jìn)行測試分析。當(dāng)前測試圖像的主要來源如下：

（1）直接使用光學(xué)衛(wèi)星圖像數(shù)據(jù)測試。根據(jù)算法開發(fā)的年份和圖像使用的年份，當(dāng)前用于船舶目標(biāo)檢測的超高清光學(xué)衛(wèi)星成像傳感器能達(dá)到米級分辨率，甚至可到亞米級，如Quick Bird、IKONOS、WorldView-2、GeoEye-1和 最 近 的WorldView-3，大部分衛(wèi)星的圖像分辨率為0.5～5 m；超清級別空間分辨率為5～20 m，如SPOT-5；而中級分辨率，超過20 m最常用的是Landsat和CBERS，在近些年的研究中，使用GaoFen-1、Formosat-2和Sentinel-2傳感器的數(shù)量在上漲；在船舶目標(biāo)檢測文獻(xiàn)中較少使用的光學(xué)衛(wèi)星傳感 器 為HJ-1A、MODIS、OrbView-1、Aster VNIR、VRRS-1、Kompsat-2和SkySat-1［1］。

（2）除直接使用光學(xué)衛(wèi)星圖像數(shù)據(jù)，還有相當(dāng)數(shù)量的研究使用Google Earth和Microsoft Vir?tual Earth的導(dǎo)出數(shù)據(jù)或截圖作為圖像源［57-58］。二者均免費(fèi)公開，能提供光譜、紋理和幾何等特征，相對于直接來自光學(xué)衛(wèi)星遙感圖像數(shù)據(jù)是非常重要的參考；但這些圖像為了提高視覺效果都做了預(yù)處理，其光譜信息中紅、綠、藍(lán)譜段較差，還有較大的不連續(xù)的輻射畸變，且位置精度也較低，因此，這些遙感圖像數(shù)據(jù)不宜進(jìn)行更深入的分析，可以作為訓(xùn)練樣本圖像數(shù)據(jù)，輔助算法性能的驗(yàn)證和測試。

基于以上圖像來源建立較大的光學(xué)遙感圖像船舶目標(biāo)數(shù)據(jù)集，對于開發(fā)船舶目標(biāo)檢測算法至關(guān)重要。在過去的數(shù)十年，一些研究團(tuán)隊(duì)［59-60］公開了其光學(xué)遙感圖像數(shù)據(jù)集，經(jīng)整理，其中 包含船舶目標(biāo)的遙感圖像數(shù)據(jù)集如表2所示。

表2 包含船舶目標(biāo)的遙感圖像數(shù)據(jù)集Tab.2 Remote sensing image datasets containing vessels

4.2 算法性能評價(jià)指標(biāo)

4.2.1 檢測準(zhǔn)確率、漏檢率與虛警率

檢測準(zhǔn)確率為：

漏檢率為：

虛警率為：

其中：Ns是所有待檢圖像中真實(shí)船舶的總數(shù)，Ndtrue是檢測到的真實(shí)船舶數(shù)，Ndfalse是檢測到的非船舶數(shù)，Nu是未被檢測的真實(shí)船舶數(shù)，Nd是檢測的目標(biāo)總數(shù)，Nd=Ndtrue+Ndfalse。

4.2.2 查全率-查準(zhǔn)率PR曲線及mAP

如果遙感圖像目標(biāo)的Ground-truth圖用A表示，檢測到的目標(biāo)區(qū)域二值圖用B表示，則查全率（R）和查準(zhǔn)率（P）為：

綜合評價(jià)指標(biāo)（F-Measure）為：

改變檢測分割閾值，由R與P值可得PR曲線下面積，即平均精度（Average Precision，AP）。mAP為對多個(gè)類的AP值再取平均得到的值，mAP越大，算法性能越好。

4.2.3 受試者工作特征曲線

真正例率為：

假正例率為：

其中：TP為真正例，F(xiàn)N為假負(fù)例，F(xiàn)P為假正例，TN為真負(fù)例。根據(jù)TPR與FPR可得ROC曲線及曲線下面積AUC值，判定算法性能。

對于評價(jià)指標(biāo)PR曲線與ROC曲線的選用，當(dāng)正負(fù)樣例比例相差不大時(shí)，二者區(qū)別不大，PR曲線相較ROC曲線更關(guān)注正樣例，ROC曲線則兼顧兩者；如果正負(fù)樣例比例相差較多時(shí)，使用PR曲線更能反映檢測分類器的性能。

4.3 算法檢測結(jié)果及性能比較

4.3.1 基于視覺顯著性方法的船舶檢測

文獻(xiàn)［56］給出了與部分顯著性算法（ITTI、GBVS、SR、COV模型）顯著圖的主觀視覺對比結(jié)果，如圖10所示。根據(jù)4.2節(jié)指標(biāo)，文獻(xiàn)［56］與對比模型在自制的162幅圖像上的ROC曲線與AUC值如圖11所示。文獻(xiàn)［56］與文獻(xiàn)［19］、文獻(xiàn)［55］在同一測試圖像集上的船舶檢測率結(jié)果比較如表3所示。

表3 不同方法的檢測結(jié)果Tab.3 Detection results of different methods（%）

圖10 顯著性圖主觀視覺比較結(jié)果Fig.10 Visual comparison of saliency maps

圖11 不同顯著性模型的ROC曲線與AUC值Fig.11 ROC and AUC of different saliency models

4.3.2 基于深度學(xué)習(xí)方法的船舶檢測

各方法模型在相應(yīng)光學(xué)遙感船舶目標(biāo)圖像數(shù)據(jù)集上的查準(zhǔn)率、查全率、F-Measure與mAP指標(biāo)的檢測結(jié)果如表4所示。

表4 不同深度學(xué)習(xí)方法的檢測結(jié)果Tab.4 Detection results of different deep learning methods

圖12給出了一些光學(xué)遙感圖像船舶目標(biāo)最終的檢測結(jié)果，第一排為視覺顯著性方法的檢測結(jié)果，第二排為深度學(xué)習(xí)方法的檢測結(jié)果。

圖12 光學(xué)遙感圖像船舶目標(biāo)檢測結(jié)果Fig.12 Detection results of vessels using optical remote sensing images

根據(jù)調(diào)研分析，當(dāng)前沒有適用于所有類型光學(xué)遙感圖像的船舶目標(biāo)檢測方法，特別是海況復(fù)雜時(shí)，虛警會較多；在算法評估和優(yōu)化中，詳細(xì)評價(jià)哪些目標(biāo)特征易導(dǎo)致漏檢與虛警，哪些目標(biāo)特征優(yōu)于其它特征，對提高船舶檢測的準(zhǔn)確率與降低虛警率是有利的。

當(dāng)前研究中僅有一小部分船舶檢測方法在一種光學(xué)衛(wèi)星圖像上進(jìn)行測試，大部分在兩個(gè)或多個(gè)類型的光學(xué)衛(wèi)星圖像上進(jìn)行測試和分析；為保證檢測結(jié)果的客觀公正，評價(jià)船舶目標(biāo)檢測算法性能需要注意如下問題：

（1）當(dāng)前研究工作中部分使用的測試圖像數(shù)量較少，大多測試圖像都取自平靜海面，算法的穩(wěn)健性應(yīng)在不同海況環(huán)境圖像下驗(yàn)證，且支持多種類型光學(xué)傳感器的成像測試；

（2）檢測性能應(yīng)綜合檢測準(zhǔn)確率與虛警率等多個(gè)指標(biāo)分析，當(dāng)前一些算法研究是在衛(wèi)星圖中裁出的一部分圖像區(qū)域上進(jìn)行測試，該部分包含了船舶目標(biāo)，但忽視了對沒有船舶目標(biāo)圖像區(qū)域的測試，算法的虛警率不可靠；

（3）大部分研究使用自己構(gòu)建的測試圖像進(jìn)行評估，這些圖像大都基于作者主觀視覺效果選取。為了公平、充分地評價(jià)不同算法的性能，需要統(tǒng)一各方法的測試條件和環(huán)境，在相同的第三方圖像集中測試，以確保測試數(shù)據(jù)的獨(dú)立性。

除了檢測準(zhǔn)確率等評價(jià)指標(biāo)，檢測速率也是一個(gè)重要的評價(jià)標(biāo)準(zhǔn)，即算法花費(fèi)多長時(shí)間完成船舶檢測處理，隨著遙感圖像幅寬和數(shù)量的快速增長，算法的時(shí)間成本指標(biāo)越來越重要，也給船舶檢測任務(wù)帶來了較大的挑戰(zhàn)。此項(xiàng)指標(biāo)很大程度上依賴于計(jì)算機(jī)硬件的運(yùn)算能力，因此在不同的研究工作中不具有可比性，只能作為評價(jià)參考。

5 發(fā)展趨勢及展望

盡管當(dāng)前光學(xué)遙感圖像船舶目標(biāo)檢測技術(shù)已經(jīng)有了較大發(fā)展，但遙感場景具有一定的特殊性與復(fù)雜性，針對海域背景船舶檢測問題的研究，及對較小目標(biāo)檢測的迫切需求，該方向的研究仍有很大發(fā)展空間。隨著遙感成像處理、人工智能與模式識別技術(shù)的發(fā)展，光學(xué)遙感成像海面船舶目標(biāo)檢測正逐漸呈現(xiàn)以下發(fā)展趨勢：

（1）對高性能寬幅、高清或超高清遙感影像中船舶目標(biāo)檢測算法的性能及軟硬件計(jì)算效率要求的提高。

公開文獻(xiàn)和已有方法表明，提升寬幅、高清或超高清遙感影像中船舶目標(biāo)檢測的準(zhǔn)確率與計(jì)算效率是發(fā)展趨勢之一。當(dāng)前用于船舶目標(biāo)檢測的超高清光學(xué)衛(wèi)星成像傳感器能達(dá)到米級，甚至亞米級的分辨率，船舶目標(biāo)相對整幅圖像尺度較小，給算法的設(shè)計(jì)與精確判定帶來極大挑戰(zhàn)；在目標(biāo)搜索及目標(biāo)鑒別判定階段對于算法的時(shí)效性與計(jì)算效率的要求也很高。在船舶檢測算法中，基于視覺顯著性與稀疏表示等方法的改進(jìn)算法模型，結(jié)構(gòu)愈加復(fù)雜，計(jì)算效率也更低；深度學(xué)習(xí)算法在GPU與存儲等計(jì)算資源豐富的理想情況下其計(jì)算速度上相對具有優(yōu)勢，但仍難以應(yīng)用于嵌入式及星上處理。因此，在保持算法模型具有較高性能的前提下，提升這些算法的計(jì)算效率能大大提高船舶檢測系統(tǒng)的實(shí)用性。

（2）基于異源圖像及數(shù)據(jù)融合的多種知識支撐的綜合分析。

當(dāng)前研究大多依賴光學(xué)遙感衛(wèi)星圖像本身特征來完成船舶目標(biāo)檢測任務(wù)，往往難以適應(yīng)不同成像視角、天氣、海況、圖像分辨率等多種因素的復(fù)雜變化。在光學(xué)遙感圖像海面船舶檢測過程中，對知識應(yīng)用的片面與匱乏是影響當(dāng)前光學(xué)遙感成像海面船舶目標(biāo)檢測技術(shù)實(shí)用化的關(guān)鍵技術(shù)障礙。由于云層覆蓋及白天可用性等問題（夜間成像仍然限于少數(shù)衛(wèi)星傳感器和少數(shù)船只類型），僅依靠光學(xué)遙感衛(wèi)星數(shù)據(jù)對船舶目標(biāo)進(jìn)行檢測監(jiān)控具有一定的限制。SAR圖像能全天時(shí)全天候成像，融合可見光遙感圖像與SAR圖像數(shù)據(jù)也是非常有潛力的領(lǐng)域，研究SAR的后向散射機(jī)制和光學(xué)反射屬性，選擇合適的雷達(dá)波長與光學(xué)數(shù)據(jù)相結(jié)合，可以大大提高光學(xué)遙感成像的時(shí)間覆蓋率。另外，有機(jī)融合目標(biāo)、背景環(huán)境、算法、數(shù)據(jù)等多種相關(guān)知識為船舶目標(biāo)檢測服務(wù)，是光學(xué)遙感場景下海域船舶檢測技術(shù)實(shí)用化的有效途徑，如利用大量的光學(xué)衛(wèi)星數(shù)據(jù)與其他監(jiān)測手段（如AIS、VMS數(shù)據(jù)）相結(jié)合，充分利用不同數(shù)據(jù)信息間的優(yōu)勢互補(bǔ)，增加船舶目標(biāo)檢測的可靠性。

（3）迅速發(fā)展的對地觀測技術(shù)為光學(xué)遙感成像海面船舶檢測帶來新機(jī)遇。

隨著開放數(shù)據(jù)的可用性、小型衛(wèi)星成像星座的擴(kuò)展及數(shù)字技術(shù)的快速發(fā)展，地球觀測技術(shù)正在迅速變化。光學(xué)遙感衛(wèi)星較長的重訪周期成為限制其發(fā)展的因素之一。光學(xué)遙感衛(wèi)星在當(dāng)?shù)貢r(shí)間10∶30左右工作時(shí)，每小時(shí)有較多數(shù)據(jù)更新，但在夜間或長時(shí)間云層覆蓋區(qū)域光學(xué)遙感衛(wèi)星觀測會受限。一種實(shí)現(xiàn)高重訪頻率的方法是利用地球同步衛(wèi)星，但許多地球同步衛(wèi)星都用于天氣監(jiān)測，其分辨率對于船舶目標(biāo)檢測來說都太低，現(xiàn)有和計(jì)劃發(fā)射的衛(wèi)星分辨率最低為500 m（Coms-1、Electro M、Feng Yun-4、GEO-KOMP?SAT-2A、GOES、Himawari-8和Himawari-9、MTG-I），GEO-KOMPSAT-2B為250 m，中國的高分-4和印度的GISAT-1為50 m。未來，利用商業(yè)星座和自由開放的Sentinel-1（SAR）和Sen?tinel-2（光學(xué)）衛(wèi)星提供的大量數(shù)據(jù)，遙感檢測技術(shù)可以作為海事領(lǐng)域全面監(jiān)測的工具。隨著對海上區(qū)域覆蓋范圍的提升，新一代小型衛(wèi)星為保障海域安全提供了機(jī)會，其不斷增強(qiáng)的能力還提供了一個(gè)專用的光電天基海上領(lǐng)域感知星座的可能性。最后，快速增長的云計(jì)算領(lǐng)域也會顯著增強(qiáng)遙感數(shù)據(jù)的處理能力，并克服高昂的數(shù)據(jù)處理成本。

6 結(jié)論

本文主要針對光學(xué)遙感圖像船舶目標(biāo)檢測的基礎(chǔ)理論與面臨的問題進(jìn)行了梳理，圍繞算法檢測步驟與關(guān)鍵技術(shù)進(jìn)行了分析，對未來光學(xué)遙感成像海面船舶目標(biāo)檢測的發(fā)展趨勢進(jìn)行了探討與展望。由于受多種因素影響，如何處理復(fù)雜海面場景下船舶目標(biāo)的自動檢測問題仍沒有得到有效解決；對船舶的詳細(xì)分類及鑒別尚不完善，在光學(xué)遙感衛(wèi)星圖像中對船舶目標(biāo)（尤其是較小目標(biāo)）進(jìn)行精確分類及鑒別也是未來海洋領(lǐng)域監(jiān)控發(fā)展需要深入研究的方向和任務(wù)。

另外，為公平客觀地比較與評價(jià)船舶目標(biāo)檢測算法的性能，需要在大規(guī)模光學(xué)遙感圖像數(shù)據(jù)集上進(jìn)行測試與驗(yàn)證，雖然已有一些研究公布了所使用的光學(xué)遙感場景圖像數(shù)據(jù)集，但在數(shù)據(jù)規(guī)模與全面性上仍遠(yuǎn)遠(yuǎn)不夠，影響檢測結(jié)果的對比性與可信性。為深入光學(xué)遙感成像船舶目標(biāo)檢測研究的發(fā)展與應(yīng)用，免費(fèi)開放光學(xué)遙感衛(wèi)星圖像數(shù)據(jù)集及地面船舶真實(shí)數(shù)據(jù)訪問是亟待解決的問題，以便對現(xiàn)有與未來的船舶目標(biāo)檢測方法進(jìn)行有效的測試與評估。