肖 枚, 凌偉程, 劉亞波*，劉 霖, 王曉蓓, 劉 翔

(1.中國(guó)科學(xué)院空天信息創(chuàng)新研究院，北京 100094；2.中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院，北京 100049)

中國(guó)擁有超過(guò)18 000 km2的海岸線和超300萬(wàn)km2的管轄海域，海洋資源極其豐富。船舶作為開(kāi)發(fā)和利用海洋的主要工具，對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè)監(jiān)視至關(guān)重要。傳統(tǒng)的海洋目標(biāo)監(jiān)測(cè)監(jiān)視手段，如船舶巡航和飛機(jī)航拍等，監(jiān)測(cè)監(jiān)視范圍有限，成本高，易受海況、氣候等的影響，無(wú)法有效地大面積應(yīng)用。而星載合成孔徑雷達(dá)(synthetic aperture radar, SAR)可以全天時(shí)全天候地對(duì)大范圍區(qū)域開(kāi)展高分辨觀測(cè)。因此相比于傳統(tǒng)手段，其在海洋態(tài)勢(shì)感知、漁業(yè)管理、執(zhí)法維權(quán)等方面具有更重要的意義。

目前，星載SAR船只檢測(cè)主要基于地面處理系統(tǒng)，如加拿大海洋監(jiān)測(cè)監(jiān)視工作站(Ocean-monitoring Workstation, OMW)[1],美國(guó)阿拉斯加SAR演示驗(yàn)證系統(tǒng)(Alaska SAR Demonstration System，AKDEMO)[2-3]和意大利e-GEOS公司SEnSE SAR海洋監(jiān)視軟件平臺(tái)等。然而基于地面處理的方法使得傳輸鏈路過(guò)長(zhǎng)，無(wú)法適應(yīng)面向用戶直接應(yīng)用的信息服務(wù)要求，更無(wú)法滿足衛(wèi)星組網(wǎng)、星上實(shí)時(shí)任務(wù)規(guī)劃和星間協(xié)同引導(dǎo)的發(fā)展需求，因此有必要進(jìn)行星上實(shí)時(shí)處理的研究。與大氣內(nèi)部環(huán)境不同，太空環(huán)境更為惡劣，對(duì)于處理系統(tǒng)的硬件要求更高，綜合考慮高性能和空間環(huán)境適應(yīng)性的需求，目前較常采用的星上處理技術(shù)架構(gòu)為異構(gòu)架構(gòu)，具體為現(xiàn)場(chǎng)可編程門陣列+高級(jí)精簡(jiǎn)指令集機(jī)器(field programmable gate array+advanced RISC machine, FPGA+ARM),或FPGA+DSP(digital signal processor)的組合方式。這種異構(gòu)技術(shù)得益于當(dāng)前FPGA高性能、高集成度的優(yōu)勢(shì)，處理性能得到大幅提升。使用ARM或者DSP等通用處理器進(jìn)行任務(wù)資源調(diào)度，提高了系統(tǒng)可重構(gòu)性和靈活性，從而使整個(gè)系統(tǒng)體積、重量和功耗得到進(jìn)一步優(yōu)化。根據(jù)公開(kāi)報(bào)告，美國(guó)NASA下屬JPL(Jet Propulsion Laboratory)于2005年搭建了一套基于FPGA的高性能、容錯(cuò)SAR星上實(shí)時(shí)處理系統(tǒng)；美國(guó)SEAKR公司2016年研制基于Virtex-7可重配置計(jì)算技術(shù)的星載SAR宇航級(jí)信號(hào)處理平臺(tái)。以上SAR星上實(shí)時(shí)處理系統(tǒng)主要完成SAR成像處理，并不包括目標(biāo)檢測(cè)。

SAR船舶目標(biāo)檢測(cè)較常使用的主要有兩類方法。一類是基于恒虛警率(constant false alarm rate, CFAR)[4-7],如單元平均CFAR(cell averaging CFAR, CA-CFAR)[8]、有序統(tǒng)計(jì)CFAR(order statistics CFAR, OS-CFAR)[8-9]、雙參數(shù)CFAR[10]等。CFAR類算法復(fù)雜度低、應(yīng)用范圍廣泛但算法精度較低。另一類是基于機(jī)器學(xué)習(xí)[11-14]的方法，如區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region convolutional neural network, R-CNN)[15]、支撐向量機(jī)(support vector machine, SVM)[16]等。該類方法精度較高但需要一定量人工標(biāo)記數(shù)據(jù)進(jìn)行模型訓(xùn)練。目前實(shí)時(shí)檢測(cè)主要基于以下三種處理器件：DSP、FPGA和GPU。DSP編程開(kāi)發(fā)難度較低但處理能力相對(duì)較弱，只能用于數(shù)據(jù)吞吐量較小的應(yīng)用場(chǎng)景，并不適用于星載SAR數(shù)據(jù)實(shí)時(shí)處理；GPU計(jì)算能力強(qiáng)，但相應(yīng)的運(yùn)算功耗大，抗輻照性弱，也不適用于星上環(huán)境。FPGA功耗低、并行處理以及內(nèi)部豐富存儲(chǔ)資源的集成的優(yōu)點(diǎn)，適用于星上SAR實(shí)時(shí)處理系統(tǒng)。據(jù)此，綜合考慮船舶檢測(cè)算法實(shí)時(shí)開(kāi)發(fā)的可行性和時(shí)效性，基于FPGA處理架構(gòu)，設(shè)計(jì)一套用于星載SAR實(shí)時(shí)處理系統(tǒng)的星載SAR船舶目標(biāo)檢測(cè)算法。首先對(duì)CFAR類檢測(cè)算法進(jìn)行考察分析，結(jié)合典型星載SAR對(duì)海觀測(cè)參數(shù)指標(biāo)，最終確定對(duì)數(shù)正態(tài)的CA-CFAR算法。進(jìn)一步，基于FPGA硬件平臺(tái)對(duì)所提算法進(jìn)行設(shè)計(jì)優(yōu)化，最終形成用于實(shí)時(shí)處理系統(tǒng)的SAR船舶目標(biāo)檢測(cè)算法。實(shí)驗(yàn)階段，使用來(lái)自高分三號(hào)的59幅SAR圖像數(shù)據(jù)對(duì)所設(shè)計(jì)算法在實(shí)時(shí)處理系統(tǒng)的性能進(jìn)行詳盡的驗(yàn)證。

1 CFAR類檢測(cè)算法分析

CFAR算法主要是基于滑窗結(jié)構(gòu)，在給定測(cè)試數(shù)據(jù)區(qū)間內(nèi)順序滑動(dòng)窗口。在每次測(cè)試過(guò)程中，利用窗內(nèi)訓(xùn)練像素點(diǎn)自適應(yīng)估計(jì)最優(yōu)閾值，當(dāng)測(cè)試像素點(diǎn)大于該閾值時(shí)，則判定為目標(biāo)點(diǎn)，否則認(rèn)為是背景噪聲點(diǎn)。CFAR類檢測(cè)算法主要有兩個(gè)要素，虛警率和雜波背景統(tǒng)計(jì)建模，前者與具體CFAR算法無(wú)關(guān)，為人為設(shè)置期望值。后者涉及雜波樣本選取、雜波模型選取和模型參數(shù)估計(jì)。雜波樣本選取方法大致包含CA-CFAR、最大選擇CFAR(greatest of CFAR, GO-CFAR)、最小選擇CFAR(smallest of CFAR, SO-CFAR)、OS-CFAR等。CA-CFAR適用于單目標(biāo)和均勻雜波背景；SO-CFAR和OS-CFAR適用于多目標(biāo)但在雜波邊緣出現(xiàn)虛警；GO-CFAR抗邊緣雜波性能強(qiáng)但會(huì)邊緣會(huì)出現(xiàn)漏檢；船舶檢測(cè)區(qū)域?yàn)檫h(yuǎn)海區(qū)域或者經(jīng)過(guò)海陸分割后的海面區(qū)域，一般不會(huì)出現(xiàn)待檢單元位于或靠近不同反射率區(qū)域邊界處時(shí)所帶來(lái)的雜波邊緣效應(yīng)。同時(shí)，星載SAR測(cè)繪范圍廣，尤其對(duì)海觀測(cè)過(guò)程中極少會(huì)出現(xiàn)多個(gè)船舶目標(biāo)位于一個(gè)處理窗口的情況，且滑窗檢測(cè)過(guò)程中一般設(shè)立保護(hù)單元避免多目標(biāo)干擾。并且GO-CFAR、SO-CFAR和OS-CFAR由于檢測(cè)原理，閾值計(jì)算過(guò)程中需要比較或者排序，會(huì)增加算法存儲(chǔ)空間。因此，考慮對(duì)海觀測(cè)，船舶檢測(cè)實(shí)際情況與星上系統(tǒng)資源空間，選用CA-CFAR作為雜波樣本選取方法?？紤]應(yīng)用場(chǎng)景為海面船舶目標(biāo)，為了與實(shí)際環(huán)境更為貼近以提高檢測(cè)性能，對(duì)海雜波分布加以分析。

目前常用的對(duì)海雜波分布主要有：K分布、對(duì)數(shù)正態(tài)分布和韋布爾分布。根據(jù)Nathanson等[17]對(duì)過(guò)去幾十年間海量的海雜波實(shí)測(cè)數(shù)據(jù)統(tǒng)計(jì)建模擬合的結(jié)果，頻率覆蓋0.5～30 GHz，擦地角0.1°～90°，海況(以風(fēng)速表示)等級(jí)為2～6級(jí)，如表1所示，給出不同頻率、入射角和海況下的海雜波的最優(yōu)統(tǒng)計(jì)分布模型。結(jié)合目前星載SAR系統(tǒng)對(duì)海觀測(cè)典型參數(shù)，即載荷一般為C波段，觀測(cè)入射角一般低于45°，因此結(jié)合表1，優(yōu)先考慮對(duì)數(shù)正態(tài)分布和韋布爾分布。表2給出對(duì)數(shù)正態(tài)分布和韋布爾分布統(tǒng)計(jì)模型和相關(guān)參數(shù)估計(jì)結(jié)果。通過(guò)高分三號(hào)數(shù)據(jù)實(shí)際測(cè)試統(tǒng)計(jì)，測(cè)試過(guò)程中確保處理窗口、虛警率等參數(shù)都相同。圖1所示為測(cè)試中的一組星載SAR圖像數(shù)據(jù)對(duì)應(yīng)的兩種分布檢測(cè)結(jié)果。其中紅色標(biāo)記區(qū)域?yàn)樗惴z測(cè)出的船舶目標(biāo)，黃色標(biāo)記框?yàn)槿斯そ庾g原圖中所有船舶目標(biāo)，因此剩下未標(biāo)記的檢測(cè)出的紅色框?yàn)樘摷倌繕?biāo)。由此看出，韋布爾分布同對(duì)數(shù)正態(tài)分布一樣，能在圖像相同位置檢測(cè)出目標(biāo)，但韋布爾分布會(huì)檢測(cè)出更多虛警，這會(huì)大大加重分類識(shí)別處理的計(jì)算負(fù)擔(dān)。更進(jìn)一步，測(cè)試SAR圖像數(shù)據(jù)中最大數(shù)據(jù)量為2 G左右，最小數(shù)據(jù)量為100 M左右，但兩種分布檢測(cè)耗費(fèi)時(shí)間差一般在 10 s 以內(nèi)且圖像數(shù)據(jù)量越小時(shí)間差越小，可忽略。因此，從時(shí)間消耗和檢測(cè)結(jié)果綜合考慮選擇對(duì)數(shù)正態(tài)分布。綜上，選取基于對(duì)數(shù)正態(tài)的CA-CFAR作為船舶檢測(cè)算法。

圖1 數(shù)據(jù)1原圖與測(cè)試結(jié)果圖

表1 不同頻率、不同入射角和不同海況下雜波幅度的最佳分布

表2 兩種分布統(tǒng)計(jì)模型和相關(guān)參數(shù)估計(jì)結(jié)果

基于上述分析，SAR船舶檢測(cè)算法具體描述如下：首先對(duì)圖像做海陸分割等預(yù)處理，如基于主動(dòng)輪廓模型[18]或Ostu[19]分割；然后利用基于對(duì)數(shù)正態(tài)分布的CA-CFAR對(duì)圖像進(jìn)行粗檢測(cè)，其中涉及CFAR參數(shù)的設(shè)置和對(duì)數(shù)正態(tài)分布參數(shù)計(jì)算，每個(gè)滑動(dòng)窗口檢測(cè)閾值計(jì)算獲取目標(biāo)像素點(diǎn)和通過(guò)腐蝕膨脹消除孤立的像素點(diǎn)；最后通過(guò)連通域檢測(cè)，得到目標(biāo)區(qū)域的等幾何參數(shù)，利用長(zhǎng)寬比、區(qū)域面積，長(zhǎng)度等特征進(jìn)行虛假目標(biāo)剔除，輸出檢測(cè)結(jié)果。具體流程如圖2所示。

圖2 船舶檢測(cè)流程圖

2 實(shí)時(shí)船舶檢測(cè)算法設(shè)計(jì)

基于上述對(duì)船舶檢測(cè)算法描述，整個(gè)船舶目標(biāo)檢測(cè)過(guò)程實(shí)時(shí)實(shí)現(xiàn)的主要模塊包括：對(duì)數(shù)正態(tài)分布參數(shù)計(jì)算；DDR數(shù)據(jù)緩存與分塊讀?。换皺z測(cè)；大模板腐蝕與大模板膨脹；連通域檢測(cè)標(biāo)記；標(biāo)記結(jié)果篩選剔除?？紤]到實(shí)時(shí)實(shí)現(xiàn)的可行性與時(shí)效性，對(duì)船舶檢測(cè)算法加以優(yōu)化，主要體現(xiàn)在以下幾點(diǎn)。

2.1 降分辨率

星載SAR數(shù)據(jù)量大，并且星載SAR對(duì)海檢測(cè)一般關(guān)注尺寸大于100 m的船只，在高分辨SAR圖像中船只呈現(xiàn)出分布式特征，一般占據(jù)幾十至數(shù)百個(gè)像素點(diǎn)。CFAR檢測(cè)算法主要是船舶目標(biāo)的后向散射一般明顯強(qiáng)于海洋雜波背景，反映到圖像中即為船舶目標(biāo)的像素點(diǎn)灰度值明顯高于海洋雜波背景。從理論上來(lái)講，數(shù)百個(gè)像素點(diǎn)對(duì)于檢測(cè)而言有足夠的冗余，因此可以通過(guò)對(duì)距離向和方位向進(jìn)行降分辨處理，在保證檢測(cè)性能同時(shí)提高檢測(cè)效率。

利用高分三號(hào)衛(wèi)星圖像數(shù)據(jù)，對(duì)多幅圖像開(kāi)展試驗(yàn)。圖3、圖4給出兩景圖像不同分辨率下的檢測(cè)結(jié)果。表3、表4給出兩景星載SAR數(shù)據(jù)不同分辨率下同一計(jì)算機(jī)平臺(tái)仿真運(yùn)行時(shí)間。圖3、圖4原始數(shù)據(jù)距離向×方位向像素點(diǎn)數(shù)分別為18 268×21 112和16 766×21 953，分辨率分別為3 m和 5 m。原始圖像檢測(cè)結(jié)果經(jīng)人工判別為場(chǎng)景中所有真目標(biāo)。從檢測(cè)結(jié)果可看出同一景星載圖像，原圖檢測(cè)和降低分辨率檢測(cè)對(duì)應(yīng)位置都能檢測(cè)到目標(biāo)。降低分辨率后可能會(huì)引入虛假目標(biāo)，因?yàn)樵撨^(guò)程中船舶占據(jù)的像素越來(lái)越少，極有可能與高強(qiáng)度海洋雜波一起被檢測(cè)為目標(biāo)，形成虛假目標(biāo)，如圖4(a)所示人工判別的非船目標(biāo)。因此，從檢測(cè)率來(lái)說(shuō)，降低分辨率不會(huì)影響檢測(cè)概率但檢測(cè)速率會(huì)提高。統(tǒng)計(jì)幾十景星載圖像數(shù)據(jù)，結(jié)合實(shí)測(cè)數(shù)據(jù)分析，一般檢測(cè)過(guò)程中原始圖像分辨率可下降一半。因此，為提高檢測(cè)速率，可在數(shù)據(jù)讀入后檢測(cè)之前，實(shí)時(shí)檢測(cè)算法方案中設(shè)計(jì)2倍抽取模塊。

圖3 數(shù)據(jù)2不同分辨率測(cè)試結(jié)果

圖4 數(shù)據(jù)3不同分辨率測(cè)試結(jié)果

表3 數(shù)據(jù)2不同分辨率仿真運(yùn)行時(shí)間結(jié)果

表4 數(shù)據(jù)3不同分辨率仿真運(yùn)行時(shí)間結(jié)果

2.2 存儲(chǔ)優(yōu)化

檢測(cè)算法輸入為一景大小M×N數(shù)據(jù)類型uint16的單極化SAR圖像，所需存儲(chǔ)空間一般為幾百M(fèi)B，需存儲(chǔ)在DDR中。根據(jù)算法原理需對(duì)原始數(shù)據(jù)進(jìn)行對(duì)數(shù)變換，圖像數(shù)據(jù)類型轉(zhuǎn)為double。檢測(cè)過(guò)程中滑窗檢測(cè)、腐蝕膨脹、連通域檢測(cè)等操作都需要對(duì)中間數(shù)據(jù)進(jìn)行存儲(chǔ)且多次進(jìn)行讀寫操作。如處理窗口參數(shù)為：背景窗大小(bgh×bgw)、保護(hù)窗大小(proh×prow)和目標(biāo)窗口大小(targ×tarh)。滑窗檢測(cè)過(guò)程中需要開(kāi)辟大小為bgh×bgw-proh×prow的空間存儲(chǔ)參考單元數(shù)據(jù)，并且在每次滑窗過(guò)程中需要對(duì)該區(qū)域重新進(jìn)行讀寫，同時(shí)需要開(kāi)辟大小Nr×Na的區(qū)域用來(lái)存儲(chǔ)檢測(cè)后的邏輯值。該過(guò)程一般需要存儲(chǔ)數(shù)據(jù)量為幾個(gè)MB，一般 FPGA 自身所帶的RAM足夠存儲(chǔ)，且其讀寫速率優(yōu)于DDR，因此，一般中間數(shù)據(jù)存儲(chǔ)直接在RAM里。同時(shí)考慮到FPGA并行處理的優(yōu)勢(shì)，為提高檢測(cè)速率，采用分塊處理，分塊處理過(guò)程中，分塊區(qū)域應(yīng)該有重疊，確保處在邊緣的船舶目標(biāo)不會(huì)被分割，尤其是圖像分辨率高的情況。具體分塊原理如圖5所示。其中灰色填充區(qū)域?yàn)镾AR圖像數(shù)據(jù)區(qū)域，紅色實(shí)線與黃色實(shí)線代表SAR圖像數(shù)據(jù)的每一個(gè)處理分塊(大小為NB×NB，可設(shè)置為1 024×1 024)，紅色虛線與黃色虛線代表從DDR中讀取SAR圖像數(shù)據(jù)的每一個(gè)讀取分塊(大小為N×N，N=NB+bgh-tarh，其中bgh和tarh分別表示正方形CFAR處理窗口的背景窗口高度和檢測(cè)窗口高度)，SAR圖像數(shù)據(jù)區(qū)域外，無(wú)論在背景窗還是檢測(cè)窗內(nèi)，均不予考慮，相鄰兩塊之間重疊NB/4。

圖5 分塊原理示意圖

2.3 算法優(yōu)化

理論上，CFAR檢測(cè)過(guò)程中膨脹腐蝕主要是為了去除很小面積的一些孤立的像素點(diǎn)(可能是海面檢測(cè)出占據(jù)很少像素點(diǎn)的高強(qiáng)度雜波)，不會(huì)去除面積大、高亮的船舶目標(biāo)不會(huì)影響CFAR檢測(cè)結(jié)果。在腐蝕膨脹過(guò)程中，仿真常用的有橢圓形模板和鉆石型模板(菱形模板)，在模板尺寸為3和5時(shí)兩者完全相同；尺寸超過(guò)5時(shí)，鉆石型模板相比橢圓形模板更具規(guī)律性，例如在模板尺寸為7時(shí)，橢圓模板如圖6(a)所示，鉆石型模板如圖6(b)所示。星載SAR圖像數(shù)據(jù)測(cè)試，兩種模板檢測(cè)結(jié)果相同，如圖7所示。在腐蝕膨脹過(guò)程中，模板大小會(huì)隨著圖像和檢測(cè)參數(shù)而改變，因此FPGA編程開(kāi)發(fā)過(guò)程中模板不再是給出固定大小的0、1矩陣，相比于橢圓形模板更具規(guī)律的鉆石型模板更易實(shí)現(xiàn)。

圖6 尺寸為7的兩種模板示意圖

圖7 數(shù)據(jù)4兩種模板檢測(cè)結(jié)果

基于以上優(yōu)化分析，實(shí)時(shí)船舶檢測(cè)算法方案示意圖如圖8所示。

圖8 實(shí)時(shí)船舶檢測(cè)算法方案示意圖

3 實(shí)驗(yàn)驗(yàn)證與分析

實(shí)驗(yàn)過(guò)程中，高性能異構(gòu)實(shí)時(shí)處理平臺(tái)主要由主控及圖像處理單元、信號(hào)處理單元組成，主控與圖像處理單元峰值計(jì)算能力為5TFLOPS，快速數(shù)據(jù)緩存容量為160 GB。信號(hào)處理單元板卡內(nèi)部有128 GB的DDR4高速存儲(chǔ)芯片，每個(gè)Ultrascale+FPGA芯片配置64 GB的內(nèi)部存儲(chǔ)，用于緩存處理數(shù)據(jù)，5 Gbit的NOR Flash芯片，用于存儲(chǔ)FPGA程序。考慮整個(gè)系統(tǒng)性能，對(duì)高性能異構(gòu)實(shí)時(shí)處理系統(tǒng)資源合理有效分配是至關(guān)重要的。主控與圖像處理單元接收SAR原始數(shù)據(jù)，并進(jìn)行BAQ解碼等預(yù)處理，將處理后的數(shù)據(jù)傳到信號(hào)處理單元進(jìn)行成像得到SAR圖像。SAR圖像傳輸?shù)街骺丶皥D像處理板單元進(jìn)行目標(biāo)檢測(cè)、識(shí)別和確認(rèn)，獲取高價(jià)值目標(biāo)信息。最后處理結(jié)果以信息簡(jiǎn)報(bào)、切片圖像和子帶圖像三種方式輸出到數(shù)據(jù)傳輸分系統(tǒng)。具體資源分配如圖9所示。

圖9 平臺(tái)資源分配示意圖

實(shí)驗(yàn)首先對(duì)船舶檢測(cè)算法在計(jì)算機(jī)仿真平臺(tái)與硬件處理平臺(tái)檢測(cè)結(jié)果進(jìn)行對(duì)比分析。圖10、圖11給出2景星載SAR圖像數(shù)據(jù)的縮略圖、計(jì)算機(jī)仿真檢測(cè)結(jié)果與FPGA實(shí)時(shí)測(cè)試檢測(cè)結(jié)果，檢測(cè)結(jié)果以紅色框標(biāo)記。結(jié)果表明，船舶檢測(cè)算法在硬件平臺(tái)與計(jì)算機(jī)仿真檢測(cè)結(jié)果基本一致。驗(yàn)證了算法在硬件平臺(tái)的可實(shí)現(xiàn)性。其次，采用分辨率為3、5、8、10、25 m的GF3圖像數(shù)據(jù)在硬件平臺(tái)上實(shí)時(shí)驗(yàn)證，共使用59幅SAR圖像，具體測(cè)試結(jié)果如表5所示。總檢測(cè)率和總虛警率定義為

表5 GF3圖像數(shù)據(jù)FPGA檢測(cè)性能測(cè)試結(jié)果

圖10 數(shù)據(jù)5仿真與FPGA測(cè)試結(jié)果

圖11 數(shù)據(jù)6仿真與FPGA測(cè)試結(jié)果

Pd=Ndt/Ngt×100%

(1)

Pfa=Nfa/(Nfa+Ndt)×100%

(2)

式中：Ngt表示相同分辨率的測(cè)試的所有星載SAR圖像場(chǎng)景中真實(shí)艦船目標(biāo)個(gè)數(shù)；Ndt表示正確檢測(cè)到的艦船目標(biāo)個(gè)數(shù)；Nfa表示檢測(cè)到的虛警個(gè)數(shù)。測(cè)試統(tǒng)計(jì)結(jié)果表明，典型分辨率下，船舶檢測(cè)算法實(shí)時(shí)實(shí)現(xiàn)檢測(cè)率在95%以上，虛警率在28%以下。最后，在計(jì)算機(jī)平臺(tái)上使用仿真軟件處理測(cè)試，平臺(tái)處理器為AMD Ryzen7 4800H with Radeon Graphics，主頻為2.90 GHz，內(nèi)存為16 GB，系統(tǒng)為 Windows 10 教育版64位操作系統(tǒng)。經(jīng)多次測(cè)試，不同尺寸、64位寬的SAR原始數(shù)據(jù)檢測(cè)消耗時(shí)間如表6所示。FPGA測(cè)試過(guò)程中，檢測(cè)輸入長(zhǎng)度(方位向)占據(jù)32 768個(gè)像素點(diǎn)，寬度(距離向)占據(jù)16 384個(gè)像素點(diǎn)的SAR原始復(fù)數(shù)圖像，數(shù)據(jù)流為I和Q兩路數(shù)據(jù)，每一路數(shù)據(jù)類型為單精度浮點(diǎn)數(shù)，共64 bit位寬，即輸入星載SAR數(shù)據(jù)大小為4 GB。對(duì)此，數(shù)據(jù)累計(jì)和處理時(shí)間在12 s左右，實(shí)時(shí)率為1，即數(shù)據(jù)傳輸完成檢測(cè)即完成。相比于仿真軟件測(cè)試，硬件平臺(tái)處理速度可提高10倍，滿足時(shí)效性需求。

表6 不同尺寸64位寬的SAR原始數(shù)據(jù)檢測(cè)消耗時(shí)間

4 結(jié)論

結(jié)合星上SAR實(shí)時(shí)處理系統(tǒng)，綜合考慮船舶檢測(cè)算法實(shí)時(shí)開(kāi)發(fā)的可行性和時(shí)效性，基于FPGA處理架構(gòu)，設(shè)計(jì)了一套用于星上SAR實(shí)時(shí)系統(tǒng)的星載SAR船舶目標(biāo)檢測(cè)算法。首先對(duì)現(xiàn)存的檢測(cè)算法進(jìn)行考察分析，結(jié)合星載SAR實(shí)時(shí)處理的性能指標(biāo)，最終確定基于對(duì)數(shù)正態(tài)的CA-CFAR算法。進(jìn)一步，基于FPGA硬件平臺(tái)上對(duì)所提算法進(jìn)行設(shè)計(jì)優(yōu)化，最終形成一套可用于用于星上SAR實(shí)時(shí)系統(tǒng)的星載SAR船舶目標(biāo)檢測(cè)算法。實(shí)驗(yàn)階段，使用來(lái)自高分三號(hào)的59幅SAR圖像數(shù)據(jù)對(duì)所設(shè)計(jì)算法在實(shí)時(shí)處理系統(tǒng)上的性能進(jìn)行了詳盡的驗(yàn)證。測(cè)試結(jié)果表明，算法能滿足平臺(tái)可行性和時(shí)效性需求。