鄭儒楠，仇曉蘭

中國科學院空天信息創(chuàng)新研究院 蘇州研究院,蘇州 215123

1 引 言

合成孔徑雷達（SAR）具備全天時、全天候以及探測區(qū)域廣等優(yōu)勢，是海洋目標監(jiān)視重要的手段之一。國外已實施了多項SAR 系統(tǒng)工程，如加拿大的OMW（Ocean Monitoring Workstation）、美國阿拉斯加SAR 演示驗證（AKDEMO）系統(tǒng)，歐盟聯(lián)合研究中心（JRC）的VDS系統(tǒng)，英國Qinetiq的Ma ST 系統(tǒng)，挪威FFI 的Eldhuset、挪威Kongsberg的Meos View、歐盟的IMPAST 等（趙志，2013），上述系統(tǒng)均利用SAR 為主要手段進行艦船監(jiān)視。隨著星載SAR 技術(shù)的發(fā)展，多通道等技術(shù)在星載SAR 系統(tǒng)中得到廣泛應用，使得SAR 圖像分辨率和幅寬大幅提升，但同時在多通道技術(shù)體制下，多個通道接收回波是欠采樣甚至非均勻采樣的，多通道系統(tǒng)在實際工程應用中也存在通道間不平衡的問題，同時當多通道SAR 探測運動目標時，動目標的徑向速度使其空時譜產(chǎn)生偏移，以上因素都會導致方位模糊的虛假目標產(chǎn)生，影響艦船目標檢測的精度。另一方面，隨著應用需求的不斷深化，對海洋艦船目標監(jiān)視的時效性要求也不斷提升，因此，SAR 星上處理技術(shù)成為當前重點發(fā)展的趨勢之一，而SAR 圖像艦船檢測則成為SAR星上處理首先發(fā)展的應用方向。

近年來，各國研究人員開展了大量的SAR 艦船檢測研究工作，提出和發(fā)展了很多算法，如神經(jīng)網(wǎng)絡（Gambardella 等，2008）、高斯核函數(shù)（Leung 等，2002）、演化計算（Amoon 等，2013）、視覺注意機制（Engen 等，2007）、基于散射相似度的指標（Tao 等，2018）。然而在主流的SAR 圖像艦船目標檢測系統(tǒng)中， 恒虛警率CFAR（Constant False-Alarm Rate）檢測算法由于計算量較小、穩(wěn)定度高的優(yōu)勢成為高分辨率寬幅SAR 圖像艦船檢測（Nan 等，2013），尤其是星上SAR 圖像艦船檢測應用最為廣泛的算法（El-Darymli 等，2013）。對CFAR 算法的研究包括SAR 圖像海洋雜波統(tǒng)計特性和CFAR 檢測器兩個研究分支。Brekke和Anfinsen（2011）以K 分布擬合SAR 圖像海雜波統(tǒng)計特性，對結(jié)冰海域內(nèi)RADARSAT-2 獲取的數(shù)據(jù)進行艦船檢測。Wackerman等（2001）使用雙參數(shù)CFAR 對SAR 圖像進行檢測，F(xiàn)errara 等（2011）進一步以GK 分布擬合海雜波統(tǒng)計分布，根據(jù)分布參數(shù)設(shè)計了相應的檢測算法。Sciotti 等（2002）在分析標準CFAR檢測技術(shù)用于星載SAR圖像艦船檢測中存在缺點的基礎(chǔ)上，提出了一種Neyman-Pearson 檢測器?；谂灤繕撕秃Ｑ箅s波在不同分辨率空間的差異，西班牙的Tello 等（2006）在歐盟DECLIM 項目的支持下，采用基于小波變換的方法分別對仿真和實際的SAR 圖像進行目標檢測，得到了令人滿意的結(jié)果。另外，由于艦船目標和海水的散射特性不同，在方位向上艦船目標在很大的角度失配范圍內(nèi)具有強的相干性，而由于海洋回波之間的相干則很弱，因此還可以利用子孔徑相關(guān)處理的方法區(qū)分目標和雜波（Kadyrov等，2013）。

然而，目前絕大多數(shù)CFAR 算法基于局部滑窗對SAR 圖像進行逐像素檢測，圖像中的每一個像素多次參與了滑窗運算，導致算法的計算速度仍有待提升（趙明波等，2012）。并且，現(xiàn)有CFAR艦船檢測算法在保證檢測率的情況下虛警率還偏高（Huang 等，2009）。目前主要依賴基于經(jīng)驗的人為判決方法在地面實現(xiàn)海面艦船目標的識別，這些現(xiàn)有問題與實際星載應用所需求的實時檢測處理、保證檢測精度的低虛警檢測性能還有一定的差距，且目前少有對多通道體制下艦船虛假目標的識別和剔除的考慮。因此，高分辨率寬幅多通道體制下的SAR 圖像艦船目標低虛警快速檢測研究具有重要的應用價值。

針對上述問題，本文設(shè)計了基于CFAR 的多通道SAR 圖像艦船目標檢測的總體框架，并從兩個方面展開關(guān)于降低SAR 圖像艦船目標檢測虛警率的研究，進行了優(yōu)化，包括：

（1）通過形態(tài)學處理、設(shè)計置信度計算，對檢測艦船目標基于長寬比與像元面積等幾何尺寸參數(shù)進行置信度的篩選，去除虛警。

（2）構(gòu)造基于SVM 的艦船/虛警目標最優(yōu)分類超平面，對檢測目標樣本進行快速分類篩選，以降低虛警。

利用本文方法，基于TX2 構(gòu)建的星上處理平臺上，對GF-3 雙通道模式圖像進行檢測實驗，與傳統(tǒng)全閾值CFAR 相比，效率提升了30 倍，同時具有良好得虛警剔除效果。

2 結(jié)合置信度計算的SAR艦船檢測

2.1 采用網(wǎng)格點采樣計算CFAR

SAR 圖像中的一個像素點的灰度值為x，p(x)是雜波統(tǒng)計模型的概率密度函數(shù)，檢測閾值是T，Pfa是虛警概率，那么虛警率與檢測閾值之間有如下關(guān)系式：

在根據(jù)虛警率Pfa推導出檢測閾值T之后，CFAR目標檢測算法轉(zhuǎn)化成一個二元假設(shè)問題：

圖1所示為海雜波背景在灰度空間的分布與目標在灰度空間分布的關(guān)系，其中p1(x)是雜波背景的分布函數(shù)，p2(x)是標的分布函數(shù)，合理的設(shè)置閾值T能夠?qū)⒛繕藦木爸蟹蛛x出來（涂峰等，2015）。

圖1 海雜波與目標在灰度空間分布關(guān)系Fig.1 The relationship between sea clutter and target in gray space

傳統(tǒng)的CFAR的SAR圖像艦船目標檢測的經(jīng)典方法的具體實現(xiàn)過程如下：在給定恒虛警概率的條件下，首先在SAR 圖像中采用一個滑動窗口使其按照一定步長在圖像上移動，對滑動窗口內(nèi)的海雜波的根據(jù)統(tǒng)計模型進行參數(shù)估計后求取滑窗內(nèi)的檢測閾值，將窗口內(nèi)的目標像素與檢測閾值對比以確定該點是否為目標像素，最終對整幅圖像進行遍歷以實現(xiàn)對全圖所有像素點的檢測，輸出檢測結(jié)果（邢相薇，2014）。當圖像大小過大時顯然遍歷整幅圖像選取檢測閾值的時效性不高（Hwang和Ouchi，2010）。

針對星載SAR 數(shù)據(jù)圖像尺寸大，處理實時性要求高的特點，設(shè)計采用網(wǎng)格點采樣快速計算CFAR 閾值的方法。首先在全圖范圍選取5×5 的網(wǎng)格點，每個網(wǎng)格點大小為255×255。如圖2 所示。之后統(tǒng)計選取網(wǎng)格點中像素值根據(jù)式（1）能夠快速求解當前場景海面背景閾值T。

圖2 網(wǎng)格點分塊計算CFAR閾值Fig.2 Grid point block calculation CFAR threshold

2.2 快速海陸分割獲取處理區(qū)域

海陸分割的目的是為了更好地將圖像中海洋區(qū)域與陸地區(qū)域分離開來，能夠精準的將陸地進行分割，并有效的減少后續(xù)檢測過程中陸地區(qū)域中產(chǎn)生的虛假目標。 由于陸地和海面有不同的散射特性，一般情況下，海面散射較弱，表現(xiàn)為暗的區(qū)域，而陸地有較強的散射，表現(xiàn)為亮的區(qū)域。由于海面風浪的影響海面回波信號有時候比陸地回波信號還要強，同時由于斑點噪聲的影響使得SAR 圖像中海面和陸地對比度下降，邊界不清晰，這些都會加大海陸分割的困難。同時，由于海陸分割會增加整個處理流程時間，對于不包含陸地的純海面場景，處理流程不需要進行海陸分割處理以增強時效性。

本文海陸分割處理流程如圖3所示，首先通過查詢高精度全球地圖內(nèi)檢測區(qū)域經(jīng)緯度判定是否需要海陸分割。預處理部分主要包括圖像均衡、相干斑抑制等；閾值確定是整個海陸分割的核心部分，采用最大類間方差算法對檢測圖像進行閾值確定；形態(tài)學處理部分通過形態(tài)學操作消除陸地內(nèi)的去除雜散點、孤立點干擾，最后取與圖像邊界連接的最大連通域確定為海域，確定海陸二值掩膜圖像。

圖3 海陸分割流程圖Fig.3 Sea and land segmentation flow chart

2.3 形態(tài)學處理艦船目標

數(shù)學形態(tài)學的基本原理是把圖像看作一個集合，用“探針”（即某種形狀的結(jié)構(gòu)元素）對圖像進行求補、移位、交或并的集合運算，這些集合運算就構(gòu)成了各種不同的數(shù)學形態(tài)學方法。二值數(shù)學形態(tài)學即數(shù)學形態(tài)學在二值圖像中的應用，二值圖像的灰度值只有兩個取值，即“0”和“1”。二值圖像形態(tài)學基本變換有：二值形態(tài)學腐蝕、二值形態(tài)學膨脹、二值形態(tài)學開運算和閉運算。

對二值圖像進行形態(tài)學濾波處理。在經(jīng)過CFAR 獲取閾值T對檢測圖像進行二值化之后，通過形態(tài)學結(jié)構(gòu)對二值圖進行先腐蝕再膨脹的操作。通過腐蝕消除海雜波噪聲孤立點、艦船目標周圍亮線以及部分虛警的影響。之后通過膨脹消除腐蝕對艦船目標輪廓以及內(nèi)部孔洞的影響。經(jīng)過形態(tài)學操作之后能夠?qū)氶L海浪、亮線、海雜波噪聲進行有效抑制，從而更加準確的提取艦船目標幾何參數(shù)進行置信度分析。經(jīng)過形態(tài)學操作處理前后效果如圖4所示。

圖4 經(jīng)過形態(tài)學操作處理后艦船目標效果Fig.4 Ship target effect after physical manipulation

2.4 艦船目標置信度篩選

由于艦船目標具有一定的先驗尺度信息，因此可以作為計算置信度篩選的依據(jù)。本文采用的艦船目標置信度算法流程如下：首先分別統(tǒng)計目標的長寬比與面積兩項置信度，之后進行加權(quán)計算得出。首先對常見艦船的種類進行調(diào)研。對每類船只調(diào)研不同大小量級的種類對其長寬比參數(shù)范圍進行分析統(tǒng)計，其結(jié)果見表1。

表1 常見艦船長寬比統(tǒng)計結(jié)果Table 1 Common ship length-width ratio statistics results

經(jīng)過統(tǒng)計，大部分艦船長寬比在5—10，部分船只的長寬比也會超過10?？紤]到實際SAR 圖像存在散焦、亮線等因素的干擾，因此將長寬比篩選閾值設(shè)為2.5—10置信度最大，在10—15線性降低。超過15 則置信度為0，這樣可以排除細長亮線或海浪等長寬比過大或小型島嶼等長寬比不符的干擾目標。因此本文總結(jié)對于艦船目標長寬比置信度的計算公式為

式中，lwr為CFAR 檢測出的艦船目標的長寬比，P_lwr為長寬比參數(shù)的置信度。具體的，計算長寬比置信度隨長寬比變化的函數(shù)繪圖如圖5所示。

圖5 長寬比置信度曲線Fig.5 Length-width ratio confidence curve

面積置信度計算為

式中，area為檢測出的艦船目標像元面積，P_area為像元面積的置信度。具體的，計算面積置信度隨艦船像元面積變化的函數(shù)繪圖如圖6所示，為篩選主要大型艦船目標，其中面積的置信度需要按照分辨率與像素間隔進行換算為同一度量再進行閾值判斷。

圖6 像元面積置信度曲線Fig.6 Pixel area confidence curve

首先設(shè)立面積初值進行線性篩選，以百米艦船為主要目標，按照長寬比80∶13（6∶1）為例，則當艦船滿足像元面積1000 時面積置信度為0.85，保證大型艦船的面積置信度能夠與小型艦船快速區(qū)分。同時經(jīng)過調(diào)研，目前現(xiàn)存最大船只為美國福特級，具體尺寸為：長333 m，寬78 m，考慮到實際SAR 圖像存在模糊、亮線等會增大艦船尺寸的影響因素，還存在兩艘艦船目標距離過近檢測為同一個的情況，因此設(shè)立面積置信度上限為40000。將可能存在的小型島嶼、暗礁等過大干擾目標排除。置信度隨像元面積在2000—35000區(qū)間進行線性增加，面積的置信度篩選函數(shù)可以滿足將大部分較大艦船篩選出來，同時在符合較大艦船尺寸要求的基礎(chǔ)上，按照面積大小進行置信度排序。

之后對計算出的艦船目標像元面積置信度與長寬比置信度進行加權(quán)融合，從而根據(jù)真實艦船長寬比與面積尺寸信息的先驗知識有效篩選出符合條件的置信度較大的船只目標。

由于像元面積置信度設(shè)置值范圍較大，可能出現(xiàn)篩選出符合條件面積的虛假目標較多，而符合真實艦船目標條件長寬比的虛假目標較少的情況，因此將長寬比的權(quán)重加大。通過加權(quán)計算最終得到該目標的總體置信度結(jié)果。則最終兩項置信度加權(quán)計算為

2.5 基于SVM的多通道誤差虛警去除方法

對于采用了方位多通道技術(shù)的SAR 系統(tǒng)而言，不同于單通道SAR，方位多通道SAR 將天線方位向分成多個子孔徑，每個孔徑作為獨立的接收通道，每個通道有各自的中央電子設(shè)備、天線陣面和時鐘同步系統(tǒng)。因此多通道成像受衛(wèi)星姿態(tài)、天線位置和指向、軌道等因素影響很大，不同通道很難完全一致，這些不一致性體現(xiàn)在回波中為幅度和相位偏差，若不進行估計與補償，合成后的等效單通道信號會在方位向出現(xiàn)周期性的幅度和相位誤差，導致成像后出現(xiàn)方位模糊。（Leng等，2016）同時回波信號的方位非均勻采樣、動目標的徑向速度等因素都會導致成像出現(xiàn)方位模糊，表現(xiàn)為成對方位向虛假目標。本文實驗部分所采用的GF-3 數(shù)據(jù)雙通道模式圖像即存在雙通道誤差虛假目標。在方位多通道SAR 系統(tǒng)工作過程中，第m通道接收到回波信號可以表示為

式中，Γm和ξm分別表示各種原因引起的第m通道的短期穩(wěn)定的幅度和相位誤差。re，m(x，r，η)表示存在天線位置測量誤差到觀測點的瞬時斜距。經(jīng)過推導可得，天線位置測量誤差在多通道SAR 回波中表現(xiàn)為相位誤差，可以表示為

式中，hz為理想的衛(wèi)星平臺高度，Rs為場景中心點沿波束中心線到理想航跡的距離，ΔR=R0-Rs為位置測量誤差導致的距離誤差，則天線位置測量誤差導致的通道間相位誤差包含一個常數(shù)項和一個與斜距成線性關(guān)系的誤差。

由于方位向主圖像分量和模糊圖像分量之間存在明顯的相似特性，長寬比與面積都與原本艦船目標相近，所以由多通道誤差所引起的虛假目標，由于很難通過2.4 節(jié)利用艦船尺度信息篩選去除。同時由于多通道誤差引起的模糊分量圖像紋理與真實艦船圖像存在較大差異，因此本文通過利用HOG 特征通過SVM 對虛假目標和真實目標進行區(qū)分。典型的多通道誤差虛假目標如圖7所示。

圖7 典型多通道誤差虛假目標示意圖Fig.7 Typical multi-channel error false target diagram

由于虛假目標與真實目標的紋理差異，選用HOG 算子進行特征提取。HOG 特征提取算法是DALAL 等提出的一種特征提取算法，其準確性已得到有效驗證，核心思想是所檢測物體圖像的局部可用邊緣的和梯度方向的分布密度來表示（Dalal 和Triggs，2005）。HOG 能夠有效描述邊緣方向密度分布與目標的紋理形狀。方向梯度直方圖特征提取的具體步驟如下：

首先將圖像窗口由橫豎線分為大小相等的區(qū)域，最小單元稱為細胞（cell）。4 個相鄰的cell 構(gòu)成一個塊（block）。block 與block 之間允許重疊。之后獲得水平方向和垂直方向的梯度（Dalal 和Triggs，2005）。表達式為

式中，gx為水平方向梯度，gy為垂直方向梯度。I(x，y)為像素點(x，y)的像素值。由此，像素點(x，y)處的梯度幅值和梯度方向的計算式分別為

式中，θ(x，y)為像素(x，y)的梯度，m(x，y)是它的大小。將θ(x，y)平分為9 個方向，然后每個cell 中按梯度方向投票，權(quán)重為m（x，y），這樣每個cell就得到一個9 維的向量，把同一個block 中的4 個cell 得到的向量連起來就得到了一個block 的36 維向量。最后把所有向量連起來就得到了該窗口的HOG特征向量。

支持向量機建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化的基礎(chǔ)上，通過選擇恰當?shù)暮撕瘮?shù)，隱式地將訓練數(shù)據(jù)映射到高維空間，將原始空間中的非線性問題轉(zhuǎn)化為變換空間中的線性問題（Cao等，2017）。SVM 模型在對于數(shù)據(jù)的泛化和訓練的能力有著很好的表現(xiàn)。SVM 本質(zhì)上是尋求一個最優(yōu)的分類平面將不同類別的數(shù)據(jù)進行最大程度的分離。給定一訓練樣本集為

則分割超平面可表示為

式中，ω，b是超平面的法向量和位移項，Rn為n維樣本空間。對式（10）使用拉格朗日乘子法可以得到其“對偶問”（dual problem）為

式中，αi為拉格朗日乘子。針對線性不可分的狀況，可將樣本從原始空間映射到更高維度的特征空間中，使其轉(zhuǎn)化為線性可分問題（Cao 等，2017）。引入松弛因子ξi來控制其成為支持向量的伸縮性，由此凸二次規(guī)劃的對偶問題轉(zhuǎn)化為

式中，C為懲罰參數(shù)，(?(xi))T??(xj)即是核函數(shù)，用K(xi，xj)表示，則決策函數(shù)為

常見的SVM 核函數(shù)主要有多項式核函數(shù)、高斯核函數(shù)、sigmoid 核函數(shù)、徑向基（rbf）核函數(shù)等。已有研究表明（Demirhan 和Salor，2016）rbf核函數(shù)在SAR 目標分類上具有良好效果，因此本文選擇rbf 核函數(shù)作為分類模型中的核函數(shù)，其數(shù)學形式為

2.6 多通道星載SAR 艦船低虛警快速檢測處理流程

綜上所述，本文提出的多通道星載SAR 艦船低虛警快速檢測處理算法流程如圖8所示。

圖8 多通道星載SAR艦船低虛警快速檢測處理算法流程圖Fig.8 Flow chart of fast detection and processing algorithm for multi-channel spaceborne SAR ship low virtual scene

具體步驟如下：

（1）通過構(gòu)建的全球海陸分布的掩模底圖對輸入的SAR 圖像進行判斷是否檢測場景附近存在陸地，如果存在需要進行海陸分割后以限定后續(xù)目標檢測的范圍，排除陸地對于檢測結(jié)果的干擾；

（2）通過網(wǎng)格點快速統(tǒng)計海雜波閾值，采用CFAR 算法將海洋區(qū)域中可能是艦船的高亮目標從背景中分割出來，便于后續(xù)檢測處理；

（3）利用形態(tài)學算子等技術(shù)對分割所得到的潛在目標進行預處理，去除艦船目標因旁瓣、亮線等引起的幾何參數(shù)誤差，便于之后精確提取目標特征；

（4）根據(jù)圖像的傳感器、成像模式及圖像的分辨率，在典型艦船目標SAR 圖像知識的支持下，結(jié)合SAR 數(shù)據(jù)中艦船目標的具體特點，對保留的艦船目標進行結(jié)合參數(shù)特征提取，并通過艦船目標像元面積、長寬比等尺寸信息進行置信度計算篩選疑似艦船目標；

（5）對上一步所篩選的目標進一步結(jié)合基于HOG+SVM 分類識別，剔除多通道虛假目標，判別出真實艦船目標結(jié)果，降低檢測虛警，輸出艦船檢測產(chǎn)品。

3 實驗結(jié)果處理與分析

3.1 實驗數(shù)據(jù)和相關(guān)設(shè)置

為驗證本文算法的有效性，已通過多幅圖像進行了艦船檢測實驗測試，本文選取了具有代表性的5 幅不同的海面場景的高分三號衛(wèi)星（GF-3）SAR 數(shù)據(jù)分辨率為3 m 的UFS 超精細條帶圖像進行測試，包含了不同海況、虛假目標類型以及圖像是否含有陸地等情況。如圖9（a）—（e）的左邊圖像所示，其中圖中縱向為相位，橫向為幅度。具體圖像參數(shù)見表2。

表2 圖像大小及包含艦船目標數(shù)Table 2 Common ship length and width ratio statistics results

實驗在NVIDIA Jetson TX2 上平臺運行，Jetson TX2 是一臺模塊化的人工智能超級計算機，采用NVIDIA Pascal 架構(gòu)。其性能強大，外形小巧，節(jié)能高效，是一款具備GPU 運算能力的嵌入式單元，其大小與普通嵌入式設(shè)備的處理器類似，但計算能力遠超后者。非常適于在星載平臺上進行快速數(shù)據(jù)處理使用。SVM 分類中采用RBF 核，使用預先訓練好所保存的訓練網(wǎng)絡數(shù)據(jù)模型進行測試分類。其中訓練數(shù)據(jù)采用基于GF-3海面SAR數(shù)據(jù)截取的真實目標97張，虛假艦船目標圖像96張，共計193 個訓練樣本。通過提取樣本的HOG 特征輸入SVM 進行網(wǎng)絡訓練。部分訓練樣本如圖10 所示。第1 排為真實艦船目標樣本，第2 排為虛假目標樣本。關(guān)于實驗中檢測率與虛警率計算公式如下：

式中，N為圖像中實際艦船數(shù)量，N′為檢測出實際艦船數(shù)量，F(xiàn)為檢測出虛假目標數(shù)量。

3.2 艦船目標快速檢測實驗結(jié)果

對圖9 所述5 幅數(shù)據(jù)分別進行艦船檢測，其結(jié)果如表3所示。其中由于TX2內(nèi)存限制對讀入圖像進行了2倍降采樣，統(tǒng)計檢測時長為讀入圖片后至檢測完成所耗時間。其中由于圖5場景含有較大面積陸地部分會對后續(xù)檢測產(chǎn)生影響已預先進行海陸分割處理。如圖11 所示，可以看出經(jīng)過海陸分割后能夠較好的去除面積較大陸地部分對艦船目標檢測的影響。

圖9 GF-3星載SAR數(shù)據(jù)艦船檢測圖像及結(jié)果Fig.9 GF-3 spaceborne SAR data ship detection image and results

圖10 部分用于訓練的真實艦船目標與虛假目標樣本Fig.10 Flow chart of fast detection and processing algorithm for multi-channel spaceborne SAR ship low virtual scene

圖11 海陸分割前后結(jié)果對比Fig.11 Comparison of results before and after sea and land segmentation

表3 本文算法SAR艦船檢測結(jié)果Table 3 This paper algorithm SAR ship detection results

通過表3 結(jié)果計算檢測率為97.85%，虛警率為5.21%，具體結(jié)果如圖9（a）—（e）右邊圖像所示。其中紅框標記船只目標為檢測目標，綠框標記船只目標為真實艦船目標。從結(jié)果上看，針對大尺寸星載多通道SAR 數(shù)據(jù)的艦船檢測應用，本文提出的方法能夠?qū)τ谂灤繕藱z測具有良好的實時檢測性能以及虛假目標抑制效果。

采用本文算法對圖像進行虛警剔除的局部效果如圖12 所示，圖12（a）—（d）中左邊圖像為整幅圖像選取的局部區(qū)域以及未經(jīng)虛警去除操作的原始檢測結(jié)果，右邊圖像為經(jīng)過置信度以及SVM 篩選后的艦船檢測結(jié)果。其中圖12（a）、（b）為針對多通道誤差現(xiàn)象引起的方位向模糊虛假目標去除效果，根據(jù)虛假目標與真實艦船的紋理差異通過Hog 特征與SVM 分類器區(qū)分篩選。圖12（c）、（d）為通過目標置信度的虛假目標去除效果，由于這部分虛假目標的面積與長寬比尺寸參數(shù)與真實艦船不符，因此通過目標置信度計算可以將大部分該類型虛假目標剔除?？梢钥闯觯ㄟ^綜合本文提出的兩種方法可以實現(xiàn)針對大部分虛假目標的有效區(qū)分與去除。

圖12 典型虛假目標未經(jīng)篩選去除與經(jīng)置信度、SVM虛警去除后結(jié)果對比Fig.12 Typical false targets are not filtered compared with confidence，SVM false alarm removal results

關(guān)于采用網(wǎng)格點分塊統(tǒng)計CFAR 閾值與傳統(tǒng)對整幅圖像進行遍歷時效性對比以及檢測虛假目標數(shù)量對比見下表。由表4中結(jié)果可以看出，本文算法在求解閾值時效性上大大提升。本文算法通過引入海陸分割、形態(tài)學操作、目標置信度與SVM分類網(wǎng)絡等操作，能夠有效針對幾何尺寸不符虛假目標、多通道誤差產(chǎn)生的虛假目標進行去除，使得檢測結(jié)果在虛警率上相較傳統(tǒng)方法有所改善，同時由于采用了分塊閾值CFAR 檢測器進行統(tǒng)計，相較于其他CFAR 檢測器，在運行效率上大大提高。表4結(jié)果證明了本文算法對于時效性以及虛假目標剔除的效果。

4 結(jié) 論

（1）本文開展了針對多通道星載SAR 圖像艦船快速低虛警目標檢測技術(shù)的研究。針對傳統(tǒng)CFAR算法基于局部滑窗對SAR 圖像進行逐像素檢測算法，在星載平臺實時性低，檢測結(jié)果存在多種虛假目標等問題，提出了多通道SAR 數(shù)據(jù)快速低虛警艦船檢測方法。

（2）提出了采用網(wǎng)格點分塊快速計算CFAR 全景閾值的方法；以及利用艦船幾何尺寸信息進行的目標置信度計算、基于HOG 特征的SVM 分類器相結(jié)合對檢測的虛假目標進行區(qū)分與去除。實驗證明本文算法針對多通道星載SAR 數(shù)據(jù)的艦船檢測問題具備良好的實時性與檢測性能，能夠快速有效的檢測出艦船目標并去除大部分虛假目標。

（3）目前，本文采用的置信度算法對噪聲敏感，由于艦船散焦、十字亮線會對置信度判斷產(chǎn)生不良影響，后續(xù)工作可考慮選用其他手段更加準確的對艦船目標幾何尺寸的提取計算。同時，對與艦船大小與長寬比相似的海面其他目標如島礁、燈塔等干擾目標研究區(qū)分方法。