在光学遥感图像中，目标检测是图像目标识别和图像理解方面研究的重点领域。其中，针对海上近岸舰船目标检测在军事上具有重要研究意义。例如，通过检测和监视感兴趣的港口区域内舰船目标并估计出其位置、尺寸、类型等参数信息，对及时获取海上作战军事情报、确保海上战场主动权起到了重要的作用。港口内的舰船根据停泊方式的不同分为停靠在港口内海域和港口码头两种情况，而第2种根据停靠方式又可分为舷靠和尾靠，分别如图 1所示。

本文针对近岸情况中的舷靠舰船目标检测进行研究。而针对港口内的舷靠舰船检测研究起步较晚，相关资料较少。不同于海洋背景，光学遥感图像中的舷靠舰船与港口连成一体，且港口中建筑物较多，背景较为复杂，如图 2所示，基于传统的海面舰船检测方法难以有效对舷靠舰船目标进行检测。

截至目前，国内外大量的研究工作是基于光学遥感图像海洋背景下的舰船目标进行检测^[1-4]，大多采用自适应阈值图像分割或者纹理分割的方法就可粗略定位舰船目标^[5-6]，但在实际应用过程中对于大尺寸的遥感图像检测效果不佳；文献[7]通过检测舰首区域有效地解决了旋转、尺度不变以及舰船之间差异等问题，但是该方法仅能检测舰首呈“V”形的舰船目标，具有一定局限性。因此，针对复杂背景下的光学遥感图像中不同种类舷靠舰船检测进行深入研究具有重要意义。

提出一种基于局部显著特征的舷靠舰船检测方法，检测流程如图 3所示。先对原始图像预处理获得海陆分割二值图像；然后，提取预处理后图像中的直线段特征，结合对舰船的特征分析，将直线段作为局部显著特征检测舰首区域；再将预处理和直线段提取结果结合，建立可提供直线段空间信息的网格和舰船检测模型；最后，通过计算舰船几何尺寸，并分析其环境信息定位舰首位置，从而最终确定舰船目标。所有计算过程都是在二值图像上完成，因此，计算所需参数不受灰度图像中的强度差异和不同对比度影响。

在预处理过程中，先使用中值滤波以降低斑点噪声对图像的影响；再对滤波后的图像进行海陆分割，减少陆地和码头上大量边缘点对目标检测的干扰，由于海面区域变化缓慢且灰度尺度低，使得其灰度分布稳定，然而人造物体则表现出相反的特征，所以使用基于直方图的1维Kapur熵法^[8]对图像进行海陆分割；最后，采用数学形态学中的闭运算去除目标内的孔洞和噪声区域。图 4是预处理过程示意图。

由于港口背景较复杂，导致舰船和背景不易区分开，直线段易被截断。此外，相比于行人和车辆检测，舰船检测的最大不同是图像中舰船朝向不定。所以在实际检测过程中，需要解决旋转不变和尺度不变问题。文献[7]方法采用检测舰首区域，并将其作为最主要特征。然而，除了舰首呈“V”形的舰船外，还可通过直线段特征检测到除文献[7]以外种类的舰船。此外，当舰船并排停靠时，无法利用文献[7] 中对舰船停靠位置的分析结果。因此，不同于文献[7] ，本文先使用LSD(line segment detection)检测子提取海陆边界上的直线段，并建立直线表格和舷靠舰船检测模型；再用直线段信息检测舰首，确定舰首类型；最后通过外接矩形框对整个舰船目标进行检测。

物体的直线段提供了丰富的图像几何信息，因此，在计算机视觉领域，直线段检测技术具有广泛的研究基础。经典的方法是通过Hough变换^[9]得到Canny边缘检测子^[10]检测物体直线特征，然而其在计算时间和准确率上都不令人满意。近些年的研究成果一定程度上改进了上述问题，文献[11]提出了LSD方法，通过区域生长使用梯度方向检测直线段特征，在规定时间内能精确检测出直线段，并能较好地抑制虚警。因此，尝试利用LSD检测子对光学遥感图像中的舷靠舰船目标进行检测。

LSD检测子的主要目的是检测图像中的局部直线轮廓，即称之为直线段。轮廓是图像中的某些特殊区域，在这些区域中，图像的灰度从黑到白或者从白到黑的剧烈变化。因此，梯度和直线等级是两个重要的概念，如图 5所示。

LSD检测子计算过程如下：

1) 按照梯度由大到小的方式对像素进行排列。

2) 选择未使用的像素进行区域生长运算，获得支持区域，如图 6灰色部分所示，直线段呈现出像素的梯度方向。图 6(a)是种子点，经过一系列变化形成最终的支持区域，如图 6(d)所示。在区域生长过程中，由于候选像素的方向不同，所以支持区域必须确定在小范围内。

3) 将直线支持区域(即像素集)和直线段(矩形)结合，直线段由终点和舰船宽度决定。

4) 验证LSD检测子对虚警的抑制效果。虚警是由与直线支持区域中像素方向完全不同的像素所组成的集合形成。当NFA(the number of false alarms)大于所设阈值时，则将该直线段判为虚警信息，计算表达式为

$ NFA=\left( c,x \right)={{N}_{\text{line}}}B\left( l\left( c \right),{{k}_{x}}\left( c \right),\sigma \right)\ $

(1)

式中，c为待检测图像疑似感兴趣区域内的像素数；x为待检测图像；N_line为待检测图像中疑似直线段区域内的像素数量，表达式为N_line=(mn)^5/2，mn为待检测图像的尺寸；B(l(c),k_x(c),σ)是二项分布，具体的表达式为：$ B(l(c),{{k}_{x}}(c),\sigma )\text{=}\sum\nolimits_{i=k}^{l}{\left( \begin{align} & l \\ & i \\ \end{align} \right){{\sigma }^{i}}{{(1-\sigma )}^{l-i}}} $，式中的l(c)为矩形框内全部像素数，k_x(c)为测量函数，用以评估图像x中候选区域c的结构等级，σ是检测精度，根据大量实验总结得出当取σ=1/8时检测效果最佳。当NFA_line=(mn)^5/2B(l(c),k_x(c),σ)≤1时，所检测的结果即为直线段区域。

当在海陆边界上检测到直线段时，利用如图 7所示的直线段表格数据结构将图像划分为许多宽度是w，高度是h的网格，用来提供直线段间的信息。在表格中，每一个直线段可以高效地搜索到其相邻的直线段。对通过网格的直线段进行标记，第2行第4列部分表示直线段0和3通过网格7。

光学遥感图像舷靠舰船的直线段检测结果如图 8所示。可以看出，LSD检测子的检测结果较为精确。然而，该算子会丢失一些对于舰船检测很重要的直线段特征。因此，需要建立一种有效的舷靠舰船检测模型。

1) V形舰首检测。在对光学遥感图像预处理及直线段特征检测后，首部是“V”字形的舷靠舰船表现出了明显的轮廓特征，如图 9(a)所示。针对这一显著特征定义一个局部自相似特征提取算子，如图 9(b)所示。将检测模板的圆心与舰首端点处重合，以圆形区域作为滑动窗口对舰首图像窗口内的像素灰度值与窗口中心灰度值在不同方向的子区域内进行差异加权求和操作，得出特征描述符，展开后作为窗口中心像素点的特征向量。该检测模板具有旋转不变性，提取的是局部相似特征，不易受图像对比度等干扰，提取区域分成多个子区域，使得算子对图像中轻微的仿射形变也有很好的适应性。

对舰首区域进行一系列预处理运算后，检测模板中位于舰首端点处的区域呈明显的高斯平均分布特征，如图 9(a)所示，令该区域S的平均值是μ，方差是σ，二值化区域S的阈值是μ+kσ。

将模板中心定义为(i,j)，半径是r，将其等分成16个子区域，计算每部分中像素点总和，并按照1~16的顺序顺时针对每部分进行标记，形成不同的特征向量。令α=V₁/U，其中，V₁是具有显著性特征的向量，U是检测模板内的像素值总和，α是规范化的像素值，即模板内某一特征向量与模板内的像素值总和之比。通常情况下，由于舰首的朝向具有不确定性，首先校准舰船停靠方向，使其和舰首朝向一致；然后，按照灰度值从大到小的顺序重新排列规范化特征向量α，产生校正舰首方向后新的特征向量b，同时获得舰船方向向量d。在特征向量b中，前3个向量反应了像素值最大的区域，并且与舷靠舰船表现出了一致的特征，因此构造显著性特征因子

$ S=\sum\limits_{b=1}^{3}{b}/ \sum\limits_{b=4}^{16}{b} $

(2)

当S大于给定阈值时，可以看做舰船特征向量与其舰首区域相对应，向量α和向量b在不同的横板子区域中的取值如表 1所示。

在制备完检测模板后，依据SUSAN检测原理，分别计算16个区域内的c(r,r₀)值，共有16个方向。分别对每个子区域内的差异进行求和，得到特征描述符，即

$ D\left( {{r}_{0}},n \right)=\sum\limits_{{{r}_{n}}}{w\left( r \right)c\left( {{r}_{n}},{{r}_{0}} \right)},1\le n\le 16 $

(3)

根据式(3)每个像素点得出一个特征向量，即D(r₀,n)，r₀是以圆形区域作为模板的滑动窗口的圆心，r_n是以r₀为中心的滑动窗口内编号为n的区域中所有原图像素的灰度值,w(r)为2维高斯函数加权值或者平均加权，式(3)中的1≤n≤16反映出了窗口区域内的像素和在不同方向上与r₀的差异，即引入了方向的概念，D(r₀,n)(1≤n≤16)可以按照图 9(b)中标明的顺序展开成为一个特征向量。

由于舰船首部的特殊形状和区域灰度分布特性，使得所提取的舰首区域像素点的特征向量分布明显区别于舰船其他部分像素点的特征向量分布。对于由像素点组成每条直线段，分别检查两个最近直线段的两个端点。当最近直线段与当前直线段的角度在12°到75°范围时，将这两个直线段看做是“V”形状的舰首，如图 10所示。

2) 方形舰首检测。检测过程可描述如下：

(1) 对于每条直线段，找到其最邻近直线段的两个端点，并当距离小于最小阈值时对其标记。

(2) 对于每条直线段，如果当前直线段不能组成舰首，并且其两个端点都分别存在相邻直线段，则分别对两条最近直线段进行检测。当两条最近直线段与当前直线段所成夹角在12°~75°范围内时，则将这3条直线段看做方形舰首，如图 11所示。

完成上述步骤后，通过对直线段的标记检测候选舰首区域。此外，可以对由两条直线段组成的舰首计算其平均方向，将结果作为舰首最终方向。

对于每个舰首候选区域，其存在两个直线段的端点。因此，对于每个端点，在直线表网格中搜索属于其端点相对应的直线段。对于每个端点P，当候选直线段满足下列条件时，则认为是船身。1)候选直线段与舰首平行；2)候选直线段是舰首侧部的一部分，且与直线段端点P的交点在直线段端点P的外部或在端点P上。

通过上述分析，当检测出船身一侧，则初步认定检测到整个舰船目标。

在光学遥感图像中，受港口的复杂背景和传统检测方法局限性影响，舷靠舰船的直线段特征会部分丢失，缺少相应的几何信息。因此，将先前对舷靠舰船直线段分析和检测结果与其几何尺寸计算结合，并以舰首为起点，沿船身得到舰船外接矩形框，再分析舰船周围环境信息，从而确定舷靠舰船目标。

1) 计算舰船宽度。首先利用舰船前端检测结果计算其宽度，如图 12(a)所示。为了有效解决舰船与港口相连接而无法单独检测舰船的问题，描述一个舰船宽度计算步骤，具体如下：

(1) 设置舰船扫描步长，令其沿着舰船方向从舰首端的O点向A点移动；

(2) 随着扫描步长的增加，OA的长度也随之增加，在A点两侧首次检测到非港口边缘点B和C，它们与舰船方向OA线性垂直，如图 12(a)中的红线所示；

(3) 如果AB长度值小于或远大于舰船原始宽度的一半，则令AB为舰船原始宽度的一半，AC同理于AB，不断加入新的宽度计算结果以对其进行更新，更新后的结果最大数值为max(2AB,2AC)；

(4) 如果两次出现更新后的舰船宽度与初始宽度一致，则停止计算；否则，返回步骤(2)继续操作。

2) 计算舰船长度。通过确定舰船尾部位置计算舰船长度，如图 12(b)所示。定义一个包含区域A和区域B的矩形，使其从舰船前端点沿着舰船方向扫描舰船，通过计算两个区域内港口上的点所占该区域面积的比例，来定位舰船尾部，即当区域A所占比例小于阈值th-a，且区域B所占比例大于阈值th-b时，检测到舰船尾部，具体表达式为ratio(A)<th_a和ratio(B)>th_b。区域A和B的长度以及它们之间的距离依据经验设定，A和B之间的宽度由舰船宽度决定。在扫描的过程中，当没有区域满足上述约束条件时，认为该区域为非舰船区域，检测失败。

3) 建立外接矩形框。对于外接矩形框内的每条直线段，将距舰首最远端的直线段看做船尾，通过以下步骤可以找到舰船尾部：

(1) 计算外接矩形框方向并用α表示角度；

(2) 使用Hough变换公式，即

$ \gamma \left( \theta \right)={{x}_{0}}\cos \theta +{{y}_{0}}\sin \theta $

(4)

式中，可将XY坐标变换到γ(α)γ(β)坐标。

对于外接矩形框的每个短边，将其边缘上的一个点代入

$ \gamma \left( \alpha \right)={{x}_{0}}\cos \alpha +{{y}_{0}}\sin \alpha \ $

(5)

对于外接矩形框的每个长边，将其边缘上的一个点代入

$ \gamma \left( \beta \right)={{x}_{0}}\cos \beta +{{y}_{0}}\sin \beta $

(6)

式中，α与β垂直。

如图 13所示，对于包含在外接矩形框内的直线网格上的每条直线段，将两个端点代入式(4)(5)，如果两个端点都在新的外接矩形框内，记录从当前直线段到舰首的距离；当最远距离长度无法组成舰船长度时，排除候选舰船目标。根据统计结果得出，舰船长度最少是其宽度的4倍。最后，在新坐标系γ(α)₀、γ(β)₀、γ(α)₁、γ(β)₁下得到最终外界矩形框。

目前，由于缺少舷靠舰船的光学遥感图像作为舰船目标检测的数据集。因此，实验图像是从Godeyes上获取的由GeoEye-1卫星拍摄于波士顿港，如图 14所示。其尺寸是3 000×3 000像素，分辨率是0.5 m，图中共有12艘船只。其中包括船只与港口相连、船只与港口不相连、船只间并排停泊以及船只单独停泊的情况，对图 14中舷靠舰船的检测结果黄色用矩形框标记。

针对舷靠舰船目标检测过程中的参数设置具体如下：在预处理中，设定α = 1/3，λ= 1 200，μ=100，可有效将舷靠舰船从港口和水域背景中分离，为后续步骤提供舰船检测模型；在计算舰船长度时，通过总结大量参考文献及实验结果，外接矩形框区域中A的长度设为15像素，区域B设为10像素，两个区域中的空间设为3像素，外接矩形框的宽度设为所计算出的舰船宽度的0.6倍，检测结果如图 14所示。

本文检测算法过程示意图如图 15所示，可以看出算法能够处理光学遥感图像中舷靠舰船目标，通过对舰首形状分类检测，去除虚警信息，再通过计算舰船几何尺寸及环境信息分析确定舷靠舰船目标。

为了定量分析本文算法的性能，实验选取两幅不同场景下的光学遥感图像，并分别与文献[12] 中的检测方法对比，结果如图 16所示。从表 2可以看出，文献[12]所述方法在场景1中存在误检测现象，在场景2中存在漏检和误检现象，即在背景环境简单时，使用文献[12]方法检测准确率较高；本文算法在场景1和场景2中均能正确检测出舷靠舰船目标，没有受到复杂背景环境的影响，同时不存在误检及漏检现象，并且对海陆间灰度变化差异、阴影干扰以及舰船并排停泊时均具有较强的适应性和鲁棒性。

针对目前关注较少的舷靠舰船目标检测问题进行了深入研究。首先使用直线段检测子在海陆边界上提取直线段特征，建立舰船检测模型，再对不同类型的舷靠舰船舰首进行分析，通过本文方法进行检测，最终确认舷靠舰船目标。实验结果表明，本文方法对复杂背景环境下的舷靠舰船目标检测效果较好；其次，本文方法不受舰船停泊位置及阴影的干扰，目标识别率较高，鲁棒性较强。

然而，实验结果同时表明利用LSD算子检测出的直线段会部分地被判定为虚警成分而排除，所以在未来的研究中，将改进直线段检测算子的性能作为研究的重点。同时，还可充分利用舰船和港口的其他特征以及标志性物体等作为舰船检测的辅助特征因子，提高检测准确率。对于舰船检测模型而言，也可很容易地将其他方法，如HOG^[13]和SVM与LSD算子相结合以降低算法虚警率。