0 引言

舰船作为海上运输载体和重要军事目标，其自动检测技术在民用和军事领域都有着广阔的应用前景^[1-2]。根据背景的复杂程度，舰船检测主要分为离岸舰船检测和靠岸舰船检测。以往的大多数研究主要针对的是单纯海洋背景的离岸舰船检测，并取得了较好的检测效果^[3-7]。相较于纯海洋背景的离岸舰船，靠岸舰船所处背景更复杂，既包含海洋背景，又包含港岸陆地背景，舰船与港岸在颜色和纹理特征上相似，空间上紧邻，如何将二者分开是靠岸舰船检测任务的难点。

现有的靠岸舰船检测方法主要可分为3类：第1类是基于港口先验地理信息的方法^[8-10]。这类方法往往采用模板匹配的方式，实现简单，但先验信息往往不易获取，模板需要烦琐的手工标记；第2类是基于舰船轮廓的方法^[11-12]，这类方法通常利用不变性广义Hough变换或可变夹角链码方式匹配舰船轮廓，具有旋转和尺度不变性，但鲁棒性较低且难以检测并靠舰船；第3类是基于局部特征的方法^[13-16]，这类方法往往假设舰船有“V ”形船头，适用范围小，难以从局部特征得到舰船整体特征。

本文分析了大量港口几何特性和舰船停泊特性，发现大中型港口的岸线大多数都是平直的，且靠岸舰船多数采用舷靠方式停泊，即船舷紧贴港口岸线，舰船方向与港口岸线方向一致。针对这些特性，提出一种基于投影分析的舰船检测方法。算法流程如图 1所示。

图 1 基于投影分析的舰船检测方法流程图

Fig. 1 Flow chart of inshore ship detection based on projection analysis

首先进行图像预处理，一方面是对原图进行海陆分离，另一方面是获取梯度和边缘信息；然后利用改进的Hough变换提取直线特征，结合海陆分割的结果定位港口岸线；之后，根据舰船停泊特性选定可能的停靠空间作为投影空间，在投影空间范围内对海陆分割图像进行两次投影：第1次沿岸线方向，根据投影的峰谷特性确定并靠船的连接位置，实现并靠船分离，第2次投影垂直岸线方向，若该投影空间内有舰船则投影曲线应为“拱形”，根据其形态可以确定舰船位置和尺寸；最后，结合舰船尺寸、长宽比等特征进一步确认舰船。

1 算法详细说明

1.1 图像预处理

预处理主要分为两部分:一是海陆分离，二是边缘提取。采用K-means聚类算法与区域生长算法相结合的海陆分割方法^[17]。先以2×2区域块为单位，提取块区域灰度均值和方差作为K-means算法聚类的特征，将所有块区域分为两类作为粗分割结果。再以粗分割结果作为种子点进行区域生长，可生长区域限定在粗分割边界附近一定范围内(本文设定的可生长区域为离粗分割边界10像素以内的区域)，通过区域生长算法多次迭代得到最终细分割的结果。该方法自适应性和抗噪性较好。

采用Sobel算子提取图像梯度，该算子对噪声不敏感，同时可以方便地计算边缘梯度强度和方向。由于只关心港口岸线的边缘信息，而这部分边缘往往是梯度强度最强的区域，因此对Sobel算子得到的梯度图像进行一次Otsu分割，得到分割的边缘图像。图 2是预处理过程示意图。

图 2 预处理过程示意图

Fig. 2 Preprocessing images((a) orginal image; (b) sea-land segmentation image; (c) gradient image; (d) edge image)

1.2 岸线检测

1.2.1 基于改进的Hough变换的直线检测

Hough变换一种从图像空间到参数空间的映射关系，常用于图像中特定几何形状的检测。对于直线的检测问题而言，任意一条直线都可以用参数$\rho $和$\theta $完全确定下来，其中$\rho $确定了该直线到原点的距离，$\theta $确定了该直线的方向。其函数方程可表示为

$ f\left( {\rho ,\theta } \right) = \rho - x{\text{cos}}\left( \theta \right) - y{\text{sin}}\left( \theta \right) = 0 $

标准的Hough变换需要遍历全图像素，对每一个像素点再遍历所有的角度$\theta $，往往在计算上开销较大。针对这一问题，提出一种基于梯度信息的Hough变换方法。首先，只对分割后的边缘点位置检测，大大减少了遍历点的数量。此外，直线上的边缘点梯度方向与该直线方向理论上垂直，因此边缘点的梯度方向可以作为该点Hough角度的指导，考虑到梯度方向可能存在误差，设置60°的角度阈值，减少角度遍历范围，缩短了计算时间；同时，梯度值越大的边缘点更有可能处于水域边界，因此在Hough投票环节，本文将Hough空间的累加器每次加1改为加上一个由梯度强度确定的权值。详细过程如下：

1) 构造双精度累加器数组$\mathit{\boldsymbol{H}}\left[ {2 \times d \times 180} \right]$，其中$d$表示图像对角线长度，直线参数$\rho $取值范围在[$-d$, $d$]区间内；

2) 对于边缘图像上的每个边缘点，其坐标为($i$, $j$)，其梯度图像对应的梯度强度为$g$，梯度方向为$\gamma $；

3) 直线方向参数$\theta $从$\gamma $+60°到$\gamma $+120°递增，步长为1°，$\rho = i \times {\text{cos}}\left(\theta \right) + j \times {\text{sin}}\left(\theta \right)$；

对于每一对参数($\rho $, $\theta $)，累加器进行积分$H\left[ {\left({\rho + d} \right) \times 360 + \theta } \right] + = g$；

3) 处理完所有边缘点，取累加器数组$\mathit{\boldsymbol{H}}$前$N$个峰值，解析其对应的直线参数($\rho $, $\theta $)；

4) 合并参数较为接近的直线。

对于图 2所示的图像，通过改进的Hough变换直线检测结果如图 3(b)所示。

图 3 改进的Hough变换直线检测结果

Fig. 3 Result of modified Hough transform on line detection

((a) traditional Hough transform; (b) gradient Hough transform)

1.2.2 港口岸线定位

港口岸线所在的直线提取出来后，还需进一步确定真实的岸线位置。首先，确定港口岸线的起点和终点。从上到下遍历边缘图像，若边缘点在所检测到的直线上且该点是该直线上第1个被检测到的点，则记该点为岸线线段的起点。相应地，从下往上遍历边缘图像，若边缘点在所检测到的直线上且该点是该直线上第1个被检测到的点，则记该点为岸线线段的终点。为提高精度，进一步细化起止点的检索方式：

1) 将直线按方向分为0°≤$\theta $≤90°和90° < $\theta $ < 180°两个区间，起点检索时分别按照自右向左和自左向右两个方向进行，终点检索时相反，减少直线方向对起点和终点检索的影响；

2) 为了减少杂波的干扰，只有梯度方向与直线方向的夹角在70°~110°时，被检边缘点才会被确定为起止点。

确定了起点和终点后的线段还可能包含虚警，虚警主要有两类：一类是该线段全部在陆地内部；另一类是该线段大部分处于水域中。若线段为港口岸线，则其两侧必有一侧包含水域，否则必为第1类虚警；若线段为港口岸线，则其两侧不能同时包含大段水域，否则必为第2类虚警。

假设线段上的点坐标为($x$, $y$)，线段与水平方向夹角为$\alpha $，则线段两侧垂直距离为$r$的对应两点的坐标分别为$(x - r \times {\text{sin}}\left(\alpha \right), y + r \times {\text{cos}}\left(\alpha \right))$和$(x + r \times {\text{sin}}\left(\alpha \right), y - r \times {\text{cos}}\left(\alpha \right))$，结合海陆分离结果判定这两点是否在水域中，用两组计数器分别记录线段两侧水域长度。通过分析线段两侧水域情况，排除两类虚警，剩下的线段被认为是港口岸线，本文中称为定位线段。如图 4所示。

图 4 港口岸线定位

Fig. 4 Port coastline location

((a) result of line detection (b) segment of coastline)

1.3 投影分析

1.3.1 舰船定位

定位线段为我们提供了舰船可能停泊的位置，接下来我们利用投影的方式进行舰船的定位。图 5是靠岸舰船的示意图，$\left[ {L1, L2} \right]$区间的线段为一条港口岸线。在分析过程中，先只考虑定位线段单侧的情况，作为示例，选取图 5中定位线段$\left[ {L1, L2} \right]$上方侧分析。

图 5 靠岸舰船示意图

Fig. 5 Inshore ship diagram

首先，确定一个投影空间，即确定一个用以投影的空间边界。具体流程为：遍历定位线段上每一个点$i$，从该点出发沿线段垂直方向寻找水域点，若连续出现水域长度超过设定的最大阈值，或连续出现的陆地长度超过阈值，则停止寻找，记录该停止点到岸线的距离${l_i}$；遍历完整个定位线段后，选择所有${l_i}$中的最大值max(${l_i}$)作为投影边界到岸线的距离，投影边界为线段$\left[ {L3, L4} \right]$，由岸线和与之平行的投影边界确定了投影的空间，如图 5中虚线范围。

确定投影空间后，将该空间内的点沿垂直于港口岸线的方向投影到港口岸线上，若该点为水域点则其投影值为0，若该点为陆地点(包括舰船)则其投影值为1，投影到港口岸线上同一位置的所有点的投影值累加，投影结束后可以绘制投影曲线。对图 5所示情形，港口岸线$\left[ {L1, L2} \right]$在${L1}$, ${L2}$, ${L3}$, ${L4}$构成的投影空间内的投影曲线如图 6所示。可以看出，若港口岸线一侧的投影空间内存在舰船，则其投影曲线呈“拱形”，拱长$AB$为舰船长度，拱高$CD$为舰船宽度，根据投影形态可以定位舰船位置。

图 6 舰船投影曲线

Fig. 6 The projection curve of ship

理想情况下，定位线段紧邻舰船，投影曲线在没有舰船的位置投影积分结果为零，在有舰船的位置形成“拱形”曲线，如图 7(a)所示，此时容易确定舰船位置和尺寸。但由于检测误差，可能存在紧挨舰船的码头岸线漏检或者定位偏移的情况，如图 7(b)所示。此时舰船定位较为困难，得到的“拱形”曲线最高点不再对应舰船宽度，对提取舰船目标形态特征造成较大的干扰。

图 7 垂直定位线段方向投影示意图

Fig. 7 The diagram of projection in the vertical direction

((a) location line on the ship's rail; (b) location line off the ship's rail)

定义投影曲线整体偏移水平零点的量为投影基准值，若定位线段紧挨舰船则投影基准值为0，若定位线段距离舰船有偏移，则投影基准值不为0，如图 8所示。对于后者，可以将该投影曲线整体减去投影基准值，将其转化为投影基准值为0的情况。

图 8 投影曲线基准值示意图

Fig. 8 Diagram of the projection basic level

采用以下流程获取投影曲线的投影基准值：

首先，将投影曲线上各投影值由小到大排列(${p_1}$, ${p_2}$, ${p_3}$, …, ${p_k}$)，建立投影值的直方图，统计各投影值出现的频次(${n_1}$, ${n_2}$, ${n_3}$, …, ${n_k}$)；然后，统计参与投影的陆地点数目为$N = \sum\limits_{i = 1}^k {{n_i}} $，选择其10%$N$作为基准值对应的投影点数目；最后，从投影值直方图中最小投影值${p_1}$对应的频次${n_1}$开始递增，累计投影值对应的频次，直至满足$\sum\limits_{i = 1}^m {{n_i}} \leqslant 0.1N < \sum\limits_{i = 1}^{m + 1} {{n_i}} $，投影基准值为${p_m}$。

1.3.2 并靠舰船的分离

如果多艘船并排地停靠在港口，若直接按上述方式投影，投影结果与单艘船舰在定位线段上的投影差异较大而无法检出或不能分隔出多条并列的船舰。

针对并靠船检测问题，提出一种投影分析的方法。对每一条定位线段，假设其一侧停驻有多条并列的舰船，如图 9所示。

图 9 沿定位线段方向投影示意图

Fig. 9 Diagram of projection along the location line direction

由于船舰形态通常上呈现首尾窄中间宽的特征，那么对海陆分割后的图像在其投影空间内沿定位线段方向投影，即从船头向船尾(或船尾向船头)方向投影，投影得到的投影曲线如图 9所示，两条船舰中间的位置将形成波谷，船舰中轴线处将形成波峰，根据峰谷特性可以找到并靠船间的分界线。

然后，在并靠船分界线位置“复制”一条定位线段，即拓展了定位线段集合，相应地，定位线段对应的投影空间也被分隔开来，每一条新的定位线段对应一个新的投影空间，如此将并靠船检测问题转化为单排舰船检测问题。并靠船检测结果如图 10所示。

图 10 并靠船检测结果

Fig. 10 Detection result of side-by-side ships

((a) image of side-by-side ships; (b) detection result of side-by-side ships)

投影分析的方法除了定位舰船位置，还提供了舰船形态特征，利用这些特征，可以进一步去除虚警。本文主要采用的去虚警策略有：结合图像分辨率，根据舰船长度和宽度范围去虚警；计算舰船长宽比，去除不符合舰船长宽比特性的目标；结合目标最小外接矩形标记辅助分析，去除占空比过小的虚假标记。

2 实验结果与分析

2.1 主要实验数据

在Google Earth上截取部分港口的高分辨率遥感图像，对本文提出的方法进行实验验证，实验图像的分辨率在1 m到5.5 m之间。部分实验结果如图 11所示。

图 11 检测结果示意图

Fig. 11 Diagram of detection results((a)original images; (b)detection result of images)

由实验结果可以看出，本文方法适用于多尺度和多方向下的靠岸舰船目标检测。同时，本文方法对舰船类型和形态有鲁棒性，不仅可以检测具有“V”形船头的舰船，还能检测船头较平的舰船和航母。我们选取了Google Earth上15个不同港口场景图像进行透视变换，得到不同分辨率下(1 m/像素到5.5 m/像素)的292帧图像，共含962艘舰船，其中航母139艘，驱护舰794艘，民船29艘。实验结果为：在不区分分辨率的情况下，正确检测到822艘舰船，其中航母134艘，驱逐舰666艘，民船22艘，总检测率85.4%，航母检测率96.4%，驱逐舰检测率83.9%，虚警目标171艘，其中航母4艘，驱逐舰146艘，民船21艘，虚警率17.2%；若选取分辨率在2 m/像素到4 m/像素的样本，检测率提升至93.5%，虚警率降低到5.3%。

图像4背景复杂，反光阴影等干扰多，但依然能够检出大部分舰船目标。漏检的两只舰船主要是因为海面反光较强，且船头(尾)紧贴港岸拐角，海陆分割未能将舰船首尾的海域分割出来，因此难以获取有效的投影特征。

2.2 参数敏感性分析

3 结论

参考文献

[1] Dai H, Du L, Wang Y, et al. A modified CFAR algorithm based on object proposals for ship target detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1925–1929. [DOI:10.1109/LGRS.2016.2618604]
[2] Gao G. A parzen-window-kernel-based CFAR algorithm for ship detection in SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(3): 557–561. [DOI:10.1109/LGRS.2010.2090492]
[3] Zhu C R, Zhou H, Wang R S, et al. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(9): 3446–3456. [DOI:10.1109/TGRS.2010.2046330]
[4] Yang G, Li B, Ji S F, et al. Ship detection from optical satellite images based on sea surface analysis[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(3): 641–645. [DOI:10.1109/LGRS.2013.2273552]
[5] Corbane C, Najman L, Pecoul E, et al. A complete processing chain for ship detection using optical satellite imagery[J]. International Journal of Remote Sensing, 2010, 31(22): 5837–5854. [DOI:10.1080/01431161.2010.512310]
[6] Zou Z X, Shi Z W. Ship detection in spaceborne optical image with SVD networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(10): 5832–5845. [DOI:10.1109/TGRS.2016.2572736]
[7] Jubelin G, Khenchaf A. Multiscale algorithm for ship detection in mid, high and very high resolution optical imagery[C]//Proceedings of 2014 IEEE International Geoscience and Remote Sensing Symposium. Quebec City: IEEE, 2014: 2289-2292. [DOI:10.1109/IGARSS.2014.6946927]
[8] Long G, Chen X Q. A method for automatic detection of ships in harbor area in high-resolution remote sensing image[J]. Computer Simulation, 2007, 24(5): 198–201. [隆刚, 陈学佺. 高分辨率遥感图像港内舰船的自动检测方法[J]. 计算机仿真, 2007, 24(5): 198–201. ] [DOI:10.3969/j.issn.1006-9348.2007.05.054]
[9] Kuang X Q. Research on method of ship target detection under complex harbor background[D]. Wuhan: Huazhong University of Science and Technology, 2011. [况小琴. 复杂港口背景下舰船目标检测方法研究[D]. 武汉: 华中科技大学, 2011.] http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=D190921
[10] Li W K, Fu K, Sun H. Integrated localization and recognition for inshore ships in large scene remote sensing images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(6): 936–940. [DOI:10.1109/LGRS.2017.2688357]
[11] Xu J, Fu K, Sun X. An invariant generalized Hough transform based method of inshore ships detection[C]//Proceedings of 2011 International Symposium on Image and Data Fusion. Tengchong, Yunnan: IEEE, 2011: 1-4. [DOI:10.1109/ISIDF.2011.6024201]
[12] Jiang L B, Wang Z, Hu W D. An AIAC-based inshore ship target detection approach[J]. Remote Sensing Technology and Application, 2007, 22(1): 88–94. [蒋李兵, 王壮, 胡卫东. 一种基于可变夹角链码的靠岸舰船目标检测方法[J]. 遥感技术与应用, 2007, 22(1): 88–94. ] [DOI:10.3969/j.issn.1004-0323.2007.01.018]
[13] Li X, Liu Y Q, Bian C J, et al. Inshore ship detection method in optical remote sensing images using local salient characteristics[J]. Journal of Image and Graphics, 2016, 21(5): 657–664. [李轩, 刘云清, 卞春江, 等. 局部显著特征下的光学遥感图像舷靠舰船检测[J]. 中国图象图形学报, 2016, 21(5): 657–664. ] [DOI:10.11834/jig.20160513]
[14] Li S, Zhou Z Q, Wang B, et al. A novel inshore ship detection via ship head classification and body boundary determination[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1920–1924. [DOI:10.1109/LGRS.2016.2618385]
[15] Hu J H, Xu S S, Chen H L, et al. Detection of ships in harbor in remote sensing image based on local self-similarity[J]. Journal of Image and Graphics, 2009, 14(4): 591–597. [胡俊华, 徐守时, 陈海林, 等. 基于局部自相似性的遥感图像港口舰船检测[J]. 中国图象图形学报, 2009, 14(4): 591–597. ] [DOI:10.11834/jig.20090405]
[16] Shi Z W, Yu X R, Jiang Z G, et al. Ship detection in high-resolution optical imagery based on anomaly detector and local shape feature[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4511–4523. [DOI:10.1109/TGRS.2013.2282355]
[17] Wang Y H, Qin X J, Wei H P, et al. Inshore ship detection method based on harbor matching and sea-area segmentation[J]. Journal of Huazhong University of Science and Technology (Nature Science Edition), 2017, 45(10): 95–99. [王岳环, 秦小娟, 韦海萍, 等. 基于港口匹配和海域分割的靠岸舰船检测方法[J]. 华中科技大学学报(自然科学版), 2017, 45(10): 95–99. ] [DOI:10.13245/j.hust.171018]