0 引　言

在现代海洋军事领域，舰船目标检测是一项至关重要的技术，它对于维护海洋安全、保障国家利益和进行海上战略部署具有重要意义。然而，由于海洋环境的复杂性和舰船目标的多样性，舰船目标检测面临着诸多挑战，如目标尺度变化、形状差异、遮挡情况以及背景噪声等。因此，研究一种高效、准确的舰船目标检测方法具有重要的理论价值和实践意义^[1]。

近年来，机器视觉技术的发展为舰船目标检测提供了全新思路。顾佼佼等^[2]利用改进Faster R-CNN（快速区域卷积神经网络），通过多尺度特征拼接增强红外舰船目标的特征提取，提升舰船目标检测精度。但是该方法提取的特征容易受到海面复杂背景干扰，导致特征提取效果不理想；Zhang等^[3]结合Faster-RCNN和基于语义分割模型的陆海分割方法，在舰船目标特征提取前通过语义分割模型去除背景干扰，在一定程度上提升特征提取精度，但是面对多目标检测以及存在目标遮挡时，Faster R-CNN可能会错误地过滤掉属于同一个物体的部分，导致漏检。谢兆哲等^[4]通过常对角矩阵特征值均值差异区分目标与背景，实现舰船目标检测，提高检测性能和计算速度，但是若构建常对角矩阵时所选参数不当，可能会导致目标与背景杂波的差异不够明显，从而影响检测效果。

多特征融合的目标检测方法通过综合利用多种特征信息^[5]，可以有效弥补单一特征的不足，提高目标检测效果。为此本文研究基于多特征融合的舰船目标检测方法，期望能够为舰船目标检测领域提供新的思路和方法，推动相关技术的发展和应用。

1 舰船目标检测 1.1 舰船目标潜在区域生成

由于海面上的舰船目标的面积以及长宽比应在合理的区间内，因此过大和过小均为非目标区域，因此将舰船目标的面积和长宽比作为舰船目标的几何约束。舰船目标区域与海洋背景区域在灰度特征方面存在显著差异，为此设置灰度特征约束，将舰船目标区域与海面、云层以及岛屿等背景区域分离。

遵循舰船目标内部灰度差异较小，舰船目标与背景区域灰度差异较为显著的原则，以及舰船目标的局部对比度高于背景区域的特点，即遵循灰度特征约束原则，将非舰船目标区域剔除。具体步骤为：

步骤1　转换采集舰船目标图像为灰度图像U；

步骤2　从U中获取初始舰船目标潜在区域$ R = ({r_1},{r_2},\cdots ,{r_n}) $；

步骤3　将$ S = \phi $视为舰船目标潜在区域几何的初始化结果，将$ C = \phi $视为局部对比度集合；

步骤4　遍历$ R = ({r_1},{r_2},\cdots ,{r_n}) $，衡量其中的潜在区域$ {r_i} $的$ A $、$ R $是否符合几何约束，如果符合则计算其局部对比度$ {C_i} $，并放置于$ C $中，将$ {r_i} $放置于$ S $中。

步骤5　将局部对比度高的舰船目标潜在区域保留，其余予以删除，形成最后得到的舰船目标潜在区域。

1.2 舰船目标特征提取 1.2.1 纹理特征提取

选取局部二进制模式（LBP）作为舰船目标潜在区域图像的局部纹理特征描述算子，依据设定的编码方向二值化处理舰船目标潜在区域图像中心像素的8个邻域，并将得到的二进制序列转变为十进制数，获取LBP响应图像，将其统计柱状图视为LBP特征，用于舰船目标检测，LBP特征表达式为：

$ LB{P_{P,Q}} = \sum\limits_{k = 0}^{P - 1} {s({g_k} - {g_c}){2^k}}。$

(1)

式中：$ P $、$ Q $分别用于描述邻域、半径；$ {g_k} $、$ {g_c} $分别用于描述3×3邻域区间、中心像素点灰度值；s(k)为

$ s(k) = \left\{ \begin{gathered} 1，x \geqslant 0，\\ 0，x < 0。\end{gathered} \right. $

(2)

1.2.2 亮度特征提取

依据椭圆方程从舰船目标潜在区域图像中提取舰船目标亮度特征，椭圆曲线在平面坐标系中的曲线方程为：

$ A'{x^2} + B'xy + C'{y^2} + D'x + E'y + F' = 0，$

(3)

其中，$ A' $、$ B' $、$ C' $、$ D' $、$ E' $、$ F' $均为常数。

遵循代数距离平方和最小化拟合椭圆曲线：

$ \begin{split} &f(A',B',C',D',E',F') = \\ & \quad\sum \limits_{i = 1}^n {{{(A'{x_i}^2 + B'{x_i}{y_i} + C'{y_i}^2 + D'{x_i} + E'{y_i} + F')}^2}}。\end{split} $

(4)

依据极值理念，令$ f(A',B',C',D',E',F') $最小，必然得到：

$ \frac{{\partial f}}{{\partial A'}} = \frac{{\partial f}}{{\partial B'}} = \frac{{\partial f}}{{\partial C'}} = \frac{{\partial f}}{{\partial D'}} = \frac{{\partial f}}{{\partial E'}} = \frac{{\partial f}}{{\partial F'}} = 0。$

(5)

依据获取的线性方程组结合约束条件获取最终的椭圆方程。采用椭圆拟合遍历椭圆内全部像素点并求解像素点的亮度均值作为提取到的舰船目标亮度特征。

1.2.3 轮廓特征提取

将傅里叶描述子视为舰船目标轮廓特征进行提取，是一种用于描述舰船目标形状边界曲线的傅里叶变换系数，具备描述舰船目标尺度、旋转和平移不变性的特点，傅里叶描述子表达式为：

$ h(u) = \sum\limits_{k = 0}^{K = 1} {\left[ {x(k) + y(k)} \right]{e^{ - j2{\text{π}} k/K}}} ,u = 0,1,\cdots ,K - 1 。$

(6)

式中，$ \left[ {x(k),y(k)} \right] $、$ K $分别为舰船目标形状边界周期函数、采样点总数。

1.3 舰船目标多特征融合

有策略地融合提取到的舰船目标多特征，融合之前进行特征归一化处理，令特征能够更好地描述舰船目标区域的置信度，归一化处理表达式为：

$ \left\{ \begin{gathered} \tilde F(i,j) = \frac{{F(i,j) - \mu }}{\sigma } ，\\ \mu = \frac{1}{M}\sum\limits_{all(k,l)} {F(i,j)} ，\\ \sigma = \frac{1}{M}\sum\limits_{all(k,l)} {{{\left( {F(i,j) - \mu } \right)}^2}} 。\\ \end{gathered} \right. $

(7)

式中：$ F(i,j) $、$ \tilde F(i,j) $分别为归一化处理前后的特征；$ \mu $、$ \sigma $、$ M $分别为特征的均值、方差、数量。

并将归一化处理后的特征拉伸至0～255动态范围内：

$ F''(i,j) = \frac{{\tilde F(i,j) - {q_{\min }}}}{{{q_{\max }} - {q_{\min }}}} \times 255。$

(8)

其中，q_max、q_min分别对应于特征的最大值和最小值。

不同特征对舰船目标检测的贡献度不同，为此对归一化后的特征设置差异化权重，并通过自适应融合系数实现舰船目标多特征融合。多特征融合的自适应权值依据特征贡献度进行选取，表达式为：

$ {w_i} = \frac{{{v_i}}}{{\displaystyle\sum\limits_{i = 0}^2 {{v_i}} }}，$

(9)

其中，v_i为特征的贡献度，表达式为：

$ {v_i} = \frac{{\displaystyle\sum\limits_{i = 1}^N {F''(i,j)} }}{{\displaystyle\sum\limits_{all(i,j)} {F''(i,j)} - \displaystyle\sum\limits_{i = 1}^N {F''(i,j)} }} - 1 ，$

(10)

其中，N为特征数量。

那么，最终获取的检出目标多特征融合结果为：

$ F = {w_1}{F''_1} + {w_2}{F''_2} + {w_3}{F''_3}。$

(11)

式中：$ {F''_1} $、$ {F_2}^{\prime \prime } $、$ {F''_3} $分别为提取到的纹理特征、亮度特征、轮廓特征；w₁、w₂、w₃分别为三者对应的融合系数。

1.4 基于SVM分类器的舰船目标检测

支持向量机（SVM）作为一种具备优秀学习能力的统计学习方法，具备显著的高维及非线性识别优势，将融合后的舰船目标特征向量作为输入，构建SVM模型。通过对训练数据进行学习，找到一个能够最大化类别间隔的超平面，从而实现对目标的分类。在舰船目标检测中，可以将目标舰船与非目标舰船（或背景）视为2个不同的类，通过SVM进行分类。在训练好SVM模型后，将其应用于实际的舰船目标检测任务中。将融合后的特征向量输入到SVM模型中，得到分类结果。根据分类结果，可以确定是否存在舰船目标，以及目标的位置和类型等信息。

2 结果与分析

以某海域为实验场所，采集多场景下的舰船图像，并在Intel Core i5-1035G1处理器、8Ｇ内存的运行稳定的Windows 10操作系统PC机上使用支持科学计算和图像处理任务的Matlab和OpenCV库进行舰船目标潜在区域生成、多特征提取、融合以及舰船目标检测相关操作。

以图1采集到的某2个场景的舰船图像为例，通过本文方法进行舰船目标潜在区域生成，其中设置舰船目标潜在区域面积A的阈值、长宽比R的区间分别为舰船图像面积的1/8、0.5～10；设置参数λ、ε分别为1.35、4，将局部对比度为6的区域选取为生成的舰船目标潜在区域。对应的图像展示结果见图2和图3所示。可知，初始舰船目标潜在区域中存在的潜在区域数量过多，其中包含较多的舰船目标背景区域，如海浪、天空等背景区域，如直接利用初始潜在区域进行特征提取不仅影响特征提取精度，还会显著降低特征提取效率，经本文方法结合几何和灰度特征约束，从初始舰船目标潜在区域中获取的最终舰船目标潜在区域，可分别降低60%、38.9%的潜在区域数量，有价值潜在目标区域筛选效果显著。

表1 为舰船目标初始及最终潜在区域数量。

结合多特征提取与多特征融合获取融合后的特征向量，输入SVM分类器，获取的最终舰船目标检测结果如图4所示。可知，本文方法可以有效检测到舰船图像中全部舰船目标，检测舰船数量与表1中所示的实际舰船数量一致。

为更清晰地衡量本文方法多特征融合的优势，统计分别利用3种单一特征进行舰船目标检测到的舰船目标数量，结果见表1。可知，使用3种单一特征进行舰船目标检测得到的舰船目标数量与实际情况均存在一定程度误差，存在漏、误检现象，相对比而言，本文方法融合3种特征，可充分利用3种特征对舰船目标的描述能力，实现精准的舰船目标检测。

3 结　语

本文以某海域为实验场地验证所研究基于多特征融合的舰船目标检测方法应用效果，该方法结合特征约束有效筛选有价值的目标潜在区域，结合多特征提取与融合技术实现了舰船目标的精准检测。期望该方法可为海洋安全、渔业管理、港口运营等多个方面提供重要的技术支持。