中低分辨?率遥感影像舰船目标识别方法∗

刘星璇 饶世钧 洪 俊

（1.海军大连舰艇学院研究生管理大队 大连 116018）

（2.海军大连舰艇学院信息系统系 大连 116018）

1 引言

舰船目标识别是航天侦察信息支援海军侦察预警的关键问题，有效利用卫星数据信息，对执行海军远海作战任务、对目标实施精确跟踪等具有重要的意义。目前，遥感图像目标识别主要依靠人工判读，效率低、成本高、时效性差，传统模式已不能满足当前作战需求。

光学成像卫星的分辨率与幅宽之间存在矛盾关系，高分辨率卫星重访时间长、图像幅宽窄、算法复杂，很难满足远海侦察需求，而中低分辨率卫星的覆盖范围较宽，具备对大范围海域实施连续监视的潜力［1，3］，但存在目标特征相对不明显、纹理特征提取困难等问题。光学成像卫星的传感器主要有可见光、红外、多光谱等，遥感图像目标识别的方法，可概括为基于统计的方法、基于知识的方法、基于深度学习的方法和基于信息融合的方法。本文根据比较不同传感器特点，分析并提出了适用于中低分辨率光学成像卫星的目标识别方法，为其工程实现做铺垫，提高远海侦察预警能力。

2 舰船目标特征提取

光学成像卫星遥感图像的目标识别，首先进行辐射校正、几何校正、去噪声等预处理［2］，然后根据目标检测算法提取 ROI（Region of Interest）区域，利用舰船目标特征进行筛选匹配，去除虚警，最后对真实目标所在区域进行分类识别［1，4］。舰船识别流程如图1所示。

光学成像卫星的传感器主要有可见光、红外、多光谱等类型，分别针对卫星所载荷的传感器不同进行特征分析。

2.1 基于可见光的目标特征提取

可见光的目标特征主要包括以下几个方面：

1）不变矩特征：几何的不变矩具有旋转、平移、尺度等特性的不变特征，所以称为Hu不变矩［5］，图像f（x，y）的（p+q）阶几何矩定义为

其在统计学中被用来反映随机变量的分布情况。图像的灰度值可看作是一个二维或三维的密度分布函数，则不变矩的方法可用来对图像进行分析［6］。

2）尺寸特征：舰长、舰宽、长宽比（L/B）、面积、周长等。舰船长宽比是衡量舰船目标类型的重要指标之一，也是区分各型军用、商用舰艇的依据之一。由于军舰需要高速航行，取得较大长宽比能够减少航速带来的阻力，也能减少对主机功率的需求，但为保证舰船稳性，满足武器发射精度，不同作战任务的军舰具有不同的舰船长宽比。

以美军水面舰艇为例，其主要作战舰艇长宽比如表1所示。

表1 美军主要水面舰艇尺寸特征

军舰在执行任务时，存在伪装商用雷达信号或关闭电子设备等情况，无法根据其雷达频段、AIS系统等判别，其几何特征为区分军、民用舰船的关键。商船由于商用目的，通常对船舱容量、船舶稳定性等具有要求，其长宽比相对要小很多，通常在4～6之间［7］。

3）形状特征：舰首形状、舰尾形状、形状复杂度、偏心率、圆形度、主轴长度等［8］。根据担负任务不同，舰船的形状差别也体现在舰首舰尾的形状，其占舰船比例较大，通常能够判别形状。常见的舰首、舰尾形状大致可如图2所示。

4）纹理特征：标准偏差、熵、平滑度、分形维数等［8］。纹理特征是光学成像卫星相对于SAR成像卫星的优势，图像分辨率越高，舰艇目标的纹理特征越明显，包括舰艇上层建筑特征、尾迹特征等。通过对尾迹的解算，也可推算出舰船航行速度等，缩小目标范围。

2.2 基于红外的目标特征提取

红外传感器的目标识别，首先采取背景抑制，去除图像中的背景和噪声，再通过选取合适的阈值分割出潜在目标点，最后根据目标运动的连续性和规则性，剔除假目标，得到真实目标［9］。当前卫星载荷的红外传感器主要应对弹道导弹的威胁。

由于卫星技术水平的原因，美国侦察体系中，卫星红外对舰艇目标检测与识别的研究较多［9］，多用于决策级特征融合的目标识别。

红外传感器能够在大气中接收一定波长的红外线，例如，当舰船在水面航行时，由于开尔文尾迹与周围海水之间的辐射温差，尾迹具有红外特征，但是在光照条件极强的情况下，舰船目标特征提取困难，目前，红外特征多作为目标识别的参考因素。

2.3 基于多光谱的目标特征提取

多光谱传感器能获取多个单波段的光谱信息，并分别赋予RGB颜色，将其融合后获取彩色影像。

由于物质对不同波段光谱的反射不同，能够获取更多精细特征，通过融合处理，提高识别准确率，但对空间分辨率要求较高。目前，多光谱传感器普遍载荷于高分辨率成像卫星，受其幅宽限制，时效性较差，不能满足远海侦察预警及目标识别需求。

2.4 中低分辨率光学图像目标特征选择

光学成像卫星海上舰艇目标识别时，与红外、多光谱相比，可见光图像具有边缘、纹理、几何、灰度特征明显的特点，卫星分辨率与幅宽均可满足当前远海侦察预警的需求，因此，针对可见光的目标识别方法进行分析比较。

不同传感器的光学成像卫星目标特征对比，如表2所示。

表2 不同传感器的光学成像卫星目标特征对比

3 舰船目标分类识别方法

3.1 基于统计的目标识别

基于统计的目标识别，是利用给定的有限数量样本集，通过机器学习和空间距离度量的特征匹配分类技术。引入了高纬度、更加全面的舰船特征，将特征空间划分为几个区域，与每一类别分别对应［10］。

由于不需要过多的人工经验和干预，通过基于数据驱动的机器学习理论获得自适应分类准则，具有更好的鲁棒性、通用性和广阔的发展前景。常用的方法有k最近邻法（k-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、聚类算法（Clustering Algorithm）等分类方法。支持向量机具有准确率较高，并且能够推广到函数拟合等特点，是近些年在处理小样本、非线性及高维模式识别中应用较广泛的分类算法［11］。

3.2 基于知识的目标识别

基于知识的目标识别，即根据目标特征与周围环境的关系，进行归一化处理，建立舰船目标模型，与舰船模型库进行匹配识别，主要特点是针对性强，算法效率高［12］。

基于知识的海上舰船目标识别的规则为，依据陆地掩膜，分析舰艇目标识别的大致海区范围；运用形态学原理分析舰船尾迹方向，并进行解算，推算航向、航速；尾迹相反方向为舰首，提取其可辨性较高的形状特征，通过对长宽比、轮廓、对比度、航速、海区范围等特征进行归一化处理后，进行舰船目标识别。

3.3 基于深度学习的目标识别

深度学习在计算机视觉领域应用广泛，尤其体现在人脸识别、车辆识别、卫星遥感图像中。随着网络和技术的进步，基于大数据的目标识别，使得准确率也越来越高。其方法主要是基于卷积神经网络（CNN）的改进方法，流程如图3所示。

目标识别中，神经网络包括输入层、隐藏层、输出层。输入层是整张图片的像素值，设定隐藏层的神经元数量，输出层的数量为能够确定的目标范围数量［13～14］。每个隐藏层神经元分别进行反馈，若对应的权值高，则出现强烈响应，若输出的结果中每个神经元的反馈都接近于1，则基本确定该目标的类型。

卷积神经网络是每个卷基层都紧跟着一个用来求平均与二次提取的采样层，这种特有的二次特征提取，减少了特征分辨率，避免了数据重建的冗余和复杂度，流程图如图4所示。

利用深度学习的方法，运算速度快、准确率高，但是在应用中，需要大量带标签的舰船数据进行监督学习，舰艇数据库的建立存在极大困难，尤其是对外军舰艇的需求。

3.4 基于信息融合的目标识别

根据融合处理所处的不同阶段与方法，图像融合处理可以分为三个级别：像素级图像融合、特征级图像融合和决策级图像融合。

决策级图像融合，是指对每个图像的特征信息进行分类、识别等处理，形成了相应的结果后，进行进一步的融合过程，最终的决策结果是全局最优决策［15］。

基于模糊集的决策级融合采用不确定性推理技术，适用舰船目标识别，流程如图5所示：

1）建立每个目标对于各个类的模糊集；

2）计算每个模糊集的模糊度；

3）得到归一化权值；

4）采用证据组合规则进行融合；

5）从结果中选择出最大置信度的类。

3.5 目标识别方法的比较与选择

中低分辨率的遥感图像与高分辨率图像相比，舰船目标几何、纹理特征相对不明显，为满足海军侦察预警对目标识别的需求，结合当前卫星现状，需要对传统的方法进行改进。对目标识别的方法进行分析，如表3所示。

基于神经网络的目标识别，对含标签的舰艇数据库的数据量要求极大，在条件满足的情况下，优先选择基于深度学习的方法；在对小样本的数据库情况时，采取基于知识和信息融合相结合的方法。

首先，根据舰船目标的几何特征、纹理特征、战术特征等，建立舰艇模型数据库，其次，提取遥感图像中舰船目标特征，对舰尾特征进行解算，结合先验信息比对，最后，对目标进行舰艇模型匹配，提出可能的目标范围，实现中低分辨率的舰艇目标识别。为保证目标识别的准确率和运算速度，应当对提取的特征进行选择，使其满足作战时效性需求。

表3 舰艇目标识别方法对比

4 结语

海上舰船目标识别是海军侦察预警的关键技术，当前遥感图像的判读主要由人工进行，使侦察卫星数据的时效性大大降低，无法满足实战要求。研究基于海军侦察预警需求的遥感图像目标识别方法，提出中低分辨率的光学成像卫星目标识别方法，针对可见光传感器的成像卫星，提取其几何特征、纹理特征、战术特征等，利用基于知识和信息融合的目标识别方法，建立舰船目标模型进行匹配。改变当前主要由人工判读的现状，提高遥感图像的解译工作自动化程度，能够极大提高海军远海作战编队的战场感知能力，缩短应急反应时间，提高卫星信息支援海军远海作战的技术能力。

［1］周伟，关键，何友.光学遥感图像低可观测区域舰船检测［J］.中国图象图形学报，2012，17（9）：1181-1187.

［2］王彦情，马雷，田原.光学遥感图像舰船目标检测与识别综述［J］.自动化学报，2011，37（9）：1029-1033.

［3］高立宁，毕福昆，龙腾，等.一种光学遥感图像海面舰船检测算法［J］.清华大学学报：自然科学版，2011，51（1）：105-110.

［4］苏娟.遥感图像获取与处理［M］.北京：清华大学出版社.2014：198-199，215-219.

［5］尹方平.基于遥感图像的舰船目标检测及特征提取技术［J］.舰船科学技术.2014，12，36：113-114.

［6］苗慧，李向阳，宋光磊，刘鑫.光学遥感图像舰船目标识别系统设计［J］.高分辨率对地观测学术年会，2013：6-7.

［7］姬晓飞，秦宁丽.光学遥感图像多目标检测及识别算法设 计 与 实 现［J］. 计 算 机 应 用 ，2015，35（11）：3302-3307.

［8］杜春，孙即祥，李智勇，滕书华.光学遥感舰船目标识别方法［J］.计算机应用，2015，35（11）：3302-3307.

［9］Celine Heuze，Gisela K.Carvajal，Leif E.B.Eriksson，Monika Soja-Wozniak.Sea Surface Currents Estimated from Spaceborne Infrared Images Validated against Re⁃analysis Data and Drifters in the Mediterranean Sea，re⁃mote sensing.2017，9，422：1-12.

［10］邢坤.基于可见光遥感图像的典型目标识别关键技术研究及其系统实现［D］.哈尔滨：哈尔滨工业大学，2010，5：97-104.

［11］HUANG Q，WU G，CHEN J．Automated remote sensing image classification method based on FCM and SVM［C］//Proceedings of the 2012 2nd International Confer⁃ence on Remote Sensing，Environment and Transporta⁃tion Engineering.Washington：IEEE Computer Society，2012：1-4.

［12］吴樊，王超，张红，张波，张维胜.基于知识的中高分辨率光学卫星遥感影像桥梁目标识别研究［J］.电子与信息学报，2006，28（4）：587-591.

［13］Zeiler，M.D.，Fergus，R.Visualizing and understanding convolutional networks.European conference on comput⁃er vision，2014，9：818-833.

［14］Henan W，Dejun L，Hongwei W，et al.Research on air⁃craft object recognition model based on Neural networks［C］//Proceedings of the 2012 International Conference on Computer Science and Electronics Engineering-Vol⁃ume 01.IEEE Computer Society，2012：160-163.

［15］何友，王国宏，关欣.信息融合理论及应用［M］.北京：电子工业出版社，2010：239-265，309-329，336-370.