復(fù)雜場(chǎng)景下單通道SAR目標(biāo)檢測(cè)及鑒別研究進(jìn)展綜述

杜 蘭 王兆成 王 燕 魏 迪 李 璐

①(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

②(河北工業(yè)大學(xué)電子信息工程學(xué)院 天津 300401)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)作為一種主動(dòng)式微波傳感器，能夠?qū)崿F(xiàn)對(duì)靜止時(shí)敏目標(biāo)(如坦克、裝甲車(chē)、艦船等)全天時(shí)、全天候的實(shí)時(shí)遠(yuǎn)距離監(jiān)測(cè)，在軍事和民用領(lǐng)域具有重要的應(yīng)用價(jià)值。近年來(lái)，隨著SAR系統(tǒng)和成像算法的逐漸成熟，可以獲得越來(lái)越多高分辨率、高質(zhì)量的SAR圖像[1]，相應(yīng)地，SAR圖像解譯已經(jīng)成為當(dāng)前SAR應(yīng)用的前沿課題，受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。SAR自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)技術(shù)是SAR圖像解譯的一個(gè)重要分支，旨在從復(fù)雜的地物場(chǎng)景中有效獲取并識(shí)別感興趣的目標(biāo)[2]，SAR ATR可以通過(guò)計(jì)算機(jī)快速、準(zhǔn)確地完成特定的SAR圖像目標(biāo)識(shí)別任務(wù)，將人從海量的數(shù)據(jù)中解放出來(lái)，因而得到了廣泛關(guān)注。對(duì)SAR圖像中的固定戰(zhàn)略目標(biāo)，包括橋梁、機(jī)場(chǎng)、交通樞紐、軍事基地等，可以基于慣性導(dǎo)航系統(tǒng)利用景象匹配技術(shù)實(shí)現(xiàn)有效的檢測(cè)和定位，這有助于戰(zhàn)場(chǎng)監(jiān)控、任務(wù)計(jì)劃、訓(xùn)練及目標(biāo)打擊效果評(píng)估。這種檢測(cè)方式可以結(jié)合全球衛(wèi)星定位系統(tǒng)，通過(guò)實(shí)時(shí)圖與基準(zhǔn)圖的匹配實(shí)現(xiàn)對(duì)固定戰(zhàn)略目標(biāo)的精確定位，并修正慣性導(dǎo)航系統(tǒng)誤差。對(duì)機(jī)動(dòng)戰(zhàn)術(shù)目標(biāo)，包括坦克、裝甲車(chē)、自行火炮、軍用飛機(jī)、水面艦艇等，進(jìn)行檢測(cè)和識(shí)別，可以獲取敵方的武器裝備、戰(zhàn)略部署等關(guān)鍵的軍事情報(bào)信息，從而協(xié)助具有精確探測(cè)與控制能力的制導(dǎo)武器完成復(fù)雜戰(zhàn)場(chǎng)環(huán)境中對(duì)這些目標(biāo)的高精度打擊。但是，機(jī)動(dòng)戰(zhàn)術(shù)目標(biāo)的位置會(huì)隨時(shí)間變化，在觀測(cè)打擊時(shí)又可能處于靜止?fàn)顟B(tài)。對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)問(wèn)題，可以在SAR成像的同時(shí)采用多通道運(yùn)動(dòng)目標(biāo)顯示或空時(shí)2維自適應(yīng)處理等技術(shù)。但對(duì)于靜止的時(shí)敏戰(zhàn)術(shù)目標(biāo)檢測(cè)和識(shí)別，多通道信息和空域信息并沒(méi)有幫助。目前，從大幅復(fù)雜SAR場(chǎng)景中抑制非均勻地形/海情雜波、自然雜波、民用目標(biāo)的虛警干擾，實(shí)時(shí)、準(zhǔn)確捕獲靜止戰(zhàn)術(shù)目標(biāo)的檢測(cè)、識(shí)別手段依然缺失。

美國(guó)麻省理工學(xué)院(Massachusetts Institute of Technology,MIT)的林肯實(shí)驗(yàn)室最先于80年代中末期開(kāi)展了SAR ATR技術(shù)研究。90年代中末期美國(guó)又公布了MSTAR研究計(jì)劃和SAIP研究計(jì)劃。MSTAR計(jì)劃聯(lián)合了多個(gè)研究機(jī)構(gòu)，包括Sandia國(guó)家實(shí)驗(yàn)室、Wright實(shí)驗(yàn)室、Michigan環(huán)境研究所等，涉及0.3 m分辨率原始數(shù)據(jù)的錄取、各類(lèi)地貌散射雜波圖的研究、18種各類(lèi)地面車(chē)輛目標(biāo)數(shù)據(jù)庫(kù)的建立，以及特征提取、分析、分類(lèi)算法設(shè)計(jì)等眾多環(huán)節(jié)。MSTAR計(jì)劃提供的大量0.3 m分辨率的SAR公共圖像數(shù)據(jù)，已成為SAR ATR算法測(cè)試的常用數(shù)據(jù)。SAIP系統(tǒng)由4輛工作車(chē)組成，包括數(shù)據(jù)鏈、圖像形成系統(tǒng)、圖像分析工作站、以及通信與信息控制系統(tǒng)等，是一個(gè)典型的計(jì)算機(jī)輔助智能處理系統(tǒng)。在該系統(tǒng)中，針對(duì)SAR傳感器每分鐘提供的大約100 km2,1 m×1 m分辨率的圖像，兩個(gè)圖像分析員和1個(gè)管理員可在數(shù)據(jù)接收后5 min內(nèi)給出目標(biāo)情報(bào)報(bào)告。美國(guó)的典型機(jī)載SAR系統(tǒng)，例如E-8電子戰(zhàn)機(jī)，早在海灣戰(zhàn)爭(zhēng)中就發(fā)揮了巨大作用，多次指揮美軍摧毀伊拉克地面部隊(duì)。E-8曾在夜間發(fā)現(xiàn)在一小股伊拉克陸軍裝甲車(chē)隊(duì)之后伴隨的主力裝甲車(chē)隊(duì)，它還負(fù)責(zé)尋找伊軍的彈道導(dǎo)彈機(jī)動(dòng)陣地。它將獲取的目標(biāo)區(qū)域影像以及目標(biāo)信息傳給戰(zhàn)斗機(jī)，使得戰(zhàn)斗機(jī)能夠準(zhǔn)確的發(fā)起攻擊。SAR系統(tǒng)在戰(zhàn)場(chǎng)監(jiān)視中的潛力已逐步顯露，吸引了世界各國(guó)相繼對(duì)相關(guān)技術(shù)展開(kāi)研究。

圖1 MIT林肯實(shí)驗(yàn)室的SAR ATR 3級(jí)處理流程[3-7]Fig.1 SAR ATR three-stage processing flow of MIT Lincoln Laboratory[3-7]

早在20世紀(jì)80年代，林肯實(shí)驗(yàn)室就提出了分層模塊化的SAR ATR的3級(jí)處理流程[3-7]，該流程主要包括3個(gè)階段：檢測(cè)、鑒別和分類(lèi)/識(shí)別。該3級(jí)流程思路清晰、結(jié)構(gòu)合理，已成為SAR ATR系統(tǒng)廣泛采用的一般流程[5]。林肯實(shí)驗(yàn)室的SAR ATR 3級(jí)處理流程如圖1所示，第1級(jí)稱(chēng)為目標(biāo)檢測(cè)或者預(yù)先篩選，目的是從大場(chǎng)景SAR圖像中提取出可能包含感興趣目標(biāo)的小塊疑似區(qū)域，剔除明顯不包含目標(biāo)的區(qū)域，但是這個(gè)階段會(huì)產(chǎn)生有大量的雜波虛警。第2級(jí)稱(chēng)為目標(biāo)鑒別，其本質(zhì)是一個(gè)二分類(lèi)問(wèn)題(區(qū)分目標(biāo)類(lèi)和雜波類(lèi))，作為檢測(cè)階段的后處理步驟其目的是保留真實(shí)目標(biāo)同時(shí)去除自然雜波虛警和部分人造雜波虛警，得到目標(biāo)感興趣區(qū)域(Region Of Interest,ROI)。第3階段稱(chēng)為目標(biāo)分類(lèi)/識(shí)別，通過(guò)對(duì)ROI區(qū)域進(jìn)行特征提取、特征選擇、分類(lèi)器設(shè)計(jì)等更加復(fù)雜的處理，進(jìn)一步剔除人造目標(biāo)虛警，最終得到目標(biāo)的類(lèi)別、型號(hào)等信息。目標(biāo)檢測(cè)與鑒別階段用于得到ROI，這兩個(gè)階段得到的ROI的質(zhì)量直接影響到識(shí)別階段的任務(wù)復(fù)雜度，國(guó)內(nèi)外針對(duì)這兩個(gè)階段已經(jīng)有了大量的研究成果，目前大部分研究考慮的SAR圖像場(chǎng)景較為簡(jiǎn)單，比如基于Radarsar-2數(shù)據(jù)(如圖2所示)簡(jiǎn)單海面背景下的SAR目標(biāo)檢測(cè)與鑒別[8-11]、基于MSTAR數(shù)據(jù)(如圖3所示)簡(jiǎn)單草地背景下的SAR目標(biāo)檢測(cè)與鑒別[12-14]等。一般來(lái)說(shuō)，簡(jiǎn)單場(chǎng)景下的目標(biāo)在空間上分布比較離散、雜波背景均勻且強(qiáng)度較低、人造雜波干擾較少，進(jìn)行目標(biāo)檢測(cè)和鑒別相對(duì)容易。然而，在實(shí)際應(yīng)用中，SAR ATR系統(tǒng)更多面臨的是復(fù)雜場(chǎng)景，比如基于miniSAR數(shù)據(jù)(如圖4所示)的復(fù)雜城區(qū)背景下民用車(chē)輛和基于GF-3數(shù)據(jù)(如圖5所示)的復(fù)雜港口背景下的艦船目標(biāo)檢測(cè)與鑒別。復(fù)雜場(chǎng)景下存在雜波散射強(qiáng)度相對(duì)高、雜波背景非均勻和目標(biāo)散射強(qiáng)度相對(duì)弱、分布密集等情況，進(jìn)行高效精確的目標(biāo)檢測(cè)和鑒別較為困難。而且，不同于在全極化、干涉等條件下能夠獲取多通道SAR信息，單通道條件下SAR圖像信息量非常有限，更增加了區(qū)分復(fù)雜雜波和感興趣目標(biāo)的難度。對(duì)于一些簡(jiǎn)單場(chǎng)景下的SAR目標(biāo)檢測(cè)及鑒別方法，已有文獻(xiàn)進(jìn)行了梳理和概括[15-18]，感興趣的讀者可以參考文獻(xiàn)[15-18]。本文集中對(duì)近十年來(lái)復(fù)雜場(chǎng)景下單通道SAR目標(biāo)檢測(cè)與鑒別的研究進(jìn)展進(jìn)行了歸納總結(jié)，并分析該技術(shù)領(lǐng)域存在的問(wèn)題，指出其發(fā)展趨勢(shì)。另外，需要說(shuō)明的是，對(duì)于不同的應(yīng)用場(chǎng)景，比如海面艦船目標(biāo)檢測(cè)和鑒別、城市復(fù)雜場(chǎng)景車(chē)輛目標(biāo)檢測(cè)和鑒別、機(jī)場(chǎng)飛機(jī)目標(biāo)檢測(cè)和鑒別等，面臨的具體問(wèn)題不同，方案設(shè)計(jì)思路和具體細(xì)節(jié)會(huì)有所不同，作為綜述論文，本文關(guān)注于通用方法的歸納和分析。

圖2 Radarsat-2數(shù)據(jù)集中圖像的例子Fig.2 Example of image in Radarsat-2 dataset

圖3 MSTAR數(shù)據(jù)集中圖像的例子Fig.3 Example of image in MSTAR dataset

圖4 miniSAR數(shù)據(jù)集中圖像的例子Fig.4 Example of image in miniSAR dataset

圖5 GF-3港口艦船目標(biāo)數(shù)據(jù)集中圖像的例子Fig.5 Example of image in GF-3 ship target dataset in the port area

本文內(nèi)容安排如下。第2節(jié)介紹SAR目標(biāo)檢測(cè)方法，主要包括基于恒虛警率的目標(biāo)檢測(cè)方法、基于視覺(jué)注意模型的目標(biāo)檢測(cè)方法、基于復(fù)圖像的目標(biāo)檢測(cè)方法。第3節(jié)介紹SAR目標(biāo)鑒別方法，按照鑒別過(guò)程中所使用的監(jiān)督信息的不同，分為基于全監(jiān)督學(xué)習(xí)的鑒別算法和基于半監(jiān)督、弱監(jiān)督學(xué)習(xí)的鑒別算法兩大類(lèi)介紹。以上方法按照林肯實(shí)驗(yàn)室的SAR ATR 3級(jí)處理流程，檢測(cè)、鑒別是獨(dú)立的兩個(gè)步驟。近年逐漸發(fā)展起來(lái)的基于深度學(xué)習(xí)的圖像檢測(cè)方法不同于SAR ATR 3級(jí)處理流程，作為一種端到端的處理方法，可以實(shí)現(xiàn)檢測(cè)、鑒別、分類(lèi)/識(shí)別3大步驟一體化。本文第4節(jié)介紹基于深度學(xué)習(xí)的目標(biāo)檢測(cè)和鑒別一體化方法。第5節(jié)針對(duì)現(xiàn)有復(fù)雜場(chǎng)景下單通道SAR目標(biāo)檢測(cè)和鑒別方法的不足，提出今后的研究發(fā)展趨勢(shì)。第6節(jié)對(duì)全文歸納總結(jié)。

2 SAR目標(biāo)檢測(cè)方法

SAR圖像目標(biāo)檢測(cè)的目的是從SAR圖像中提取出潛在的目標(biāo)區(qū)域，去除不可能包含目標(biāo)的區(qū)域。自SAR圖像目標(biāo)檢測(cè)的概念提出以來(lái)，國(guó)內(nèi)外學(xué)者針對(duì)這個(gè)問(wèn)題做出不懈的探索，取得了豐碩的成果。經(jīng)過(guò)廣泛的調(diào)研及梳理，根據(jù)目標(biāo)檢測(cè)算法設(shè)計(jì)思路的不同，將現(xiàn)有的復(fù)雜場(chǎng)景下SAR目標(biāo)檢測(cè)方法分為：(1)基于恒虛警率的目標(biāo)檢測(cè)方法；(2)基于視覺(jué)注意模型的目標(biāo)檢測(cè)方法；(3)基于復(fù)圖像的目標(biāo)檢測(cè)方法。

2.1 基于恒虛警率的目標(biāo)檢測(cè)方法

恒虛警率(Constant False Alarm Rate,CFAR)是應(yīng)用最廣泛、最深入的SAR目標(biāo)檢測(cè)方法[19-42]。簡(jiǎn)單來(lái)說(shuō)，CFAR算法就是通過(guò)滑窗方式逐一將圖像中待檢測(cè)像素點(diǎn)灰度值與某一自適應(yīng)閾值比較來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，其中閾值是在給定虛警率下對(duì)待檢測(cè)像素周?chē)s波窗內(nèi)的雜波進(jìn)行統(tǒng)計(jì)建模而自適應(yīng)確定的，通過(guò)閾值的自適應(yīng)調(diào)節(jié)達(dá)到保持恒定虛警率的目的。

從以上對(duì)CFAR的描述可以看出，CFAR檢測(cè)有兩個(gè)要素：虛警率、雜波統(tǒng)計(jì)建模。虛警率是根據(jù)期望的虛警率人為預(yù)先設(shè)定的0～1之間的常量，其與具體的CFAR算法無(wú)關(guān)，而CFAR算法的目標(biāo)就是盡量保證實(shí)際的虛警率與設(shè)定的虛警率一致。雜波統(tǒng)計(jì)建模通過(guò)雜波樣本選取(即策略設(shè)計(jì)部分)、雜波模型選擇(即選擇哪種分布模型)、雜波參數(shù)估計(jì)3個(gè)步驟完成的。一般來(lái)說(shuō)雜波模型選擇好后，對(duì)應(yīng)的參數(shù)估計(jì)方法也基本確定下來(lái)，比如基于高斯分布的雙參數(shù)CFAR一般采用最大似然法估計(jì)參數(shù)，對(duì)于一些比較復(fù)雜雜波模型的參數(shù)估計(jì)方法可能會(huì)設(shè)計(jì)不同的參數(shù)估計(jì)方法，比如廣義Gamma方法主要有最大似然估計(jì)法、矩估計(jì)法、對(duì)數(shù)累積量法等。對(duì)于一些基本的CFAR算法，文獻(xiàn)[15]已經(jīng)進(jìn)行了詳細(xì)的梳理和概括，本文下面主要對(duì)近十年CFAR相關(guān)的一些最新方法，從雜波樣本選取方法的改進(jìn)、雜波統(tǒng)計(jì)模型的改進(jìn)以及結(jié)合其他信息的改進(jìn)3方面進(jìn)行歸納總結(jié)。

2.1.1 CFAR雜波樣本選取方法的改進(jìn)

通過(guò)合理選取CFAR雜波窗內(nèi)用于雜波統(tǒng)計(jì)模型參數(shù)估計(jì)的樣本(部分文獻(xiàn)也稱(chēng)CFAR檢測(cè)器)，可以顯著緩解SAR圖像中存在均勻雜波、多目標(biāo)、雜波邊緣等復(fù)雜情形導(dǎo)致的虛警和漏警的問(wèn)題。傳統(tǒng)用于應(yīng)對(duì)以上情形的雜波樣本選取方法主要有單元平均CFAR(Cell Averaging CFAR,CA-CFAR)[27]、最小選擇CFAR(Smallest Of CFAR,SO-CFAR)[29,30]、最大選擇CFAR(Greatest Of CFAR,GO-CFAR)[29,30]、序貫統(tǒng)計(jì)CFAR(Order Statistics CFAR,OS-CFAR)[31]。其中，CA-CFAR針對(duì)的是均勻雜波情形，SOCFAR和OS-CFAR針對(duì)的是多目標(biāo)情形，GOCFAR針對(duì)的是雜波邊緣情形，這些雜波樣本選取方法通常只在相對(duì)應(yīng)的特殊雜波情形下有效。

針對(duì)多目標(biāo)情形下的目標(biāo)檢測(cè)問(wèn)題，Cui等人[43]于2011年提出了一種基于迭代篩選的CFAR目標(biāo)檢測(cè)方法，該方法通過(guò)迭代篩選檢測(cè)的方式，在每次迭代中將上次得到的檢測(cè)目標(biāo)像素點(diǎn)從雜波樣本中剔除，從而避免了多目標(biāo)的干擾，其可以自適應(yīng)的從雜波樣本中篩選出潛在目標(biāo)像素點(diǎn)，不像OS-CFAR那樣需要利用先驗(yàn)知識(shí)確定像素點(diǎn)排序后的篩選深度。陳祥等人[44]于2012年提出一種基于CFAR級(jí)聯(lián)的SAR圖像艦船目標(biāo)檢測(cè)算法，在第1階段的全局CFAR檢測(cè)中采用較高的虛警率篩選潛在的目標(biāo)，在第2階段的局部CFAR檢測(cè)中，以每個(gè)潛在目標(biāo)的連通區(qū)域?yàn)闄z測(cè)單元確定雜波窗，以較低的虛警率確定潛在目標(biāo)像素點(diǎn)，該算法可以在保證良好檢測(cè)性能的同時(shí)具有較高的檢測(cè)效率。為了同時(shí)解決多目標(biāo)、雜波邊緣的問(wèn)題，宋文青等人[45]于2016年提出了一種自動(dòng)區(qū)域篩選SAR目標(biāo)檢測(cè)算法，該算法分別利用變化指數(shù)統(tǒng)計(jì)量、均值比統(tǒng)計(jì)量對(duì)局部參考窗內(nèi)的均勻區(qū)域進(jìn)行篩選、對(duì)參考窗內(nèi)同質(zhì)的均勻區(qū)域進(jìn)行區(qū)域合并，最后利用篩選到的同質(zhì)均勻區(qū)域內(nèi)的雜波樣本集合進(jìn)行背景雜波統(tǒng)計(jì)模型參數(shù)估計(jì)，該算法具有較穩(wěn)定的檢測(cè)性能和虛警抑制能力。

以上方法對(duì)篩選后剩余雜波采用未截?cái)嗟慕y(tǒng)計(jì)模型進(jìn)行參數(shù)估計(jì)實(shí)際上并不合適，可能會(huì)得到錯(cuò)誤的檢測(cè)結(jié)果，為此2016年Ding等人[46]提出了一種基于截?cái)嘟y(tǒng)計(jì)量的CFAR(Truncated Statistics CFAR,TS-CFAR)檢測(cè)器，該檢測(cè)器采用截?cái)嗟姆绞絹?lái)排除雜波窗內(nèi)潛在的目標(biāo)像素點(diǎn)，然后對(duì)雜波窗內(nèi)剩余的雜波采用基于截?cái)嘟y(tǒng)計(jì)模型進(jìn)行建模和參數(shù)估計(jì)，TS-CFAR在多目標(biāo)情況下具有較高的雜波擬合精度、穩(wěn)定的恒虛警保持能力、較高的檢測(cè)精度。同樣是針對(duì)多目標(biāo)情形，Yu等人[20,47]提出一種基于超像素CFAR的SAR圖像目標(biāo)檢測(cè)算法，該算法首先將大場(chǎng)景的SAR圖像進(jìn)行超像素分割，然后以每個(gè)超像素為檢測(cè)單元，對(duì)超像素雜波窗上的超像素進(jìn)行自適應(yīng)篩選排除雜波樣本內(nèi)的目標(biāo)超像素點(diǎn)，該方法在多目標(biāo)情形具有較好的檢測(cè)性能且檢測(cè)結(jié)果更完整、連續(xù)。針對(duì)多尺度、多目標(biāo)的艦船檢測(cè)問(wèn)題，2018年Ao等人[48]提出一種多尺度CFAR檢測(cè)器，該檢測(cè)器利用全局尺度、大尺度、小尺度CFAR對(duì)SAR圖像依次進(jìn)行目標(biāo)像素點(diǎn)篩選，保留真實(shí)的雜波樣本，不僅加快了CFAR檢測(cè)速度而且可以有效檢測(cè)多尺度目標(biāo)，提高了多尺度、多目標(biāo)艦船檢測(cè)的精度。Leng等人[49]于2018年提出一種基于2-D Ostu分割方法的改進(jìn)CFAR目標(biāo)檢測(cè)方法，該方法在雜波窗內(nèi)利用Ostu算法自適應(yīng)分割出潛在目標(biāo)像素點(diǎn)和雜波像素點(diǎn)的基礎(chǔ)上，根據(jù)提出的區(qū)域比不變的思想，對(duì)雜波統(tǒng)計(jì)模型的參數(shù)進(jìn)行估計(jì)，該算法一定程度上解決了密集目標(biāo)情況下其他目標(biāo)對(duì)當(dāng)前目標(biāo)檢測(cè)的性能影響。

從上述內(nèi)容可以看出：第一，近幾年提出的CFAR雜波樣本選取方法以處理多目標(biāo)情形為主，這可能是因?yàn)槎嗄繕?biāo)情況下CFAR檢測(cè)算法更容易產(chǎn)生漏警，而對(duì)于實(shí)際的SAR ATR系統(tǒng)來(lái)說(shuō)相比于虛警，漏警是更加致命的。處理多目標(biāo)情形的算法主要思路是盡量排除雜波窗內(nèi)目標(biāo)像素點(diǎn)的干擾。第二，像素級(jí)CFAR在逐漸向超像素級(jí)CFAR過(guò)渡，這是因?yàn)閭鹘y(tǒng)像素級(jí)CFAR的提出主要是針對(duì)低分辨率SAR圖像，圖像上感興趣的目標(biāo)可能只占幾個(gè)分辨單元甚至1個(gè)分辨單元，而我們目前可以得到越來(lái)越多的高分辨率SAR圖像，感興趣目標(biāo)通常呈現(xiàn)分布式目標(biāo)狀態(tài)，占據(jù)多個(gè)分辨單元，因此后續(xù)的雜波樣本選取方法可以考慮超像素以及其他多元信息輔助CFAR來(lái)處理復(fù)雜雜波的情形。第三，單尺度CFAR難以適應(yīng)艦船等多尺度、多目標(biāo)的特點(diǎn)，設(shè)計(jì)多個(gè)尺度的CFAR檢測(cè)器，逐級(jí)對(duì)目標(biāo)像素點(diǎn)進(jìn)行篩選，選取雜波樣本，有利于密集目標(biāo)和多尺度目標(biāo)檢測(cè)性能的提升。

2.1.2 CFAR雜波統(tǒng)計(jì)模型的改進(jìn)

(1)參數(shù)化的雜波統(tǒng)計(jì)建模：針對(duì)一些相對(duì)簡(jiǎn)單的場(chǎng)景，雜波背景較均勻，參數(shù)化建模主要采用的模型有Gaussian分布、Rayleigh分布、Log-normal分布、Weibull分布、以及K分布模型等[15,20-28]。然而，針對(duì)場(chǎng)景中同時(shí)存在均勻雜波、多目標(biāo)、雜波邊緣等的非均勻雜波背景，以上模型大多會(huì)失效。

為了解決非均勻雜波背景下的目標(biāo)檢測(cè)問(wèn)題，2009年Gao等人[50]提出了基于自動(dòng)篩選的G0分布CFAR，該模型首先利用全局CFAR篩選出潛在目標(biāo)像素點(diǎn)，然后采用局部CFAR對(duì)整個(gè)大圖進(jìn)行滑窗處理，其中對(duì)每個(gè)測(cè)試單元采用G0分布對(duì)排除潛在目標(biāo)像素點(diǎn)干擾后的雜波進(jìn)行統(tǒng)計(jì)建模，能夠較好的擬合非均勻雜波。同年，胡睿等人[51]提出了基于穩(wěn)定分布的CFAR，其中穩(wěn)定分布是基于廣義中心極限定理得到的，可以對(duì)強(qiáng)脈沖干擾現(xiàn)象準(zhǔn)確地建模，對(duì)極不均勻區(qū)域的雜波都有較好的擬合能力。然而該方法檢測(cè)閾值沒(méi)有閉合解，需要利用數(shù)值迭代的方法求解。針對(duì)G0,穩(wěn)定等分布參數(shù)估計(jì)耗時(shí)以及部分檢測(cè)閾值沒(méi)有閉合解的問(wèn)題，2013年Qin等人[52]提出一種基于廣義Gamma分布的高分辨率SAR圖像目標(biāo)檢測(cè)方法。廣義Gamma分布是一種具備能量、形狀和尺寸3個(gè)參數(shù)的分布，在某些情況下可以退化為瑞利、指數(shù)、Gamma,Log-normal,Weibull等經(jīng)典分布[52]。廣義Gamma分布對(duì)高分辨SAR圖像下的海雜波具有非常好的擬合能力。Qin利用對(duì)數(shù)累積量的方法估計(jì)廣義Gamma分布的參數(shù)，并得到了對(duì)應(yīng)檢測(cè)閾值的閉合解，相比于基于K,G0等分布的CFAR具有更快的檢測(cè)速度。

從參數(shù)化的雜波統(tǒng)計(jì)建模的發(fā)展過(guò)程來(lái)看，針對(duì)非均勻雜波所采用的統(tǒng)計(jì)分布模型越來(lái)越復(fù)雜，對(duì)應(yīng)的參數(shù)估計(jì)和閾值求解也比較困難，但是即使采用復(fù)雜的統(tǒng)計(jì)模型，實(shí)際中對(duì)于復(fù)雜場(chǎng)景下適合于非均勻強(qiáng)雜波背景的統(tǒng)計(jì)分布模型的選擇依然比較困難。

(2)非參數(shù)化的雜波統(tǒng)計(jì)建模：以上所述的各種參數(shù)化雜波統(tǒng)計(jì)模型在處理實(shí)測(cè)SAR圖像時(shí)仍然可能難以對(duì)雜波進(jìn)行精確擬合高。為了克服參數(shù)化建模的缺點(diǎn)，Gao[53]于2011年提出了一種基于Parzen窗核密度估計(jì)的SAR艦船目標(biāo)檢測(cè)方法，該方法采用基于Parzen窗核密度估計(jì)的方法對(duì)整幅圖像進(jìn)行非參數(shù)化的建模。該算法假定目標(biāo)在場(chǎng)景中是稀疏的，用整幅圖像的像素點(diǎn)來(lái)估計(jì)雜波概率密度函數(shù)，這可能導(dǎo)致檢測(cè)閾值變大而造成漏警。為了解決這個(gè)問(wèn)題，張顥等人[54]于2015年提出了一種改進(jìn)的基于Parzen窗的算法，該算法首先利用簡(jiǎn)單的分割方法得到潛在的目標(biāo)像素，然后利用Parzen窗核密度估計(jì)對(duì)消除潛在目標(biāo)像素影響后的SAR圖像來(lái)估計(jì)雜波概率密度函數(shù)。

2.1.3 結(jié)合其他信息的改進(jìn)

以上所述的CFAR是從雜波樣本選取、雜波統(tǒng)計(jì)模型兩個(gè)方面進(jìn)行改進(jìn)，都是基于SAR圖像的強(qiáng)度信息并且沒(méi)有使用其他信息，而在高分辨率SAR圖像中除強(qiáng)度信息以外還有很多其他信息可以利用，并且還可以借助監(jiān)督學(xué)習(xí)的方式來(lái)提升檢測(cè)精度。

針對(duì)傳統(tǒng)CFAR單純利用強(qiáng)度信息導(dǎo)致檢測(cè)精度不高的問(wèn)題，Leng等人[55]提出一種雙邊CFAR，雙邊CFAR不僅考慮了SAR圖像中目標(biāo)的強(qiáng)度信息而且考慮到了目標(biāo)的空間信息，即艦船目標(biāo)的高強(qiáng)度像素點(diǎn)通常比較連續(xù)且集中在一個(gè)小的區(qū)域，而雜波背景像素點(diǎn)通常比較離散且分布不一定集中。針對(duì)高分辨SAR圖像民用車(chē)輛目標(biāo)檢測(cè)虛警較多的問(wèn)題，Huang等人[56]提出一種語(yǔ)義CFAR目標(biāo)檢測(cè)算法，在這里的語(yǔ)義信息是指語(yǔ)義CFAR算法不僅使用了車(chē)輛目標(biāo)的強(qiáng)度信息而且使用了車(chē)輛目標(biāo)的陰影信息，相比于單純利用強(qiáng)度信息的傳統(tǒng)CFAR可以去除了大量不存在陰影的強(qiáng)雜波虛警。為了解決CFAR對(duì)于多尺度艦船目標(biāo)的檢測(cè)問(wèn)題，結(jié)合監(jiān)督學(xué)習(xí)，Dai等人[8]于2016年提出一種基于目標(biāo)候選區(qū)域的CFAR目標(biāo)檢測(cè)方法，該方法首先利用監(jiān)督學(xué)習(xí)的方法訓(xùn)練目標(biāo)候選區(qū)域生成器，然后利用生成器生成一定數(shù)量不同尺度的目標(biāo)候選區(qū)域，再對(duì)各個(gè)目標(biāo)候選區(qū)域進(jìn)行雜波窗長(zhǎng)自適應(yīng)的CFAR檢測(cè)，克服了傳統(tǒng)CFAR雜波窗長(zhǎng)固定的缺點(diǎn)。針對(duì)復(fù)雜場(chǎng)景下基于監(jiān)督學(xué)習(xí)的目標(biāo)檢測(cè)方法樣本獲取可能比較困難的問(wèn)題，2017年曾麗娜等人[57]提出了一種基于單樣本有效特征的SAR目標(biāo)檢測(cè)方法，該方法只需要一個(gè)感興趣目標(biāo)的樣本來(lái)產(chǎn)生監(jiān)督信息，通過(guò)全局CFAR檢測(cè)、目標(biāo)樣本面積特征匹配等預(yù)處理步驟剔除絕大多數(shù)背景雜波，進(jìn)一步通過(guò)紋理PSURF特征對(duì)潛在目標(biāo)中的興趣目標(biāo)與非目標(biāo)進(jìn)行分離，獲取最終檢測(cè)結(jié)果。2017年Kang等人[58]將CFAR與深度神經(jīng)網(wǎng)絡(luò)結(jié)合，提出一種Faster-RCNN結(jié)合CFAR的艦船目標(biāo)檢測(cè)算法，該算法對(duì)Faster-RCNN得到的置信度較低的切片利用CFAR進(jìn)行檢測(cè)，對(duì)尺寸較小的艦船目標(biāo)具有較好的檢測(cè)能力，但是需要較多的訓(xùn)練數(shù)據(jù)。

由上述內(nèi)容可以看出，復(fù)雜場(chǎng)景下單純利用強(qiáng)度信息的CFAR算法精度較低，而將CFAR與其他信息或者監(jiān)督信息相結(jié)合可以顯著提升SAR目標(biāo)檢測(cè)的精度，這也是未來(lái)改進(jìn)傳統(tǒng)CFAR算法的一個(gè)重要的方向。

2.2 基于視覺(jué)注意模型的目標(biāo)檢測(cè)方法

2.1 節(jié)所述的基于CFAR的SAR目標(biāo)檢測(cè)主要對(duì)雜波進(jìn)行統(tǒng)計(jì)建模，很少考慮目標(biāo)的特性。然而高分辨率SAR圖像作為一種2維圖像信號(hào)，感興趣的目標(biāo)通常占據(jù)多個(gè)分辨單元，含有豐富的空間和結(jié)構(gòu)視覺(jué)信息，可用來(lái)設(shè)計(jì)目標(biāo)檢測(cè)算法。人類(lèi)視覺(jué)注意機(jī)制是一種選擇性注意機(jī)制，只關(guān)注場(chǎng)景中那些顯著、突出的物體，而忽略場(chǎng)景中其它的物體。經(jīng)過(guò)這種機(jī)制選取的視覺(jué)信號(hào)被送往大腦的高級(jí)皮層，進(jìn)行比如目標(biāo)檢測(cè)、目標(biāo)識(shí)別和學(xué)習(xí)等更復(fù)雜的處理，因此可以大大加快大腦進(jìn)行視覺(jué)信息處理的速度。圖6給出了幾幅光學(xué)圖像及對(duì)其進(jìn)行顯著性檢測(cè)的結(jié)果[59]，圖中第1列是原始圖像，第2列是利用顯著性檢測(cè)算法得到的顯著圖，第3列是根據(jù)顯著圖提取的光學(xué)圖像中顯著區(qū)域。由圖6可以看出，在利用顯著性檢測(cè)算法得到的顯著圖上比較亮的區(qū)域?qū)?yīng)是原始光學(xué)圖像上顯著(前景)區(qū)域，進(jìn)而基于顯著圖提取的區(qū)域也就是原始圖像中的前景區(qū)域。受人類(lèi)的視覺(jué)注意機(jī)制的啟發(fā)，人們提出了大量的基于視覺(jué)注意模型的算法用于模擬人類(lèi)的選擇性視覺(jué)注意機(jī)制，對(duì)光學(xué)圖像構(gòu)建顯著圖并提取光學(xué)圖像中顯著的區(qū)域，這些算法被稱(chēng)為顯著性檢測(cè)算法。Itti等人[60,61]在1998年首次提出了一種生物學(xué)啟發(fā)的視覺(jué)注意模型，該模型利用強(qiáng)度、顏色、方向這3種特征圖進(jìn)行中心-周邊差處理得到圖像的顯著圖，實(shí)現(xiàn)顯著性檢測(cè)。后續(xù)大量的顯著性檢測(cè)算法相繼被提出[61-67]。然而，光學(xué)圖像和SAR圖像由于成像機(jī)理的不同，它們之間存在較大的差異，而光學(xué)顯著性檢測(cè)和SAR目標(biāo)檢測(cè)也存在一些區(qū)別，因此傳統(tǒng)的光學(xué)圖像顯著性檢測(cè)方法不能直接應(yīng)用到SAR圖像目標(biāo)檢測(cè)中。

近年來(lái)，研究者們提出了一些適合于SAR圖像的顯著性檢測(cè)方法。圖7給出了某幅小場(chǎng)景SAR圖像及其對(duì)應(yīng)的顯著圖[68]，其中，圖7(a)中紅色矩形內(nèi)的是建筑物強(qiáng)雜波，綠色矩形框內(nèi)的是感興趣的車(chē)輛目標(biāo)，圖7(b)中對(duì)應(yīng)的目標(biāo)被增強(qiáng)，強(qiáng)雜波被有效抑制。目前基于視覺(jué)注意模型的SAR目標(biāo)檢測(cè)方法可以分為數(shù)據(jù)驅(qū)動(dòng)方法和任務(wù)驅(qū)動(dòng)方法[69]。

2.2.1 數(shù)據(jù)驅(qū)動(dòng)方法

圖6 光學(xué)圖像及其顯著性檢測(cè)的結(jié)果[59]Fig.6 Optical image and its visual attention mechanism processing results[59]

圖7 某幅小場(chǎng)景SAR圖像及其顯著圖[68]Fig.7 SAR image with small scene and its saliency map[68]

數(shù)據(jù)驅(qū)動(dòng)的方法僅考慮了圖像本身的特性，沒(méi)有任何先驗(yàn)知識(shí)。Yu等人[70]于2011年最先開(kāi)展了SAR圖像顯著性目標(biāo)檢測(cè)的研究，將自然圖像中的頻域顯著性模型應(yīng)用于SAR艦船檢測(cè)中，證實(shí)了顯著性算法在SAR圖像目標(biāo)檢測(cè)中的可行性，雖然該方法僅應(yīng)用在簡(jiǎn)單場(chǎng)景中，但開(kāi)啟了SAR圖像顯著性目標(biāo)檢測(cè)的先河。之后，Liu等人[71]對(duì)經(jīng)典的Itti模型進(jìn)行改進(jìn)以保證對(duì)SAR圖像中弱目標(biāo)的檢測(cè)能力，提出了一種基于奇異值分解的SAR目標(biāo)檢測(cè)方法，然而由于奇異值分解計(jì)算較慢，使得該算法在大場(chǎng)景SAR圖像中的應(yīng)用受限。Zhao等人[72]利用基于脈沖余弦變換的顯著性方法進(jìn)行SAR目標(biāo)檢測(cè)。Wang等人[73]于2016年提出了模式重現(xiàn)(Pattern Recurrence,PR)顯著性檢測(cè)器，該檢測(cè)器使用了圖像塊而不是單個(gè)像素點(diǎn)的強(qiáng)度對(duì)比度來(lái)凸顯目標(biāo)同時(shí)抑制相干斑噪聲。Ni等人[74]于2018年提出一種基于背景上下文信息的SAR圖像目標(biāo)顯著性檢測(cè)方法，作者首先基于SAR圖像塊的統(tǒng)計(jì)均值自適應(yīng)選擇了一些背景圖像塊，然后利用這些背景圖像塊與當(dāng)前的圖像塊計(jì)算非相似度構(gòu)造顯著圖，并在一些小場(chǎng)景SAR圖像上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。上面提到的幾種方法都是純數(shù)據(jù)驅(qū)動(dòng)的，在簡(jiǎn)單場(chǎng)景下有效，然而在復(fù)雜場(chǎng)景下它們很難獲得較好的檢測(cè)性能。

2.2.2 任務(wù)驅(qū)動(dòng)方法

任務(wù)驅(qū)動(dòng)方法除了考慮圖像本身的特性外還考慮了一些關(guān)于待檢測(cè)目標(biāo)的先驗(yàn)知識(shí)，比如Hou等人[75]基于視覺(jué)注意模型并結(jié)合艦船目標(biāo)通常在水域而不是在陸地上這一先驗(yàn)知識(shí)提出了一種艦船目標(biāo)檢測(cè)方法來(lái)提高艦船目標(biāo)的檢測(cè)性能。Wang等人[69,76]利用待檢測(cè)車(chē)輛目標(biāo)的尺寸先驗(yàn)信息，從原始SAR圖像的強(qiáng)度高斯金字塔中選取任務(wù)相關(guān)的尺度用于構(gòu)建顯著圖，在凸顯目標(biāo)的同時(shí)壓制背景雜波，有效地提高了目標(biāo)檢測(cè)的精度和速度。為了進(jìn)一步去除非均勻背景下強(qiáng)雜波虛警，Wang等人[68,69]提出了一種基于貝葉斯-形態(tài)學(xué)顯著性的SAR目標(biāo)檢測(cè)方法，該方法主要包括貝葉斯顯著圖構(gòu)建和形態(tài)學(xué)顯著圖構(gòu)建。其中，貝葉斯顯著圖可以獲得感興趣的目標(biāo)以及一些強(qiáng)雜波的完整結(jié)構(gòu)，有利于后續(xù)目標(biāo)先驗(yàn)信息的充分利用；形態(tài)學(xué)顯著圖通過(guò)結(jié)合目標(biāo)尺寸和形狀先驗(yàn)信息凸顯感興趣目標(biāo)的同時(shí)壓制自然雜波和人造強(qiáng)雜波。針對(duì)復(fù)雜的港口區(qū)域艦船目標(biāo)檢測(cè)的問(wèn)題，Zhai等人[77]提出一種基于上下文信息顯著性的艦船目標(biāo)檢測(cè)方法，該方法首先對(duì)SAR圖像分割為超像素，然后計(jì)算該超像素的局部和全局顯著度，最后利用艦船目標(biāo)周?chē)撬?、地面雜波周?chē)顷懙氐纳舷挛南闰?yàn)信息去除部分雜波虛警。上面的方法主要從目標(biāo)特性分析的角度進(jìn)行顯著性目標(biāo)檢測(cè)，然而有些情況下目標(biāo)先驗(yàn)知識(shí)較少，而已知的雜波信息較多，Li等人[78]利用純雜波圖像中的雜波信息提出了一種基于雙域稀疏重構(gòu)顯著性的SAR目標(biāo)檢測(cè)方法，利用純雜波圖像塊和稀疏重構(gòu)算法在圖像域和特征域分別構(gòu)建顯著圖，并將這兩種顯著圖進(jìn)行融合，不僅提高了顯著性檢測(cè)的精度還由于圖像塊的使用增強(qiáng)了對(duì)斑點(diǎn)噪聲的抑制能力。

需要注意的是，一般來(lái)說(shuō)在顯著圖上確定精確完整的目標(biāo)輪廓較為困難，而且上述目標(biāo)檢測(cè)方法在獲得顯著圖之后需要人為設(shè)定閾值來(lái)獲得檢測(cè)結(jié)果，檢測(cè)結(jié)果有時(shí)并不盡如人意，因此，一些學(xué)者利用顯著性檢測(cè)方法先確定目標(biāo)的大致區(qū)域，在這個(gè)區(qū)域內(nèi)進(jìn)一步處理得到精確的檢測(cè)結(jié)果。如Tu等人[79]利用顯著性檢測(cè)方法找到顯著的目標(biāo)區(qū)域，然后利用活動(dòng)輪廓模型對(duì)顯著目標(biāo)區(qū)域進(jìn)行精細(xì)分割以精確定位目標(biāo)的邊界，但是該方法在復(fù)雜場(chǎng)景下很難得到目標(biāo)的精確輪廓。

2.3 基于復(fù)圖像的目標(biāo)檢測(cè)方法

以上討論的檢測(cè)方法僅利用了實(shí)數(shù)域SAR圖像，主要考慮的是目標(biāo)與雜波在圖像幅度上的差異，然而，SAR圖像形成的物理本質(zhì)是電磁波與場(chǎng)景或目標(biāo)相互作用之后的電磁矢量的相干疊加，其本身是一種帶有相位信息的復(fù)數(shù)數(shù)據(jù)。復(fù)數(shù)SAR圖像數(shù)據(jù)中包含了豐富的地物和目標(biāo)電磁散射信息，例如幾何形狀、材質(zhì)、結(jié)構(gòu)等，從這個(gè)意義上講基于復(fù)圖像特征的目標(biāo)檢測(cè)算法是更為廣義上的SAR圖像目標(biāo)檢測(cè)算法。因此，理論上，可以通過(guò)對(duì)2維SAR回波特性和成像機(jī)理進(jìn)行深入的研究，發(fā)展更為精確的目標(biāo)檢測(cè)算法。目前基于復(fù)圖像的目標(biāo)檢測(cè)算法可以分為子視圖相干法以及復(fù)數(shù)域統(tǒng)計(jì)建模的方法。

2.3.1 子視圖相干法

子視圖定義為僅使用全部可用系統(tǒng)帶寬的一部分形成的圖像稱(chēng)為子視圖像[80]。子視圖的分辨率會(huì)隨子視圖個(gè)數(shù)的增加而成比例降低。子視圖可以沿著距離維或方位維對(duì)單視復(fù)數(shù)SAR數(shù)據(jù)進(jìn)行子視處理得到，即得到距離維子視圖或方位維子視圖。圖8給出了子視圖提取流程圖。如圖8所示，對(duì)原始SAR圖像沿著某1維做FFT，得到該維度的頻譜數(shù)據(jù)，然后在去除成像時(shí)加窗處理的影響后，對(duì)頻譜數(shù)據(jù)進(jìn)行有重疊或者無(wú)重疊的劃分，得到多個(gè)子頻譜，然后分別對(duì)這些子頻譜進(jìn)行IFFT變換到圖像域，最終得到多幅子視圖[80]。為了平衡距離維分辨率(通常較低)和方位維分辨率(通常較高)，目前子視圖相干目標(biāo)檢測(cè)方法多沿著方位維進(jìn)行子視圖提取[11]。沿著方位維提取的子視圖也稱(chēng)為子孔徑圖像，子視圖相干法也稱(chēng)為子孔徑相干法。

圖8 子視圖提取流程圖[80]Fig.8 Flow chart of sub-look image extraction[80]

子視圖相干法的本質(zhì)是，目標(biāo)在合成孔徑時(shí)間內(nèi)不變，環(huán)境(如海雜波等)的相干時(shí)間低于合成孔徑時(shí)間，子孔徑相干之后目標(biāo)區(qū)域的相干度高于環(huán)境區(qū)域，進(jìn)而能進(jìn)行目標(biāo)的檢測(cè)。子視圖相干方法目前主要應(yīng)用于海面艦船目標(biāo)檢測(cè)，其優(yōu)點(diǎn)是不需要艦船目標(biāo)具有很強(qiáng)的散射回波，而只需要子孔徑圖像間的回波相干性較強(qiáng)，因此散射回波強(qiáng)度較弱的目標(biāo)也有可能被檢測(cè)到，可以克服CFAR依賴(lài)于目標(biāo)與雜波高對(duì)比度的缺點(diǎn)。1999年Arnaud[81]利用兩幅子孔徑圖像進(jìn)行干涉相干(歸一化的復(fù)數(shù)相干處理)進(jìn)行艦船目標(biāo)檢測(cè)。Souyris等人[10]于2003年指出干涉相干法由于歸一化處理導(dǎo)致幅度信息丟失，檢測(cè)性能較差，因此提出利用兩幅子孔徑像進(jìn)行非歸一化的復(fù)數(shù)相干處理即厄米特內(nèi)積(Internal Hermitian Product,IHP)進(jìn)行艦船目標(biāo)檢測(cè)。2004年Ouchi等人[11]嘗試將IHP應(yīng)用于Radarsat-1數(shù)據(jù)艦船目標(biāo)檢測(cè)上，發(fā)現(xiàn)2幅子孔徑圖像的復(fù)數(shù)相干結(jié)果仍然難以區(qū)分艦船目標(biāo)和海雜波，因此提出利用2個(gè)子孔徑SAR圖像的幅度/強(qiáng)度而不是復(fù)數(shù)數(shù)據(jù)進(jìn)行相干，得到多視交叉相關(guān)圖像，同時(shí)作者指出傳統(tǒng)復(fù)數(shù)相干結(jié)果較差的原因可能是成像期間的艦船運(yùn)動(dòng)造成的相位變化。為了提高利用子孔徑圖像復(fù)數(shù)相干方法艦船目標(biāo)檢測(cè)的能力，2012年Wang等人[9]通過(guò)聯(lián)合利用多個(gè)子孔徑間的復(fù)相干性以及各子孔徑圖像的強(qiáng)度信息完成檢測(cè)，應(yīng)用于海面艦船目標(biāo)檢測(cè)。實(shí)驗(yàn)顯示當(dāng)子視圖像數(shù)量增加時(shí)，目標(biāo)與雜波對(duì)比度有所提高。但是由于子視數(shù)目的增多圖像分辨率越來(lái)越低，因此需要平衡對(duì)比度和分辨率來(lái)選擇合適的子孔徑數(shù)目。

2.3.2 復(fù)數(shù)域統(tǒng)計(jì)建模的方法

以上子視圖相干法主要從子視圖之間的目標(biāo)相干性進(jìn)行艦船目標(biāo)檢測(cè)。文獻(xiàn)[82]指出子視圖相干法作為一種譜分析的方法，僅僅可以作為CFAR檢測(cè)器的一種補(bǔ)充手段，存在艦船和雜波的對(duì)比度仍然不夠高的問(wèn)題。為了充分利用復(fù)數(shù)數(shù)據(jù)，一些研究者對(duì)復(fù)數(shù)域SAR圖像進(jìn)行統(tǒng)計(jì)建模和數(shù)據(jù)分析。在傳統(tǒng)的單通道低分辨SAR圖像處理理論中，把目標(biāo)當(dāng)作點(diǎn)目標(biāo)進(jìn)行處理，且認(rèn)為復(fù)數(shù)SAR數(shù)據(jù)的相位是隨機(jī)的且服從均勻分布，相位信息無(wú)用，因此僅利用實(shí)數(shù)域數(shù)據(jù)進(jìn)行SAR圖像處理和目標(biāo)檢測(cè)、識(shí)別。El-Darymli等人[83]認(rèn)為高分辨率SAR圖像中目標(biāo)作為一種擴(kuò)展目標(biāo)，復(fù)數(shù)數(shù)據(jù)中的相位信息非常重要，因此Khalid等人利用復(fù)數(shù)SAR數(shù)據(jù)對(duì)高分辨率SAR圖像進(jìn)行復(fù)數(shù)域統(tǒng)計(jì)建模。緊接著，El-Darymli等人[84]又提出一種基于相位信息特征化的建模方法。Leng等人[85]針對(duì)描述復(fù)數(shù)SAR圖像的復(fù)數(shù)廣義高斯分布的形狀參數(shù)估計(jì)耗時(shí)、不夠精確的問(wèn)題，提出一種新的快速形狀參數(shù)估計(jì)方法。以上方法主要是對(duì)復(fù)數(shù)SAR圖像進(jìn)行統(tǒng)計(jì)建模和數(shù)據(jù)分析的研究并沒(méi)有利用復(fù)數(shù)數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)，因此Leng等人[82,86]將復(fù)數(shù)SAR圖像統(tǒng)計(jì)建模應(yīng)用到了艦船目標(biāo)檢測(cè)中，利用復(fù)數(shù)信號(hào)的峰度進(jìn)行艦船檢測(cè)，由于復(fù)數(shù)信息的合理利用大大減少了射頻干擾、方位模糊等引起的虛警。

由上述內(nèi)容可以看出，目前SAR圖像復(fù)數(shù)據(jù)主要應(yīng)用在海洋背景下的艦船目標(biāo)檢測(cè)方面?；趶?fù)數(shù)SAR圖像的目標(biāo)檢測(cè)方法雖然從物理機(jī)理出發(fā)，但是在具有多種人造目標(biāo)干擾的地面背景下的目標(biāo)檢測(cè)方面進(jìn)展相對(duì)緩慢。2017年Zhang等人[87]提出一種基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類(lèi)方法，對(duì)傳統(tǒng)實(shí)數(shù)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)數(shù)化改造，最終在極化SAR圖像分類(lèi)應(yīng)用中取得了不錯(cuò)的效果。期望后續(xù)能夠借鑒復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的思路設(shè)計(jì)單極化復(fù)數(shù)SAR圖像的目標(biāo)檢測(cè)方法，充分利用SAR圖像復(fù)數(shù)據(jù)自動(dòng)學(xué)習(xí)SAR圖像目標(biāo)與雜波的可分性散射特征。

為便于不同SAR目標(biāo)檢測(cè)方法的比較，表1列出了以上所述3類(lèi)SAR目標(biāo)檢測(cè)方法的優(yōu)點(diǎn)和缺點(diǎn)。

3 SAR目標(biāo)鑒別方法

SAR圖像目標(biāo)鑒別作為SAR目標(biāo)檢測(cè)的后處理步驟，其主要任務(wù)是在保留目標(biāo)區(qū)域的同時(shí)，盡可能地剔除大量雜波虛警，進(jìn)而降低后續(xù)目標(biāo)分類(lèi)/識(shí)別的計(jì)算負(fù)擔(dān)。目標(biāo)鑒別的思想始于上世紀(jì)80年代，與SAR圖像目標(biāo)檢測(cè)的研究一樣也是林肯實(shí)驗(yàn)室最先開(kāi)始進(jìn)行的，經(jīng)過(guò)若干年的發(fā)展，已經(jīng)成為SAR應(yīng)用領(lǐng)域一個(gè)重要的分支，在理論和應(yīng)用上均取得了大量的研究成果。高貴[16]于2009年從起源、發(fā)展、算法流派等角度對(duì)SAR目標(biāo)鑒別算法進(jìn)行了詳細(xì)的梳理與總結(jié)，2009年之前的鑒別算法限于篇幅限制本文不再過(guò)多贅述。

下面本文對(duì)近幾年的SAR目標(biāo)鑒別算法按照鑒別過(guò)程中所使用的監(jiān)督信息的不同，對(duì)鑒別算法分為以下兩大類(lèi)：(1)基于全監(jiān)督學(xué)習(xí)的鑒別算法；(2)基于半監(jiān)督、弱監(jiān)督學(xué)習(xí)的鑒別算法。

3.1 基于全監(jiān)督學(xué)習(xí)的鑒別算法

在全監(jiān)督學(xué)習(xí)中，特征提取是全監(jiān)督學(xué)習(xí)首先需要解決的問(wèn)題，提取能反映各個(gè)類(lèi)別差異的可分性特征對(duì)于整個(gè)監(jiān)督學(xué)習(xí)算法來(lái)說(shuō)至關(guān)重要。對(duì)于SAR圖像目標(biāo)鑒別來(lái)說(shuō)，特征的可分性好壞對(duì)其性能的影響最大，可分性好的特征即使用簡(jiǎn)單的特征選擇以及鑒別器就可以獲得好的鑒別性能，而可分性差的特征即使經(jīng)過(guò)后續(xù)復(fù)雜的特征選擇和鑒別器也很難提高鑒別性能。因此，目前關(guān)于基于特征的SAR目標(biāo)鑒別算法的研究更多集中在鑒別特征提取上。

1989年，林肯實(shí)驗(yàn)室Burl等人[88]開(kāi)創(chuàng)性提出了標(biāo)準(zhǔn)差、分形維和排列能量比3個(gè)紋理特征，在SAR目標(biāo)鑒別實(shí)驗(yàn)中獲得成功，開(kāi)啟了鑒別特征提取的研究先河。后經(jīng)林肯實(shí)驗(yàn)室的幾位學(xué)者以及ERIM等機(jī)構(gòu)的再塑造，逐漸形成了較全面反映目標(biāo)和雜波虛警差異、應(yīng)用廣泛的鑒別特征家族，高貴[5,16]對(duì)這些特征進(jìn)行了詳細(xì)了分析和比較。2013年P(guān)ark等人[13]提出了一種基于目標(biāo)區(qū)域多角度投影的鑒別特征，其對(duì)疑似目標(biāo)切片分割后的目標(biāo)區(qū)域在0°～180°方向上進(jìn)行投影，可以反映目標(biāo)的長(zhǎng)度、寬度、長(zhǎng)寬比等信息，在一定程度上區(qū)分目標(biāo)和自然雜波。

早期提出的各種鑒別特征多數(shù)是離散的、獨(dú)立的特征，每個(gè)特征有其獨(dú)特的物理意義，如林肯特征和Bhanu特征，這些特征可以從不同的角度反映目標(biāo)和雜波的特性與差異，它們?cè)谝欢ǔ潭壬峡梢詤^(qū)分目標(biāo)和雜波。然而，在實(shí)際應(yīng)用中，大量的特征可能會(huì)造成特征冗余，影響鑒別性能，因此，這些鑒別特征輸入到鑒別器之前通常需要進(jìn)行特征選擇，選擇出最適合于當(dāng)前SAR目標(biāo)鑒別任務(wù)的特征子集進(jìn)行鑒別。近十年來(lái)提出的SAR目標(biāo)鑒別特征選擇算法可以歸納為搜索法、特征排序法、特征選擇與分類(lèi)器相結(jié)合的方法這3類(lèi)。(1)搜索法的思路是根據(jù)某種準(zhǔn)則不斷地對(duì)最優(yōu)特征子集進(jìn)行搜索，代表性方法有遺傳(Genetic Algorithm,GA)算法、序列浮動(dòng)前向選擇(Sequential Floating Forward Selection,SFFS)算法、粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法、秩搜索(Rank Search,RS)算法等。傳統(tǒng)基于GA算法的鑒別特征選擇中適應(yīng)度函數(shù)只考慮了特征選擇個(gè)數(shù)和總錯(cuò)誤個(gè)數(shù)兩項(xiàng)，而在實(shí)際應(yīng)用中，通常要求目標(biāo)盡量不發(fā)生漏警，而允許雜波虛警存在誤判，因此，Gao[89]于2011年設(shè)計(jì)了新的適應(yīng)度函數(shù)，該適應(yīng)度函數(shù)同時(shí)考慮了特征子集個(gè)數(shù)、總錯(cuò)誤個(gè)數(shù)、漏警個(gè)數(shù)3項(xiàng)的影響，保證在一定的總鑒別正確率下，漏警個(gè)數(shù)將盡可能低。劉軒等人[90]認(rèn)為文獻(xiàn)[89]提出的改進(jìn)的適應(yīng)度函數(shù)中特征選擇個(gè)數(shù)這一項(xiàng)所占的比重較高，通過(guò)在該項(xiàng)中除以總特征數(shù)大幅減小了所選特征數(shù)對(duì)適應(yīng)度函數(shù)值的影響，保證了優(yōu)選特征序列的鑒別性能，加快了遺傳算法的收斂速度。為了提升傳統(tǒng)SFFS的性能，李禮[91]對(duì)傳統(tǒng)SFFS算法中剔除特征子集的準(zhǔn)則進(jìn)行了改進(jìn)。相比于原始SFFS算法，改進(jìn)后的SFFS算法提高了運(yùn)算速度，降低了計(jì)算復(fù)雜度，提升了鑒別的總正確率。SFFS算法雖然計(jì)算效率高，但是不能保證結(jié)果是全局最優(yōu)解。2014年，Amoon等人[92]提出一種基于PSO算法的SAR鑒別特征選擇算法。實(shí)測(cè)數(shù)據(jù)的結(jié)果表明，相比于GA算法，基于PSO的特征選擇算法用于SAR目標(biāo)鑒別的性能較高，但是也存在易產(chǎn)生局部最優(yōu)解的問(wèn)題。針對(duì)GA算法等特征選擇算法對(duì)參數(shù)敏感的問(wèn)題，Park等人[13]于2013年提出RS算法并應(yīng)用于SAR目標(biāo)鑒別。該算法從原始特征中搜索出與訓(xùn)練樣本協(xié)方差矩陣秩數(shù)相等的特征子集作為特征選擇的結(jié)果，特征子集之間線(xiàn)性獨(dú)立，沒(méi)有特征冗余，且不需要提前設(shè)定參數(shù)。(2)特征排序法以某種準(zhǔn)則衡量單個(gè)特征的可分性，并對(duì)特征進(jìn)行排序，選出前幾個(gè)可分性較強(qiáng)的特征作為最優(yōu)特征組合。國(guó)防科技大學(xué)陳琪等人[93]利用各個(gè)鑒別特征的類(lèi)內(nèi)類(lèi)間比大小對(duì)特征的線(xiàn)性可分性進(jìn)行度量，得到優(yōu)選特征。該方法較簡(jiǎn)單，不需要進(jìn)行窮舉搜索問(wèn)題，但是沒(méi)有考慮特征之間的耦合性。(3)特征選擇與分類(lèi)器相結(jié)合的方法是將特征選擇融合到某一個(gè)分類(lèi)框架中，通過(guò)求解優(yōu)化問(wèn)題同時(shí)實(shí)現(xiàn)特征選擇和分類(lèi)判決。西安電子科技大學(xué)王斐[94]提出一種結(jié)合稀疏特征選擇的降維判決方法并應(yīng)用于SAR目標(biāo)鑒別。該方法在Fisher線(xiàn)性判決分析的回歸模型中，對(duì)投影判決矩陣添加稀疏約束，通過(guò)求解優(yōu)化問(wèn)題得到部分行為零的投影判決矩陣，利用該投影判決矩陣對(duì)數(shù)據(jù)進(jìn)行投影變換，得到由特征選擇后的原始特征線(xiàn)性組合的低維投影特征，最后采用最近中心法進(jìn)行線(xiàn)性判決，同時(shí)實(shí)現(xiàn)特征選擇和分類(lèi)判決。

表1 不同SAR目標(biāo)檢測(cè)方法比較Tab.1 Comparison of different SAR target detection methods

最近針對(duì)復(fù)雜場(chǎng)景目標(biāo)鑒別提出的特征大多都是一個(gè)相互關(guān)聯(lián)的整體，彼此依賴(lài)，利用特征選擇算法對(duì)特征進(jìn)行選擇的效果并不理想，需要更有效的特征學(xué)習(xí)方法。傳統(tǒng)鑒別特征僅提供了關(guān)于目標(biāo)和雜波大致、部分的描述，且一些特征是在對(duì)疑似目標(biāo)區(qū)域進(jìn)行分割的基礎(chǔ)上提取的，因此在一些簡(jiǎn)單的場(chǎng)景下效果非常好，然而在復(fù)雜背景雜波且存在多目標(biāo)、部分目標(biāo)的場(chǎng)景下性能較差，為此，研究者們提出了眾多適合于復(fù)雜場(chǎng)景下目標(biāo)鑒別的新特征。2018年Wang等人[76]基于光學(xué)遙感領(lǐng)域中的顯著性和全局性特征，結(jié)合SAR圖像的特性，提出了適合于SAR目標(biāo)鑒別的改進(jìn)的顯著性和全局性特征，對(duì)疑似目標(biāo)切片進(jìn)行局部以及全局的綜合描述，有效區(qū)分了目標(biāo)和部分復(fù)雜雜波。為了解決低層特征語(yǔ)義信息較弱的問(wèn)題，Du等人[95]結(jié)合SARSIFT和局部線(xiàn)性限制編碼，提出了中層特征，中層特征相比低層特征具有較豐富的語(yǔ)義信息，可以較好的區(qū)分目標(biāo)和大部分雜波。針對(duì)復(fù)雜場(chǎng)景下切片級(jí)鑒別的弊端，結(jié)合廣泛應(yīng)用于光學(xué)圖像的詞袋模型，Wang等人[96]提出了多域多級(jí)的超像素級(jí)特征描述符，該方法采用超像素作為基本的鑒別單元，對(duì)超像素從紋理域、多尺度幅度域以及子孔徑散射域進(jìn)行全面的描述，以保證特征描述符鑒別目標(biāo)與復(fù)雜雜波的能力。Wang等人[97]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)鑒別方法，作者對(duì)檢測(cè)階段得到的潛在目標(biāo)切片提取強(qiáng)度特征圖和邊緣特征圖，分別作為兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸入，然后在高層對(duì)兩個(gè)網(wǎng)絡(luò)的特征進(jìn)行特征級(jí)融合，自動(dòng)提取出了區(qū)分目標(biāo)和雜波的鑒別特征。

3.2 基于半監(jiān)督、弱監(jiān)督學(xué)習(xí)的鑒別算法

在上述基于特征的目標(biāo)鑒別方法中，需要對(duì)檢測(cè)得到的疑似目標(biāo)切片進(jìn)行標(biāo)記以訓(xùn)練分類(lèi)器，通常需人工標(biāo)記大量的樣本以保證分類(lèi)器的性能，然而在實(shí)際應(yīng)用中，標(biāo)記大量的SAR樣本耗時(shí)耗力。在復(fù)雜場(chǎng)景下，由于遮擋、目標(biāo)聚集、目標(biāo)散射強(qiáng)度較弱等原因，使得對(duì)疑似目標(biāo)的標(biāo)記更為困難，為此，有學(xué)者提出了半監(jiān)督、弱監(jiān)督的SAR目標(biāo)鑒別方法，在減少人工標(biāo)記樣本負(fù)擔(dān)的同時(shí)保證鑒別的精度。其中，半監(jiān)督學(xué)習(xí)就是少部分訓(xùn)練數(shù)據(jù)的標(biāo)記已知，大部分訓(xùn)練數(shù)據(jù)的標(biāo)記未知，訓(xùn)練一個(gè)智能算法，同時(shí)利用已知標(biāo)記和未知標(biāo)記的數(shù)據(jù)進(jìn)行學(xué)習(xí)，將輸入數(shù)據(jù)映射到標(biāo)記的過(guò)程；弱監(jiān)督學(xué)習(xí)就是已知數(shù)據(jù)和其對(duì)應(yīng)的弱標(biāo)記，訓(xùn)練一個(gè)智能算法，將輸入數(shù)據(jù)映射到一組更強(qiáng)的標(biāo)記的過(guò)程。標(biāo)記的強(qiáng)弱指的是其蘊(yùn)含的信息量的多少，比如相對(duì)于在圖像中進(jìn)行目標(biāo)檢測(cè)任務(wù)的目標(biāo)級(jí)標(biāo)記來(lái)說(shuō)，圖像級(jí)類(lèi)別的標(biāo)記就是弱標(biāo)記。

Wang等人[98]在對(duì)傳統(tǒng)林肯實(shí)驗(yàn)室提出的鑒別特征進(jìn)行分析的基礎(chǔ)上，提出了基于協(xié)同訓(xùn)練的半監(jiān)督目標(biāo)鑒別方法，此方法只需要對(duì)少量的疑似目標(biāo)切片進(jìn)行標(biāo)記，大大減少了人工標(biāo)記的負(fù)擔(dān)。為了進(jìn)一步提高鑒別性能，2019年Du等人[99]提出了基于半監(jiān)督無(wú)限隱狄利克雷模型的SAR目標(biāo)鑒別方法，將特征學(xué)習(xí)和分類(lèi)器學(xué)習(xí)統(tǒng)一在同一貝葉斯框架下，在少量標(biāo)記樣本的條件下即可獲得較好的鑒別性能。同年，為了進(jìn)一步減少鑒別模型對(duì)標(biāo)記樣本的需求，Du等人[95]提出了一種基于弱監(jiān)督學(xué)習(xí)的鑒別方法，僅利用圖像級(jí)標(biāo)記(圖像中是否含有目標(biāo))即可對(duì)檢測(cè)得到的疑似目標(biāo)切片進(jìn)行鑒別，獲得了與全監(jiān)督方法相當(dāng)?shù)蔫b別性能，極大地減少了人工標(biāo)記的負(fù)擔(dān)。

為便于不同SAR目標(biāo)鑒別方法的比較，表2列出了以上所述兩類(lèi)SAR目標(biāo)鑒別方法的優(yōu)點(diǎn)和缺點(diǎn)。

4 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)和鑒別一體化方法

目前深度學(xué)習(xí)作為一種同時(shí)進(jìn)行特征學(xué)習(xí)和分類(lèi)器設(shè)計(jì)的技術(shù)在光學(xué)圖像目標(biāo)檢測(cè)、分類(lèi)等任務(wù)中取得了令人矚目的成就，引起了廣泛的關(guān)注。不同于SAR ATR 3級(jí)處理流程，作為一種端到端的處理方法，深度學(xué)習(xí)可以實(shí)現(xiàn)檢測(cè)、鑒別、分類(lèi)/識(shí)別3大步驟一體化。在3級(jí)處理流程中，檢測(cè)過(guò)程是將圖像中不可能包含目標(biāo)的區(qū)域去除，生成疑似目標(biāo)區(qū)域，鑒別過(guò)程中是進(jìn)一步對(duì)疑似目標(biāo)區(qū)域進(jìn)行鑒別，分類(lèi)/識(shí)別過(guò)程是對(duì)目標(biāo)區(qū)域類(lèi)別的進(jìn)一步劃分。檢測(cè)階段更偏重效率，鑒別和分類(lèi)/識(shí)別階段更注重準(zhǔn)確?；谏疃葘W(xué)習(xí)的一體化方法是將檢測(cè)、鑒別和分類(lèi)/識(shí)別3個(gè)步驟通過(guò)深度網(wǎng)絡(luò)完成，將傳統(tǒng)的3階段較好地統(tǒng)一到同一個(gè)框架中。由于檢測(cè)、鑒別都屬于目標(biāo)和雜波二分類(lèi)問(wèn)題，SAR目標(biāo)檢測(cè)和鑒別一體化深層網(wǎng)絡(luò)大都簡(jiǎn)稱(chēng)為SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)，但事實(shí)上該類(lèi)方法同時(shí)也完成了目標(biāo)和雜波的鑒別任務(wù)。

然而，深度學(xué)習(xí)需要大量有標(biāo)記訓(xùn)練樣本的支撐，例如光學(xué)數(shù)據(jù)集中的公開(kāi)的手寫(xiě)體字符MNIST[100]數(shù)據(jù)集有60000張圖像，公開(kāi)的CIFAR-10[101]數(shù)據(jù)集有50000張圖像，公開(kāi)的ImageNet[102]數(shù)據(jù)集中有1400萬(wàn)張圖像。然而，公開(kāi)的SAR圖像數(shù)據(jù)較少，尤其是有標(biāo)記的SAR圖像更少。常用的目標(biāo)檢測(cè)數(shù)據(jù)集MiniSAR只有9幅包含有民用車(chē)輛目標(biāo)的SAR圖像可用，而且未給出標(biāo)記樣本，圖像中的目標(biāo)數(shù)據(jù)需要使用者人工標(biāo)記，給基于深度學(xué)習(xí)的SAR圖像目標(biāo)檢測(cè)和鑒別帶來(lái)了巨大的挑戰(zhàn)。

在分析SAR圖像固有特性和深度學(xué)習(xí)技術(shù)的特點(diǎn)的基礎(chǔ)上，有部分學(xué)者將深度學(xué)習(xí)方法應(yīng)用到SAR圖像目標(biāo)檢測(cè)中。研究者們通過(guò)數(shù)據(jù)擴(kuò)充、遷移學(xué)習(xí)、參數(shù)縮減等角度[12,103-105]來(lái)保證深度網(wǎng)絡(luò)學(xué)習(xí)的收斂性，進(jìn)而保證網(wǎng)絡(luò)的檢測(cè)精度。下面將對(duì)深度學(xué)習(xí)技術(shù)應(yīng)用于SAR圖像海面艦船目標(biāo)檢測(cè)和地面車(chē)輛目標(biāo)檢測(cè)的情況分別進(jìn)行闡述。

海面艦船目標(biāo)檢測(cè)方面，針對(duì)傳統(tǒng)帶有全連接層的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)過(guò)多而需要大量訓(xùn)練數(shù)據(jù)的問(wèn)題，2017年Cozzolino等人[106]提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)檢測(cè)方法，該方法采用密滑窗的方式得到大量圖像塊，然后將這些圖像快輸入全卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行目標(biāo)與雜波的二分類(lèi)，最終實(shí)現(xiàn)了艦船目標(biāo)檢測(cè)。針對(duì)SAR圖像數(shù)據(jù)缺乏公開(kāi)標(biāo)注數(shù)據(jù)集而導(dǎo)致深度學(xué)習(xí)技術(shù)的應(yīng)用困難的問(wèn)題，海軍航空大學(xué)李健偉等人[107]于2018年構(gòu)建了一個(gè)全球首個(gè)公開(kāi)的SAR圖像艦船目標(biāo)檢測(cè)數(shù)據(jù)集SSDD,SSDD包含不同分辨率、尺寸、海況、傳感器類(lèi)型等條件下的艦船SAR圖像，一共有2456個(gè)艦船目標(biāo)，作者結(jié)合遷移學(xué)習(xí)改進(jìn)了的Faster-RCNN并在SSDD數(shù)據(jù)集上展示了不錯(cuò)的效果。同年，基于SSDD數(shù)據(jù)集，Jiao等人[108]針對(duì)多尺度和多場(chǎng)景SAR圖像艦船檢測(cè)難題，改進(jìn)了Faster-RCNN提出了一種端到端的檢測(cè)網(wǎng)絡(luò)。針對(duì)港口背景下的艦船目標(biāo)檢測(cè)虛警較多的問(wèn)題，Liu等人[109]提出一種基于深度神經(jīng)網(wǎng)絡(luò)的港口區(qū)域艦船目標(biāo)檢測(cè)方法，該方法構(gòu)建了多尺度的全卷積神經(jīng)網(wǎng)絡(luò)來(lái)融合局部和全局上下文信息，并采用旋轉(zhuǎn)目標(biāo)框?qū)Ω劭趨^(qū)域的目標(biāo)進(jìn)行精確定位，顯著提高了港口復(fù)雜背景下的艦船目標(biāo)檢測(cè)的精度。2019年李健偉等人[110]在現(xiàn)有SSDD數(shù)據(jù)集的基礎(chǔ)上，針對(duì)目前檢測(cè)算法對(duì)數(shù)據(jù)集利用不充分的問(wèn)題，提出一種基于生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)數(shù)據(jù)擴(kuò)充技術(shù)和線(xiàn)上難例挖掘(Online Hard Example Mining,OHEM)的SAR圖像艦船目標(biāo)檢測(cè)的算法。中國(guó)科學(xué)院空天信息創(chuàng)新研究院孫顯等人[111]提出高分辨率SAR艦船檢測(cè)數(shù)據(jù)集AIR-SARShip-1.0，該數(shù)據(jù)集包含31景高分三號(hào)SAR圖像，場(chǎng)景類(lèi)型包含港口、島礁、不同級(jí)別海況的海面等，背景涵蓋近岸和遠(yuǎn)海等多樣場(chǎng)景，數(shù)據(jù)量比SSDD數(shù)據(jù)集大，更適合深度學(xué)習(xí)技術(shù)在SAR目標(biāo)檢測(cè)中的應(yīng)用。同時(shí)，作者使用經(jīng)典艦船檢測(cè)算法和深度學(xué)習(xí)算法進(jìn)行了實(shí)驗(yàn)，指出基于密集連接端到端的網(wǎng)絡(luò)方法效果最佳。針對(duì)Faster R-CNN網(wǎng)絡(luò)僅僅利用單一尺度的特征圖提取目標(biāo)候選區(qū)域的不足，2019年Zhao等人[112]基于Faster R-CNN提出了Coupled CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)，其特點(diǎn)是利用多尺度的特征圖提取目標(biāo)候選區(qū)域,在目標(biāo)尺寸多樣的海面目標(biāo)檢測(cè)中取得了較好的效果。針對(duì)大場(chǎng)景圖像目標(biāo)快速檢測(cè)的問(wèn)題，2019年陳慧元等人[113]提出了一種基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的大場(chǎng)景遙感圖像艦船目標(biāo)快速檢測(cè)方法，該方法首先使用一個(gè)輕量級(jí)的目標(biāo)預(yù)篩選全卷積網(wǎng)絡(luò)，對(duì)大場(chǎng)景中可能的目標(biāo)進(jìn)行預(yù)篩選，然后使用目標(biāo)精確檢測(cè)全卷積網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行精確定位，該方法可以顯著提高目標(biāo)檢測(cè)的效率，可實(shí)現(xiàn)大場(chǎng)景遙感圖像目標(biāo)快速檢測(cè)。

表2 SAR目標(biāo)鑒別方法總結(jié)Tab.2 Summary of SAR target discrimination methods

地面車(chē)輛目標(biāo)檢測(cè)方面，針對(duì)SAR數(shù)據(jù)較少容易產(chǎn)生過(guò)擬合的問(wèn)題，2016年杜蘭等人[103]結(jié)合遷移學(xué)習(xí)和數(shù)據(jù)擴(kuò)充技術(shù)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)檢測(cè)方法，該方法先用已有的完備數(shù)據(jù)集訓(xùn)練得到卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，用得到的模型對(duì)基于Faster R-CNN的檢測(cè)網(wǎng)絡(luò)進(jìn)行參數(shù)遷移，再利用完備數(shù)據(jù)集對(duì)訓(xùn)練數(shù)據(jù)做擴(kuò)充對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，在具有復(fù)雜場(chǎng)景的miniSAR數(shù)據(jù)上可以獲得比傳統(tǒng)CFAR更好的檢測(cè)性能。miniSAR數(shù)據(jù)集是2006年美國(guó)Sandia國(guó)家實(shí)驗(yàn)室公開(kāi)的一個(gè)以復(fù)雜城區(qū)場(chǎng)景為主的實(shí)測(cè)數(shù)據(jù)集，共有20幅SAR圖像，圖像尺寸為1638×2510，圖像分辨率為0.1 m×0.1 m。miniSAR圖像場(chǎng)景中包含民用車(chē)輛、建筑物、道路、直升機(jī)、草地和樹(shù)木等，在檢測(cè)、鑒別應(yīng)用中通常將民用車(chē)輛作為感興趣目標(biāo)。Chen等人[12]對(duì)深度網(wǎng)絡(luò)的參數(shù)進(jìn)行縮減，提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測(cè)方法，該方法采用滑窗的方式提取候選目標(biāo)切片，然后對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)去除全連接層，得到全卷積網(wǎng)絡(luò)對(duì)候選目標(biāo)切片進(jìn)行二分類(lèi)處理，最終區(qū)分出目標(biāo)和雜波，文中作者只對(duì)合成的簡(jiǎn)單場(chǎng)景下的MSTAR大圖進(jìn)行了實(shí)驗(yàn)，缺少對(duì)復(fù)雜場(chǎng)景的驗(yàn)證。為了進(jìn)一步提高復(fù)雜場(chǎng)景下SAR目標(biāo)檢測(cè)的性能，2019年Wang等人[104]提出了一種基于SSD模型的SAR圖像目標(biāo)檢測(cè)方法，該方法結(jié)合SAR圖像的特性設(shè)計(jì)了面向SAR圖像的數(shù)據(jù)擴(kuò)充和遷移學(xué)習(xí)方法，在具有復(fù)雜場(chǎng)景的miniSAR數(shù)據(jù)上獲得比基于Faster R-CNN檢測(cè)網(wǎng)絡(luò)更好的檢測(cè)性能?，F(xiàn)今，數(shù)據(jù)擴(kuò)充、遷移學(xué)習(xí)、參數(shù)縮減等方式已經(jīng)成為基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法必需的處理手段。在此基礎(chǔ)上，為了進(jìn)一步抑制背景雜波提高SAR目標(biāo)檢測(cè)性能，2019年Du等人[114]提出了一種顯著性引導(dǎo)的SSD目標(biāo)檢測(cè)方法，利用圖像的顯著性信息，引導(dǎo)深度卷積神經(jīng)網(wǎng)絡(luò)關(guān)注目標(biāo)區(qū)域抑制背景雜波，提高特征表征能力，從而獲得更好的目標(biāo)檢測(cè)性能。

以上深層網(wǎng)絡(luò)檢測(cè)方法均使用的是全監(jiān)督學(xué)習(xí)，需要對(duì)所有訓(xùn)練SAR圖像進(jìn)行切片級(jí)標(biāo)記，人工標(biāo)記十分耗時(shí)費(fèi)力。為了減少人工標(biāo)記的負(fù)擔(dān)，降低網(wǎng)絡(luò)對(duì)標(biāo)記數(shù)據(jù)的依賴(lài)程度，2020年杜蘭等人[115]提出了一種基于半監(jiān)督學(xué)習(xí)的SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)，該方法首先使用少量切片級(jí)標(biāo)記的SAR圖像訓(xùn)練目標(biāo)檢測(cè)網(wǎng)絡(luò)，然后使用圖像級(jí)標(biāo)記的SAR圖像輸入網(wǎng)絡(luò)，對(duì)檢測(cè)結(jié)果中的切片進(jìn)行挑選，并加入候選切片集，最后使用更新后的候選切片集對(duì)檢測(cè)網(wǎng)絡(luò)再次訓(xùn)練，挑選切片和訓(xùn)練檢測(cè)網(wǎng)絡(luò)多次迭代直至收斂，該方法對(duì)切片級(jí)標(biāo)記的SAR圖像需求量少，與全部訓(xùn)練樣本都進(jìn)行切片級(jí)標(biāo)記的全監(jiān)督方法的性能相差不大，大大降低了人工標(biāo)記的工作量。

根據(jù)現(xiàn)有公開(kāi)文獻(xiàn)看，目前具有標(biāo)注信息公開(kāi)的車(chē)輛目標(biāo)檢測(cè)SAR圖像數(shù)據(jù)集暫時(shí)缺乏，部分研究者采用MSTAR數(shù)據(jù)嵌入到雜波背景中或者miniSAR圖像人工標(biāo)注的方式構(gòu)建地面車(chē)輛目標(biāo)檢測(cè)數(shù)據(jù)集。實(shí)際上復(fù)雜地面背景下民用車(chē)輛散射強(qiáng)度較弱且分布密集，與周?chē)慕ㄖ锏入s波背景區(qū)分度較差，人工標(biāo)注過(guò)程中會(huì)存在很多無(wú)法確定是否為車(chē)輛目標(biāo)的情況，因此不可避免的會(huì)存在一些錯(cuò)誤標(biāo)注的情況，為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練增加了難度。期望在后續(xù)研究過(guò)程中，研究者們可以齊心協(xié)力一起構(gòu)建具有標(biāo)注信息的復(fù)雜地面背景下車(chē)輛目標(biāo)檢測(cè)公開(kāi)數(shù)據(jù)集，推動(dòng)SAR圖像地面背景下車(chē)輛等感興趣目標(biāo)檢測(cè)技術(shù)的發(fā)展。

表3對(duì)SAR目標(biāo)檢測(cè)、鑒別2級(jí)流程與檢測(cè)、鑒別一體化方法進(jìn)行了比較。在實(shí)際應(yīng)用中，檢測(cè)、鑒別方法的時(shí)效性是非常重要的，表3也指出了一些傳統(tǒng)方法在時(shí)效性上的優(yōu)勢(shì)。需要說(shuō)明的是，對(duì)于運(yùn)算效率，理論研究時(shí)，目前的深度學(xué)習(xí)方法大都在計(jì)算性能更強(qiáng)的GPU上進(jìn)行運(yùn)算，傳統(tǒng)方法一般在CPU上進(jìn)行運(yùn)算，深度學(xué)習(xí)由于GPU運(yùn)算的加持，其測(cè)試時(shí)間一般會(huì)比傳統(tǒng)方法少；但是在實(shí)際的工程應(yīng)用中，由于功耗限制，運(yùn)算平臺(tái)的計(jì)算性能相對(duì)不高，在這種情況下，比較簡(jiǎn)單的CFAR模型、顯著性方法大部分速度都比較快，子視圖相干法速度也較快，但相對(duì)于這些傳統(tǒng)方法，深度學(xué)習(xí)方法的測(cè)試時(shí)間會(huì)比較長(zhǎng)，效率不高。不過(guò)，計(jì)算量對(duì)于具體的方法要具體衡量，尤其是對(duì)步驟復(fù)雜的傳統(tǒng)方法而言，要根據(jù)具體步驟具體計(jì)算，并不能一概而言。

表3 SAR目標(biāo)檢測(cè)、鑒別2級(jí)流程與基于深度學(xué)習(xí)的檢測(cè)、鑒別一體化方法比較Tab.3 Comparison of SAR target detection and discrimination based on two stage process with detection and discrimination integration method based on deep learning

5 發(fā)展趨勢(shì)

針對(duì)現(xiàn)有復(fù)雜場(chǎng)景下單通道SAR目標(biāo)檢測(cè)和鑒別方法的不足，今后的研究工作可以考慮以下5個(gè)問(wèn)題：

(1)自適應(yīng)確定雜波類(lèi)型和雜波樣本的研究：對(duì)于復(fù)雜場(chǎng)景SAR圖像，在整個(gè)場(chǎng)景中存在多種類(lèi)型的雜波區(qū)域，而不同區(qū)域的雜波統(tǒng)計(jì)特性變化較大，因此需要自適應(yīng)地確定雜波類(lèi)型，進(jìn)而選擇合適的統(tǒng)計(jì)模型；同時(shí)需要自適應(yīng)的選擇CFAR雜波窗內(nèi)的雜波樣本，避免多目標(biāo)區(qū)域、雜波邊緣等問(wèn)題帶來(lái)的虛警以及漏警問(wèn)題。自適應(yīng)確定雜波類(lèi)型和雜波樣本對(duì)于提高基于CFAR的目標(biāo)檢測(cè)方法的檢測(cè)性能具有重要意義。

(2)SAR圖像特性在深度網(wǎng)絡(luò)中的嵌入：現(xiàn)有的基于深度學(xué)習(xí)的檢測(cè)和鑒別方法所用網(wǎng)絡(luò)絕大多數(shù)是從光學(xué)圖像繼承過(guò)來(lái)的，如何將SAR圖像獨(dú)有的特性嵌入到深度學(xué)習(xí)中，比如單通道SAR圖像的復(fù)信息對(duì)于復(fù)雜環(huán)境下檢測(cè)性能提升很重要，設(shè)計(jì)針對(duì)SAR圖像的深度網(wǎng)絡(luò)具有重要意義。

(3)基于半監(jiān)督、弱監(jiān)督學(xué)習(xí)的鑒別方法的深入研究：由于半監(jiān)督、弱監(jiān)督方法僅需少量的監(jiān)督信息即可學(xué)習(xí)，在實(shí)際應(yīng)用中具有重大的發(fā)展?jié)摿?，研究有效的、具有?shí)際應(yīng)用型的基于半監(jiān)督、弱監(jiān)督的鑒別方法具有重大意義。

(4)場(chǎng)景上下文等多信息的綜合利用：在復(fù)雜背景下，僅利用目標(biāo)或者雜波的幅度信息，難以有效的檢測(cè)目標(biāo)。已有改進(jìn)的CFAR、顯著性等方法通過(guò)綜合利用目標(biāo)和雜波的尺寸、形狀以及復(fù)數(shù)據(jù)等信息有效提高了目標(biāo)檢測(cè)、鑒別精度。但是，場(chǎng)景上下文信息在SAR圖像檢測(cè)、鑒別中的研究還不充分，如何綜合利用場(chǎng)景上下文和幅度、尺寸、形狀、紋理、復(fù)數(shù)據(jù)等多種信息對(duì)于算法精度的提升具有重要意義。

(5)快速算法的研究：在實(shí)際應(yīng)用中，往往面臨大場(chǎng)景SAR圖像數(shù)據(jù)，對(duì)靜止時(shí)敏目標(biāo)的檢測(cè)、鑒別對(duì)于時(shí)效性要求很高。目前的深度學(xué)習(xí)算法在計(jì)算資源(GPU、存儲(chǔ)等)充足的理想情況下運(yùn)算速度具有優(yōu)勢(shì)，但卻無(wú)法應(yīng)用于片上處理或者星上處理。類(lèi)似的，一些改進(jìn)的CFAR、顯著性方法越復(fù)雜運(yùn)算也越慢。因此，提升這些高性能算法的運(yùn)算效率對(duì)于SAR ATR系統(tǒng)的實(shí)用化具有重要意義。

6 結(jié)束語(yǔ)

本文對(duì)近十年復(fù)雜場(chǎng)景下單通道SAR圖像目標(biāo)檢測(cè)與鑒別的主要算法脈絡(luò)進(jìn)行了梳理，分析了這些算法的優(yōu)缺點(diǎn)，并對(duì)未來(lái)復(fù)雜場(chǎng)景下單通道SAR圖像目標(biāo)檢測(cè)與鑒別技術(shù)的發(fā)展進(jìn)行展望。由于在復(fù)雜場(chǎng)景下SAR圖像存在雜波散射強(qiáng)度相對(duì)高、雜波背景非均勻和目標(biāo)散射強(qiáng)度相對(duì)弱、分布密集等情況，使得傳統(tǒng)的SAR圖像目標(biāo)檢測(cè)與鑒別技術(shù)無(wú)法滿(mǎn)足實(shí)際需求，期冀更多研究學(xué)者能夠?qū)ζ溥M(jìn)行深入研究，共同解決復(fù)雜場(chǎng)景下SAR目標(biāo)檢測(cè)及鑒別的難題。