杜 蘭 王兆成 王 燕 魏 迪 李 璐

①(西安電子科技大學雷達信號處理國家重點實驗室 西安 710071)

②(河北工業(yè)大學電子信息工程學院 天津 300401)

1 引言

合成孔徑雷達(Synthetic Aperture Radar,SAR)作為一種主動式微波傳感器，能夠實現(xiàn)對靜止時敏目標(如坦克、裝甲車、艦船等)全天時、全天候的實時遠距離監(jiān)測，在軍事和民用領域具有重要的應用價值。近年來，隨著SAR系統(tǒng)和成像算法的逐漸成熟，可以獲得越來越多高分辨率、高質量的SAR圖像[1]，相應地，SAR圖像解譯已經成為當前SAR應用的前沿課題，受到了國內外學者的廣泛關注。SAR自動目標識別(Automatic Target Recognition,ATR)技術是SAR圖像解譯的一個重要分支，旨在從復雜的地物場景中有效獲取并識別感興趣的目標[2]，SAR ATR可以通過計算機快速、準確地完成特定的SAR圖像目標識別任務，將人從海量的數(shù)據中解放出來，因而得到了廣泛關注。對SAR圖像中的固定戰(zhàn)略目標，包括橋梁、機場、交通樞紐、軍事基地等，可以基于慣性導航系統(tǒng)利用景象匹配技術實現(xiàn)有效的檢測和定位，這有助于戰(zhàn)場監(jiān)控、任務計劃、訓練及目標打擊效果評估。這種檢測方式可以結合全球衛(wèi)星定位系統(tǒng)，通過實時圖與基準圖的匹配實現(xiàn)對固定戰(zhàn)略目標的精確定位，并修正慣性導航系統(tǒng)誤差。對機動戰(zhàn)術目標，包括坦克、裝甲車、自行火炮、軍用飛機、水面艦艇等，進行檢測和識別，可以獲取敵方的武器裝備、戰(zhàn)略部署等關鍵的軍事情報信息，從而協(xié)助具有精確探測與控制能力的制導武器完成復雜戰(zhàn)場環(huán)境中對這些目標的高精度打擊。但是，機動戰(zhàn)術目標的位置會隨時間變化，在觀測打擊時又可能處于靜止狀態(tài)。對于運動目標的檢測問題，可以在SAR成像的同時采用多通道運動目標顯示或空時2維自適應處理等技術。但對于靜止的時敏戰(zhàn)術目標檢測和識別，多通道信息和空域信息并沒有幫助。目前，從大幅復雜SAR場景中抑制非均勻地形/海情雜波、自然雜波、民用目標的虛警干擾，實時、準確捕獲靜止戰(zhàn)術目標的檢測、識別手段依然缺失。

美國麻省理工學院(Massachusetts Institute of Technology,MIT)的林肯實驗室最先于80年代中末期開展了SAR ATR技術研究。90年代中末期美國又公布了MSTAR研究計劃和SAIP研究計劃。MSTAR計劃聯(lián)合了多個研究機構，包括Sandia國家實驗室、Wright實驗室、Michigan環(huán)境研究所等，涉及0.3 m分辨率原始數(shù)據的錄取、各類地貌散射雜波圖的研究、18種各類地面車輛目標數(shù)據庫的建立，以及特征提取、分析、分類算法設計等眾多環(huán)節(jié)。MSTAR計劃提供的大量0.3 m分辨率的SAR公共圖像數(shù)據，已成為SAR ATR算法測試的常用數(shù)據。SAIP系統(tǒng)由4輛工作車組成，包括數(shù)據鏈、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，是一個典型的計算機輔助智能處理系統(tǒng)。在該系統(tǒng)中，針對SAR傳感器每分鐘提供的大約100 km2,1 m×1 m分辨率的圖像，兩個圖像分析員和1個管理員可在數(shù)據接收后5 min內給出目標情報報告。美國的典型機載SAR系統(tǒng)，例如E-8電子戰(zhàn)機，早在海灣戰(zhàn)爭中就發(fā)揮了巨大作用，多次指揮美軍摧毀伊拉克地面部隊。E-8曾在夜間發(fā)現(xiàn)在一小股伊拉克陸軍裝甲車隊之后伴隨的主力裝甲車隊，它還負責尋找伊軍的彈道導彈機動陣地。它將獲取的目標區(qū)域影像以及目標信息傳給戰(zhàn)斗機，使得戰(zhàn)斗機能夠準確的發(fā)起攻擊。SAR系統(tǒng)在戰(zhàn)場監(jiān)視中的潛力已逐步顯露，吸引了世界各國相繼對相關技術展開研究。

圖1 MIT林肯實驗室的SAR ATR 3級處理流程[3-7]Fig.1 SAR ATR three-stage processing flow of MIT Lincoln Laboratory[3-7]

早在20世紀80年代，林肯實驗室就提出了分層模塊化的SAR ATR的3級處理流程[3-7]，該流程主要包括3個階段：檢測、鑒別和分類/識別。該3級流程思路清晰、結構合理，已成為SAR ATR系統(tǒng)廣泛采用的一般流程[5]。林肯實驗室的SAR ATR 3級處理流程如圖1所示，第1級稱為目標檢測或者預先篩選，目的是從大場景SAR圖像中提取出可能包含感興趣目標的小塊疑似區(qū)域，剔除明顯不包含目標的區(qū)域，但是這個階段會產生有大量的雜波虛警。第2級稱為目標鑒別，其本質是一個二分類問題(區(qū)分目標類和雜波類)，作為檢測階段的后處理步驟其目的是保留真實目標同時去除自然雜波虛警和部分人造雜波虛警，得到目標感興趣區(qū)域(Region Of Interest,ROI)。第3階段稱為目標分類/識別，通過對ROI區(qū)域進行特征提取、特征選擇、分類器設計等更加復雜的處理，進一步剔除人造目標虛警，最終得到目標的類別、型號等信息。目標檢測與鑒別階段用于得到ROI，這兩個階段得到的ROI的質量直接影響到識別階段的任務復雜度，國內外針對這兩個階段已經有了大量的研究成果，目前大部分研究考慮的SAR圖像場景較為簡單，比如基于Radarsar-2數(shù)據(如圖2所示)簡單海面背景下的SAR目標檢測與鑒別[8-11]、基于MSTAR數(shù)據(如圖3所示)簡單草地背景下的SAR目標檢測與鑒別[12-14]等。一般來說，簡單場景下的目標在空間上分布比較離散、雜波背景均勻且強度較低、人造雜波干擾較少，進行目標檢測和鑒別相對容易。然而，在實際應用中，SAR ATR系統(tǒng)更多面臨的是復雜場景，比如基于miniSAR數(shù)據(如圖4所示)的復雜城區(qū)背景下民用車輛和基于GF-3數(shù)據(如圖5所示)的復雜港口背景下的艦船目標檢測與鑒別。復雜場景下存在雜波散射強度相對高、雜波背景非均勻和目標散射強度相對弱、分布密集等情況，進行高效精確的目標檢測和鑒別較為困難。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)分復雜雜波和感興趣目標的難度。對于一些簡單場景下的SAR目標檢測及鑒別方法，已有文獻進行了梳理和概括[15-18]，感興趣的讀者可以參考文獻[15-18]。本文集中對近十年來復雜場景下單通道SAR目標檢測與鑒別的研究進展進行了歸納總結，并分析該技術領域存在的問題，指出其發(fā)展趨勢。另外，需要說明的是，對于不同的應用場景，比如海面艦船目標檢測和鑒別、城市復雜場景車輛目標檢測和鑒別、機場飛機目標檢測和鑒別等，面臨的具體問題不同，方案設計思路和具體細節(jié)會有所不同，作為綜述論文，本文關注于通用方法的歸納和分析。

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

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

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

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

本文內容安排如下。第2節(jié)介紹SAR目標檢測方法，主要包括基于恒虛警率的目標檢測方法、基于視覺注意模型的目標檢測方法、基于復圖像的目標檢測方法。第3節(jié)介紹SAR目標鑒別方法，按照鑒別過程中所使用的監(jiān)督信息的不同，分為基于全監(jiān)督學習的鑒別算法和基于半監(jiān)督、弱監(jiān)督學習的鑒別算法兩大類介紹。以上方法按照林肯實驗室的SAR ATR 3級處理流程，檢測、鑒別是獨立的兩個步驟。近年逐漸發(fā)展起來的基于深度學習的圖像檢測方法不同于SAR ATR 3級處理流程，作為一種端到端的處理方法，可以實現(xiàn)檢測、鑒別、分類/識別3大步驟一體化。本文第4節(jié)介紹基于深度學習的目標檢測和鑒別一體化方法。第5節(jié)針對現(xiàn)有復雜場景下單通道SAR目標檢測和鑒別方法的不足，提出今后的研究發(fā)展趨勢。第6節(jié)對全文歸納總結。

2 SAR目標檢測方法

SAR圖像目標檢測的目的是從SAR圖像中提取出潛在的目標區(qū)域，去除不可能包含目標的區(qū)域。自SAR圖像目標檢測的概念提出以來，國內外學者針對這個問題做出不懈的探索，取得了豐碩的成果。經過廣泛的調研及梳理，根據目標檢測算法設計思路的不同，將現(xiàn)有的復雜場景下SAR目標檢測方法分為：(1)基于恒虛警率的目標檢測方法；(2)基于視覺注意模型的目標檢測方法；(3)基于復圖像的目標檢測方法。

2.1 基于恒虛警率的目標檢測方法

恒虛警率(Constant False Alarm Rate,CFAR)是應用最廣泛、最深入的SAR目標檢測方法[19-42]。簡單來說，CFAR算法就是通過滑窗方式逐一將圖像中待檢測像素點灰度值與某一自適應閾值比較來實現(xiàn)目標檢測，其中閾值是在給定虛警率下對待檢測像素周圍雜波窗內的雜波進行統(tǒng)計建模而自適應確定的，通過閾值的自適應調節(jié)達到保持恒定虛警率的目的。

從以上對CFAR的描述可以看出，CFAR檢測有兩個要素：虛警率、雜波統(tǒng)計建模。虛警率是根據期望的虛警率人為預先設定的0～1之間的常量，其與具體的CFAR算法無關，而CFAR算法的目標就是盡量保證實際的虛警率與設定的虛警率一致。雜波統(tǒng)計建模通過雜波樣本選取(即策略設計部分)、雜波模型選擇(即選擇哪種分布模型)、雜波參數(shù)估計3個步驟完成的。一般來說雜波模型選擇好后，對應的參數(shù)估計方法也基本確定下來，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參數(shù)，對于一些比較復雜雜波模型的參數(shù)估計方法可能會設計不同的參數(shù)估計方法，比如廣義Gamma方法主要有最大似然估計法、矩估計法、對數(shù)累積量法等。對于一些基本的CFAR算法，文獻[15]已經進行了詳細的梳理和概括，本文下面主要對近十年CFAR相關的一些最新方法，從雜波樣本選取方法的改進、雜波統(tǒng)計模型的改進以及結合其他信息的改進3方面進行歸納總結。

2.1.1 CFAR雜波樣本選取方法的改進

通過合理選取CFAR雜波窗內用于雜波統(tǒng)計模型參數(shù)估計的樣本(部分文獻也稱CFAR檢測器)，可以顯著緩解SAR圖像中存在均勻雜波、多目標、雜波邊緣等復雜情形導致的虛警和漏警的問題。傳統(tǒng)用于應對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CFAR(Order Statistics CFAR,OS-CFAR)[31]。其中，CA-CFAR針對的是均勻雜波情形，SOCFAR和OS-CFAR針對的是多目標情形，GOCFAR針對的是雜波邊緣情形，這些雜波樣本選取方法通常只在相對應的特殊雜波情形下有效。

針對多目標情形下的目標檢測問題，Cui等人[43]于2011年提出了一種基于迭代篩選的CFAR目標檢測方法，該方法通過迭代篩選檢測的方式，在每次迭代中將上次得到的檢測目標像素點從雜波樣本中剔除，從而避免了多目標的干擾，其可以自適應的從雜波樣本中篩選出潛在目標像素點，不像OS-CFAR那樣需要利用先驗知識確定像素點排序后的篩選深度。陳祥等人[44]于2012年提出一種基于CFAR級聯(lián)的SAR圖像艦船目標檢測算法，在第1階段的全局CFAR檢測中采用較高的虛警率篩選潛在的目標，在第2階段的局部CFAR檢測中，以每個潛在目標的連通區(qū)域為檢測單元確定雜波窗，以較低的虛警率確定潛在目標像素點，該算法可以在保證良好檢測性能的同時具有較高的檢測效率。為了同時解決多目標、雜波邊緣的問題，宋文青等人[45]于2016年提出了一種自動區(qū)域篩選SAR目標檢測算法，該算法分別利用變化指數(shù)統(tǒng)計量、均值比統(tǒng)計量對局部參考窗內的均勻區(qū)域進行篩選、對參考窗內同質的均勻區(qū)域進行區(qū)域合并，最后利用篩選到的同質均勻區(qū)域內的雜波樣本集合進行背景雜波統(tǒng)計模型參數(shù)估計，該算法具有較穩(wěn)定的檢測性能和虛警抑制能力。

以上方法對篩選后剩余雜波采用未截斷的統(tǒng)計模型進行參數(shù)估計實際上并不合適，可能會得到錯誤的檢測結果，為此2016年Ding等人[46]提出了一種基于截斷統(tǒng)計量的CFAR(Truncated Statistics CFAR,TS-CFAR)檢測器，該檢測器采用截斷的方式來排除雜波窗內潛在的目標像素點，然后對雜波窗內剩余的雜波采用基于截斷統(tǒng)計模型進行建模和參數(shù)估計，TS-CFAR在多目標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、較高的檢測精度。同樣是針對多目標情形，Yu等人[20,47]提出一種基于超像素CFAR的SAR圖像目標檢測算法，該算法首先將大場景的SAR圖像進行超像素分割，然后以每個超像素為檢測單元，對超像素雜波窗上的超像素進行自適應篩選排除雜波樣本內的目標超像素點，該方法在多目標情形具有較好的檢測性能且檢測結果更完整、連續(xù)。針對多尺度、多目標的艦船檢測問題，2018年Ao等人[48]提出一種多尺度CFAR檢測器，該檢測器利用全局尺度、大尺度、小尺度CFAR對SAR圖像依次進行目標像素點篩選，保留真實的雜波樣本，不僅加快了CFAR檢測速度而且可以有效檢測多尺度目標，提高了多尺度、多目標艦船檢測的精度。Leng等人[49]于2018年提出一種基于2-D Ostu分割方法的改進CFAR目標檢測方法，該方法在雜波窗內利用Ostu算法自適應分割出潛在目標像素點和雜波像素點的基礎上，根據提出的區(qū)域比不變的思想，對雜波統(tǒng)計模型的參數(shù)進行估計，該算法一定程度上解決了密集目標情況下其他目標對當前目標檢測的性能影響。

從上述內容可以看出：第一，近幾年提出的CFAR雜波樣本選取方法以處理多目標情形為主，這可能是因為多目標情況下CFAR檢測算法更容易產生漏警，而對于實際的SAR ATR系統(tǒng)來說相比于虛警，漏警是更加致命的。處理多目標情形的算法主要思路是盡量排除雜波窗內目標像素點的干擾。第二，像素級CFAR在逐漸向超像素級CFAR過渡，這是因為傳統(tǒng)像素級CFAR的提出主要是針對低分辨率SAR圖像，圖像上感興趣的目標可能只占幾個分辨單元甚至1個分辨單元，而我們目前可以得到越來越多的高分辨率SAR圖像，感興趣目標通常呈現(xiàn)分布式目標狀態(tài)，占據多個分辨單元，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來處理復雜雜波的情形。第三，單尺度CFAR難以適應艦船等多尺度、多目標的特點，設計多個尺度的CFAR檢測器，逐級對目標像素點進行篩選，選取雜波樣本，有利于密集目標和多尺度目標檢測性能的提升。

2.1.2 CFAR雜波統(tǒng)計模型的改進

(1)參數(shù)化的雜波統(tǒng)計建模：針對一些相對簡單的場景，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，針對場景中同時存在均勻雜波、多目標、雜波邊緣等的非均勻雜波背景，以上模型大多會失效。

為了解決非均勻雜波背景下的目標檢測問題，2009年Gao等人[50]提出了基于自動篩選的G0分布CFAR，該模型首先利用全局CFAR篩選出潛在目標像素點，然后采用局部CFAR對整個大圖進行滑窗處理，其中對每個測試單元采用G0分布對排除潛在目標像素點干擾后的雜波進行統(tǒng)計建模，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，可以對強脈沖干擾現(xiàn)象準確地建模，對極不均勻區(qū)域的雜波都有較好的擬合能力。然而該方法檢測閾值沒有閉合解，需要利用數(shù)值迭代的方法求解。針對G0,穩(wěn)定等分布參數(shù)估計耗時以及部分檢測閾值沒有閉合解的問題，2013年Qin等人[52]提出一種基于廣義Gamma分布的高分辨率SAR圖像目標檢測方法。廣義Gamma分布是一種具備能量、形狀和尺寸3個參數(shù)的分布，在某些情況下可以退化為瑞利、指數(shù)、Gamma,Log-normal,Weibull等經典分布[52]。廣義Gamma分布對高分辨SAR圖像下的海雜波具有非常好的擬合能力。Qin利用對數(shù)累積量的方法估計廣義Gamma分布的參數(shù)，并得到了對應檢測閾值的閉合解，相比于基于K,G0等分布的CFAR具有更快的檢測速度。

從參數(shù)化的雜波統(tǒng)計建模的發(fā)展過程來看，針對非均勻雜波所采用的統(tǒng)計分布模型越來越復雜，對應的參數(shù)估計和閾值求解也比較困難，但是即使采用復雜的統(tǒng)計模型，實際中對于復雜場景下適合于非均勻強雜波背景的統(tǒng)計分布模型的選擇依然比較困難。

(2)非參數(shù)化的雜波統(tǒng)計建模：以上所述的各種參數(shù)化雜波統(tǒng)計模型在處理實測SAR圖像時仍然可能難以對雜波進行精確擬合高。為了克服參數(shù)化建模的缺點，Gao[53]于2011年提出了一種基于Parzen窗核密度估計的SAR艦船目標檢測方法，該方法采用基于Parzen窗核密度估計的方法對整幅圖像進行非參數(shù)化的建模。該算法假定目標在場景中是稀疏的，用整幅圖像的像素點來估計雜波概率密度函數(shù)，這可能導致檢測閾值變大而造成漏警。為了解決這個問題，張顥等人[54]于2015年提出了一種改進的基于Parzen窗的算法，該算法首先利用簡單的分割方法得到潛在的目標像素，然后利用Parzen窗核密度估計對消除潛在目標像素影響后的SAR圖像來估計雜波概率密度函數(shù)。

2.1.3 結合其他信息的改進

以上所述的CFAR是從雜波樣本選取、雜波統(tǒng)計模型兩個方面進行改進，都是基于SAR圖像的強度信息并且沒有使用其他信息，而在高分辨率SAR圖像中除強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)督學習的方式來提升檢測精度。

針對傳統(tǒng)CFAR單純利用強度信息導致檢測精度不高的問題，Leng等人[55]提出一種雙邊CFAR，雙邊CFAR不僅考慮了SAR圖像中目標的強度信息而且考慮到了目標的空間信息，即艦船目標的高強度像素點通常比較連續(xù)且集中在一個小的區(qū)域，而雜波背景像素點通常比較離散且分布不一定集中。針對高分辨SAR圖像民用車輛目標檢測虛警較多的問題，Huang等人[56]提出一種語義CFAR目標檢測算法，在這里的語義信息是指語義CFAR算法不僅使用了車輛目標的強度信息而且使用了車輛目標的陰影信息，相比于單純利用強度信息的傳統(tǒng)CFAR可以去除了大量不存在陰影的強雜波虛警。為了解決CFAR對于多尺度艦船目標的檢測問題，結合監(jiān)督學習，Dai等人[8]于2016年提出一種基于目標候選區(qū)域的CFAR目標檢測方法，該方法首先利用監(jiān)督學習的方法訓練目標候選區(qū)域生成器，然后利用生成器生成一定數(shù)量不同尺度的目標候選區(qū)域，再對各個目標候選區(qū)域進行雜波窗長自適應的CFAR檢測，克服了傳統(tǒng)CFAR雜波窗長固定的缺點。針對復雜場景下基于監(jiān)督學習的目標檢測方法樣本獲取可能比較困難的問題，2017年曾麗娜等人[57]提出了一種基于單樣本有效特征的SAR目標檢測方法，該方法只需要一個感興趣目標的樣本來產生監(jiān)督信息，通過全局CFAR檢測、目標樣本面積特征匹配等預處理步驟剔除絕大多數(shù)背景雜波，進一步通過紋理PSURF特征對潛在目標中的興趣目標與非目標進行分離，獲取最終檢測結果。2017年Kang等人[58]將CFAR與深度神經網絡結合，提出一種Faster-RCNN結合CFAR的艦船目標檢測算法，該算法對Faster-RCNN得到的置信度較低的切片利用CFAR進行檢測，對尺寸較小的艦船目標具有較好的檢測能力，但是需要較多的訓練數(shù)據。

由上述內容可以看出，復雜場景下單純利用強度信息的CFAR算法精度較低，而將CFAR與其他信息或者監(jiān)督信息相結合可以顯著提升SAR目標檢測的精度，這也是未來改進傳統(tǒng)CFAR算法的一個重要的方向。

2.2 基于視覺注意模型的目標檢測方法

2.1 節(jié)所述的基于CFAR的SAR目標檢測主要對雜波進行統(tǒng)計建模，很少考慮目標的特性。然而高分辨率SAR圖像作為一種2維圖像信號，感興趣的目標通常占據多個分辨單元，含有豐富的空間和結構視覺信息，可用來設計目標檢測算法。人類視覺注意機制是一種選擇性注意機制，只關注場景中那些顯著、突出的物體，而忽略場景中其它的物體。經過這種機制選取的視覺信號被送往大腦的高級皮層，進行比如目標檢測、目標識別和學習等更復雜的處理，因此可以大大加快大腦進行視覺信息處理的速度。圖6給出了幾幅光學圖像及對其進行顯著性檢測的結果[59]，圖中第1列是原始圖像，第2列是利用顯著性檢測算法得到的顯著圖，第3列是根據顯著圖提取的光學圖像中顯著區(qū)域。由圖6可以看出，在利用顯著性檢測算法得到的顯著圖上比較亮的區(qū)域對應是原始光學圖像上顯著(前景)區(qū)域，進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。受人類的視覺注意機制的啟發(fā)，人們提出了大量的基于視覺注意模型的算法用于模擬人類的選擇性視覺注意機制，對光學圖像構建顯著圖并提取光學圖像中顯著的區(qū)域，這些算法被稱為顯著性檢測算法。Itti等人[60,61]在1998年首次提出了一種生物學啟發(fā)的視覺注意模型，該模型利用強度、顏色、方向這3種特征圖進行中心-周邊差處理得到圖像的顯著圖，實現(xiàn)顯著性檢測。后續(xù)大量的顯著性檢測算法相繼被提出[61-67]。然而，光學圖像和SAR圖像由于成像機理的不同，它們之間存在較大的差異，而光學顯著性檢測和SAR目標檢測也存在一些區(qū)別，因此傳統(tǒng)的光學圖像顯著性檢測方法不能直接應用到SAR圖像目標檢測中。

近年來，研究者們提出了一些適合于SAR圖像的顯著性檢測方法。圖7給出了某幅小場景SAR圖像及其對應的顯著圖[68]，其中，圖7(a)中紅色矩形內的是建筑物強雜波，綠色矩形框內的是感興趣的車輛目標，圖7(b)中對應的目標被增強，強雜波被有效抑制。目前基于視覺注意模型的SAR目標檢測方法可以分為數(shù)據驅動方法和任務驅動方法[69]。

2.2.1 數(shù)據驅動方法

圖6 光學圖像及其顯著性檢測的結果[59]Fig.6 Optical image and its visual attention mechanism processing results[59]

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

數(shù)據驅動的方法僅考慮了圖像本身的特性，沒有任何先驗知識。Yu等人[70]于2011年最先開展了SAR圖像顯著性目標檢測的研究，將自然圖像中的頻域顯著性模型應用于SAR艦船檢測中，證實了顯著性算法在SAR圖像目標檢測中的可行性，雖然該方法僅應用在簡單場景中，但開啟了SAR圖像顯著性目標檢測的先河。之后，Liu等人[71]對經典的Itti模型進行改進以保證對SAR圖像中弱目標的檢測能力，提出了一種基于奇異值分解的SAR目標檢測方法，然而由于奇異值分解計算較慢，使得該算法在大場景SAR圖像中的應用受限。Zhao等人[72]利用基于脈沖余弦變換的顯著性方法進行SAR目標檢測。Wang等人[73]于2016年提出了模式重現(xiàn)(Pattern Recurrence,PR)顯著性檢測器，該檢測器使用了圖像塊而不是單個像素點的強度對比度來凸顯目標同時抑制相干斑噪聲。Ni等人[74]于2018年提出一種基于背景上下文信息的SAR圖像目標顯著性檢測方法，作者首先基于SAR圖像塊的統(tǒng)計均值自適應選擇了一些背景圖像塊，然后利用這些背景圖像塊與當前的圖像塊計算非相似度構造顯著圖，并在一些小場景SAR圖像上進行了實驗驗證。上面提到的幾種方法都是純數(shù)據驅動的，在簡單場景下有效，然而在復雜場景下它們很難獲得較好的檢測性能。

2.2.2 任務驅動方法

任務驅動方法除了考慮圖像本身的特性外還考慮了一些關于待檢測目標的先驗知識，比如Hou等人[75]基于視覺注意模型并結合艦船目標通常在水域而不是在陸地上這一先驗知識提出了一種艦船目標檢測方法來提高艦船目標的檢測性能。Wang等人[69,76]利用待檢測車輛目標的尺寸先驗信息，從原始SAR圖像的強度高斯金字塔中選取任務相關的尺度用于構建顯著圖，在凸顯目標的同時壓制背景雜波，有效地提高了目標檢測的精度和速度。為了進一步去除非均勻背景下強雜波虛警，Wang等人[68,69]提出了一種基于貝葉斯-形態(tài)學顯著性的SAR目標檢測方法，該方法主要包括貝葉斯顯著圖構建和形態(tài)學顯著圖構建。其中，貝葉斯顯著圖可以獲得感興趣的目標以及一些強雜波的完整結構，有利于后續(xù)目標先驗信息的充分利用；形態(tài)學顯著圖通過結合目標尺寸和形狀先驗信息凸顯感興趣目標的同時壓制自然雜波和人造強雜波。針對復雜的港口區(qū)域艦船目標檢測的問題，Zhai等人[77]提出一種基于上下文信息顯著性的艦船目標檢測方法，該方法首先對SAR圖像分割為超像素，然后計算該超像素的局部和全局顯著度，最后利用艦船目標周圍是水域、地面雜波周圍是陸地的上下文先驗信息去除部分雜波虛警。上面的方法主要從目標特性分析的角度進行顯著性目標檢測，然而有些情況下目標先驗知識較少，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顯著性的SAR目標檢測方法，利用純雜波圖像塊和稀疏重構算法在圖像域和特征域分別構建顯著圖，并將這兩種顯著圖進行融合，不僅提高了顯著性檢測的精度還由于圖像塊的使用增強了對斑點噪聲的抑制能力。

需要注意的是，一般來說在顯著圖上確定精確完整的目標輪廓較為困難，而且上述目標檢測方法在獲得顯著圖之后需要人為設定閾值來獲得檢測結果，檢測結果有時并不盡如人意，因此，一些學者利用顯著性檢測方法先確定目標的大致區(qū)域，在這個區(qū)域內進一步處理得到精確的檢測結果。如Tu等人[79]利用顯著性檢測方法找到顯著的目標區(qū)域，然后利用活動輪廓模型對顯著目標區(qū)域進行精細分割以精確定位目標的邊界，但是該方法在復雜場景下很難得到目標的精確輪廓。

2.3 基于復圖像的目標檢測方法

以上討論的檢測方法僅利用了實數(shù)域SAR圖像，主要考慮的是目標與雜波在圖像幅度上的差異，然而，SAR圖像形成的物理本質是電磁波與場景或目標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數(shù)數(shù)據。復數(shù)SAR圖像數(shù)據中包含了豐富的地物和目標電磁散射信息，例如幾何形狀、材質、結構等，從這個意義上講基于復圖像特征的目標檢測算法是更為廣義上的SAR圖像目標檢測算法。因此，理論上，可以通過對2維SAR回波特性和成像機理進行深入的研究，發(fā)展更為精確的目標檢測算法。目前基于復圖像的目標檢測算法可以分為子視圖相干法以及復數(shù)域統(tǒng)計建模的方法。

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為子視圖像[80]。子視圖的分辨率會隨子視圖個數(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單視復數(shù)SAR數(shù)據進行子視處理得到，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，對原始SAR圖像沿著某1維做FFT，得到該維度的頻譜數(shù)據，然后在去除成像時加窗處理的影響后，對頻譜數(shù)據進行有重疊或者無重疊的劃分，得到多個子頻譜，然后分別對這些子頻譜進行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檢測方法多沿著方位維進行子視圖提取[11]。沿著方位維提取的子視圖也稱為子孔徑圖像，子視圖相干法也稱為子孔徑相干法。

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是，目標在合成孔徑時間內不變，環(huán)境(如海雜波等)的相干時間低于合成孔徑時間，子孔徑相干之后目標區(qū)域的相干度高于環(huán)境區(qū)域，進而能進行目標的檢測。子視圖相干方法目前主要應用于海面艦船目標檢測，其優(yōu)點是不需要艦船目標具有很強的散射回波，而只需要子孔徑圖像間的回波相干性較強，因此散射回波強度較弱的目標也有可能被檢測到，可以克服CFAR依賴于目標與雜波高對比度的缺點。1999年Arnaud[81]利用兩幅子孔徑圖像進行干涉相干(歸一化的復數(shù)相干處理)進行艦船目標檢測。Souyris等人[10]于2003年指出干涉相干法由于歸一化處理導致幅度信息丟失，檢測性能較差，因此提出利用兩幅子孔徑像進行非歸一化的復數(shù)相干處理即厄米特內積(Internal Hermitian Product,IHP)進行艦船目標檢測。2004年Ouchi等人[11]嘗試將IHP應用于Radarsat-1數(shù)據艦船目標檢測上，發(fā)現(xiàn)2幅子孔徑圖像的復數(shù)相干結果仍然難以區(qū)分艦船目標和海雜波，因此提出利用2個子孔徑SAR圖像的幅度/強度而不是復數(shù)數(shù)據進行相干，得到多視交叉相關圖像，同時作者指出傳統(tǒng)復數(shù)相干結果較差的原因可能是成像期間的艦船運動造成的相位變化。為了提高利用子孔徑圖像復數(shù)相干方法艦船目標檢測的能力，2012年Wang等人[9]通過聯(lián)合利用多個子孔徑間的復相干性以及各子孔徑圖像的強度信息完成檢測，應用于海面艦船目標檢測。實驗顯示當子視圖像數(shù)量增加時，目標與雜波對比度有所提高。但是由于子視數(shù)目的增多圖像分辨率越來越低，因此需要平衡對比度和分辨率來選擇合適的子孔徑數(shù)目。

2.3.2 復數(shù)域統(tǒng)計建模的方法

以上子視圖相干法主要從子視圖之間的目標相干性進行艦船目標檢測。文獻[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檢測器的一種補充手段，存在艦船和雜波的對比度仍然不夠高的問題。為了充分利用復數(shù)數(shù)據，一些研究者對復數(shù)域SAR圖像進行統(tǒng)計建模和數(shù)據分析。在傳統(tǒng)的單通道低分辨SAR圖像處理理論中，把目標當作點目標進行處理，且認為復數(shù)SAR數(shù)據的相位是隨機的且服從均勻分布，相位信息無用，因此僅利用實數(shù)域數(shù)據進行SAR圖像處理和目標檢測、識別。El-Darymli等人[83]認為高分辨率SAR圖像中目標作為一種擴展目標，復數(shù)數(shù)據中的相位信息非常重要，因此Khalid等人利用復數(shù)SAR數(shù)據對高分辨率SAR圖像進行復數(shù)域統(tǒng)計建模。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]針對描述復數(shù)SAR圖像的復數(shù)廣義高斯分布的形狀參數(shù)估計耗時、不夠精確的問題，提出一種新的快速形狀參數(shù)估計方法。以上方法主要是對復數(shù)SAR圖像進行統(tǒng)計建模和數(shù)據分析的研究并沒有利用復數(shù)數(shù)據進行目標檢測，因此Leng等人[82,86]將復數(shù)SAR圖像統(tǒng)計建模應用到了艦船目標檢測中，利用復數(shù)信號的峰度進行艦船檢測，由于復數(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。

由上述內容可以看出，目前SAR圖像復數(shù)據主要應用在海洋背景下的艦船目標檢測方面。基于復數(shù)SAR圖像的目標檢測方法雖然從物理機理出發(fā)，但是在具有多種人造目標干擾的地面背景下的目標檢測方面進展相對緩慢。2017年Zhang等人[87]提出一種基于復數(shù)神經網絡的極化SAR圖像分類方法，對傳統(tǒng)實數(shù)的卷積神經網絡進行復數(shù)化改造，最終在極化SAR圖像分類應用中取得了不錯的效果。期望后續(xù)能夠借鑒復數(shù)神經網絡的思路設計單極化復數(shù)SAR圖像的目標檢測方法，充分利用SAR圖像復數(shù)據自動學習SAR圖像目標與雜波的可分性散射特征。

為便于不同SAR目標檢測方法的比較，表1列出了以上所述3類SAR目標檢測方法的優(yōu)點和缺點。

3 SAR目標鑒別方法

SAR圖像目標鑒別作為SAR目標檢測的后處理步驟，其主要任務是在保留目標區(qū)域的同時，盡可能地剔除大量雜波虛警，進而降低后續(xù)目標分類/識別的計算負擔。目標鑒別的思想始于上世紀80年代，與SAR圖像目標檢測的研究一樣也是林肯實驗室最先開始進行的，經過若干年的發(fā)展，已經成為SAR應用領域一個重要的分支，在理論和應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SAR目標鑒別算法進行了詳細的梳理與總結，2009年之前的鑒別算法限于篇幅限制本文不再過多贅述。

下面本文對近幾年的SAR目標鑒別算法按照鑒別過程中所使用的監(jiān)督信息的不同，對鑒別算法分為以下兩大類：(1)基于全監(jiān)督學習的鑒別算法；(2)基于半監(jiān)督、弱監(jiān)督學習的鑒別算法。

3.1 基于全監(jiān)督學習的鑒別算法

在全監(jiān)督學習中，特征提取是全監(jiān)督學習首先需要解決的問題，提取能反映各個類別差異的可分性特征對于整個監(jiān)督學習算法來說至關重要。對于SAR圖像目標鑒別來說，特征的可分性好壞對其性能的影響最大，可分性好的特征即使用簡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過后續(xù)復雜的特征選擇和鑒別器也很難提高鑒別性能。因此，目前關于基于特征的SAR目標鑒別算法的研究更多集中在鑒別特征提取上。

1989年，林肯實驗室Burl等人[88]開創(chuàng)性提出了標準差、分形維和排列能量比3個紋理特征，在SAR目標鑒別實驗中獲得成功，開啟了鑒別特征提取的研究先河。后經林肯實驗室的幾位學者以及ERIM等機構的再塑造，逐漸形成了較全面反映目標和雜波虛警差異、應用廣泛的鑒別特征家族，高貴[5,16]對這些特征進行了詳細了分析和比較。2013年Park等人[13]提出了一種基于目標區(qū)域多角度投影的鑒別特征，其對疑似目標切片分割后的目標區(qū)域在0°～180°方向上進行投影，可以反映目標的長度、寬度、長寬比等信息，在一定程度上區(qū)分目標和自然雜波。

早期提出的各種鑒別特征多數(shù)是離散的、獨立的特征，每個特征有其獨特的物理意義，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和雜波的特性與差異，它們在一定程度上可以區(qū)分目標和雜波。然而，在實際應用中，大量的特征可能會造成特征冗余，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行特征選擇，選擇出最適合于當前SAR目標鑒別任務的特征子集進行鑒別。近十年來提出的SAR目標鑒別特征選擇算法可以歸納為搜索法、特征排序法、特征選擇與分類器相結合的方法這3類。(1)搜索法的思路是根據某種準則不斷地對最優(yōu)特征子集進行搜索，代表性方法有遺傳(Genetic Algorithm,GA)算法、序列浮動前向選擇(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度函數(shù)只考慮了特征選擇個數(shù)和總錯誤個數(shù)兩項，而在實際應用中，通常要求目標盡量不發(fā)生漏警，而允許雜波虛警存在誤判，因此，Gao[89]于2011年設計了新的適應度函數(shù)，該適應度函數(shù)同時考慮了特征子集個數(shù)、總錯誤個數(shù)、漏警個數(shù)3項的影響，保證在一定的總鑒別正確率下，漏警個數(shù)將盡可能低。劉軒等人[90]認為文獻[89]提出的改進的適應度函數(shù)中特征選擇個數(shù)這一項所占的比重較高，通過在該項中除以總特征數(shù)大幅減小了所選特征數(shù)對適應度函數(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]對傳統(tǒng)SFFS算法中剔除特征子集的準則進行了改進。相比于原始SFFS算法，改進后的SFFS算法提高了運算速度，降低了計算復雜度，提升了鑒別的總正確率。SFFS算法雖然計算效率高，但是不能保證結果是全局最優(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。實測數(shù)據的結果表明，相比于GA算法，基于PSO的特征選擇算法用于SAR目標鑒別的性能較高，但是也存在易產生局部最優(yōu)解的問題。針對GA算法等特征選擇算法對參數(shù)敏感的問題，Park等人[13]于2013年提出RS算法并應用于SAR目標鑒別。該算法從原始特征中搜索出與訓練樣本協(xié)方差矩陣秩數(shù)相等的特征子集作為特征選擇的結果，特征子集之間線性獨立，沒有特征冗余，且不需要提前設定參數(shù)。(2)特征排序法以某種準則衡量單個特征的可分性，并對特征進行排序，選出前幾個可分性較強的特征作為最優(yōu)特征組合。國防科技大學陳琪等人[93]利用各個鑒別特征的類內類間比大小對特征的線性可分性進行度量，得到優(yōu)選特征。該方法較簡單，不需要進行窮舉搜索問題，但是沒有考慮特征之間的耦合性。(3)特征選擇與分類器相結合的方法是將特征選擇融合到某一個分類框架中，通過求解優(yōu)化問題同時實現(xiàn)特征選擇和分類判決。西安電子科技大學王斐[94]提出一種結合稀疏特征選擇的降維判決方法并應用于SAR目標鑒別。該方法在Fisher線性判決分析的回歸模型中，對投影判決矩陣添加稀疏約束，通過求解優(yōu)化問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數(shù)據進行投影變換，得到由特征選擇后的原始特征線性組合的低維投影特征，最后采用最近中心法進行線性判決，同時實現(xiàn)特征選擇和分類判決。

表1 不同SAR目標檢測方法比較Tab.1 Comparison of different SAR target detection methods

最近針對復雜場景目標鑒別提出的特征大多都是一個相互關聯(lián)的整體，彼此依賴，利用特征選擇算法對特征進行選擇的效果并不理想，需要更有效的特征學習方法。傳統(tǒng)鑒別特征僅提供了關于目標和雜波大致、部分的描述，且一些特征是在對疑似目標區(qū)域進行分割的基礎上提取的，因此在一些簡單的場景下效果非常好，然而在復雜背景雜波且存在多目標、部分目標的場景下性能較差，為此，研究者們提出了眾多適合于復雜場景下目標鑒別的新特征。2018年Wang等人[76]基于光學遙感領域中的顯著性和全局性特征，結合SAR圖像的特性，提出了適合于SAR目標鑒別的改進的顯著性和全局性特征，對疑似目標切片進行局部以及全局的綜合描述，有效區(qū)分了目標和部分復雜雜波。為了解決低層特征語義信息較弱的問題，Du等人[95]結合SARSIFT和局部線性限制編碼，提出了中層特征，中層特征相比低層特征具有較豐富的語義信息，可以較好的區(qū)分目標和大部分雜波。針對復雜場景下切片級鑒別的弊端，結合廣泛應用于光學圖像的詞袋模型，Wang等人[96]提出了多域多級的超像素級特征描述符，該方法采用超像素作為基本的鑒別單元，對超像素從紋理域、多尺度幅度域以及子孔徑散射域進行全面的描述，以保證特征描述符鑒別目標與復雜雜波的能力。Wang等人[97]提出了一種基于卷積神經網絡的SAR目標鑒別方法，作者對檢測階段得到的潛在目標切片提取強度特征圖和邊緣特征圖，分別作為兩個卷積神經網絡的輸入，然后在高層對兩個網絡的特征進行特征級融合，自動提取出了區(qū)分目標和雜波的鑒別特征。

3.2 基于半監(jiān)督、弱監(jiān)督學習的鑒別算法

在上述基于特征的目標鑒別方法中，需要對檢測得到的疑似目標切片進行標記以訓練分類器，通常需人工標記大量的樣本以保證分類器的性能，然而在實際應用中，標記大量的SAR樣本耗時耗力。在復雜場景下，由于遮擋、目標聚集、目標散射強度較弱等原因，使得對疑似目標的標記更為困難，為此，有學者提出了半監(jiān)督、弱監(jiān)督的SAR目標鑒別方法，在減少人工標記樣本負擔的同時保證鑒別的精度。其中，半監(jiān)督學習就是少部分訓練數(shù)據的標記已知，大部分訓練數(shù)據的標記未知，訓練一個智能算法，同時利用已知標記和未知標記的數(shù)據進行學習，將輸入數(shù)據映射到標記的過程；弱監(jiān)督學習就是已知數(shù)據和其對應的弱標記，訓練一個智能算法，將輸入數(shù)據映射到一組更強的標記的過程。標記的強弱指的是其蘊含的信息量的多少，比如相對于在圖像中進行目標檢測任務的目標級標記來說，圖像級類別的標記就是弱標記。

Wang等人[98]在對傳統(tǒng)林肯實驗室提出的鑒別特征進行分析的基礎上，提出了基于協(xié)同訓練的半監(jiān)督目標鑒別方法，此方法只需要對少量的疑似目標切片進行標記，大大減少了人工標記的負擔。為了進一步提高鑒別性能，2019年Du等人[99]提出了基于半監(jiān)督無限隱狄利克雷模型的SAR目標鑒別方法，將特征學習和分類器學習統(tǒng)一在同一貝葉斯框架下，在少量標記樣本的條件下即可獲得較好的鑒別性能。同年，為了進一步減少鑒別模型對標記樣本的需求，Du等人[95]提出了一種基于弱監(jiān)督學習的鑒別方法，僅利用圖像級標記(圖像中是否含有目標)即可對檢測得到的疑似目標切片進行鑒別，獲得了與全監(jiān)督方法相當?shù)蔫b別性能，極大地減少了人工標記的負擔。

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

4 基于深度學習的目標檢測和鑒別一體化方法

目前深度學習作為一種同時進行特征學習和分類器設計的技術在光學圖像目標檢測、分類等任務中取得了令人矚目的成就，引起了廣泛的關注。不同于SAR ATR 3級處理流程，作為一種端到端的處理方法，深度學習可以實現(xiàn)檢測、鑒別、分類/識別3大步驟一體化。在3級處理流程中，檢測過程是將圖像中不可能包含目標的區(qū)域去除，生成疑似目標區(qū)域，鑒別過程中是進一步對疑似目標區(qū)域進行鑒別，分類/識別過程是對目標區(qū)域類別的進一步劃分。檢測階段更偏重效率，鑒別和分類/識別階段更注重準確?；谏疃葘W習的一體化方法是將檢測、鑒別和分類/識別3個步驟通過深度網絡完成，將傳統(tǒng)的3階段較好地統(tǒng)一到同一個框架中。由于檢測、鑒別都屬于目標和雜波二分類問題，SAR目標檢測和鑒別一體化深層網絡大都簡稱為SAR目標檢測網絡，但事實上該類方法同時也完成了目標和雜波的鑒別任務。

然而，深度學習需要大量有標記訓練樣本的支撐，例如光學數(shù)據集中的公開的手寫體字符MNIST[100]數(shù)據集有60000張圖像，公開的CIFAR-10[101]數(shù)據集有50000張圖像，公開的ImageNet[102]數(shù)據集中有1400萬張圖像。然而，公開的SAR圖像數(shù)據較少，尤其是有標記的SAR圖像更少。常用的目標檢測數(shù)據集MiniSAR只有9幅包含有民用車輛目標的SAR圖像可用，而且未給出標記樣本，圖像中的目標數(shù)據需要使用者人工標記，給基于深度學習的SAR圖像目標檢測和鑒別帶來了巨大的挑戰(zhàn)。

在分析SAR圖像固有特性和深度學習技術的特點的基礎上，有部分學者將深度學習方法應用到SAR圖像目標檢測中。研究者們通過數(shù)據擴充、遷移學習、參數(shù)縮減等角度[12,103-105]來保證深度網絡學習的收斂性，進而保證網絡的檢測精度。下面將對深度學習技術應用于SAR圖像海面艦船目標檢測和地面車輛目標檢測的情況分別進行闡述。

海面艦船目標檢測方面，針對傳統(tǒng)帶有全連接層的卷積神經網絡參數(shù)過多而需要大量訓練數(shù)據的問題，2017年Cozzolino等人[106]提出一種基于全卷積神經網絡的艦船目標檢測方法，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網絡對其進行目標與雜波的二分類，最終實現(xiàn)了艦船目標檢測。針對SAR圖像數(shù)據缺乏公開標注數(shù)據集而導致深度學習技術的應用困難的問題，海軍航空大學李健偉等人[107]于2018年構建了一個全球首個公開的SAR圖像艦船目標檢測數(shù)據集SSDD,SSDD包含不同分辨率、尺寸、海況、傳感器類型等條件下的艦船SAR圖像，一共有2456個艦船目標，作者結合遷移學習改進了的Faster-RCNN并在SSDD數(shù)據集上展示了不錯的效果。同年，基于SSDD數(shù)據集，Jiao等人[108]針對多尺度和多場景SAR圖像艦船檢測難題，改進了Faster-RCNN提出了一種端到端的檢測網絡。針對港口背景下的艦船目標檢測虛警較多的問題，Liu等人[109]提出一種基于深度神經網絡的港口區(qū)域艦船目標檢測方法，該方法構建了多尺度的全卷積神經網絡來融合局部和全局上下文信息，并采用旋轉目標框對港口區(qū)域的目標進行精確定位，顯著提高了港口復雜背景下的艦船目標檢測的精度。2019年李健偉等人[110]在現(xiàn)有SSDD數(shù)據集的基礎上，針對目前檢測算法對數(shù)據集利用不充分的問題，提出一種基于生成對抗網絡(Generative Adversarial Networks,GAN)數(shù)據擴充技術和線上難例挖掘(Online Hard Example Mining,OHEM)的SAR圖像艦船目標檢測的算法。中國科學院空天信息創(chuàng)新研究院孫顯等人[111]提出高分辨率SAR艦船檢測數(shù)據集AIR-SARShip-1.0，該數(shù)據集包含31景高分三號SAR圖像，場景類型包含港口、島礁、不同級別海況的海面等，背景涵蓋近岸和遠海等多樣場景，數(shù)據量比SSDD數(shù)據集大，更適合深度學習技術在SAR目標檢測中的應用。同時，作者使用經典艦船檢測算法和深度學習算法進行了實驗，指出基于密集連接端到端的網絡方法效果最佳。針對Faster R-CNN網絡僅僅利用單一尺度的特征圖提取目標候選區(qū)域的不足，2019年Zhao等人[112]基于Faster R-CNN提出了Coupled CNN目標檢測網絡，其特點是利用多尺度的特征圖提取目標候選區(qū)域,在目標尺寸多樣的海面目標檢測中取得了較好的效果。針對大場景圖像目標快速檢測的問題，2019年陳慧元等人[113]提出了一種基于級聯(lián)卷積神經網絡的大場景遙感圖像艦船目標快速檢測方法，該方法首先使用一個輕量級的目標預篩選全卷積網絡，對大場景中可能的目標進行預篩選，然后使用目標精確檢測全卷積網絡對目標進行精確定位，該方法可以顯著提高目標檢測的效率，可實現(xiàn)大場景遙感圖像目標快速檢測。

表2 SAR目標鑒別方法總結Tab.2 Summary of SAR target discrimination methods

地面車輛目標檢測方面，針對SAR數(shù)據較少容易產生過擬合的問題，2016年杜蘭等人[103]結合遷移學習和數(shù)據擴充技術提出了一種基于卷積神經網絡的SAR目標檢測方法，該方法先用已有的完備數(shù)據集訓練得到卷積神經網絡分類模型，用得到的模型對基于Faster R-CNN的檢測網絡進行參數(shù)遷移，再利用完備數(shù)據集對訓練數(shù)據做擴充對網絡進行學習，在具有復雜場景的miniSAR數(shù)據上可以獲得比傳統(tǒng)CFAR更好的檢測性能。miniSAR數(shù)據集是2006年美國Sandia國家實驗室公開的一個以復雜城區(qū)場景為主的實測數(shù)據集，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圖像場景中包含民用車輛、建筑物、道路、直升機、草地和樹木等，在檢測、鑒別應用中通常將民用車輛作為感興趣目標。Chen等人[12]對深度網絡的參數(shù)進行縮減，提出了一種基于全卷積神經網絡的SAR圖像目標檢測方法，該方法采用滑窗的方式提取候選目標切片，然后對傳統(tǒng)卷積神經網絡去除全連接層，得到全卷積網絡對候選目標切片進行二分類處理，最終區(qū)分出目標和雜波，文中作者只對合成的簡單場景下的MSTAR大圖進行了實驗，缺少對復雜場景的驗證。為了進一步提高復雜場景下SAR目標檢測的性能，2019年Wang等人[104]提出了一種基于SSD模型的SAR圖像目標檢測方法，該方法結合SAR圖像的特性設計了面向SAR圖像的數(shù)據擴充和遷移學習方法，在具有復雜場景的miniSAR數(shù)據上獲得比基于Faster R-CNN檢測網絡更好的檢測性能。現(xiàn)今，數(shù)據擴充、遷移學習、參數(shù)縮減等方式已經成為基于深度學習的目標檢測方法必需的處理手段。在此基礎上，為了進一步抑制背景雜波提高SAR目標檢測性能，2019年Du等人[114]提出了一種顯著性引導的SSD目標檢測方法，利用圖像的顯著性信息，引導深度卷積神經網絡關注目標區(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檢測性能。

以上深層網絡檢測方法均使用的是全監(jiān)督學習，需要對所有訓練SAR圖像進行切片級標記，人工標記十分耗時費力。為了減少人工標記的負擔，降低網絡對標記數(shù)據的依賴程度，2020年杜蘭等人[115]提出了一種基于半監(jiān)督學習的SAR目標檢測網絡，該方法首先使用少量切片級標記的SAR圖像訓練目標檢測網絡，然后使用圖像級標記的SAR圖像輸入網絡，對檢測結果中的切片進行挑選，并加入候選切片集，最后使用更新后的候選切片集對檢測網絡再次訓練，挑選切片和訓練檢測網絡多次迭代直至收斂，該方法對切片級標記的SAR圖像需求量少，與全部訓練樣本都進行切片級標記的全監(jiān)督方法的性能相差不大，大大降低了人工標記的工作量。

根據現(xiàn)有公開文獻看，目前具有標注信息公開的車輛目標檢測SAR圖像數(shù)據集暫時缺乏，部分研究者采用MSTAR數(shù)據嵌入到雜波背景中或者miniSAR圖像人工標注的方式構建地面車輛目標檢測數(shù)據集。實際上復雜地面背景下民用車輛散射強度較弱且分布密集，與周圍的建筑物等雜波背景區(qū)分度較差，人工標注過程中會存在很多無法確定是否為車輛目標的情況，因此不可避免的會存在一些錯誤標注的情況，為深度神經網絡的訓練增加了難度。期望在后續(xù)研究過程中，研究者們可以齊心協(xié)力一起構建具有標注信息的復雜地面背景下車輛目標檢測公開數(shù)據集，推動SAR圖像地面背景下車輛等感興趣目標檢測技術的發(fā)展。

表3對SAR目標檢測、鑒別2級流程與檢測、鑒別一體化方法進行了比較。在實際應用中，檢測、鑒別方法的時效性是非常重要的，表3也指出了一些傳統(tǒng)方法在時效性上的優(yōu)勢。需要說明的是，對于運算效率，理論研究時，目前的深度學習方法大都在計算性能更強的GPU上進行運算，傳統(tǒng)方法一般在CPU上進行運算，深度學習由于GPU運算的加持，其測試時間一般會比傳統(tǒng)方法少；但是在實際的工程應用中，由于功耗限制，運算平臺的計算性能相對不高，在這種情況下，比較簡單的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，但相對于這些傳統(tǒng)方法，深度學習方法的測試時間會比較長，效率不高。不過，計算量對于具體的方法要具體衡量，尤其是對步驟復雜的傳統(tǒng)方法而言，要根據具體步驟具體計算，并不能一概而言。

表3 SAR目標檢測、鑒別2級流程與基于深度學習的檢測、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

針對現(xiàn)有復雜場景下單通道SAR目標檢測和鑒別方法的不足，今后的研究工作可以考慮以下5個問題：

(1)自適應確定雜波類型和雜波樣本的研究：對于復雜場景SAR圖像，在整個場景中存在多種類型的雜波區(qū)域，而不同區(qū)域的雜波統(tǒng)計特性變化較大，因此需要自適應地確定雜波類型，進而選擇合適的統(tǒng)計模型；同時需要自適應的選擇CFAR雜波窗內的雜波樣本，避免多目標區(qū)域、雜波邊緣等問題帶來的虛警以及漏警問題。自適應確定雜波類型和雜波樣本對于提高基于CFAR的目標檢測方法的檢測性能具有重要意義。

(2)SAR圖像特性在深度網絡中的嵌入：現(xiàn)有的基于深度學習的檢測和鑒別方法所用網絡絕大多數(shù)是從光學圖像繼承過來的，如何將SAR圖像獨有的特性嵌入到深度學習中，比如單通道SAR圖像的復信息對于復雜環(huán)境下檢測性能提升很重要，設計針對SAR圖像的深度網絡具有重要意義。

(3)基于半監(jiān)督、弱監(jiān)督學習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)督信息即可學習，在實際應用中具有重大的發(fā)展?jié)摿Γ芯坑行У?、具有實際應用型的基于半監(jiān)督、弱監(jiān)督的鑒別方法具有重大意義。

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

(5)快速算法的研究：在實際應用中，往往面臨大場景SAR圖像數(shù)據，對靜止時敏目標的檢測、鑒別對于時效性要求很高。目前的深度學習算法在計算資源(GPU、存儲等)充足的理想情況下運算速度具有優(yōu)勢，但卻無法應用于片上處理或者星上處理。類似的，一些改進的CFAR、顯著性方法越復雜運算也越慢。因此，提升這些高性能算法的運算效率對于SAR ATR系統(tǒng)的實用化具有重要意義。

6 結束語

本文對近十年復雜場景下單通道SAR圖像目標檢測與鑒別的主要算法脈絡進行了梳理，分析了這些算法的優(yōu)缺點，并對未來復雜場景下單通道SAR圖像目標檢測與鑒別技術的發(fā)展進行展望。由于在復雜場景下SAR圖像存在雜波散射強度相對高、雜波背景非均勻和目標散射強度相對弱、分布密集等情況，使得傳統(tǒng)的SAR圖像目標檢測與鑒別技術無法滿足實際需求，期冀更多研究學者能夠對其進行深入研究，共同解決復雜場景下SAR目標檢測及鑒別的難題。