陳 璽， 何 斌， 龍勇機(jī)， 宋向宇， 畢國(guó)玲

(1. 中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春 130033；2. 中國(guó)科學(xué)院大學(xué)，北京 100049)

1 引 言

在科技的快速發(fā)展和信息化時(shí)代戰(zhàn)略需求改變的形勢(shì)下，基于可見(jiàn)光遙感圖像的海上艦船目標(biāo)檢測(cè)有著重大的研究意義和價(jià)值。近年來(lái)，隨著光學(xué)遙感圖像分辨率的大幅度提高，為檢測(cè)算法的研究提供了更多的思路和方法。目前本領(lǐng)域的主要問(wèn)題是如何在復(fù)雜背景中提取出艦船目標(biāo)同時(shí)有效消除遙感圖像中的云霧、海雜波、海島、陰影等地物信息帶來(lái)的干擾，同時(shí)還需要確保算法的高效性、快速性和可移植性[1]，實(shí)現(xiàn)在軌實(shí)時(shí)檢測(cè)的戰(zhàn)略需求。

現(xiàn)今提出的目標(biāo)檢測(cè)方法可分為基于圖像處理的傳統(tǒng)算法和基于檢測(cè)網(wǎng)絡(luò)框架的深度學(xué)習(xí)算法兩大類[2]。傳統(tǒng)的檢測(cè)算法往往采用先檢測(cè)疑似區(qū)域再精細(xì)識(shí)別的策略[3-11]。在檢測(cè)疑似區(qū)域上，最多采用的是閾值分割法。全局性的閾值分割算法實(shí)現(xiàn)簡(jiǎn)單，但在較為復(fù)雜的背景下虛警率高。局部性的方法分為局部閾值和滑動(dòng)窗口的方法，此類方法的窗口大小等參數(shù)不容易確定，同時(shí)圖像中的目標(biāo)占據(jù)整體部分較小，算法盲搜索檢測(cè)效率很低。近年來(lái)，提出了一類基于人類的視覺(jué)顯著性提取疑似區(qū)域的方法，通過(guò)計(jì)算出圖像中每點(diǎn)的顯著性值代替其本身的灰度值。顯著性算法計(jì)算的顯著值表征該點(diǎn)在視覺(jué)的明顯程度，通過(guò)閾值分割后可以提取出圖像中的明顯成分，常見(jiàn)的顯著性模型有SR[12]、ITTI[13]、CONV[14]等。精細(xì)識(shí)別部分多采用支持向量機(jī)等機(jī)器學(xué)習(xí)分類器通過(guò)訓(xùn)練目標(biāo)特征進(jìn)行識(shí)別。Li[7]等通過(guò)采用自適應(yīng)閾值的譜殘差法結(jié)合融合特征的方式實(shí)現(xiàn)對(duì)復(fù)雜背景的艦船提取。Zhao[4]等首先獲取多尺度最優(yōu)的顯著性圖，之后引入徑向梯度變換的方法提取艦船目標(biāo)。此類算法計(jì)算量較小，可以快速搜尋目標(biāo)區(qū)域，并已經(jīng)用于硬件移植[15]，但對(duì)算法設(shè)計(jì)要求較高。近年來(lái)，隨著深度學(xué)習(xí)的迅速發(fā)展，出現(xiàn)了R-CNN、yolo[16-17]等成熟的目標(biāo)檢測(cè)框架。為本領(lǐng)域提出了一種新的思路。Ma[10]和Zhao[11]分別基于yolo和fast R-CNN兩種目標(biāo)檢測(cè)框架，根據(jù)艦船目標(biāo)特征進(jìn)行改進(jìn)，從而用于艦船識(shí)別?；谏疃葘W(xué)習(xí)的方法對(duì)復(fù)雜背景的適應(yīng)性往往優(yōu)于傳統(tǒng)算法，但此類算法對(duì)數(shù)據(jù)集的要求較高，同時(shí)算法模型參數(shù)量大，帶來(lái)計(jì)算量大等問(wèn)題。目前在軌檢測(cè)的算法一般是在FPGA上實(shí)現(xiàn)，就本地服務(wù)器而言，F(xiàn)PGA的硬件配置較低，深度學(xué)習(xí)網(wǎng)絡(luò)移植目前難度較大。

針對(duì)以上分析，本文提出了一種高效、快速的海上艦船目標(biāo)檢測(cè)方法，對(duì)復(fù)雜背景有較好的魯棒性。首先，采用基于快速高效的全局性算法——譜殘差顯著性算法獲取顯著性區(qū)域，使用基于梯度幅值矩陣均值的自適應(yīng)算法獲取最優(yōu)尺度得到全局最優(yōu)顯著圖，同時(shí)設(shè)計(jì)較低的自適應(yīng)閾值進(jìn)行二值化處理。然后，針對(duì)低閾值導(dǎo)致的虛警增多及目標(biāo)因周圍局部復(fù)雜度較高而無(wú)法區(qū)分的問(wèn)題，設(shè)計(jì)輪廓特征對(duì)候選區(qū)域進(jìn)行分析，判斷獲得的局部區(qū)域是否符合目標(biāo)特征，對(duì)復(fù)雜度較高無(wú)法區(qū)分的區(qū)域?qū)?yīng)原圖的部分重新進(jìn)行局部顯著性計(jì)算，將局部提取的高疑似區(qū)域替換原顯著圖的對(duì)應(yīng)部分，得到最優(yōu)顯著圖。最后，對(duì)切片進(jìn)行降采樣提取特征通過(guò)支持向量機(jī)進(jìn)一步剔除虛警。實(shí)驗(yàn)結(jié)果表明，本文算法能在復(fù)雜背景下檢測(cè)出不同尺寸和方向的艦船目標(biāo)，在精度和召回率等常見(jiàn)評(píng)價(jià)指標(biāo)都優(yōu)于大多數(shù)同類算法，接近深度學(xué)習(xí)網(wǎng)絡(luò)的檢測(cè)精度，同時(shí)計(jì)算量和參數(shù)量遠(yuǎn)小于深度學(xué)習(xí)網(wǎng)絡(luò)。

2 候選區(qū)域提取

2.1 譜殘差法獲取疑似區(qū)域

譜殘差法(SR)是Hou[13]提出的一種基于頻域分析的視覺(jué)顯著性檢測(cè)模型，通過(guò)對(duì)圖像頻域變換后進(jìn)行差分來(lái)有效去除圖像中的冗余信息，即海面、云層等背景信息，同時(shí)實(shí)現(xiàn)速度也快于大多顯著性模型。算法處理效果如圖1所示。

圖1 輸入圖像及其顯著圖Fig.1 Image and its salient map

算法實(shí)現(xiàn)過(guò)程如下：

(1)將圖像通過(guò)傅里葉變換進(jìn)行頻域轉(zhuǎn)換，獲得圖像的幅度譜A(f)及其對(duì)數(shù)L(f)、相位譜P(f)等參數(shù)。

(1)

(2)

(3)

(2)在頻域下采用均值濾波器hn(f)進(jìn)行平滑，提取圖像中的冗余信息。

(4)

(3)使用幅度譜的對(duì)數(shù)減去平滑后的結(jié)果得到譜殘差，用譜殘差代替幅度譜進(jìn)行反變換。

(5)

(6)

(4)最后對(duì)復(fù)原圖像進(jìn)行高斯濾波，得到顯著圖。生成的顯著圖一般需要進(jìn)行二值分割得到良好的可視效果。

2.2 全局顯著圖自適應(yīng)尺度選擇

從算法特性可知，SR算法的效果與圖像的分辨率尺度息息相關(guān)。不同分辨率下關(guān)注的顯著性目標(biāo)可能會(huì)存在差異，同時(shí)高分辨率下存在的高頻噪聲、海雜波等背景也會(huì)導(dǎo)致虛警數(shù)目的增加。圖2為圖1輸入圖像在不同尺度下(分別為原圖的大小的0.8，0.5，0.1倍)的顯著圖。圖像中的海況復(fù)雜，在低尺度下目標(biāo)較顯著，同時(shí)噪聲被抑制，效果較好。但尺度過(guò)小，也可能導(dǎo)致信息丟失，產(chǎn)生漏檢等問(wèn)題，需要根據(jù)實(shí)際情況確定最優(yōu)尺度。為解決此問(wèn)題，本文提出一種基于梯度的自適應(yīng)尺度選擇算法，來(lái)獲取最優(yōu)尺度的顯著圖。

圖2 圖1輸入圖像不同尺度下顯著圖Fig.2 Saliency maps at different scales

對(duì)于圖像矩陣I中的任意一點(diǎn)I(x,y)，其對(duì)應(yīng)的梯度幅值A(chǔ)(x,y)可表示為:

(7)

其中:gx(x,y)、gy(x,y)分別為像素點(diǎn)I(x,y)分別在x、y軸方向的梯度值。其求取是通過(guò)圖像矩陣(經(jīng)過(guò)伽馬較正)分別與模板T及其轉(zhuǎn)置矩陣卷積得到。

(8)

圖像幅值矩陣A的均值mean代表圖像的平均梯度幅值，其可以很好地反映圖像紋理的復(fù)雜程度。如圖3所示。

(a)平靜海面下(mean=0.26)(a)Under calm sea (mean=0.26)

(b) 復(fù)雜背景下(mean=1.22)(b) In complex contexts(mean=1.22)圖3 輸入圖像及其梯度幅值圖Fig.3 Image and its gradient amplitude map

從圖3可以看出，在背景信息復(fù)雜的圖像中，其梯度矩陣的均值mean遠(yuǎn)大于平靜海面的圖像。而復(fù)雜圖像中存在大量的高頻成分會(huì)大幅降低實(shí)際目標(biāo)的顯著性，需要對(duì)圖像進(jìn)行低尺度降維，使背景平滑，從而降低圖像的平均梯度，減弱背景干擾。圖4為圖3(b)圖像降維后的效果，此時(shí)尺度為0.1，梯度均值為0.52。與圖2相比，背景被明顯壓制，目標(biāo)也更加突出。

圖4 在低尺度下的圖像及梯度幅值圖Fig.4 Image and its gradient amplitude map

經(jīng)實(shí)驗(yàn)表明，圖像的平均梯度在0.2附近時(shí)效果較好，定義其為標(biāo)準(zhǔn)平均值meanstd。根據(jù)圖像的平均梯度與標(biāo)準(zhǔn)值的接近程度來(lái)匹配最合適的尺度。設(shè)定尺度參數(shù)為S=[0.75,0.5,0.25,0.1]，選擇的最優(yōu)尺度索引c*為：

(9)

式中，meanS(c)是在c*索引代表的尺度下圖像梯度的均值。最接近標(biāo)準(zhǔn)值meanstd的尺度為最優(yōu)尺度。圖5分別表示圖3(b)中圖像的顯著圖以及其在自適應(yīng)最優(yōu)尺度下的顯著圖。右圖即為在最優(yōu)尺度下的顯著圖，能夠明顯突出疑似目標(biāo)。

圖5 顯著圖對(duì)比Fig.5 Comparison of saliency maps

2.3 基于直方圖的自適應(yīng)閾值分割

根據(jù)譜殘差法的算法原理，取得的顯著值層級(jí)相差較大，集中分布在0和1附近。同時(shí)由于遙感圖像低頻背景部分占比較大，導(dǎo)致低顯著值的部分顯著值極小且占比很大[15]。其顯著性直方圖如圖6所示。使用常用的均值、方差等參數(shù)作為閾值不能很好地反映圖像顯著性的變化規(guī)律，而常用的OTSU閾值往往較大，容易遺漏目標(biāo)。為了獲得較好的分類效果同時(shí)盡可能避免遺漏，根據(jù)圖像顯著值的分布特征，本文采用一種基于直方圖的閾值分割方法。在總體顯著圖中，設(shè)定大小在前10%的像素點(diǎn)為顯著性點(diǎn)，其閾值對(duì)應(yīng)顯著圖直方圖大小在前10%對(duì)應(yīng)的最小灰度級(jí)m所代表的灰度級(jí)數(shù)。

圖6 顯著圖的灰度直方圖Fig.6 Grayscale histogram of salient map

最后，將二值化的顯著圖還原為原來(lái)大小，即獲得全局最優(yōu)顯著圖。圖7顯示了某存在復(fù)雜背景圖像的顯著圖通過(guò)各閾值分割方法的效果對(duì)比。可以看出，本文算法雖然存在一些冗余信息，但完整保留了疑似目標(biāo)區(qū)域，沒(méi)有出現(xiàn)目標(biāo)遺漏。表1顯示了在測(cè)試集中3種分割方法下檢測(cè)到的目標(biāo)數(shù)目，本文算法較其他方法能夠保留更多目標(biāo)。

(a)原圖(a) Original image

(b) 本文分割方法(b) Segmentation method in this paper

(c) 文獻(xiàn)[7]方法(c) Methods of literature [7]

(d) OTSU方法(d) Otsu’s method圖7 不同分割算法下的全局顯著圖Fig.7 Global saliency graph under different segmentation algorithms

表1 不同閾值下提取效果對(duì)比

2.4 基于輪廓的局部復(fù)雜區(qū)域預(yù)篩選和顯著圖融合

全局性算法的弊端來(lái)源于全局性閾值對(duì)局部區(qū)域的適應(yīng)性差。為了降低漏檢，全局閾值的設(shè)定應(yīng)盡量小，這樣導(dǎo)致可能無(wú)法分離一些高頻背景與目標(biāo)，在顯著圖中存在積聚的情況。圖8為圖5(b)中的一部分區(qū)域，由于此部分存在復(fù)雜海面、陰影等干擾，使得生成的顯著圖效果不佳。并不能把目標(biāo)與背景分開(kāi)。

圖8 低閾值下復(fù)雜區(qū)域的顯著圖切片F(xiàn)ig.8 Slicing of salient maps of complex regions under low thresholds

本文將這些區(qū)域稱為復(fù)雜區(qū)域。本部分將通過(guò)區(qū)域輪廓的形狀等特征篩選出復(fù)雜區(qū)域，并對(duì)局部復(fù)雜區(qū)域進(jìn)行顯著性處理，最后對(duì)處理后的區(qū)域進(jìn)行融合，以獲取最佳顯著圖。檢測(cè)流程如圖9所示。

圖9 基于輪廓的疑似區(qū)域處理流程Fig.9 Suspected region processing process based on contour

由于艦船為長(zhǎng)條形，兩邊對(duì)稱。本算法根據(jù)輪廓對(duì)應(yīng)的形狀特征對(duì)疑似輪廓進(jìn)行篩選。

設(shè)計(jì)的具體特征如下：

(1)長(zhǎng)寬比l，定義為疑似區(qū)域輪廓等效橢圓的長(zhǎng)軸與短軸之比。

(2)占空比o，定義為疑似區(qū)域輪廓面積與其等效橢圓面積之比。

(3)緊密度c，定義如下:

(10)

其中:Perimeter和Area分別代表輪廓的周長(zhǎng)和面積。區(qū)域?yàn)闃?biāo)準(zhǔn)圓形時(shí)，c為1。隨著區(qū)域邊界的復(fù)雜程度增加，c也會(huì)逐漸增大。

本算法將顯著圖中的疑似目標(biāo)區(qū)域分為3類：近似目標(biāo)區(qū)域的高疑似目標(biāo)、未知的復(fù)雜區(qū)域、虛警。分類標(biāo)準(zhǔn)如表2所示。

表2 基于輪廓特征的分類標(biāo)準(zhǔn)Tab.2 Classification criteria based on contour features

其中，高疑似目標(biāo)需要滿足下面所有條件，而滿足以下任意條件的輪廓即為虛警，復(fù)雜區(qū)域?yàn)槌咭伤颇繕?biāo)和虛警外的其他部分。對(duì)各部分的分類效果如圖10所示。

對(duì)于上述的復(fù)雜區(qū)域產(chǎn)生的主要原因是全局性的閾值無(wú)法對(duì)局部復(fù)雜區(qū)域進(jìn)行很好的分割。處理方法是將該部分作為整體進(jìn)行進(jìn)一步顯著性

(a)全局顯著圖(a) Global salience map

(b)提取的高疑似目標(biāo)(b) High suspected targets extracted

(c)提取的復(fù)雜區(qū)域(c) Complex areas extracted圖10 基于輪廓特征的預(yù)篩選分類Fig.10 Prescreening based on contour features

檢測(cè)。首先對(duì)提取復(fù)雜區(qū)域以連通域?yàn)閱挝惶崛【植壳衅?，采用低通濾波器對(duì)圖像進(jìn)行平滑，去除高頻噪聲，之后繼續(xù)采用譜殘差法生成顯著圖。圖11表示對(duì)圖8復(fù)雜區(qū)域的處理效果，可以看出，通過(guò)局部處理可進(jìn)一步分離出疑似目標(biāo)。之后對(duì)生成的區(qū)域依照2.3節(jié)的判定方法進(jìn)行進(jìn)一步判定。為提高算法效率，本步驟只判定此次結(jié)果存不存在高疑似目標(biāo)，不進(jìn)行迭代。

圖11 復(fù)雜區(qū)域局部處理后的結(jié)果Fig.11 Result of local processing

圖12 融合后的顯著圖Fig.12 Salient map after fusion

最后，將局部處理后的圖像檢測(cè)到的高疑似區(qū)域替換原顯著圖的對(duì)應(yīng)部分，進(jìn)行圖像融合。融合效果圖如圖12所示。

3 目標(biāo)精細(xì)判別

下面的工作主要基于圖像的輪廓特征進(jìn)行目標(biāo)的篩選，可能存在部分與目標(biāo)形狀相似的云塊、海浪等信息，需要進(jìn)一步判別。采用對(duì)切片降維后的像素點(diǎn)作為特征，結(jié)合標(biāo)準(zhǔn)化特征，通過(guò)支持向量機(jī)進(jìn)行訓(xùn)練模型進(jìn)一步篩選。

圖像降維是機(jī)器學(xué)習(xí)的一種常見(jiàn)操作，類似于卷積神經(jīng)網(wǎng)絡(luò)的池化，可以降低圖像中的冗余特征并獲取深層特征，同時(shí)降低參數(shù)量，廣泛應(yīng)用于手寫數(shù)字識(shí)別和人臉識(shí)別等項(xiàng)目中。

本文將切片圖像降維到7×7大小的特征圖。如圖13所示，將特征圖的所有像素作為特征(共49維)。同時(shí)需要對(duì)降維特征進(jìn)行標(biāo)準(zhǔn)化，提取降維后特征圖的最大值、最小值、均值、方差、原切片的方差和對(duì)應(yīng)梯度矩陣方差比作為降維圖像的標(biāo)準(zhǔn)化特征。

圖13樣本降維Fig.13 Image after Samples after dimensionality reduction

將從每個(gè)樣本提取的55維特征組合成特征向量，之后通過(guò)SVM進(jìn)行訓(xùn)練。將訓(xùn)練的模型作為二分類器，對(duì)候選區(qū)域進(jìn)行精細(xì)判別。圖14為SVM的檢測(cè)效果示例。

(a)疑似目標(biāo)定位(a)Positioning of suspected targets

(b)SVM檢測(cè)結(jié)果(b)SVM test results圖14 SVM檢測(cè)結(jié)果Fig.14 SVM test results

4 實(shí)驗(yàn)分析

4.1 算法實(shí)現(xiàn)

為了充分驗(yàn)證算法特性，本實(shí)驗(yàn)從Google Earth收集復(fù)雜背景下遙感圖像480張，大小從768×768到2 048×2 048不等，將其中320張作為訓(xùn)練用圖片，并從中提取474個(gè)正樣本，308個(gè)負(fù)樣本作為分類器的訓(xùn)練樣本。剩下的160張作為測(cè)試圖片，共包含420個(gè)艦船目標(biāo)。本實(shí)驗(yàn)的硬件環(huán)境基于intel core i7 8750H，GTX 1060，軟件平臺(tái)為MATLAB 2018b。

圖15分別顯示目標(biāo)在復(fù)雜海面、陰影、碎云干擾下的處理步驟和檢測(cè)效果。可以看出，本文算法可以在不同類型的場(chǎng)景下通過(guò)總體自適應(yīng)尺度變換和局部復(fù)雜區(qū)域顯著性處理得到高質(zhì)量的融合顯著圖。最后通過(guò)SVM進(jìn)行精細(xì)辨別，在各種情況下均能準(zhǔn)確檢測(cè)到目標(biāo)。

(a)原圖(a) Original image

(b)局部處理后的融合顯著圖(含閾值分割)(b) Fusion saliency map after local treatment

(c)目標(biāo)精細(xì)判別(c) Fine identification of targets圖15 艦船檢測(cè)實(shí)驗(yàn)結(jié)果Fig.15 Ship detection test results

4.2 實(shí)驗(yàn)結(jié)果分析

在算法耗時(shí)方面，在當(dāng)前軟硬件環(huán)境下訓(xùn)練SVM分類器用時(shí)39.28 s，對(duì)于大小為768×768的圖像，單次檢測(cè)平均用時(shí)1.667 s。此外，本文采用召回率(Recall)和檢測(cè)精度(Precision)來(lái)評(píng)價(jià)算法的有效性，各指標(biāo)定義如下：

(11)

(12)

其中:NDS代表檢測(cè)到的艦船數(shù)目，NTS代表艦船的總數(shù)，NDF代表檢測(cè)錯(cuò)誤檢測(cè)的數(shù)目。

為驗(yàn)證算法效果，本文算法與文獻(xiàn)[3]和文獻(xiàn)[9]中算法進(jìn)行了對(duì)比。文獻(xiàn)[3]算法采用基于元胞自動(dòng)機(jī)的顯著性算法結(jié)合E-HOG梯度特征實(shí)現(xiàn)目標(biāo)檢測(cè)。文獻(xiàn)[7]算法采用基于譜殘差法結(jié)合形狀、紋理、梯度各方面的融合特征實(shí)現(xiàn)目標(biāo)檢測(cè)。對(duì)比結(jié)果如表3所示。本文算法在各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于對(duì)比算法。主要原因是本文算法在全局尺度、局部復(fù)雜區(qū)域和閾值分割等方面都加入了自適應(yīng)選擇最優(yōu)參數(shù)的方式。在復(fù)雜背景下的魯棒性較好，可以從背景干擾中獲得更多更完整的目標(biāo)區(qū)域。

表3 與同類算法的檢測(cè)效果對(duì)比Tab.3 Compared with similar algorithms

本文在算法的檢測(cè)效率、輕量化和可遷移性方面，與現(xiàn)今常用的目標(biāo)檢測(cè)網(wǎng)絡(luò)yolo-v3、yolo-v4、yolo-v4tiny對(duì)比，以輸入768×768大小的三通道圖像為例，主要考慮計(jì)算量和參數(shù)量。同時(shí)，基于Python語(yǔ)言及PyTorch框架實(shí)現(xiàn)了網(wǎng)絡(luò)的搭建。將輸入的320張圖片進(jìn)行標(biāo)注后進(jìn)行訓(xùn)練。以相同的剩余160張圖片的數(shù)據(jù)集作為驗(yàn)證計(jì)算網(wǎng)絡(luò)的精度和召回率(置信度為0.5)，結(jié)果如表4所示。

表4 與深度學(xué)習(xí)主流網(wǎng)絡(luò)的對(duì)比

通過(guò)人工選擇特征及自適應(yīng)的圖像降維等操作，可以看出，本文算法在參數(shù)量和計(jì)算量等都遠(yuǎn)低于深度學(xué)習(xí)相關(guān)網(wǎng)絡(luò)，同時(shí)在檢測(cè)精度和召回率上達(dá)到了近似深度學(xué)習(xí)網(wǎng)絡(luò)的精度。本文算法在疑似區(qū)域提取階段可以定位到絕大多數(shù)目標(biāo)。差距主要在于分類器的精度部分，存在更多的漏檢和誤檢。在其他方面，本文算法對(duì)硬件性能、功耗、移植的難度要求相對(duì)較低。同時(shí)鑒于參數(shù)的數(shù)目和解釋性，本文算法遷移性也相對(duì)更強(qiáng)，更符合實(shí)際工程需求。

5 結(jié) 論

本文提出了一種適用于復(fù)雜海況下的自適應(yīng)艦船快速檢測(cè)方法，可快速高效地實(shí)現(xiàn)對(duì)可見(jiàn)光遙感圖像的艦船目標(biāo)疑似區(qū)域的定位與檢測(cè)。其優(yōu)勢(shì)主要體現(xiàn)在以下幾個(gè)方面：算法在整體上，通過(guò)評(píng)價(jià)圖像的梯度均值來(lái)自適應(yīng)選擇圖像的尺度，并采用基于直方圖的自適應(yīng)閾值，提高了顯著性算法的效率，并能減少虛警數(shù)目和疑似區(qū)域遺漏。在局部方面，針對(duì)全局閾值無(wú)法很好適用于部分復(fù)雜區(qū)域的問(wèn)題，通過(guò)設(shè)計(jì)輪廓特征進(jìn)行篩選，對(duì)復(fù)雜區(qū)域做進(jìn)一步顯著性特征提取，對(duì)處理結(jié)果進(jìn)行融合，獲取高質(zhì)量的疑似目標(biāo)區(qū)域。最后對(duì)切片降維提取特征訓(xùn)練支持向量機(jī)模型進(jìn)行精細(xì)判別。實(shí)驗(yàn)結(jié)果表明，本文提出的算法的召回率為91.2%，檢測(cè)精度為91.4%，可以滿足復(fù)雜海背景下海上艦船目標(biāo)實(shí)時(shí)快速定位和檢測(cè)的需求。同時(shí)，在計(jì)算量和參數(shù)量均遠(yuǎn)少于目前主流的深度學(xué)習(xí)目標(biāo)檢測(cè)框架，降低了在軌硬件移植的難度和維護(hù)成本。