针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题，提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理，得到其暗原色图(DarkChannelImage，DCI)；再将 DCI作为二维恒虚警(2-DCFAR)检测法的输入，以局部统计灰度均值和方差作为目标检测特征，通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位；疑似目标集合可以有效地被舰船目标特征矢量进行检验，根据得到的结果判定虚警是否去除，最后得到最终目标检测结果。实验结果表明，该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果，总检出率可达 96.07%，并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用，对黑极性舰船目标的检出率可达 86.71%，较大地提高了可见光遥感图像中黑极性舰船目标的检出率，对优化黑极性目标检测方法创新有一定的指导意义，也为暗原色先验原理的应用提供了新思路。

针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略。其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息。AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔。在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好。

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题, 本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波, 得到目标背景对比度、局部信噪比更高的融合图像; 然后基于融合图像显著的海天线垂直梯度特征, 提出一种检测海天线方法, 再对融合图像进行海天线加权抑制海杂波干扰; 最后基于单尺度局部对比度算法与舰船目标比例特征, 提出自适应尺度局部对比度方法, 当尺度与目标匹配时响应最大, 通过不同尺度对目标的响应结果确定最大尺度, 得到舰船目标检测结果。实验结果表明, 引导滤波融合方法的提高图像的目标背景对比度和局部信杂比, 与典型检测方法对比, 本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标, 具有较高的鲁棒性和准确性, 检测率、虚警率分别为95.0%, 3.5%, 为红外偏振图像目标检测提供了新的方法。

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

无人机进行红外舰船目标侦察时，检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力，提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法，以提高目标检测的正确率。通过预先对候选区的特征进行训练，得到候选区的分类数据。在检测阶段，加载训练时得到的候选区分类数据，分类筛选出更可能包含目标的候选区，从而提高目标检测的正确率。验证实验中，选用368张无人机拍摄的长波红外图像作为训练数据集图像，另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明，采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、 岛岸背景、 恶劣天气、 亮带干扰或诱饵弹干扰等情况时, 系统的探测率、 虚警率、 探测距离等性能指标均会受到严重的影响; 为此, 开展了基于多波段红外图像的海面舰船目标检测方法的研究。 通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像; 波段1—5分别为3.7～4.8, 3.7～4.1, 4.4～4.8, 3.7～3.9和4.65～4.75 μm; 对多波段图像进行手动标注构建样本数据集, 其中, 正样本舰船目标298个, 负样本非舰船目标353个。 对于多波段红外图像, 首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域; 针对候选区域中存在大量明显的非舰船目标区域的问题, 利用积分图像计算候选区域的局部对比度, 依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。 然后对舰船目标候选区域进行拓展以融入局部上下文信息, 对于候选区域对应的5波段红外图像, 分别提取每个波段图像的稠密SIFT特征, 并将128维SIFT特征向量降为64维, 融入SIFT特征的空间和波段位置分布信息得到新的特征向量, 基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示, 最后利用线性SVM分类器识别出舰船目标。 对多波段图像进行舰船目标候选区域生成实验, 所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足, 从初始目标候选区域中快速定位出舰船目标候选区域, 对25组多波段图像进行实验, 舰船目标候选区域生成的整体耗时为0.353 s, 定位舰船目标区域耗时0.005 s。 对100个正负样本进行目标识别测试, 所提出的目标识别算法融合了目标的多波段图像特征信息, 通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息, 算法的识别率达到了0.97, 显著高于单波段红外图像的目标识别率。 对25组多波段图像进行舰船目标检测实验, 所提出的舰船目标检测方法能够在海天背景、 岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作, 舰船目标定位准确, 舰船目标召回率达到了0.95, 每组多波段图像的平均检测耗时为1.33 s。 研究结果表明, 充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征, 可以增强舰船目标的可分性, 提高舰船目标的识别率以及检测率, 为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。

分析了高分辨率SAR图像中海洋背景和舰船目标的特点，针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法：第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域；第二阶段检测阶段，结合贝叶斯理论二元假设检验的思想，设计了一个局部最大后验概率分类器进行像素分类，经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验，结果表明所提算法具有良好的检测性能，也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论，高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时，检测速度也提高了25%~50%。

针对高分辨率合成孔径雷达图像设计了一种舰船目标几何特征提取算法.通过视觉注意机制检测目标区域的算法, 通过频谱残差视觉显著计算模型求取显著图, 完成显著区域的检测以实现舰船目标的初步定位, 基于获得的视觉显著图采用最大熵算法完成阈值分割筛选出舰船区域.在提取的舰船切片的基础上, 采用针对几何特征的提取算法, 经图像预处理、方位角估计、旋转获取最佳表征舰船目标几何轮廓的外接矩形, 相对有效准确地提取几何特征; 最后, 采用典型的TerraSAR-X数据进行仿真实验.结果表明, 与传统方法相比, 本文提出的频谱残差视觉模型完成合成孔径雷达图像舰船切片的区域分割能够有效降低虚警率, 舰船目标的检测速度提高了25%~50%.该方法能够快速稳定地提取舰船目标的几何特征, 也更加符合实际高分辨率图像舰船目标检测的应用需求.