跨入21世纪以来，海洋权益成为大国博弈的角力点。建设强大稳固的海区监视体系刻不容缓，其中一个难点问题就是对远海区域舰船目标的检测与识别。合成孔径雷达（SAR）使用虚拟孔径技术获取高分辨力信息图像，具有全天时全天候的海洋遥感能力，成为海上目标检测与识别的重要工具。将极化信息应用到SAR系统，就构成了极化SAR(Polarimetric SAR, PolSAR)系统，它保留了更完整的目标电磁散射特性，获取的信息更加丰富，目前已广泛应用在军事侦察、地形测绘、环境与自然灾害监视和海上目标检测和识别等领域。2016年8月10日，我国首颗分辨率达到1米的C波段多极化PolSAR海洋监视卫星在太原卫星发射中心成功发射升空。基于PolSAR图像的舰船目标检测方法成为SAR信息处理领域的前沿课题。国内外许多研究机构在PolSAR目标检测领域做出了卓有成效的工作。美国林肯实验室、加拿大遥感中心、日本新潟大学、德国宇航中心(DLR)、澳大利亚国防科技组织(DSTO)、英国斯特林大学、挪威特隆姆瑟大学以及国内中科院、清华大学、国防科技大学、电子科技大学、西安电子科技大学、海军工程大学等研究单位都做出了突出贡献。PolSAR图像舰船目标检测最常用的方法是恒虚警（CFAR）检测，这是因为舰船目标相对于海杂波而言有较强的散射回波，在目标先验信息未知的情况下，采取CFAR检测的方法即可取得较好的检测效果。然而随着雷达平台参数多样性、海况环境复杂性的影响，针对复杂海杂波建模与估计、慢小目标检测、密集目标检测等仍然是当前PolSAR图像舰船目标检测的难点问题。因此本文通过梳理当前热门的PolSAR舰船目标检测算法，给出PolSAR舰船目标检测的发展历史和未来趋势，为后续开展的研究工作给出建议。
图1 高分三号PolSAR成像卫星
针对上述问题，海军工程大学刘涛教授团队归纳梳理了当前PolSAR图像舰船目标检测的四类主流方法：目标极化特征检测、慢动目标检测、舰船尾迹检测以及基于深度学习的舰船目标检测等，同时给出了各类方法的优缺点，预测了SAR舰船目标检测技术在最优化方法、密集目标合并与分离、干涉处理技术、杂波统计建模与参数估计以及其在人工智能技术方面的发展趋势，可为感兴趣的研究人员提供了有用建议。该工作拟发表在《雷达学报》2021年第1期“极化成像雷达目标精细解译与应用”专题“极化SAR图像舰船目标检测研究综述”（刘涛，杨子渊，蒋燕妮，高贵），现已网络优先出版。本文将当前热门的PolSAR舰船目标检测方法归纳为四大类：即目标极化特征检测方法、慢动目标检测方法、舰船尾迹检测和基于深度学习的目标检测算法，并给出了其适用场景和优缺点，如表1所示。目标极化特征检测方法主要适用于舰船目标本体极化特征和杂波特征有一定差异情形下的检测；慢动目标检测主要适用于目标杂波极化特征差异较小但有一定速度差异的情形，同时也能提取目标运动信息以获取实时海面态势；舰船尾迹检测不是检测舰船目标本体，而是检测运动产生的尾迹，主要针对小目标和隐身目标。数据驱动的深度学习方法是人工智能的重要工具，不需要人工提取目标特征，在PolSAR图像智能解译中取得了巨大成功。文章详细介绍了各类方法里面的典型算法并给出了性能对比，图文并茂，可读性较强。最后给出PolSAR舰船目标检测的研究重点和未来趋势，为后续开展的研究工作给出建议。表1 PolSAR图像舰船目标检测方法适用场景和优缺点总结
检测方法 | 优点 | 缺点 |
目标极化特征检测 （主要适用于舰船目标本体极化特征和杂波特征有一定差异情形下的检测） | 简单极化合成检测技术 | 早期PolSAR目标检测方法，简单易实现且效果优于单极化SAR图像目标检测方法 | 一定程度上利用了幅度或相位信息，对极化信息的利用不够充分 |
基于极化最优化的检测技术 | 1. 充分利用了各极化通道相关信息 2. 通过对PolSAR图像进行优化，达到最佳对比效果 | 要根据实际情况选择不同的极化优化准则，同时滑窗的选择也对性能影响较大 |
基于散射机理的检测技术 | 具有较强的物理可解释性 | 对目标类型和海况状态的适应性需要提高 |
基于空间邻域的检测技术 | 融合空域与极化信息，大幅增强目标检测能力 | 后期数据处理需要降维以避免维数灾难 |
慢速运动目标检测 （主要适用于目标杂波极化特征差异较小但有一定速度差异的情形，同时也能提取目标运动信息以获取实时海面态势） | 单通道慢动目标检测 | 利用交叉极化信息增强慢动目标的检测效果 | 静止目标模糊抑制和慢动目标检测难以同时实现 |
虚拟干涉慢动目标检测 | 解决了实际干涉数据来源缺乏的问题 | 子孔径分解的个数与重叠度的选择较为困难 |
多通道慢动目标检测 | 融合多平台和极化信息的优势，极大增强运动目标检测能力 | 复杂结构和成本限制工程应用 |
舰船目标尾迹检测 （不是检测舰船目标本体，而是检测运动产生的尾迹，主要针对小目标和隐身目标） | 尾迹边缘线性特征检测 | 检测问题抽象成线形特征检测问题，方法相对简单 | 杂波背景下不同类型弱尾迹的检测困难 |
尾迹区域背景差异检测 | 尾迹区域和背景海面由于散射机理不同，在频谱特性、统计特征、极化特性等方面均存在较大差异，效果好 | 理论分析和方法实现更加复杂 |
基于深度学习的目标检测 （不需要人工提取目标特征，在PolSAR图像智能解译中取得了巨大成功） | 基于卷积神经网络的检测方法 | 结构灵活、能够自动提取结构化特征，不仅能提取图像的低维特征，而且能提取图像的高维特征 | 1. 需要大量样本进行训练2. 可解释性有待研究 |
欢迎转发本号原创内容，转载和摘编需经本号授权并标注原作者和信息来源为《雷达学报》。本号发布信息旨在传播交流，其内容由作者负责，不代表本号观点。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《雷达学报》拥有最终解释权。