所谓目标检测，就是通过图像处理、模式识别等计算机技术对输入的图像进行处理，基于目标几何和统计特征，从不同复杂程度的干扰背景中检测识别出感兴趣的目标对象，并对目标进行定位。利用计算机进行目标检测一直是研究的热门方向，并出现了许多相关算法，目前学术界出现的算法主要分为两类：基于人工设计图像特征的传统目标检测方法和基于深度学习的人工智能目标检测方法。

01

传统目标检测方法

传统目标检测方法主要有算法有Cascade HOG/DPM Haar/SVM和基于上述算法的一些优化与改进。检测过程是采用区域提取方法在给定图像中粗略选择可能包含检测目标的候选区域，然后对候选区域中的目标进行特征表示，获取待检测目标的特性描述，最后采用训练好的分类器对目标进行分类。所以检测方法主要分为区域选择、特征提取、分类器三个部分：

图1 传统目标检测

区域检测是为了对目标的位置进行定位。由于目标在图像中的位置是随机的，而且目标的大小、长宽比例也未知，所以需要采用滑动窗口的策略对图像进行遍历，而且需要设置不同的尺度。这就导致需要花费很长的时间对图像中目标进行定位，也严重影响后续特征提取和分类的速度。

特征提取是计算机根据图像的像素信息，将像素点按照某种规律进行分类后以孤立点、曲线、区域等形式提取出来，作为图像的特征。传统的特征表示方法主要是以待检测目标的底层信息为主，如色彩、形状轮廓、纹理等。在图像目标检测过程中，由于光照、尺度多样性，复杂背景和无关信息干扰以及目标的形态多样性等因素，需要设计一个能全面反映待检测目标特性的特征，特征设计的好坏会直接影响到分类的准确度。传统特征是基于人工设计特征的方法，更需要相关人员具有十分丰富的设计经验，所以更新周期也会相对较长。需要对设计的不同特征进行最优化组合，从而提升检测精度。（常用的特征算法主要有Haar、HOG等）。

分类器主要是按照目标特征对目标进行分类。在提取到待检测图像中的目标特征后，待检测的图像可以用一个的特征向量来表示，然后将该特征向量送入已经训练好的分类器对图像中的目标进行分类。

所以，传统目标检测方法主要存在问题有两个方面：一是检测过程较为复杂，计算周期长；二是人工设计图像特征较为复杂，且鲁棒性较差。

02

人工智能目标检测方法

近些年，随着深度学习技术的快速发展，利用卷积神经网络对图像进行目标检测的方式和应用的范围越来越广，且识别效果也越来越好。本文根据是否使用传统目标检测方法的流程框架，将基于人工智能的目标检测方法分为基于区域提名的目标检测方法和基于回归的目标检测方法。

2.1 基于区域提名的目标检测方法

基于区域提名的目标检测方法仍然是基于传统目标检测方法的框架，通过区域提取算法进行候选区域的提取，结合卷积神经网络提取目标相关图像特征，对待检测的物体进行自适应表征，最后进行分类器的训练或建立多任务回归器并完成图像中目标的分类和检测。其中代表性的方法是R-CNN（Region-CNN）。

图 2 R-CNN

R-CNN的检测原理如下：通过采用选择性的搜索策略，将待检图像划分为多个小块，然后从下而上将不同的图像小块进行合并，并将最有可能包含待检测目标的窗口作为候选窗口。之后采用卷积神经网络（CNN）对待检目标进行特征提取，再使用SVM分类器对每一个候选区域的待检目标进行分类，最后在候选窗口的基础上采用边框回归的方法预测出真实检测窗口的大小和位置。

R-CNN的优点与不足：

较之于传统方法，R-CNN使用了深度学习提取特征来代替人为设计，较大程度地提高了目标检测的精度和效率；使用了边框回归的方法，进一步提高了检测的精度。

但受当时技术环境影响，R-CNN使用了SVM分类器进行多类别分类，要训练多个分类器，训练时间和测试时间较长；同时R-CNN方法流程中的候选区域生成、特征提取和分类检测等任务都需要单独进行训练，导致检测效率十分低下。总而言之，基于区域提名的检测算法虽然检测精度高，但是检测效率低，计算消耗和时间复杂度较高，难以满足图像目标检测任务的实时性要求。

2.2 基于回归的目标检测方法

基于回归的目标检测方法则是去掉了region思想，将目标检测任务转化为目标窗口的回归问题，直接利用卷积神经网络（CNN）的全局特征或局部特征来预测每个位置可能的目标，不再采用区域提取方法并减去了分类器需要单独训练的过程，将特征提取和检测任务统一到深度学习的框架下，真正意义上实现端到端的深度学习目标检测。其中主要的方法有：YOLO（You Only Look Once），SSD（Single Shot Multi Box Detector）。

YOLO也是一个基于卷积神经网络的算法模型，可以单次同时预测多个待检测窗口区域位置和类别，能够实现端到端的目标检测和识别，其最大的优势就是训练和检测的速度快。SSD模型则是针对YOLO模型因使用全幅特征图像中不同大小的粗糙网格来进行回归导致对目标的定位不精准的问题，提出了结合区域生成的思想，通过对每个目标位置周围的局部特征进行处理，并建立位置与特征的对应关系，在多个特征映射图上进行多尺度检测，有效的提高了检测精度。

03

人工智能目标检测技术在天基侦察应用的优势

天基侦察遥感图像主要分为可见光、红外、多光谱成像，在目标识别方面，遥感图像具有分辨率低、成像种类多、环境背景复杂、受天气影响大等特点。在不同环境和天气下，能见度、对比度和太阳高度角的变化，导致地面目标的色彩特征差异较大，进行特征设计的难度高。同时由于卫星成像分辨率低，也导致地面目标纹理特征信息不足、干扰多，易造成漏判和误判。

传统目标检测算法只适应于有明显特征，背景简单的情形。对于背景复杂多变，而且待检测的目标复杂多变的情况，很难通过一般的抽象特征完成对目标的检测，而深度学习可以提取同一目标丰富的特征，完成目标的检测。所以，对于天基侦察遥感图像的特点，使用基于深度学习的目标检测方法可以获得的效果。