船舶检测与分类方法研究一直是商业和军事领域的研究热点,其对于提高海上交通秩序、维护海洋安全意义重大。然而海浪、天气的影响以及船舶外形结构的多样性,使得该问题成为研究领域的难点。本文利用梯度方向直方图(Histogram of Oriented Gradient,HOG)和完整局部二值模式(Completed Local Binary Pattern,CLBP)两组特征互补的特点,提出了基于特征融合的船舶检测与分类方法。为了能够深入的研究,本文将船舶检测与分类问题细化为船舶检测与船舶分类两部分,然后根据两个问题的不同研究目的进行相关分析,对两部分做的研究工作如下:(1)图像中的船舶会因其类型或者位置不同而大小不一,并且特征融合容易造成特征维数变高,进而拖慢检测速度。针对上述问题,采用了图像金字塔滑动检测的方式来实现船舶目标的多尺度检测,然后通过增大HOG单元(cell)与块(block)的尺寸并采用均匀模式的CLBP计算方式来降低两组特征的维数。(2)单尺度的特征不具图像局部物体的空间特征信息,为此提出了一种多尺度HOG特征,它能够描述船舶的空间结构变化,有效地提升了特征的表示能力;多尺度的CLPB特征通过改变图像分辨率的方式来实现。以上两组特征采用相同的尺度变化值,然后通过特征融合用于船舶分类。以支持向量机作为分类器,在公开的数据集上做了大量实验来验证所提方法的有效性。实验结果显示:HOG-CLBP的船舶检测方法其检测的结果明显优于HOG的方法,并且融合的CLBP特征维数低,对于检测时间的影响较小,说明该方法具有很高的实际应用价值;多尺度的特征比单尺度的特征分类准确率更高,说明多尺度特征对于提升船舶分类准确率是有效的;特征融合能够充分组合两组特征的有效信息,进一步提升了分类准确率,达到优越的分类效果,且效果优于现有的多种算法。