成昊天，丁荣莉，胡博文，李 杰，李 焱，欧阳尚荣

（1.上海航天智能计算技术重点实验室，上海 201109；2.上海航天电子技术研究所，上海 201109）

0 引言

在星载船舰识别技术领域，目前基于合成孔径雷达（Synthetic Aperture Radar，SAR）和可见光载荷的技术已经相对成熟并工程化，基于红外载荷的舰船识别发展相对滞后。红外传感器受到大气、海洋热辐射以及探测器噪声等因素影响，使舰船目标在红外图像上呈现为低信噪比的小目标，这就要求红外舰船识别技术能在各种复杂的背景环境下，克服各种恶劣因素影响，同时要具有较好的实时性和较高的检测率，这也是红外舰船目标识别技术亟待解决的问题［1-2］。近年来，目标检测在深度学习的帮助下取得了不错的进展［3-4］，在SAR 和可见光波段已有一些基于深度学习神经网络检测目标的成果［5-7］。由于神经网络算法工程化部署较复杂，利用传统现场可编程逻辑门阵列（Field Programmable Gate Array，FPGA）开发方法部署于在轨系统难度较大，于是采用高层次综合（High Level Synthesis，HLS）代替了传统FPGA 开发方法。为了降低在轨系统的功耗，减少神经网络的无用计算，跳过一些明显无目标的图像，需要增加一个计算量较小的粗检模块。

粗检模块包含多个小算法，用来粗略提取特征，其中，连通域的提取在工程化阶段属于一个难点［8］，常用的算法是基于CPU 运算而设计，具有较大的随机性，而FPGA 优势更多的在于流水线式数据处理的加速，更偏向于顺序性。目前，有关FPGA端部署的方法均采用了传统的设计方法，算法原理方面主要有基于像素扫描［8-14］和基于游程扫描［15-19］的方法。……