[发明专利]一种车载雷达回波降噪方法、装置、设备及介质

权利要求书

1.一种车载雷达回波降噪方法，其特征在于，包括以下步骤：

构建基于深度学习的回波降噪模型；其中，所述模型包括若干卷积层和激活层，所述模型的第二卷积层与第四卷积层均包括至少三个分支，所述第二卷积层的输出特征、所述第四卷积层的输出特征分别通过各自对应的三个分支的输出特征进行拼接得到，所述模型的第六卷积层的输入特征为所述第二卷积层和所述第四卷积层的输出特征的融合特征，所述激活层的输入特征为所述第六卷积层的输出特征与所述模型的初始输入特征的融合特征；

获取待降噪样本，并将所述待降噪样本按照预设比例分为训练集和测试集；

根据所述训练集对所述回波降噪模型进行训练，并将所述测试集输入到训练完成的回波降噪模型中，得到回波降噪结果。

2.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述第二卷积层的第一分支包括从前至后依次连接并封装的一个卷积核尺寸为3×3的卷积层和一个卷积核尺寸为1×1的卷积层，所述第二卷积层的第二分支包括封装的一个卷积核尺寸为1×1的卷积层，所述第二卷积层的第三分支包括从前至后依次连接并封装的一个卷积核尺寸为1×5的卷积层、一个卷积核尺寸为5×1的卷积层和一个卷积核尺寸为1×1的卷积层。

3.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述第四卷积层的第一分支包括从前至后依次连接并封装的一个卷积核尺寸为1×9的卷积层、一个卷积核尺寸为9×1的卷积层和一个卷积核尺寸为1×1的卷积层，所述第四卷积层的第二分支包括封装的一个卷积核尺寸为1×1的卷积层，所述第四卷积层的第三分支包括从前至后依次连接并封装的一个卷积核尺寸为1×7的卷积层、一个卷积核尺寸为7×1的卷积层和一个卷积核尺寸为1×1的卷积层。

4.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述根据所述训练集对所述回波降噪模型进行训练，并将所述测试集输入到训练完成的回波降噪模型中，得到回波降噪结果，具体包括：

获取所述回波降噪模型的误差函数；

选取优化器，并基于所述训练集对所述回波降噪模型进行训练，当所述模型的误差函数小于预设误差阈值时则停止训练，以得到训练完成的回波降噪模型。

5.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述第二卷积层的三个分支的卷积核个数均为64。

6.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述第四卷积层的三个分支的卷积核个数均为192。

7.根据权利要求1所述的车载雷达回波降噪方法，其特征在于，所述待降噪样本的获取方式具体包括：

获取预设时间内车载雷达回波信号的预设频带能量灰度图；

对所述预设频带能量灰度图添加噪声，得到待降噪样本。

8.一种车载雷达回波降噪装置，其特征在于，包括：

模型构建模块，用于构建基于深度学习的回波降噪模型；其中，所述模型包括若干卷积层和激活层，所述模型的第二卷积层与第四卷积层均包括至少三个分支，所述第二卷积层的输出特征、所述第四卷积层的输出特征分别通过各自对应的三个分支的输出特征进行拼接得到，所述模型的第六卷积层的输入特征为所述第二卷积层和所述第四卷积层的输出特征的融合特征，所述激活层的输入特征为所述第六卷积层的输出特征与所述模型的初始输入特征的融合特征；

样本获取模块，用于获取待降噪样本，并将所述待降噪样本按照预设比例分为训练集和测试集；

模型训练及回波降噪模块，用于根据所述训练集对所述回波降噪模型进行训练，并将所述测试集输入到训练完成的回波降噪模型中，得到回波降噪结果。

9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的车载雷达回波降噪方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的车载雷达回波降噪方法。