[发明专利]一种车载雷达回波降噪方法、装置、设备及介质

说明书

本发明提供了一种车载雷达回波降噪方法、装置、设备及介质，能够基于深度学习构建的回波降噪模型对车载雷达的回波进行自动降噪处理，通过对不同卷积层的特征进行融合，以更宽的通道数学习更多的数据，使得在同样的参数背景下，获得比传统残差网络更强大的学习性能，并且能够针对不同场景进行自动降噪处理，处理效率较高，从而提高了车载雷达系统的识别精度，降低了车辆发生交通事故的概率。

技术领域

本发明涉及雷达技术领域，尤其涉及一种车载雷达回波降噪方法、装置、设备及介质。

背景技术

车载雷达系统是在倒车和测量车距时必不可少的辅助手段之一。由于车载雷达系统在运行时会被各种信号干扰，如手机、车机系统的杂波信号和基站干扰信号等，因此，为了提高车载雷达系统的识别精度，降低车辆发生交通事故的概率，对车载雷达系统的回波信号进行降噪处理就显得十分重要。

目前，一般是通过经验模态分解技术对车载雷达系统的回波信号进行降噪处理，经验模态分解技术是一种适用于非线性系统的时域-频域分析技术，能够对雷达信号进行降噪和特征信息的提取。但是，该技术的应用场景有限，需要针对不同场景进行手动优化，处理效率以及降噪精度均较低。

发明内容

本发明提供一种车载雷达回波降噪方法、装置、设备及介质，能够基于深度学习构建的回波降噪模型对回波信号进行自动降噪处理，提高了处理效率以及降噪精度。

为实现上述目的，本发明实施例提供了一种车载雷达回波降噪方法，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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，所述第二卷积层的三个分支的卷积核个数均为64。

作为上述方案的改进，所述第四卷积层的三个分支的卷积核个数均为192。

作为上述方案的改进，所述待降噪样本的获取方式具体包括：