[發明專利]基于深度學習的車載SAR速度估計方法、系統及終端

在審

• 申請號: 202111056008.6
• 申請日: 2021-09-09
• 公開（公告）號: CN114114183A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 趙博;蒯成玲;黃磊;司璀琪;梁承美;包為民
• 申請（專利權）人: 深圳大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/58;G01S13/90;G06N3/04;G06T7/00
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 陳專

1.一種基于深度學習的車載SAR速度估計方法，其特征在于，所述基于深度學習的車載SAR速度估計方法包括：

獲取速度傳感器采集的雷達子孔徑對應的子孔徑速度；

將所述子孔徑速度作為基準速度，將車輛的速度范圍劃分為多個子速度區間，并標記為不同的速度類；

獲取樣本和對應的標簽，搭建卷積神經網絡模型，將獲取的樣本和對應的標簽輸入到所述卷積神經網絡模型進行監督學習，得到速度估計模型；

基于所述速度估計模型對子速度區間進行預測，將預測的子速度區間轉換為最終的速度估計值。

2.根據權利要求1所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述速度傳感器為高精度速度傳感器；

所述獲取速度傳感器采集的雷達子孔徑對應的子孔徑速度，具體包括：

將在預設時間內獲取的回波孔徑作為一個子孔徑；

獲取高精度速度傳感器采集的雷達子孔徑對應的子孔徑速度。

3.根據權利要求1所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述將所述子孔徑速度作為基準速度，將車輛的速度范圍劃分為多個子速度區間，并標記為不同的速度類，具體包括：

將所述基準速度根據偏移速度進行偏移，并根據圖像評估指標確定最佳偏移速度；

根據所述最佳偏移速度將車輛的速度范圍劃分為多個子速度區間，每一個子孔徑速度對應在每一個子速度區間內，并將每個子速度區間標記為不同的速度類。

4.根據權利要求3所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述圖像評估指標包括等效視數和熵，等效視數用于衡量不同SAR圖像的散斑抑制，熵為圖像信息量的度量。

5.根據權利要求3所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述獲取樣本和對應的標簽，搭建卷積神經網絡模型，將獲取的樣本和對應的標簽輸入到所述卷積神經網絡模型進行監督學習，得到速度估計模型，具體包括：

獲取將要輸入到卷積神經網絡模型的樣本和對應的標簽，樣本為子孔徑速度對應的速度類，標簽為距離多普勒域數據矩陣；

搭建卷積神經網絡模型，將獲取的樣本和對應的標簽輸入到所述卷積神經網絡模型中進行監督學習，當訓練集和驗證集的準確率滿足要求后得到速度估計模型。

6.根據權利要求5所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述基于所述速度估計模型對子速度區間進行預測，將預測的子速度區間轉換為最終的速度估計值，具體包括：

當所述速度估計模型對樣本的速度類別進行預測時，每個子孔徑速度包含多個子速度類別，將速度區間的中間值作為當前類別的速度值；

計算多個樣本的預測類別的平均值得到最終的速度估計值，所述速度估計值為車載SAR速度。

7.根據權利要求5所述的基于深度學習的車載SAR速度估計方法，其特征在于，所述距離多普勒域數據矩陣通過將近地回波進行二維快速傅里葉操作得到。

8.一種基于深度學習的車載SAR速度估計系統，其特征在于，所述基于深度學習的車載SAR速度估計系統包括：

速度獲取模塊，用于獲取速度傳感器采集的雷達子孔徑對應的子孔徑速度；

速度分類模塊，用于將所述子孔徑速度作為基準速度，將車輛的速度范圍劃分為多個子速度區間，并標記為不同的速度類；

模型訓練模塊，用于獲取樣本和對應的標簽，搭建卷積神經網絡模型，將獲取的樣本和對應的標簽輸入到所述卷積神經網絡模型進行監督學習，得到速度估計模型；

速度估計模塊，用于基于所述速度估計模型對子速度區間進行預測，將預測的子速度區間轉換為最終的速度估計值。

9.一種終端，其特征在于，所述終端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于深度學習的車載SAR速度估計程序，所述基于深度學習的車載SAR速度估計程序被所述處理器執行時實現如權利要求1-7任一項所述的基于深度學習的車載SAR速度估計方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有基于深度學習的車載SAR速度估計程序，所述基于深度學習的車載SAR速度估計程序被處理器執行時實現如權利要求1-7任一項所述的基于深度學習的車載SAR速度估計方法的步驟。