[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

本發明公開了基于深度學習的車載SAR速度估計方法、系統及終端，所述方法包括：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。本發明實現了對子孔徑回波的速度估計，在保證效率的同時確保了速度估計值的準確性，完全滿足車載場景的應用，擺脫了依靠慣導或類似的測速裝置，降低了系統硬件系統成本。

技術領域

本發明涉及信號處理技術領域，尤其涉及一種基于深度學習的車載SAR速度估計方法、系統、終端及計算機可讀存儲介質。

背景技術

智能駕駛的飛速發展大大降低了由于人為因素引起的交通事故，已經成為最具潛力的交通方式之一。智能駕駛系統的關鍵問題之一在于汽車對周圍環境的感知能力。因此，安全、高效的智能駕駛系統離不開穩健有效的環境感知系統作為基礎支撐。

智能駕駛車輛更好地理解自身和周圍環境的態勢，離不開傳感器的支撐。因此。汽車傳感器可以分為：光學攝像頭、超聲波、激光雷達、毫米波雷達等等。具體來說，受道路能見度的影響，攝像頭無法全天候的感知目標；激光雷達，它具有較高的檢測精度和較大的探測范圍，但其性能也會隨著惡劣天氣的影響而嚴重下降。相比而言，毫米波雷達具備對煙、霧、雨、塵的穿透能力，因此具備全天時全天候的觀測能力。此外，為了獲得二維高分辨率圖像，將傳統的機載或星載的SAR(Synthetic Aperture Radar，合成孔徑雷達)技術用于汽車平臺，最終實現對汽車周圍環境的高分辨SAR成像。

在SAR成像算法中，準確的雷達運動速度信息是所需的關鍵參數之一，因為不準確的運動參數會使得SAR圖像中目標的位置與實際場景相比出現不同程度的旋轉或者拉伸，甚至嚴重損害圖像的分辨率。同時，相較于機載SAR錄取所有數據的全孔徑成像，車載SAR成像系統為了滿足實時性的要求，只能采取邊錄取數據邊成像的模式，即部分數據的子孔徑成像，因此車載平臺雷達的實時速度對SAR成像系統起著至關重要的作用。

目前，關于車載SAR的運動參數獲取，很多研究團隊主要采用高精度慣導系統或者類似運動傳感器，但高精度慣導等實時運動學產品價格昂貴，對于汽車場景并不實用。許多研究者轉向多傳感器融合方案，即通過已有的汽車傳感器來估計平臺實時速度，相對于慣導系統，該方案降低了硬件成本，但仍然無法擺脫硬件的約束。

因此，現有技術還有待于改進和發展。

發明內容

本發明的主要目的在于提供一種基于深度學習的車載SAR速度估計方法、系統、終端及計算機可讀存儲介質，旨在解決現有技術中獲取車載SAR的運動參數依賴慣導的測速傳感器的限制，無法擺脫硬件約束的問題。

為實現上述目的，本發明提供一種基于深度學習的車載SAR速度估計方法，所述基于深度學習的車載SAR速度估計方法包括如下步驟：

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。

所述的基于深度學習的車載SAR速度估計方法，其中，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；