技术摘要：
本发明公开了一种生物雷达图像去噪方法、装置、电子设备及其存储介质，方法包括获取生物雷达图像训练集；构建生成式对抗神经网络模型，根据生物雷达图像训练集对生成式对抗神经网络模型进行训练得到训练好的生成式对抗神经网络模型，其中，训练过程中采用的损失函数包  全部
背景技术：
生物雷达是利用多普勒效应探测人体呼吸、心跳等微小运动，实现生命探测的一 种新概念雷达。目前，基于生物雷达的地震等自然灾害下的人体检测是一个重要的研究领 域。 由于灾后岩壁的阻隔，人体的回波信号一直很弱，给人体的检测带来了很大的困 难。为了解决这一问题，寻找可靠有效的降噪方法显得尤为重要。神经网络能够很好地拟合 数据分布，基于深度学习的雷达图像去噪技术近年来显示出巨大的优势。比如2014年Ian  J.Goodfellow提出的生成式对抗网络(Generative  Adversarial  Networks，简称GAN)，可 以获得较好的去噪图像，而2015年Alec  Radford提出的深度卷积生成对抗网络(Deep  Convolution  Generative  Adversarial  Networks，简称DCGAN)，它将GAN和卷积网络结合 起来，由于提取了更丰富的图像特征信息，使得生成图像质量更好，从而获得了更好的去噪 图像。 然而，DCGAN的原始目的是为了图像生成，以交叉熵为损失函数的DCGAN在图像生 成时充满不确定性，导致无法得到最优的去噪效果。
技术实现要素：
为了解决现有技术中存在的上述问题，本发明提供了一种生物雷达图像去噪方 法、装置、电子设备及其存储介质。 本发明的一个实施例提供了一种生物雷达图像去噪方法，该方法包括： 获取生物雷达图像训练集； 构建生成式对抗神经网络模型，根据所述生物雷达图像训练集对所述生成式对抗 神经网络模型进行训练得到训练好的生成式对抗神经网络模型，其中，训练过程中采用的 损失函数包括条件三元组损失函数； 将所述测试生物雷达噪声图像输入至所述训练好的生成式对抗神经网络模型得 到去噪后的图像。 在本发明的一个实施例中，构建的生成式对抗神经网络模型包括依次连接的生成 器网络和判别器网络，其中， 所述生成器网络包括依次连接的卷积批标准化激活模块、残差处理模块和反卷积 批标准化激活模块，所述卷积批标准化激活模块的输出还与所述残差处理模块的输出和所 述反卷积批标准化激活模块的输出连接，所述反卷积批标准化激活模块的输出还与所述判 别器网络连接。 在本发明的一个实施例中，所述生成器网络中卷积批标准化激活模块包括依次连 4 CN 111598787 A 说　明　书 2/11 页 接的第一卷积批标准化激活层～第四卷积批标准化激活层，所述残差处理模块包括依次连 接的第一残差块～第三残差块，所述反卷积批标准化激活模块包括依次连接的第一反卷积 批标准化激活层～第三反卷积批标准化激活层、反卷积激活层，其中， 所述第一卷积批标准化激活层的输出与所述第三反卷积批标准化激活层的输出 连接，所述第二卷积批标准化激活层的输出与所述第二反卷积批标准化激活层的输出连 接，所述第三卷积批标准化激活层的输出与所述第一反卷积批标准化激活层的输出连接， 所述第四卷积批标准化激活层的输出与所述第一残差块的输入、所述第三残差块的输出连 接，所述反卷积激活层的输出与所述判别器网络连接。 在本发明的一个实施例中，所述卷积批标准化激活模块中所述第一卷积批标准化 激活层～第四卷积批标准化激活层分别包括依次连接的一卷积层、一批标准化层和一激活 层，所述第一卷积批标准化激活层～第四卷积批标准化激活层中卷积层的卷积核大小相 同，所述第一卷积批标准化激活层～第四卷积批标准化激活层中激活层的激活函数相同； 所述反卷积批标准化激活模块中所述第一反卷积批标准化激活层～第三反卷积 批标准化激活层分别包括依次连接的一反卷积层、一批标准化层和一激活层，所述反卷积 激活层包括依次连接的一反卷积层、一批标准化层和一激活层，所述第一反卷积批标准化 激活层～第三反卷积批标准化激活层、所述反卷积激活层中反卷积层的卷积核大小相同， 所述第一反卷积批标准化激活层～第三反卷积批标准化激活层中激活层的激活函数相同， 所述反卷积激活层中激活层的激活函数为第一激活函数。 在本发明的一个实施例中，所述判别器网络包括依次连接的第一卷积激活层～第 五卷积激活层，其中， 所述第一卷积激活层～第五卷积激活层分别包括依次连接的一卷积层和一激活 层，所述第一卷积激活层～第五卷积激活层中卷积层的卷积核大小相同，所述第一卷积激 活层～第四卷积激活层中激活层的激活函数相同，所述第五卷积激活层中激活层的激活函 数为第二激活函数。 在本发明的一个实施例中，根据所述生物雷达图像训练集对所述生成式对抗神经 网络模型中进行训练得到训练好的生成式对抗神经网络模型，包括： 构建条件三元组损失函数与交叉熵损失函数的复合损失函数； 根据所述生物雷达图像训练集并利用所述复合损失函数对所述生成式对抗神经 网络模型中进行训练得到所述训练好的生成式对抗神经网络模型。 在本发明的一个实施例中，所述条件三元组损失函数为： Lc＝max(max(α*d(a,p)-β*d(a,n) margin,0) ,d(a,p))； 其中，a表示锚样本，p表示与锚样本具有相同标签的正样本，n表示与锚样本具有 不同标签的负样本，d表示两个样本之间的欧氏距离，margin表示确保正负样本之间最小距 离的值，α和β表示预定义的权重。 本发明的另一个实施例提供了一种生物雷达图像去噪装置，该装置包括： 图像获取模块，用于获取生物雷达图像训练集； 模型构建训练模块，用于构建生成式对抗神经网络模型，根据所述生物雷达图像 训练集对所述生成式对抗神经网络模型进行训练得到训练好的生成式对抗神经网络模型， 其中，训练过程中采用的损失函数包括条件三元组损失函数； 5 CN 111598787 A 说　明　书 3/11 页 图像去噪模块，用于将所述测试生物雷达噪声图像输入至所述训练好的生成式对 抗神经网络模型得到去噪后的图像。 本发明的再一个实施例提供了一种生物雷达图像去噪电子设备，该电子设备包括 处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过 所述通信总线完成相互间的通信； 所述存储器，用于存放计算机程序； 所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一所 述的生物雷达图像去噪方法。 本发明的又一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质 内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的生物雷达图像 去噪方法。 与现有技术相比，本发明的有益效果： 本发明提供的生物雷达图像去噪方法，相较于传统的DCGAN方法，由于在训练过程 中采用了条件三元组损失函数，使生成式对抗神经网络模型得到更好的收敛，采用该生成 式对抗神经网络模型得到的去噪图像细节保存更好，从而提高了图像的去噪效果。 以下将结合附图及实施例对本发明做进一步详细说明。 附图说明 图1是本发明实施例提供的一种生物雷达图像去噪方法的流程示意图； 图2是本发明实施例提供的一种生物雷达图像去噪方法中生成式对抗神经网络模 型的结构示意图； 图3是本发明实施例提供的生成式对抗神经网络模型中生成器网络的结构示意 图； 图4是本发明实施例提供的生成式对抗神经网络模型中另一种生成器网络的结构 示意图； 图5是本发明实施例提供的生成式对抗神经网络模型中判别器网络的结构示意 图； 图6是本发明实施例提供的生成式对抗神经网络模型中另一种判别器网络的结构 示意图； 图7a～7d是本发明实施例提供的生成式对抗神经网络模型在不同迭代次数下的 训练结果示意图； 图8a～8d是本发明实施例提供的传统DCGAN网络模型在不同迭代次数下的训练结 果示意图； 图9是本发明实施例提供的基于生成式对抗神经网络模型、DCGAN网络模型的去噪 结果对比示意图； 图10a～10c是本发明实施例提供的生物雷达图像去噪方法的去噪结果示意图； 图11是本发明实施例提供的一种生物雷达图像去噪装置的结构示意图； 图12是本发明实施例提供的一种生物雷达图像去噪电子设备的结构示意图； 图13是本发明实施例提供的一种计算机可读存储介质的结构示意图。 6 CN 111598787 A 说　明　书 4/11 页