1.一种用于雷达的目标检测模型训练方法，其特征在于，所述方法包括：采集针对目标的带有深度信息的光学图像，并获取所述目标针对雷达探测信号反馈的回波信号；基于所述光学图像构建光学域距离-方位置信概率图，并基于所述回波信号生成距离-方位热图、距离-速度热图、以及速度-方位热图，以及基于所述距离-方位热图构建雷达域距离-方位置信概率图；根据所述光学域距离-方位置信概率图和所述雷达域距离-方位置信概率图生成目标距离-方位置信概率图；将所述距离-方位热图、所述距离-速度热图、以及所述速度-方位热图作为所述目标检测模型的输入，并将所述目标距离-方位置信概率图作为对应的标签，以训练所述目标检测模型；其中，所述根据所述光学域距离-方位置信概率图和所述雷达域距离-方位置信概率图生成目标距离-方位置信概率图包括：针对所述光学域距离-方位置信概率图和所述雷达域距离-方位置信概率图中对应的两个有效元素，根据下式生成所述目标距离-方位置信概率图中对应的有效元素： ，其中， 表示所述雷达域距离-方位置信概率图中的有效元素的第二维度值， 表示所述光学域距离-方位置信概率图中对应的有效元素的第二维度值， 表示所述目标距离-方位置信概率图中对应位置的有效元素的第二维度值。
2.如权利要求1所述的方法，其特征在于，所述基于所述光学图像构建光学域距离-方位置信概率图包括：基于预训练的光学图像目标检测模型对所述光学图像进行目标检测，以确定所述目标的类别信息以及所述目标的深度信息以及在图像坐标系下的中心坐标信息，并基于所述深度信息以及所述中心坐标信息确定所述目标在以所述雷达为极点的极坐标系下的目标极坐标；基于所述目标极坐标构建所述光学域距离-方位置信概率图。
3.如权利要求2所述的方法，其特征在于，所述基于所述目标极坐标构建所述光学域距离-方位置信概率图包括：获取所述目标的类别信息所对应的常数权重，并获取采集所述光学图像的相机系统的定位误差以及深度概率；基于所述深度信息、所述常数权重、所述定位误差和所述深度概率生成所述目标在当前类别下的光学域协方差矩阵；根据所述目标极坐标和所述光学域协方差矩阵构建所述光学域距离-方位置信概率图。
4.如权利要求3所述的方法，其特征在于，所述基于所述距离-方位热图构建雷达域距离-方位置信概率图包括：对所述距离-方位热图进行恒虚警检测以得到所述目标对应的强目标检测点，并基于所述强目标检测点在所述极坐标系中的坐标构建所述雷达域距离-方位置信概率图。
5.如权利要求4所述的方法，其特征在于，所述基于所述强目标检测点在所述极坐标系中的坐标构建所述雷达域距离-方位置信概率图包括：获取所述雷达的距离分辨率和角度分辨率；基于所述距离分辨率和所述角度分辨率确定所述目标的雷达域协方差矩阵；基于所述雷达域协方差矩阵和每个所述强目标检测点在所述极坐标系中的坐标构建所述雷达域距离-方位置信概率图。
6.如权利要求5所述的方法，其特征在于，所述基于所述深度信息以及所述中心坐标信息确定所述目标在以所述雷达为极点的极坐标系下的目标极坐标包括：基于下式生成所述目标极坐标： ，其中， 表示所述目标极坐标， 表示光学域距离坐标值， 表示光学域方位坐标值， 表示所述雷达在场景俯视图中的坐标， 表示所述深度信息， 表示所述目标的类别信息， 表示所述目标的中心坐标中的第一维度坐标值。
7.如权利要求6所述的方法，其特征在于，所述基于所述深度信息、所述常数权重、所述定位误差和所述深度概率生成所述目标在当前类别下的光学域协方差矩阵包括：根据下式生成所述光学域协方差矩阵： ，其中， 表示所述光学域协方差矩阵， 表示所述深度信息， 表示所述常数权重， 表示所述深度概率， 表示所述定位误差。
8.如权利要求7所述的方法，其特征在于，所述根据所述目标极坐标和所述光学域协方差矩阵构建所述光学域距离-方位置信概率图包括：根据下式生成所述光学域距离-方位置信概率图：其中， 表示所述光学域距离-方位置信概率图中的有效元素的第一维度值， 表示所述光学域距离-方位置信概率图中的有效元素的第二维度值， 表示所述光学域协方差矩阵， （）为归一化函数， （）为指数函数， （）为求最大值函数， 由下式表示： ，其中， 表示所述目标极坐标中的光学域距离坐标值， 表示所述目标极坐标中的光学域方位坐标值。
9.如权利要求8所述的方法，其特征在于，所述基于所述距离分辨率和所述角度分辨率确定所述目标的雷达域协方差矩阵包括：根据下式确定所述目标的所述雷达域协方差矩阵： ，其中， 表示所述雷达域协方差矩阵， 表示所述距离分辨率， 表示所述角度分辨率。
10.如权利要求9所述的方法，其特征在于，所述基于所述雷达域协方差矩阵和每个所述强目标检测点在所述极坐标系中的坐标构建所述雷达域距离-方位置信概率图包括：根据下式生成所述雷达域距离-方位置信概率图：其中， 表示所述雷达域距离-方位置信概率图中的有效元素的第一维度值， 表示所述雷达域距离-方位置信概率图中的有效元素的第二维度值， 表示所述雷达域协方差矩阵， （）为归一化函数， （）为指数函数， （）为求最大值函数， 由下式表示： ，其中， 表示所述强目标检测点在所述极坐标中的雷达域距离坐标值， 表示所述强目标检测点在所述极坐标中的雷达域方位坐标值。
11.如权利要求1所述的方法，其特征在于，所述目标检测模型包括基于卷积神经网络的自编码器，用以从所述距离-方位热图、所述距离-速度热图、以及所述速度-方位热图中提取特征。
12.如权利要求11所述的方法，其特征在于，所述自编码器包括复数卷积层，用以处理输入的复数特征张量。
13.一种用于雷达的目标检测模型训练装置，其特征在于，所述装置包括：数据获取单元，用于采集针对目标的带有深度信息的光学图像，并获取所述目标针对雷达探测信号反馈的回波信号；数据处理单元，用于基于所述光学图像构建光学域距离-方位置信概率图，并基于所述回波信号生成距离-方位热图、距离-速度热图、以及速度-方位热图，以及基于所述距离-方位热图构建雷达域距离-方位置信概率图；置信概率图生成单元，用于根据所述光学域距离-方位置信概率图和所述雷达域距离-方位置信概率图生成目标距离-方位置信概率图；模型训练单元，用于将所述距离-方位热图、所述距离-速度热图、以及所述速度-方位热图作为所述目标检测模型的输入，并将所述目标距离-方位置信概率图作为对应的标签，以训练所述目标检测模型；其中，所述置信概率图生成单元还用于：针对所述光学域距离-方位置信概率图和所述雷达域距离-方位置信概率图中对应的两个有效元素，根据下式生成所述目标距离-方位置信概率图中对应的有效元素： ，其中， 表示所述雷达域距离-方位置信概率图中的有效元素的第二维度值， 表示所述光学域距离-方位置信概率图中对应的有效元素的第二维度值， 表示所述目标距离-方位置信概率图中对应位置的有效元素的第二维度值。
14.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如权利要求1至12中任一项所述的用于雷达的目标检测模型训练方法。
