飞机目标的螺旋桨叶片数量反演方法及目标识别方法与流程

1.本发明涉及目标识别技术领域，尤其涉及一种飞机目标的螺旋桨叶片数量反演方法及目标识别方法。


背景技术：

2.空中目标识别因其广泛的实用价值，是各国安防与工程领域中一项重要研究内容。然而，现有技术的目标识别能力往往局限于对空中目标的大类识别，如识别目标为飞机目标，而对于飞机目标的具体类型，如属于直升机、螺旋桨飞机或喷气式飞机哪一类型，难以进行精细区分。
3.通过确定飞机目标的螺旋桨叶片数量，结合飞机螺旋桨物理参数，可用于判断飞机目标的具体类型。但目前现有技术难以快速、准确地确定飞机目标的螺旋桨数量。


技术实现要素：

4.本发明的目的是针对上述至少一部分不足之处，提供一种能够快速确定飞机目标的螺旋桨数量的技术方案，以便对飞机目标进行精细分类，进而提高目标识别精度。
5.为了实现上述目的，本发明提供了一种飞机目标的螺旋桨叶片数量反演方法，包括：
6.获取雷达传感器探测数据，确定飞机目标；
7.基于所述雷达传感器探测数据，判断飞机目标的运动状态是否满足预设的第一条件；所述第一条件用于限定飞机目标的螺旋桨叶片在可探测范围内；
8.若飞机目标的运动状态满足所述第一条件，则获取光学传感器探测数据；所述光学传感器与所述雷达传感器的探测视角相同，所述光学传感器探测数据包括至少两个不同时刻的飞机目标图像；
9.基于所述光学传感器探测数据，确定飞机目标图像中的螺旋桨叶片区域数据；
10.基于所述螺旋桨叶片区域数据，判断螺旋桨叶片的图像是否满足预设的第二条件；所述第二条件用于限定飞机目标图像中螺旋桨叶片的图像的质量；
11.若螺旋桨叶片的图像满足所述第二条件，则基于所述雷达传感器探测数据和所述光学传感器探测数据，计算飞机目标的螺旋桨叶片数量。
12.可选的，所述第一条件包括飞机目标的飞行视线角小于角度阈值th1；
13.所述基于所述雷达传感器探测数据，判断飞机目标的运动状态是否满足预设的第一条件，包括：
14.基于所述雷达传感器探测数据，确定飞机目标的实际飞行速度v和飞机目标相对于雷达传感器照射方向的分速度vr；
15.计算飞机目标的飞行视线角θ0，θ0＝arccos(vr/v)；
16.若飞行视线角θ0小于角度阈值th1，则判断飞机目标的运动状态满足所述第一条件，否则判断飞机目标的运动状态不满足所述第一条件。
17.可选的，所述第二条件包括飞机目标图像中螺旋桨叶片的图像所占像素点个数大于精度阈值th2；
18.所述基于所述光学传感器探测数据，确定飞机目标图像中的螺旋桨叶片区域数据，包括：
19.基于所述光学传感器探测数据，对飞机目标所在区域，采用自适应类间方差分割门限进行图像分割，得到飞机目标的图像数据；
20.确定分割得到的飞机目标所占像素点个数及各像素点位置；
21.通过对比两幅不同时刻的飞机目标的图像数据，去掉位置不变的像素点，以剩余的像素点作为螺旋桨叶片区域数据；
22.所述基于所述螺旋桨叶片区域数据，判断螺旋桨叶片的图像是否满足预设的第二条件，包括：
23.若两幅不同时刻的螺旋桨叶片区域数据所占像素点的个数均大于精度阈值th2，则判断螺旋桨叶片的图像满足所述第二条件，否则判断螺旋桨叶片的图像不满足所述第二条件。
24.可选的，所述基于所述光学传感器探测数据，对飞机目标所在区域，采用自适应类间方差分割门限进行图像分割，得到飞机目标的图像数据，包括：
25.对飞机目标所在区域的像素点进行灰度级直方图统计与归一化，得到飞机目标所在区域图像的平均灰度级；
26.基于归一化的灰度级直方图，分别确定飞机目标所在区域图像中背景与叶片两类像素点出现的概率、平均灰度级及类内方差；
27.进而确定飞机目标所在区域图像的类内方差、类间方差和总方差；
28.令飞机目标所在区域图像的类间方差取最大值，计算最佳门限；
29.基于所述最佳门限，进行图像分割，得到飞机目标的图像数据。
30.可选的，所述基于所述雷达传感器探测数据和所述光学传感器探测数据，计算飞机目标的螺旋桨叶片数量，包括：
31.基于所述雷达传感器探测数据，计算螺旋桨的旋转频谱周期；
32.基于所述光学传感器探测数据，得到至少两个不同时刻的飞机目标图像中螺旋桨叶片的图像，进而确定两个不同时刻的螺旋桨叶片外接矩形的中心点；
33.基于两个不同时刻的螺旋桨叶片外接矩形的中心点，结合两个不同时刻之间的时间差，计算螺旋桨叶片外接矩形的中心点旋转变化的转速；
34.基于螺旋桨叶片数量、转速和旋转频谱周期的关系，计算飞机目标的螺旋桨叶片数量。
35.可选的，所述基于两个不同时刻的螺旋桨叶片外接矩形的中心点，结合两个不同时刻之间的时间差，计算螺旋桨叶片外接矩形的中心点旋转变化的转速，包括：
36.基于两个不同时刻的螺旋桨叶片外接矩形的中心点，确定旋转中心点的位置，所述旋转中心点到两个不同时刻的螺旋桨叶片外接矩形的中心点的距离相同；
37.计算两个不同时刻的螺旋桨叶片外接矩形的中心点之间的距离，以及所述旋转中心点到任一螺旋桨叶片外接矩形的中心点之间的距离；
38.计算两个不同时刻的螺旋桨叶片外接矩形的中心点之间的对应旋转弧度；
39.结合两个不同时刻之间的时间差，计算螺旋桨叶片外接矩形的中心点旋转变化的转速。
40.本发明还提供了一种飞机目标的螺旋桨叶片数量反演装置，包括：
41.雷达传感器、光学传感器和处理模块；其中，所述光学传感器与所述雷达传感器的探测视角相同，所述处理模块包括：
42.雷达单元，用于获取所述雷达传感器的探测数据，确定飞机目标；
43.第一条件单元，用于基于所述雷达传感器的探测数据，判断飞机目标的运动状态是否满足预设的第一条件；所述第一条件用于限定飞机目标的螺旋桨叶片在可探测范围内；
44.图像单元，用于在飞机目标的运动状态满足所述第一条件时，获取所述光学传感器的探测数据，所述光学传感器的探测数据包括至少两个不同时刻的飞机目标图像；
45.确定单元，用于基于所述光学传感器的探测数据，确定飞机目标图像中的螺旋桨叶片区域数据；
46.第二条件单元，用于基于所述螺旋桨叶片区域数据，判断螺旋桨叶片的图像是否满足预设的第二条件；所述第二条件用于限定飞机目标图像中螺旋桨叶片的图像的质量；
47.计算单元，用于在螺旋桨叶片的图像满足所述第二条件时，基于所述雷达传感器探测数据和所述光学传感器探测数据，计算飞机目标的螺旋桨叶片数量。
48.本发明还提供了一种目标识别方法，包括：
49.采用如上述任一项所述飞机目标的螺旋桨叶片数量反演方法确定飞机目标的螺旋桨叶片数量；
50.基于飞机目标的螺旋桨叶片数量和飞机螺旋桨物理参数，确定飞机目标的具体类型。
51.本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述飞机目标的螺旋桨叶片数量反演方法的步骤。
52.本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述飞机目标的螺旋桨叶片数量反演方法的步骤。
53.本发明的上述技术方案具有如下优点：本发明提供了一种飞机目标的螺旋桨叶片数量反演方法、装置、目标识别方法、计算机设备及计算机可读存储介质，本发明的技术方案利用雷达传感器与光学传感器，对满足预设条件的飞机目标，基于雷达传感器探测数据和光学传感器探测数据计算飞机目标的螺旋桨叶片数量。本发明的方案有助于实现对空中的飞机目标进行精细分类，相对于现有的空中目标识别技术，结果精度上有明显提升。
附图说明
54.图1是本发明实施例中一种飞机目标的螺旋桨叶片数量反演方法步骤示意图；
55.图2是本发明实施例中螺旋桨叶片旋转形成的夹角示意图；
56.图3是本发明实施例中一种飞机目标的螺旋桨叶片数量反演装置结构示意图。
具体实施方式
57.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
58.如前所述，现有的空中目标识别技术受限于识别能力，只能对目标进行大类识别，不能做到具体细分。而空中的飞机目标通常带有螺旋桨部件，直升机、螺旋桨飞机和喷气式飞机的叶片数量是有区别的，因此，螺旋桨叶片数量可以用于飞机类目标的精细分类。本发明提供的飞机目标的螺旋桨叶片数量反演方法，结合雷达传感器与光学传感器的探测数据，通过计算求解螺旋桨叶片数量，有助于实现空中的飞机目标精细分类，进而提高目标识别精度。
59.如图1所示，本发明实施例提供的一种飞机目标的螺旋桨叶片数量反演方法，包括：
60.步骤100、获取雷达传感器探测数据，确定飞机目标；
61.步骤102、基于获取的雷达传感器探测数据，判断飞机目标的运动状态是否满足预设的第一条件；其中，第一条件用于限定飞机目标的螺旋桨叶片在可探测范围内；
62.步骤104、若飞机目标的运动状态满足预设的第一条件，则获取光学传感器探测数据；其中，光学传感器与雷达传感器的探测视角相同，即，光学传感器与雷达传感器可安装在同一转台上；光学传感器探测数据包括至少两个不同时刻的飞机目标图像，即光学传感器至少拍摄两个不同时刻的光学图像；
63.步骤106、基于光学传感器探测数据，确定飞机目标图像中的螺旋桨叶片区域数据；
64.步骤108、基于螺旋桨叶片区域数据，判断光学传感器探测得到的螺旋桨叶片的图像是否满足预设的第二条件；其中，第二条件用于限定飞机目标图像中螺旋桨叶片的图像的质量；
65.步骤110、若螺旋桨叶片的图像满足预设的第二条件，则基于雷达传感器探测数据和光学传感器探测数据，计算飞机目标的螺旋桨叶片数量。
66.需要说明的是，步骤106中确定飞机目标图像中的螺旋桨叶片区域数据，并不要求精确识别出图像中的螺旋桨叶片，通过两幅图像对比消除静态像素的方法去掉机身，以确定飞机目标图像中螺旋桨叶片所在区域的大致范围即可，事实上，现有技术的识别能力也难以精确、完整地识别出飞机目标图像中的螺旋桨叶片。
67.本发明提供的一种飞机目标的螺旋桨叶片数量反演方法结合雷达传感器与光学传感器的探测数据，利用雷达传感器确认飞机目标的运动状态是否可以探测螺旋桨叶片，结合光学传感器拍摄的图像，确定螺旋桨叶片的图像的质量足以满足计算精度后，基于雷达传感器探测数据和光学传感器探测数据计算飞机目标的螺旋桨叶片数量。本发明的技术方案能够快速、准确地确定飞机目标的螺旋桨叶片数量，有助于实现对空中的飞机目标精细分类，提高目标识别能力。
68.在一些实施方式中，第一条件包括飞机目标的飞行视线角小于角度阈值th1；角度阈值th1的范围优选为40
°
～50
°
，更优选为45
°
；
69.步骤102进一步包括：
70.基于雷达传感器探测数据，确定飞机目标的实际飞行速度v和飞机目标相对于雷达传感器照射方向的分速度vr；
71.计算飞机目标的飞行视线角θ0，表达式为：θ0＝arccos(vr/v)；
72.若飞行视线角θ0小于角度阈值th1，则判断飞机目标的运动状态满足第一条件，否则，判断飞机目标的运动状态不满足第一条件。
73.该实施方式中，考虑到飞行视线角的余弦值是飞机目标相对雷达照射方向的分速度vr和实际飞行速度v的比值，通过反余弦计算可以求出目标的飞行视线角。在合适的飞行视线角范围内，才能确保光学传感器能够拍摄到飞机目标的螺旋桨叶片的图像。否则，光学传感器无法获得可靠的图像数据，也就无法通过反演准确计算螺旋桨叶片数量，进而难以保障飞机目标精细分类的准确性、可靠性。
74.可选地，光学传感器包括红外传感器。红外传感器目前已经在许多设备上得到了较广泛的装配，相对于可见光传感器，红外传感器受天气影响相对较小，适用范围广，所得光学传感器探测数据可靠性更高。
75.在一些实施方式中，第二条件包括飞机目标图像中螺旋桨叶片的图像所占像素点个数大于精度阈值th2；精度阈值th2的取值范围优选为2～5，更优选为3；
76.步骤106进一步包括：
77.基于光学传感器探测数据，对飞机目标所在区域，采用自适应类间方差分割门限进行图像分割，得到飞机目标的图像数据；
78.确定分割得到的飞机目标所占像素点的个数和各个像素点在图像中的位置；
79.通过对比两幅不同时刻获取的图像，去掉位置不变的像素点(位置不变即该像素点的灰度值、在图像中的位置均未发生改变)，以剩余的像素点作为螺旋桨叶片区域数据，目的是去掉飞机目标机身所占的像素，保留运动的螺旋桨叶片所占像素；
80.步骤108进一步包括：
81.若去掉位置不变的像素点后，两幅不同时刻的螺旋桨叶片区域数据所占像素点的个数均大于精度阈值th2，则判断螺旋桨叶片的图像满足第二条件，否则判断螺旋桨叶片的图像不满足第二条件。
82.该实施方式中，考虑到现有空中目标识别技术受限于识别能力，用于后续反演计算的螺旋桨叶片的图像所占像素点不应过少，否则可能会出现误判，例如将非螺旋桨叶片识别为螺旋桨叶片，或未识别出螺旋桨叶片，这些误判可能干扰计算结果。采用自适应类间方差分割门限对图像进行分割，能够快速、有效地确定飞机目标图像中螺旋桨叶片，以便进行后续计算。
83.进一步地，步骤106中，对飞机目标所在区域，采用自适应类间方差分割门限进行图像分割，得到飞机目标的图像数据，具体包括：
84.(1)对飞机目标所在区域的像素点进行灰度级直方图统计与归一化，得到对飞机目标所在区域图像的平均灰度级。
85.直方图是图像的一种统计表达，对灰度图像，灰度级直方图反应了该图像中不同灰度级出现的统计情况。图像的灰度级直方图是一个一维离散函数：
86.h(k)＝n
k (k＝0,1,
…
,l
‑
1)
87.式中，k表示图像灰度级；n
k
表示图像中灰度级为k的像素点个数；l表示图像灰度级级数，此处为256级。
88.使用归一化的灰度级直方图作为图像的概率分布，表达式为：
89.p
i
＝n
i
/n p
i
≥0,
90.其中，l为图像灰度级级数，n
i
表示图像中灰度级为i的像素点个数，n为图像像素点的总个数，p
i
,i＝{1,2,
…
,l}表示归一化的灰度级直方图；
91.进一步得到：
[0092][0093]
μ
t
表示图像的平均灰度级。
[0094]
(2)基于归一化的灰度级直方图，分别确定飞机目标所在区域图像中背景与叶片两类像素点出现的概率、平均灰度级及类内方差。
[0095]
若通过一个灰度级为k的门限，将这些像素点划分为两类：c0和c1，c0表示灰度级为{1,2,
…
,k}的像素点，属于背景类，c1表示灰度级为{k 1,k 2,
…
,l}的像素点，属于叶片类，则背景与叶片两类像素点出现的概率分别为：
[0096][0097][0098]
其中，ω0为背景类像素点出现的概率，ω1为叶片类像素点出现的概率；
[0099]
背景与叶片两类像素点的平均灰度级分别为：
[0100][0101][0102]
其中，μ0为背景类像素点的平均灰度级，μ1为叶片类像素点的平均灰度级，
[0103][0104][0105]
ω(k)为灰度级从1到k的累积出现概率，μ(k)为灰度级从1到k的平均灰度级；
[0106]
对于任意选定的k，都有：
[0107]
ω0μ0 ω1μ1＝μ
t
[0108]
ω0 ω1＝1
[0109]
背景与叶片两类像素点的类内方差分别为：
[0110][0111][0112]
其中，表示背景类像素点的类内方差，表示叶片类像素点的类内方差。
[0113]
(3)基于飞机目标所在区域图像的平均灰度级μ
t
，背景与叶片两类像素点出现的概率、平均灰度级及类内方差，可确定飞机目标所在区域图像的类内方差、类间方差和总方差。
[0114]
飞机目标所在区域图像的类内方差为：
[0115][0116]
飞机目标所在区域图像的类间方差为：
[0117][0118]
飞机目标所在区域图像的总方差为：
[0119][0120]
使用判别式评价灰度级k，常用的判别式有：使用判别式评价灰度级k，常用的判别式有：
[0121]
由于和都是门限k的函数，与k无关，是基于二阶统计，而是基于一阶统计，因此，η(k)是判别门限k好坏的最简单的测量标准，寻找最佳门限k
*
使得η(k)最大，等价于使飞机目标所在区域图像的类间方差最大。
[0122]
(4)寻找最佳k
*
使得判别式η(k
*
)最大，即，令飞机目标所在区域图像的类间方差取最大值，计算最佳门限k
*
，飞机目标所在区域图像的类间方差表达式为：
[0123][0124]
最佳门限k
*
满足：
[0125][0126]
(5)基于计算得到的最佳门限k
*
，进行图像分割，得到飞机目标的图像数据。
[0127]
进一步地，基于计算得到的最佳门限k
*
，进行图像分割，得到飞机目标的图像数据，包括：
[0128]
基于最佳门限k
*
进行图像分割，对于灰度值大于最佳门限k
*
的像素点保留其灰度值，其余的像素点的灰度值置为零。
[0129]
在一些实施方式中，步骤110中基于雷达传感器探测数据和光学传感器探测数据，计算飞机目标的螺旋桨叶片数量，进一步包括：
[0130]
基于雷达传感器探测数据，计算螺旋桨的旋转频谱周期t
f
；螺旋桨的旋转频谱周
期t
f
可由雷达传感器获得的探测数据经傅立叶变换计算得到；
[0131]
基于光学传感器探测数据，得到至少两个不同时刻的飞机目标图像中螺旋桨叶片的图像，进而确定两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)；设其中中心点(x1,y1)属于t1时刻的螺旋桨叶片外接矩形，中心点(x2,y2)属于t2时刻的螺旋桨叶片外接矩形；
[0132]
基于两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)，结合两个不同时刻之间的时间差t＝t2
‑
t1，计算螺旋桨叶片外接矩形的中心点旋转变化的转速f
r
；
[0133]
基于螺旋桨叶片数量n
p
、转速f
r
和螺旋桨的旋转频谱周期t
f
的关系：t
f
＝n
p
*f
r
，计算飞机目标的螺旋桨叶片数量n
p
。
[0134]
其中，每一时刻的螺旋桨叶片外接矩形可通过如下方式确定：
[0135]
基于螺旋桨叶片区域数据进行区域标记，区域标记通过判断非0像素点之间的连通性，将同属于一个区域的像素点标记在一起；
[0136]
将区域标记提取的区域作为螺旋桨叶片结构的一部分；
[0137]
基于提取得到的螺旋桨叶片结构的一部分，确定螺旋桨叶片外接矩形的边界，进而找出相应矩形的中心点。
[0138]
进一步地，基于两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)，结合两个不同时刻之间的时间差t＝t2
‑
t1，计算螺旋桨叶片外接矩形的中心点旋转变化的转速f
r
，具体包括：
[0139]
a、基于两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)，确定旋转中心点(x0,y0)的位置；其中，旋转中心点(x0,y0)到两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)的距离相同。
[0140]
如图2所示，设中心点p1(x1,y1)、中心点p2(x2,y2)连线所形成的直线的垂线为直线l1，建立坐标系，直线l1表示为：
[0141][0142]
中心点p1(x1,y1)、中心点p2(x2,y2)到旋转中心点p0(x0,y0)的距离相等，由此可以建立等式关系求出：
[0143][0144]
b、基于旋转中心点(x0,y0)的位置，计算两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)之间的距离l2，以及旋转中心点(x0,y0)到任一螺旋桨叶片外接矩形的中心点(x1,y1)或(x2,y2)之间的距离l1。
[0145]
旋转中心点p0(x0,y0)和中心点p1(x1,y1)之间的距离l1可以用两点之间的距离公式计算得到，同样的方法计算中心点p1(x1,y1)、中心点p2(x2,y2)之间的距离l2。
[0146]
c、计算两个不同时刻的螺旋桨叶片外接矩形的中心点(x1,y1)、(x2,y2)之间的对应旋转弧度r
θ
，表达式为：
[0147]
[0148]
d、结合两个不同时刻之间的时间差t，计算螺旋桨叶片外接矩形的中心点旋转变化的转速f
r
，表达式为：
[0149][0150]
上述实施方式无需大量数据，即可快速、准确地实现螺旋桨叶片数量反演，提高空中目标类型识别的准确性。
[0151]
进一步地，为验证反演计算的准确性，该飞机目标的螺旋桨叶片数量反演方法还可包括：
[0152]
步骤112、替换不同的光学传感器探测数据，重复计算飞机目标的螺旋桨叶片数量。
[0153]
通过不同的光学传感器探测数据重复计算飞机目标的螺旋桨叶片数量，能够验证计算结果的可靠性，进一步提高计算精度。
[0154]
特别地，本发明还提供了一种目标识别方法，包括：
[0155]
采用如上述任一项实施方式所述飞机目标的螺旋桨叶片数量反演方法确定飞机目标的螺旋桨叶片数量；
[0156]
基于飞机目标的螺旋桨叶片数量和飞机螺旋桨物理参数，确定飞机目标的具体类型。
[0157]
上述实施方式能够实现对于直升机、螺旋桨飞机和喷气式飞机这些具体的类别的区分。
[0158]
如图3所示，本发明还提供了一种飞机目标的螺旋桨叶片数量反演装置，包括：雷达传感器400、光学传感器500和处理模块300。其中，光学传感器500与雷达传感器400的探测视角相同，处理模块300包括：雷达单元、第一条件单元、图像单元、确定单元、第二条件单元和计算单元，具体地：
[0159]
雷达单元用于获取雷达传感器的探测数据，确定飞机目标；
[0160]
第一条件单元用于基于雷达传感器的探测数据，判断飞机目标的运动状态是否满足预设的第一条件；第一条件用于限定飞机目标的螺旋桨叶片在可探测范围内；
[0161]
图像单元用于在飞机目标的运动状态满足第一条件时，获取光学传感器的探测数据，光学传感器的探测数据包括至少两个不同时刻的飞机目标图像；
[0162]
确定单元用于基于光学传感器的探测数据，确定飞机目标图像中的螺旋桨叶片区域数据；
[0163]
第二条件单元用于基于螺旋桨叶片区域数据，判断螺旋桨叶片的图像是否满足预设的第二条件；第二条件用于限定飞机目标图像中螺旋桨叶片的图像的质量；
[0164]
计算单元用于在螺旋桨叶片的图像满足第二条件时，基于雷达传感器探测数据和光学传感器探测数据，计算飞机目标的螺旋桨叶片数量。
[0165]
上述飞机目标的螺旋桨叶片数量反演装置的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0166]
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬
件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0167]
特别地，在本发明一些优选的实施方式中，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施方式中所述飞机目标的螺旋桨叶片数量反演方法的步骤。
[0168]
在本发明另一些优选的实施方式中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式中所述飞机目标的螺旋桨叶片数量反演方法的步骤。
[0169]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述飞机目标的螺旋桨叶片数量反演方法实施例的流程，在此不再重复说明。
[0170]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。