穿墙雷达成像方法、系统、终端设备及可读存储介质与流程

1.本发明涉雷达成像领域，尤其涉及一种穿墙雷达成像方法、系统、终端设备及可读存储介质。


背景技术：

2.穿墙雷达成像是一种传感技术，可用于反应人员在搜索和救援任务中看到模糊的障碍，或部署执法人员和军事人员在战术行动中保持态势感知。穿墙雷达利用电磁波具有穿透非金属建筑材料的能力，为墙后或封闭环境中目标的成像提供独特的机会。穿墙雷达成像在实际中广泛应用于城区巷战、灾难救援和房屋安防等军事和民用领域。它可以实现对目标的探测、定位、跟踪和成像，从而能够探测到墙体后隐蔽目标。
3.在穿墙雷达成像中，由于目标与雷达天线之间存在非透明墙体等障碍物，天线接收到的回波信号中含有大量墙体反射杂波，严重影响成像质量，甚至造成目标无法显现。为了便于分析成像算法的性能，在一些传统的成像算法中，都未考虑墙体反射杂波或者假设在成像处理之前通过背景相消法已被滤除，但是在实际情况中，空场景的数据几乎很难获取，导致背景相消法无法使用。
4.现有的雷达成像使用过程中，不能有效地去除雷达探测场景中墙体的反射杂波，导致成像后的重建图像质量低下。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种穿墙雷达成像方法、系统、终端设备及可读存储介质，以解决现有技术中，不能有效地去除雷达探测场景中墙体的反射杂波，所导致的成像后的重建图像质量低下的问题。
6.本发明实施例的第一方面提供了一种穿墙雷达成像方法，包括：
7.获取预设雷达探测场景中的雷达回波数据，并对所述预设雷达探测场景中的成像场景进行离散化；
8.根据所述成像场景的离散化结果构建字典矩阵，并根据所述字典矩阵构建低秩稀疏信号模型，所述低秩稀疏信号模型用于表征所述预设雷达探测场景中，墙体杂波的低秩特征和待测壁后目标的空间稀疏特征；
9.确定所述低秩稀疏信号模型中的低秩稀疏优化问题，并根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型；
10.对所述穿墙雷达成像模型进行模型训练，直至所述穿墙雷达成像模型收敛，并将待成像回波数据输入收敛后的所述穿墙雷达成像模型进行成像分析，得到重建图像。
11.进一步地，所述获取预设雷达探测场景中的雷达回波数据，包括：
12.采用单站步进频率体制，将收发共置天线自左向右沿平行于墙体方向步进前进，测线方向上设置有第一预设个数的测量位置，每个所述测量位置都发射第二预设个数的频点信号；
13.第n个频点信号和第m个测量位置测量到的雷达回波数据为z
n,m
；
[0014][0015]
为所述预设雷达探测场景中的墙体反射信号，为所述预设雷达探测场景中的目标反射信号，v
n，m
为所述预设雷达探测场景中的测量噪声信号；
[0016]
所述墙体反射信号为：
[0017][0018]
所述目标反射信号为：
[0019][0020]
其中，σ
p
为所述预设雷达探测场景中墙体的反射系数，fn为第m个频点信号，τw表示第m个测量位置到墙体的双程传输时延，与所述测量位置无关，p 为目标总个数，σ
p
为第p个目标的反射系数，τ
m，q
表示第m个测量位置和第 p个目标之间的双程时延；
[0021]
所述雷达回波数据中的总回波信号为：
[0022]
z＝zw z
t
v。
[0023]
进一步地，所述对所述预设雷达探测场景中的成像场景进行离散化，包括：
[0024]
对所述成像场景进行二维离散化，得到离散网格，所述离散网格的总数量 q＝kxl，其中，k和l分别为所述成像场景中距离向和方位向对应的离散网格数。
[0025]
进一步地，所述根据所述成像场景的离散化结果构建字典矩阵，包括：
[0026]
将所述离散网格进行列堆叠操作，得到场景反射率向量；
[0027]
所述场景反射率向量中的第q(q＝1，2，...，q)个元素sq为：
[0028][0029]
目标反射信号为：
[0030]zt
＝ψ1s
[0031]
ψ1为mn
×
q维的字典矩阵：
[0032]
ψ1＝exp(-j2πfnτ
m，p
)
[0033]fn
为第m个频点信号，p为目标总个数，τ
m，q
表示第m个测量位置和第p 个目标之间的双程时延；
[0034]
s是稀疏向量，墙体的反射率向量l的第q(q＝1，2，...，q)个元素lq表示为：
[0035][0036]
墙体反射信号为：
[0037]zw
＝ψ2l
[0038]
ψ2为mn
×
q维的字典矩阵：
[0039]
ψ2＝exp(-j2πfnτw)
[0040]
τw表示第m个测量位置到墙体的双程传输时延，l为低秩向量。
[0041]
进一步地，根据所述字典矩阵构建得到的所述低秩稀疏信号模型为：
[0042]
d＝ψ1l ψ2s v
[0043]
d为观测矩阵，l为具有墙体反射的低秩矩阵，s为具有目标反射的稀疏矩阵，n为测量噪声矩阵，ψ1和ψ2为所述字典矩阵。
[0044]
进一步地，确定到的所述低秩稀疏优化问题为第一公式：
[0045][0046]
||l||
*
表示核范数，是l奇异值的和，||s||
1，2
是混合的l
1，2
范数，其值等于s 每一行的l
1，2
范数和。
[0047]
进一步地，所述根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型，包括：
[0048]
定义：a＝[ψ1，ψ2]；
[0049]
将所述低秩稀疏优化问题描述为第二公式：
[0050][0051]
其中，ρ1＝||
·
||
*
，ρ2＝||
·
||
1，2
；
[0052][0053][0054]
将proxh(x)在l和s中分离，得到第三公式：
[0055][0056]
是软阈值算子；
[0057]
svt
α
(x）＝udiag(max(0，σ
i-α))vh，i＝1，...，r，是奇异值阈值算子；
[0058]
当x＝u∑vh，∑＝diag(σi，...，σr)是x的特征值的对角矩阵，将第一公式的近端映射应用到第二公式的二次部分梯度，得出：
[0059]
[0060][0061]
对第一公式求最小值：
[0062][0063]
或者为第四公式：
[0064][0065][0066]
lf是第二公式中二次项的lipschitz常数，即，aha的谱范数，第k次迭代作为穿墙雷达成像模型中前馈网络的第k层，根据第四公式形成所述穿墙雷达成像模型，将依赖于ψ1和ψ2的每个矩阵都替换为对应大小的卷积层的每个矩阵都替换为对应大小的卷积层得出第k层的方程为：
[0067][0068][0069]
其中，*表示所述穿墙雷达成像模型中对应的卷积算子。
[0070]
本发明实施例的第二方面提供了一种穿墙雷达成像系统，包括：
[0071]
雷达回波数据获取单元，用于获取预设雷达探测场景中的雷达回波数据，并对所述预设雷达探测场景中的成像场景进行离散化；
[0072]
信号模型构建单元，用于根据所述成像场景的离散化结果构建字典矩阵，并根据所述字典矩阵构建低秩稀疏信号模型，所述低秩稀疏信号模型用于表征所述预设雷达探测场景中，墙体杂波的低秩特征和待测壁后目标的空间稀疏特征；
[0073]
低秩稀疏问题确定单元，用于确定所述低秩稀疏信号模型中的低秩稀疏优化问题，并根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型；
[0074]
成像分析单元，用于对所述穿墙雷达成像模型进行模型训练，直至所述穿墙雷达成像模型收敛，并将待成像回波数据输入收敛后的所述穿墙雷达成像模型进行成像分析，得到重建图像。
[0075]
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在终端设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方案提供的穿墙雷达成像方法的各步骤。
[0076]
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方案提供的穿墙雷达成像方法的各步骤。
[0077]
本发明实施例提供的一种穿墙雷达成像方法、系统、终端设备及可读存储介质具有以下有益效果：利用墙体杂波的低秩特征和待测壁后目标的空间稀疏特征，将墙体的杂波抑制和目标图像重建问题转化为求解低秩稀疏优化问题，有效地抑制了墙体的反射杂波，提高了重建图像的成像质量。
附图说明
[0078]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0079]
图1是本发明实施例提供的一种穿墙雷达成像方法的实现流程图；
[0080]
图2是图1实施例提供的预设雷达探测场景的结构示意图；
[0081]
图3是图1实施例提供的穿墙雷达成像模型中单层网络的架构图；
[0082]
图4是图1实施例提供的雷达探测场景的标签图；
[0083]
图5是图1实施例提供的收敛后的穿墙雷达成像模型输出的重建图像；
[0084]
图6是本发明另一实施例提供的一种穿墙雷达成像方法的实现流程图；
[0085]
图7是本发明实施例提供的一种穿墙雷达成像系统的结构框图；
[0086]
图8是本发明实施例提供的一种终端设备的结构框图。
具体实施方式
[0087]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0088]
本发明实施例所涉及的穿墙雷达成像方法，可以由控制设备或终端(以下称“移动终端”)执行。
[0089]
请参阅图1，图1示出了本发明实施例提供的一种穿墙雷达成像方法的实现流程图，包括：
[0090]
步骤s10，获取预设雷达探测场景中的雷达回波数据，并对所述预设雷达探测场景中的成像场景进行离散化；
[0091]
可选的，该步骤中，所述获取预设雷达探测场景中的雷达回波数据，包括：
[0092]
采用单站步进频率体制，将收发共置天线自左向右沿平行于墙体方向步进前进，测线方向上设置有第一预设个数的测量位置，每个所述测量位置都发射第二预设个数的频点信号；
[0093]
其中，请参阅图2，本实施例中的测量位置的数量为43个，每个测量位置的发射的频点信号的数量为64个，该成像场景范围为1m
×
1m，空间分辨率为 0.02m，中心频率为1.5ghz,带宽为1ghz，天线扫描步进为0.02m。
[0094]
第n个频点信号和第m个测量位置测量到的雷达回波数据为z
n,m
；
[0095][0096]
为所述预设雷达探测场景中的墙体反射信号，为所述预设雷达探测场景中的目标反射信号，v
n,m
为所述预设雷达探测场景中的测量噪声信号；
[0097]
所述墙体反射信号为：
[0098][0099]
所述目标反射信号为：
[0100][0101]
其中，σ
p
为所述预设雷达探测场景中墙体的反射系数，fn为第m个频点信号，τw表示第m个测量位置到墙体的双程传输时延，与所述测量位置无关， p为目标总个数，σ
p
为第p个目标的反射系数，τ
m，q
表示第m个测量位置和第 p个目标之间的双程时延；
[0102]
所述雷达回波数据中的总回波信号为：
[0103]
z＝zw z
t
v。
[0104]
进一步地，该步骤中，所述对所述预设雷达探测场景中的成像场景进行离散化，包括：
[0105]
对所述成像场景进行二维离散化，得到离散网格，所述离散网格的总数量 q＝kxl，其中，k和l分别为所述成像场景中距离向和方位向对应的离散网格数。
[0106]
步骤s20，根据所述成像场景的离散化结果构建字典矩阵，并根据所述字典矩阵构建低秩稀疏信号模型；
[0107]
其中，低秩稀疏信号模型用于表征所述预设雷达探测场景中，墙体杂波的低秩特征和待测壁后目标的空间稀疏特征；
[0108]
可选的，该步骤中，所述根据所述成像场景的离散化结果构建字典矩阵，包括：
[0109]
将所述离散网格进行列堆叠操作，得到场景反射率向量；
[0110]
所述场景反射率向量中的第q(q＝1，2，...，q)个元素sq为：
[0111][0112]
目标反射信号为：
[0113]zt
＝ψ1s
[0114]
ψ1为mn
×
q维的字典矩阵：
[0115]
ψ1＝exp(-j2πfnτ
m，p
)
[0116]fn
为第m个频点信号，p为目标总个数，τ
m，q
表示第m个测量位置和第p 个目标之间的双程时延；
[0117]
s是稀疏向量，墙体的反射率向量l的第q(q＝1，2，...，q)个元素lq表示为：
[0118][0119]
墙体反射信号为：
[0120]zw
＝ψ2l
[0121]
ψ2为mn
×
q维的字典矩阵：
[0122]
ψ2＝exp(-j2πfnτw)
[0123]
τw表示第m个测量位置到墙体的双程传输时延，l为低秩向量。
[0124]
进一步地，该步骤中，根据所述字典矩阵构建得到的所述低秩稀疏信号模型为：
[0125]
d＝ψ1l ψ2s v
[0126]
d为观测矩阵，l为具有墙体反射的低秩矩阵，s为具有目标反射的稀疏矩阵，n为测量噪声矩阵，ψ1和ψ2为所述字典矩阵。
[0127]
本实施例中，将成像场景以0.02m等间隔划分为51*51个网格，即k＝l＝51， q＝2601，因此，根据天线以及频点信号的参数和空间离散网格所构建的字典矩阵维度为mn
×
q＝2752
×
2601。
[0128]
步骤s30，确定所述低秩稀疏信号模型中的低秩稀疏优化问题，并根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型；
[0129]
可选的，该步骤中，确定到的所述低秩稀疏优化问题为第一公式：
[0130][0131]
‖l‖
*
表示核范数，是l奇异值的和，‖s‖
1,2
是混合的l
1，2
范数，其值等于s 每一行的l
1，2
范数和。
[0132]
进一步地，该步骤中，所述根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型，包括：
[0133]
定义：a＝[ψ1：ψ2]；
[0134]
将所述低秩稀疏优化问题描述为第二公式：
[0135][0136]
其中，
[0137][0138][0139]
将proxh(x)在l和s中分离，得到第三公式：
[0140][0141]
是软阈值算子；
[0142]
svt
α
(x)＝udiag(max(0，σ
i-α))vh，i＝1，...，r，是奇异值阈值算子；
[0143]
当x＝u∑vh，∑＝diag(σi，...，σr)是x的特征值的对角矩阵，将第三公式的近端映射应用到第二公式的二次部分梯度，得出：
[0144][0145][0146]
对第一公式求最小值：
[0147][0148]
或者为第四公式：
[0149][0150][0151]
lf是第二公式中二次项的lipschitz常数，即，aha的谱范数，第k次迭代作为穿墙雷达成像模型中前馈网络的第k层，根据第四公式形成所述穿墙雷达成像模型，将依赖于ψ1和ψ2的每个矩阵都替换为对应大小的卷积层的每个矩阵都替换为对应大小的卷积层得出第k层的方程为：
[0152][0153][0154]
其中，*表示所述穿墙雷达成像模型中对应的卷积算子。
[0155]
请参阅图3，为穿墙雷达成像模型中单层网络的架构图，该穿墙雷达成像模型为深度神经网络模型，该穿墙雷达成像模型中单层网络的层数为10层，前三层的卷积核大小为5*5*1，滑动步长(strides)为(1,1,1)，内边距(padding) 为(2,2,0)，而后七层的卷积核大小为3*3*1，strides为(1,1,1)，padding为(1,1,0)。
[0156]
步骤s40，对所述穿墙雷达成像模型进行模型训练，直至所述穿墙雷达成像模型收
敛，并将待成像回波数据输入收敛后的所述穿墙雷达成像模型进行成像分析，得到重建图像；
[0157]
其中，请参阅图4至图5，图4是雷达探测场景的标签图，图5是收敛后的穿墙雷达成像模型输出的重建图像，收敛后的穿墙雷达成像模型能够有效地抑制墙体的强反射杂波，对墙后雷达探测目标得到高精度的重建图像。
[0158]
本实施例中，利用墙体杂波的低秩特征和待测壁后目标的空间稀疏特征，将墙体的杂波抑制和目标图像重建问题转化为求解低秩稀疏优化问题，有效地抑制了墙体的反射杂波，提高了重建图像的成像质量，基于穿墙雷达成像模型，能将原有的低秩稀疏正则化问题固化到神经网络结构中，该穿墙雷达成像模型通过迭代算法展开到一个深度网络，来实现重建图像，该穿墙雷达成像模型使用了卷积层而不是全连接层，可以实现比传统迭代版本以及其他深度学习架构更好的性能。
[0159]
请参阅图6，图6是本发明另一实施例提供的一种穿墙雷达成像方法的实现流程图。相对于图1实施例，本实施例提供的穿墙雷达成像方法用于对图1 实施例中的步骤s40作进一步细化，包括：
[0160]
步骤s41，获取训练样本，并根据所述训练样本生成测试集；
[0161]
其中，包括雷达回波数据和标签数据；
[0162]
步骤s42，采用均方差为损失函数，设置学习速率为0.001以及批大小为5，设置训练迭代次数为3500次，对穿墙雷达成像模型进行模型训练。
[0163]
步骤s43，若检测到所述穿墙雷达成像模型的迭代次数大于次数阈值，或所述穿墙雷达成像模型的模型损失值小于损失阈值，则判定所述穿墙雷达成像模型收敛；
[0164]
本实施例中，次数阈值和损失阈值均可以根据需求进行设置，若检测到穿墙雷达成像模型的迭代次数大于次数阈值，或穿墙雷达成像模型的模型损失值小于损失阈值，则判定当前迭代后的穿墙雷达成像模型收敛，基于收敛后的穿墙雷达成像模型能有效地对输入的待成像回波数据进行分析，得到该待成像回波数据对应的重建图像。
[0165]
请参阅图7，图7是本发明实施例提供的一种穿墙雷达成像系统100的结构框图。本实施例中该穿墙雷达成像系统100包括的各单元用于执行图1、图6 对应的实施例中的各步骤。具体请参阅图1、图6以及图1、图6所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，穿墙雷达成像系统100包括：雷达回波数据获取单元10、信号模型构建单元11、低秩稀疏问题确定单元12和成像分析单元13，其中：
[0166]
雷达回波数据获取单元10，用于获取预设雷达探测场景中的雷达回波数据，并对所述预设雷达探测场景中的成像场景进行离散化。
[0167]
其中，该雷达回波数据获取单元10还用于：采用单站步进频率体制，将收发共置天线自左向右沿平行于墙体方向步进前进，测线方向上设置有第一预设个数的测量位置，每个所述测量位置都发射第二预设个数的频点信号；
[0168]
第n个频点信号和第m个测量位置测量到的雷达回波数据为z
n,m
；
[0169][0170]
为所述预设雷达探测场景中的墙体反射信号，为所述预设雷达探测
场景中的目标反射信号，v
n，m
为所述预设雷达探测场景中的测量噪声信号；
[0171]
所述墙体反射信号为：
[0172][0173]
所述目标反射信号为：
[0174][0175]
其中，σ
p
为所述预设雷达探测场景中墙体的反射系数，fn为第m个频点信号，τw表示第m个测量位置到墙体的双程传输时延，与所述测量位置无关，p 为目标总个数，σ
p
为第p个目标的反射系数，τ
m，q
表示第m个测量位置和第 p个目标之间的双程时延；
[0176]
所述雷达回波数据中的总回波信号为：
[0177]
z＝zw z
t
v。
[0178]
可选的，该雷达回拨数据获取单元10还用于：对所述成像场景进行二维离散化，得到离散网格，所述离散网格的总数量q＝kxl，其中，k和l分别为所述成像场景中距离向和方位向对应的离散网格数。
[0179]
信号模型构建单元11，用于根据所述成像场景的离散化结果构建字典矩阵，并根据所述字典矩阵构建低秩稀疏信号模型，所述低秩稀疏信号模型用于表征所述预设雷达探测场景中，墙体杂波的低秩特征和待测壁后目标的空间稀疏特征。
[0180]
其中，该信号模型构建单元11还用于：将所述离散网格进行列堆叠操作，得到场景反射率向量；
[0181]
所述场景反射率向量中的第q(q＝1，2，...，q)个元素sq为：
[0182][0183]
目标反射信号为：
[0184]zt
＝ψ1s
[0185]
ψ1为mn
×
q维的字典矩阵：
[0186]
ψ1＝exp(-j2πfnτ
m，p
)
[0187]fn
为第m个频点信号，p为目标总个数，τ
m，q
表示第m个测量位置和第p 个目标之间的双程时延；
[0188]
s是稀疏向量，墙体的反射率向量l的第q(q＝1，2，...，q)个元素lq表示为：
[0189][0190]
墙体反射信号为：
[0191]zw
＝ψ2l
[0192]
ψ2为mn
×
q维的字典矩阵：
[0193]
ψ2＝exp(-j2πfnτw)
[0194]
τw表示第m个测量位置到墙体的双程传输时延，l为低秩向量。
[0195]
可选的，本实施例中，根据所述字典矩阵构建得到的所述低秩稀疏信号模型为：
[0196]
d＝ψ1l ψ2s v
[0197]
d为观测矩阵，l为具有墙体反射的低秩矩阵，s为具有目标反射的稀疏矩阵，n为测量噪声矩阵，ψ1和ψ2为所述字典矩阵。
[0198]
低秩稀疏问题确定单元12，用于确定所述低秩稀疏信号模型中的低秩稀疏优化问题，并根据确定到的所述低秩稀疏优化问题构建穿墙雷达成像模型。
[0199]
其中，确定到的所述低秩稀疏优化问题为第一公式：
[0200][0201]
||l||
*
表示核范数，是l奇异值的和，||s||
1，2
是混合的l
1，2
范数，其值等于s 每一行的l
1，2
范数和。
[0202]
可选的，该步骤中，低秩稀疏问题确定单元12还用于：
[0203]
定义：a＝[ψ1：ψ2]；
[0204]
将所述低秩稀疏优化问题描述为第二公式：
[0205][0206]
其中，
[0207][0208][0209]
将proxh(x)在l和s中分离，得到第三公式：
[0210][0211]
是软阈值算子；
[0212]
svt
α
(x)＝udiag(max(0，σ
i-α))vh，i＝1，...，r，是奇异值阈值算子；
[0213]
当x＝u∑vh，∑＝diag(σi，...，σr)是x的特征值的对角矩阵，将第三公式的近端映射应用到第二公式的二次部分梯度，得出：
[0214]
[0215][0216]
对第一公式求最小值：
[0217][0218]
或者为第四公式：
[0219][0220][0221]
lf是第二公式中二次项的lipschitz常数，即，aha的谱范数，第k次迭代作为穿墙雷达成像模型中前馈网络的第k层，根据第四公式形成所述穿墙雷达成像模型，将依赖于ψ1和ψ2的每个矩阵都替换为对应大小的卷积层的每个矩阵都替换为对应大小的卷积层得出第k层的方程为：
[0222][0223][0224]
其中，*表示所述穿墙雷达成像模型中对应的卷积算子。
[0225]
成像分析单元13，用于对所述穿墙雷达成像模型进行模型训练，直至所述穿墙雷达成像模型收敛，并将待成像回波数据输入收敛后的所述穿墙雷达成像模型进行成像分析，得到重建图像。
[0226]
本实施例中，利用墙体杂波的低秩特征和待测壁后目标的空间稀疏特征，将墙体的杂波抑制和目标图像重建问题转化为求解低秩稀疏优化问题，有效地抑制了墙体的反射杂波，提高了重建图像的成像质量。
[0227]
图8是本发明另一实施例提供的一种终端设备2的结构框图。如图8所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21 中并可在所述处理器20上运行的计算机程序22，例如穿墙雷达成像方法的程序。处理器20执行所述计算机程序22时实现上述各个穿墙雷达成像方法各实施例中的步骤，例如图1所示的s10至s40，或者图6所示的s41至s43。或者，所述处理器20执行所述计算机程序22时实现上述图7对应的实施例中各单元的功能，例如，图7所示的单元10至13的功能，具体请参阅图7对应的实施例中的相关描述，此处不赘述。
[0228]
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程
序22在所述终端设备2中的执行过程。例如，所述计算机程序22可以被分割成道路识别单元10、第一类型标记单元11、第二类型标记单元12和道路类型确定单元13，各单元具体功能如上所述。
[0229]
所述终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图8仅仅是终端设备2的示例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0230]
所称处理器20可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0231]
所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2 的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
[0232]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
[0233]
以上所述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，均应包含在本发明的保护范围之内。