CN112198506B - 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 - Google Patents

Abstract

本发明实施例涉及一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质，该方法获取隐蔽目标的回波散射数据；去除所述回波散射数据的墙体回波和噪声；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；并将稀疏重构迭代算法展开成多层神经网络结构，通过训练数据集对网络模型中超参数训练。本发明通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

Description

一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储 介质

技术领域

本发明实施例涉及穿墙雷达隐藏目标稀疏成像领域，特别涉及一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质。

背景技术

穿墙雷达是一种新型建筑透视探测装备，在反恐维稳、灾难救援、军事勘察、目标营救等领域中有极其重要的作用。穿墙雷达三维成像不仅能提供距离向和方位向上的目标位置信息，还能提供俯仰等更多维度的信息，满足了建筑内部的结构特征、人体目标的姿势姿态等信息的需求。

目前，穿墙雷达稀疏成像构建字典矩阵的主要方式是通过计算成像网格点到天线之间的双程时延，对发射波做时延补偿构成字典矩阵。对于三维穿墙稀疏成像，字典矩阵所需内存过大，并且成像速度慢。此外，稀疏优化算法还存在计算复杂度高、超参数选择困难等问题。

发明内容

本发明实施例的目的是提供一种超宽带穿墙雷达学习成像的方法、系统和可读存储介质。该方法利用衍射层析模型构建傅里叶算子以有效地降低了算法运行所需内存，将稀疏优化迭代算法展开成多层神经网络结构，通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

第一方面，本发明实施例提供了一种超宽带穿墙雷达学习成像的方法，所述方法包括：

训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；

根据衍射层析成像算法，构建傅里叶变换快速算子；

基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；

将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；

使用训练好的神经网络结构对隐蔽目标成像。

第二方面，一种穿墙雷达稀疏成像的装置，所述装置包括：

第一获取模块，用于随机采样获取隐蔽目标的回波散射数据，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；

第二获取模块，用于通过背景减法和线性趋势抑制方法，去除所述回波散射数据的墙体回波和噪声；

第一构建模块，用于根据衍射层析成像算法，构建傅里叶变换快速算子；

第二构建模块，用于基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；

训练模块，将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；

成像模块，使用训练好的神经网络结构对隐蔽目标成像。

第三方面，一种穿墙雷达成像的系统，所述系统包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的方法。

第四方面，本发明实施例提供了一种非易失性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可执行指令，当所述计算机可执行指令被穿墙雷达稀疏成像的装置执行时，使所述穿墙雷达稀疏成像的装置执行如上述的方法。

本发明实施例提供的一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质，该方法通过随机采样获取隐蔽目标的回波散射数据；通过背景减法和线性趋势抑制方法，去除所述回波散射数据的墙体回波和噪声，通过对成像区域目标位置和数量随机取样构成训练数据集；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练。本发明通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是一种本发明实施例提供的一种超宽带穿墙雷达学习成像的方法的流程示意图；

图2是一种采用步进频穿墙雷达探测的实验场景示意图；

图3是一种神经网络模型结构图；

图4是一种传统衍射层析三维成像结果图；

图5是一种传统衍射层析三维成像切片图；

图6是一种超宽带穿墙雷达学习成像结果图；

图7是一种超宽带穿墙雷达学习成像切片图；

图8是本发明实施例提供的一种超宽带穿墙雷达学习成像的装置结构示意图；

图9是本发明实施例提供的一种超宽带穿墙雷达学习成像的系统的硬件结构示意图。

具体实施方式

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作出创造性劳动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。

实施例一

参考图1，图1是一种本发明实施例提供的一种超宽带穿墙雷达学习成像的方法的流程示意图。如图1所示，所述方法包括：

步骤101，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；

可选地，训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集，包括：

采用M行N列2维收发共置天线阵列，随机取M′＜M行N′＜N列天线，天线空间坐标向量记为(x_R′,y_R′)，x_R′＝[x₁,x₂,...,x_m,...,x_M′]，y_R′＝[y₁,y₂,...,y_n,...,y_N′]，每个天线随机记录K′个频点的回波散射数据，获得M′×N′×K′维原始回波数据

表示第m行第n列天线得到的第k′个频点回波散射数据，k′＝1,2,...,K′。

通过背景减法和线性趋势抑制方法，去除墙体回波y_wall和噪声y_noise；

选取成像区域内不同目标位置和数量的H个回波数据构成训练数据，记为y_train，对应样本标签为全采样下目标在无墙和无噪声理想情况下衍射层析成像算法所成像，记为O_train。

步骤102，根据衍射层析成像算法，构建傅里叶变换快速算子；

可选地，所述根据衍射层析成像算法，构建傅里叶变换快速算子，包括：

衍射层析三维成像算法中，采用M行N列2维收发共置天线阵列，天线空间坐标向量记为(x_R,y_R)，天线记录K个频点的回波散射数据，空间区域被分成三个区域，区域0和区域2为空气,区域1为墙体,空气介电常数和磁导率记为ε₀和μ₀，墙体介电常数和磁导率记为ε_b和μ₀，所述隐蔽目标位于区域1中；设x方向为方位向,y方向为高度向,z方向为距离向,墙体的厚度为d,天线阵列距墙体位置为z_R，所述隐蔽目标成像的公式为：

其中，O(x,y,z)为目标对比度函数(目标像)，空气介质波数k＝2πf/c，f为雷达频率，c为光速，k_x表示为方位向波数，k_y表示为高度向波数，k_z表示为距离向波数；

F_2D{·}表示二维空域傅里叶变换，E(x_R,y_R,k)表示全采样回波散射数据，函数

其中，

其中

表示为墙介质的波数。

衍射层析成像公式(2)可以表达成如下形式：

其中

进一步推导公式(3)可得：

其中

表示二维空域傅里叶逆变换，该式将回波散射数据变换为目标图像，由电磁平面波的散射关系，我们可以得到衍射层析成像正向变换：

其中

为傅里叶变换快速算子。

由公式(4)可知，

步骤103，基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；

可选地，所述基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型，包括：

公式(5)可以表示为矩阵向量的形式，矩阵向量形式如公式(5)所示：

E＝Ψ{O} (6)

随机采样回波散射数据y可以用矩阵向量形式表示，矩阵向量形式如公式(7)所示：

y＝ΦE＝ΦΨ{O}+n (7)

其中，随机测量矩阵Φ从M×N×K维矩阵中选取M′×N′×K′得到，为了保证在实际情况中，式(7)中加入n，为高斯白噪声，对于整个成像空间，目标在空间中满足稀疏性，即O满足稀疏性。

步骤104，将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练，包括：

将可迭代软阈值算法中迭代过程展开成多层神经网络结构，其中每次迭代过程为单层神经网络结构，包括算子更新层和非线性变换层，其中算子更新层的可学习参数为β，非线性变换层包含的可学习参数为正则化参数网络λ。记train_num＝100表示训练总次数，网络学习率η＝0.04，m＝1，layers＝12表示展开为12层神经网络结构，β_m对应第m层可训练超参数步长参数，初始化β_m＝1，λ_m对应第m层可训练超参数正则化参数，初始化λ_m＝0.5max(||Ψ^H{Φ^Hy_t}||₁)，神经网络模型训练过程如下：

步骤1：初始化目标对比度函数O，一般取O为零矩阵，随机选取训练数据y_train中H′＜＜H个数据作为小批量训练集y_t，t＝[1,2,...,H′]；

步骤2：算子更新层：求解B_m＝O_m+β_mΨ^H{Φ^H(y_t-ΦΨ{O_m})}，其中O_m表示第m层神经网络目标对比度函数；

非线性变换层：根据迭代软阈值函数

计算第m+1层神经网络目标对比度函数。

步骤3：判断m＜layers，若是，则m＝m+1，并重复执行步骤2，直至完成12层神经网络结构。

步骤4：采用均方误差为代价函数，代价函数可以表示为：

根据反向传播算法更新步长参数β_m,λ_m。

步骤5：更新训练次数，重复步骤1-4。并且为了避免梯度消失，随着训练次数的增加，网络学习率进一步减小。

步骤105，使用训练好的神经网络结构对隐蔽目标成像。

如图2和图3所示，采用步进频穿墙雷达探测实验场景，发射信号的频率为2GHz-4GHz，步进间隔为20MHz，发射功率为10dBm，扫描周期为0.02s；经测量墙体厚0.25m，介电常数为6.4。成像空间为据雷达1m-4m的三维空间，收发同置天线位于墙体的前表面前0.5m处，面阵共有81×81根天线。目标取成像空间内随机位置并分别取数量为1-4个，对目标回波加入0dB信噪比的高斯白噪声，对所有频点进行50％采样，共生成1000组回波散射数据构成训练集。

图4和5分别给出了传统衍射层析三维成像结果图和切片图，采用全部天线和全部101个频点的回波散射数据。图6和7分别给出了衍射层析模型下穿墙雷达学习成像结果图和切片图，采用41×81根天线和51个频点(50％采样)的回波散射数据，通过构建傅里叶变换快速算子Ψ，基于随机散射数据y和随机测量矩阵Φ构建压缩感知稀疏重构模型，利用可迭代软阈值算法重建目标对比度函数(目标像)O。

附图4-7可以看出,传统衍射层析和衍射层析模型下穿墙雷达学习成像方法都能对墙后目标进行准确成像和定位,但衍射层析模型下穿墙雷达学习成像方法消除了目标像的旁瓣和栅瓣，并且所用的回波散射场数据少,仅为传统衍射层析成像方法所用回波数据的50％,与传统穿墙雷达稀疏成像做对比，通过构建傅里叶变换快速算子避免了字典矩阵的构建，减少了算法运行所需内存，通过对网络模型超参数训练，避免了稀疏重构方法迭代耗时的限制，因而本发明采取的技术方案极具有应用前景。

本发明实施例提供的一种穿墙雷达学习成像的方法，随机采样获取隐蔽目标的回波散射数据，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；通过背景减法和线性趋势抑制方法，去除所述回波散射数据的回波和噪声；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练。本发明通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络结构超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

实施例二

参考图8，图8是本发明实施例提供的一种超宽带穿墙雷达学习成像的装置结构示意图。如图8所示，所述装置包括：

第一获取模块801，用于随机采样获取隐蔽目标的回波散射数据，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；

第二获取模块802，用于通过背景减法和线性趋势抑制方法，去除所述回波散射数据的墙体回波和噪声，；

第一构建模块803，用于根据衍射层析成像算法，构建傅里叶变换快速算子；

第二构建模块804，用于基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；

训练模块805，将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练。

成像模块806，使用训练好的神经网络模型对隐蔽目标成像。

本发明实施例提供的一种穿墙雷达成像的装置，第一获取模块随机采样获取隐蔽目标的回波散射数据，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；第二获取模块通过背景减法和线性趋势抑制方法，去除所述回波散射数据的回波和噪声；第一构建模块根据衍射层析成像算法，构建傅里叶变换快速算子；第二构建模块基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；训练模块将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；成像模块使用训练好的神经网络模型对隐蔽目标成像。本发明通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络结构超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

实施例三

如图9所示，本发明实施例还提供了一种穿墙雷达学习成像的系统的硬件结构示意图。如图9所示，穿墙雷达成像的系统13包括一个或多个处理器131以及存储器132，图9中以一个处理器131为例。

处理器131和存储器132可以通过总线或者其他方式连接，图9中以通过总线连接为例。

存储器132作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的头戴式设备定位方法对应的程序指令/模块。处理器131通过运行存储在存储器132中的非易失性软件程序、指令以及模块，从而执行控制器的各种功能应用以及数据处理，即实现上述方法实施例的头戴式设备定位方法。

存储器132可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据头戴式设备定位装置的使用所创建的数据等。此外，存储器132可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器132可选包括相对于处理器131远程设置的存储器，这些远程存储器可以通过网络连接至头戴式设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器132中，当被所述一个或者多个处理器131执行时，执行上述任意方法实施例中的头戴式设备定位方法，例如，执行以上描述的图1中的方法步骤101至步骤105；实现图8中的模块801-806的功能。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请实施例提供了一种非易失性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可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图8中的一个处理器131，可使得上述一个或多个处理器可执行上述任意方法实施例中的头戴式设备定位方法，例如，执行以上描述的图1中的方法步骤101至步骤105；实现图8中的模块801-806的功能。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施例的描述，本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。

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；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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范围。

Claims (6)

1.一种超宽带穿墙雷达学习成像的方法，其特征在于，所述方法包括：

通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；

根据衍射层析成像算法，构建傅里叶变换快速算子；

基于回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；

将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；

使用训练好的神经网络结构对隐蔽目标成像；

所述基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型，包括：

傅里叶变换快速算子Ψ用矩阵向量形式表示，矩阵向量形式如公式(6)所示：

E＝Ψ{O} (6)，其中，O为目标对比度函数；

随机采样回波散射数据y用矩阵向量形式表示，矩阵向量形式如公式(7)所示：

y＝ΦE＝ΦΨ{O}+n (7)

其中，随机测量矩阵Φ从M×N×K维矩阵中选取M′×N′×K′得到，为了保证在实际情况中，式(7)中加入n，为高斯白噪声，对于整个成像空间，目标在空间中满足稀疏性，O满足稀疏性；

将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络模型中超参数训练，包括：

将可迭代软阈值算法中迭代过程展开成多层神经网络结构，其中每次迭代过程为单层神经网络结构，包括算子更新层和非线性变换层，算子更新层的可学习参数为β，非线性变换层包含的可学习参数为正则化参数网络λ；

将train_num＝100表示训练总次数，网络学习率η＝0.04，m＝1，layers＝12表示展开为12层神经网络结构，β_m对应第m层可训练超参数步长参数，初始化β_m＝1，λ_m对应第m层可训练超参数正则化参数，初始化λ_m＝0.5max(||Ψ^H{Φ^Hy_t}||₁)，y_t是训练集；

对神经网络模型进行训练。

2.根据权利要求1所述的方法，其特征在于，训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集，包括：

采用M行N列2维收发共置天线阵列，随机取M′<M行N′<N列天线，天线空间坐标向量记为(x_R′,y_R′)，x_R′＝[x₁,x₂,...,x_m,...,x_M′]，y_R′＝[y₁,y₂,...,y_n,...,y_N′]，每个天线随机记录K′个频点的回波散射数据，获得M′×N′×K′维原始回波数据

表示第m行第n列天线得到的第k′个频点回波散射数据，k′＝1,2,...,K′；

通过背景减法和线性趋势抑制方法，去除墙体回波y_wall和噪声y_noise；

y是去除墙体回波和噪声的训练数据，y_train是选取成像区域内不同目标位置和数量的H个回波数据构成训练数据，O_train对应样本标签为全采样下目标在无墙和无噪声理想情况下衍射层析成像算法所成像。

3.根据权利要求1所述的方法，其特征在于，所述根据衍射层析成像算法，构建傅里叶变换快速算子，包括：

衍射层析三维成像算法中，采用M行N列2维收发共置天线阵列，天线空间坐标向量记为(x_R,y_R)，天线记录K个频点的回波散射数据，空间区域被分成三个区域，区域0和区域2为空气,区域1为墙体,空气介电常数和磁导率记为ε₀和μ₀，墙体介电常数和磁导率记为ε_b和μ₀，所述隐蔽目标位于区域1中；设x方向为方位向,y方向为高度向,z方向为距离向,墙体的厚度为d,天线阵列距墙体位置为z_R，所述隐蔽目标成像的公式为：

其中，O(x,y,z)为目标对比度函数，空气介质波数k＝2πf/c，f为雷达频率，c为光速，k_x表示为方位向波数，k_y表示为高度向波数，k_z表示为距离向波数；

，F_2D{·}表示二维空域傅里叶变换，E(x_R,y_R,k)表示全采样回波散射数据，函数

其中，

其中

表示为墙介质的波数；

衍射层析成像公式(2)可以表达成如下形式：

其中

进一步推导公式(3)可得：

其中

表示二维空域傅里叶逆变换，将回波散射数据变换为目标图像，由电磁平面波的散射关系，得到衍射层析成像正向变换：

其中

为傅里叶变换快速算子；

由公式(4)可知，

4.根据权利要求1所述的方法，其特征在于，所述对神经网络模型进行训练，包括：

步骤1：初始化目标对比度函数O，一般取O为零矩阵，随机选取训练数据y_train中H′<<H个数据作为小批量训练集y_t，t＝[1,2,...,H′]；

步骤2：算子更新层：求解B_m＝O_m+β_mΨ^H{Φ^H(y_t-ΦΨ{O_m})}，其中O_m表示第m层神经网络目标对比度函数；

非线性变换层，根据迭代软阈值函数

计算第m+1层神经网络目标对比度函数；

步骤3：判断m<layers，若是，则m＝m+1，并重复执行步骤2，直至完成12层神经网络结构；

步骤4：采用均方误差为代价函数，代价函数表示为：

并根据反向传播算法更新步长参数β_m,λ_m，O_train为训练数据y_train对应样本标签为全采样下目标在无墙和无噪声理想情况下衍射层析成像算法所成像；

步骤5：更新训练次数，重复步骤1-4。

5.一种穿墙雷达稀疏成像的系统，其特征在于，所述系统包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

6.一种非易失性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可执行指令，当所述计算机可执行指令被头戴式设备执行时，使所述头戴式设备执行如权利要求1-4任一项所述的方法。

Images