墙体探测方法及其装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种墙体探测方法及其装置。

背景技术

相关技术中，进行复杂环境下生命体探测时，由于生命体征信号微弱、墙体不均匀、环境状态多变，这都要求墙体参数(厚度、相对介电系数)估算及穿墙雷达参数补偿方法和装置具有较高的稳定性和鲁棒性，同时应急救援探测需要算法具有很强的实时性。由于探测环境中的墙体参数准确度要求较高，需要大量的算法迭代，导致墙体探测的实时性受到限制。因此，如何提高墙体探测的精确度和灵活性，已经成为重要的研究方向之一。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种墙体探测方法。

本申请的第二个目的在于提出一种墙体探测装置。

本申请的第三个目的在于提出一种电子设备。

本申请的第四个目的在于提出一种非瞬时计算机可读存储介质。

本申请的第五个目的在于提出一种计算机程序产品。

为达上述目的，本申请第一方面实施例提出了一种墙体探测方法，包括：

控制超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取雷达回波矩阵；

将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数；

基于墙体厚度和墙体相对介电系数，确定超宽带雷达探测装置探测到的目标之间的探测距离。

本申请实施例中，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

为达上述目的，本申请第二方面实施例提出了一种墙体探测装置，包括：

第一获取模块，用于控制超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取雷达回波矩阵；

第二获取模块，用于将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数；

确定模块，用于基于墙体厚度和墙体相对介电系数，确定超宽带雷达探测装置探测到的目标之间的探测距离。

为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请第一方面实施例中提供的墙体探测方法。

为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机指令，其中，计算机指令用于使计算机执行根据本申请第一方面实施例中提供的墙体探测方法。

为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本申请第一方面实施例中提供的墙体探测方法。

附图说明

图1是本申请一个实施例的墙体探测方法的流程图；

图2是本申请一个实施例的墙体探测方法的流程图；

图3是本申请一个实施例的雷达信号穿墙的示意图；

图4是本申请一个实施例的信号波强度的示意图；

图5是本申请一个实施例的雷达信号穿墙的示意图；

图6是本申请一个实施例的墙体探测方法的流程图；

图7是本申请一个实施例的墙体探测方法的流程图；

图8是本申请一个实施例的候选雷达回波矩阵的示意图；

图9是本申请一个实施例的候选雷达回波矩阵的示意图；

图10是本申请一个实施例的候选雷达回波矩阵的示意图；

图11是本申请一个实施例的候选雷达回波矩阵的示意图；

图12是本申请一个实施例的墙体探测方法的示意图；

图13是本申请一个实施例的模型训练效果的示意图；

图14是本申请一个实施例的墙体厚度预测结果的示意图；

图15是本申请一个实施例的墙体相对介电系数预测结果的示意图；

图16是本申请一个实施例的墙体探测方法的示意图；

图17是本申请一个实施例的墙体探测装置的结构框图；

图18是本申请一个实施例的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面结合附图来描述本申请实施例的墙体探测方法及其装置。

图1是本申请一个实施例的墙体探测方法的流程图，如图1所示，该方法包括：

S101，控制超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取雷达回波矩阵。

本申请实施例中，超宽带雷达探测装置可以是生物雷达(IR-UWB雷达)，生物雷达是一种通过提取雷达回波中与探测目标相关的信号，非接触、远距离、并且能穿透一定介质实现探测目标的探测和定位等功能的技术。其原理是雷达对探测目标发射雷达信号，雷达信号经过探测目标的调制后反射回雷达接收天线，雷达接收雷达回波信号，获取雷达回波矩阵。可选地，探测目标可以是人体。

可选地，超宽带雷达探测装置还可以是雷达生命探测仪、信号式生命探测仪、脉冲雷达生命探测仪等。

在一些实现中，超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取的原始雷达回波矩阵不仅含有墙体和探测目标，还有大量的其他干扰杂波，如静态背景杂波、加性白噪声、不稳定快时间直流分量、雷达系统在采集过程中幅值不稳定而在慢时间轴上产生的线性趋势、动态目标引起的谐波和信号畸变等，可选地，可以通过预处理方法去除部分杂波和噪声干扰，获取降噪后的雷达回波矩阵。

可选地，可以通过道信号相减法、时间平均减法等预处理的方法提高探测目标的信噪比。

S102，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数。

可选地，本申请实施例中，目标墙体参数识别模型可以是神经网络模型，如长短时记忆神经网络模型。

本申请实施例中，以包含5层神经网络的基于长短时记忆神经网络墙体参数识别模型为目标墙体参数识别模型进行说明，目标墙体参数识别模型包含3个长短时记忆(Longshort-term memory，LSTM)层(即第一层LSTM层为LSTM1，第二层LSTM层为LSTM2，第三层LSTM层为LSTM3)一个全连接层(Dense)和一个输出层(Output)。

将雷达回波矩阵输入到基于长短时记忆神经网络墙体参数识别模型中，得到墙体参数预测结果，获取待测墙体的墙体厚度和墙体相对介电系数。

S103，基于墙体厚度和墙体相对介电系数，确定超宽带雷达探测装置探测到的目标之间的探测距离。

本申请实施例中，可以根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内传播时的振幅衰减系数，进而根据振幅衰减系数，获取雷达信号在待测墙体内的传播时间，最后基于传播时间，确定超宽带雷达探测装置探测到的目标之间的探测距离。

本申请实施例中，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

图2是本申请一个实施例的墙体探测方法的流程图，如图2所示，该方法包括：

S201，控制超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取雷达回波矩阵。

S202，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数。

关于步骤S201～步骤S202的内容可以参见上述实施例中的相关介绍，此处不再赘述。

S203，根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内的传播时间。

通过分析超宽带穿墙雷达电磁波传播特性得知，存在墙体后，雷达信号的传播路径和速度都会发生改变，这种变化会导致探测目标的真实位置与假设雷达波在自由空间传播条件下求得的探测目标的位置数据有出入，需要对探测目标的位置信息进行修正。

在一些实现中，根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内传播时的振幅衰减系数。基于振幅衰减系数，获取雷达信号在待测墙体内的传播时间。

振幅衰减系数的获取过程，包括：根据墙体厚度和墙体相对介电系数，确定探测墙体的墙体参数。获取超宽带雷达探测装置所在的第一介质的第一介质参数和入射波场强。获取探测目标所在的第二介质的第二介质参数和透射波场强。根据第一介质参数和入射波场强、第二介质参数和透射波场强以及墙体参数，得到第一透射系数和第二透射系数。根据第一透射系数和第二透射系数，确定振幅衰减系数。

实现中，墙体相对介电常数以及墙体厚度和透射信号之间存在着非线性关系。如图3所示，雷达波由介质1中的发射天线发出，依次穿过介质1、2、3，最终被介质3中的接收天线接收。(也就是说，超宽带雷达探测装置所在的第一介质为介质1，探测目标所在的第二介质为介质3)那么分别将介质1、2、3中的总场量表示如下：

介质1中总场量

介质2中总场量

介质3中总场量

其中：

E

E

k

ε、ε

μ

根据z＝0和z＝d时的边界条件可得：

E

E

当z＝0时：

E

当z＝d时：

则透射系数可表示为：

其中：E

由此可推算出振幅衰减系数S为：

其中，A

如图4所示，在一些实现中，基于振幅衰减系数对超宽带雷达探测装置的回波强度进行补偿，以获取最大回波强度。获取发射波中的最大强度的第一传输时刻和最大回波强度的第二传输时刻。基于第一传输时刻和第二传输时刻，得到传输时间。如图4所示，本申请实施例中，t(ε

S204，基于传播时间，确定超宽带雷达探测装置探测到的目标之间的探测距离。

根据传播时间和波速，获取传播距离。根据墙体厚度和墙体相对介电系数，对传播距离进行修正，得到探测距离。如图5所示，探测目标坐标为(x

可得探测距离L为：

其中，τ

本申请实施例中，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

图6是本申请一个实施例的墙体探测方法的流程图，如图6所示，该方法包括：

S601，控制超宽带雷达探测装置延平行于待测墙体的方向移动，获取原始雷达回波矩阵。

关于步骤S601的内容可以参见上述实施例中的相关介绍，此处不再赘述。

S602，对原始雷达回波矩阵进行预处理，去除原始雷达回波矩阵中的干扰信息，得到雷达回波矩阵。

从原始雷达回波矩阵中去除静态背景杂波，得到第一雷达回波矩阵。从第一回波矩阵中去除直流分量，得到第二雷达回波矩阵。基于墙体厚度，对第二雷达回波矩阵进行自动增益控制，得到雷达回波矩阵。

举例说明：在实际探测情况下，原始雷达回波矩阵中不仅含有墙体和探测目标，还有大量的其他干扰杂波，因此，对真实测量环境下的原始雷达回波矩阵进行建模：

R[m，n]＝r[m，n]+c[n]+w[m，n]+d[m，n]+l[m，n]+t[m，n]

其中R[m，n]为现实环境下获得的原始雷达回波矩阵；r[m，n]为探测目标体征信号；c[n]为静态背景杂波；w[m，n]为加性白噪声；d[m，n]为不稳定快时间直流分量；l[m，n]为因雷达系统在采集过程中幅值不稳定而在慢时间轴上产生的线性趋势；t[m，n]为动态目标引起的谐波和信号畸变。通过预处理方法去除部分杂波和噪声干扰。

首先，利用道信号相减法去除静态背景杂波c[n]后，获取的第一雷达回波矩阵如下：

R′[m，1]＝R[m，1]

R′[m，n]＝R[m，n]-R[m，n-1]，(m＝1，...，M；n＝2，...，N)

其中，M、N为大于3的正整数然后，使用时间平均减法对直流分量d[m]进行滤除后，获取的第二雷达回波矩阵如下：

为了提高探测目标体征的信噪比，采用采用自动增益控制在快时间方向增强微弱的探测目标体征信号，获取的雷达回波矩阵X(m，i)如下：

/>

X(m，n)＝g

经过以上预处理步骤后，获取降噪后的雷达回波矩阵。

S603，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数。

S604，基于墙体厚度和墙体相对介电系数，确定超宽带雷达探测装置探测到的目标之间的探测距离。

关于步骤S603～步骤S604的内容可以参见上述实施例中的相关介绍，此处不再赘述。

本申请实施例中，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

图7是本申请一个实施例的墙体探测方法的流程图，如图7所示，目标墙体参数识别模型的训练过程，包括：

S701，控制超宽带雷达探测装置延平行于多个样本墙体的方向移动，以获取多组候选雷达回波矩阵。

为了实现对探测目标体征的精细化感知功能，在各种实验环境下(室内与室外、有无障碍物、静态与动态目标、单目标与多目标、多种探测距离等)利用IR-UWB雷达获取在不同厚度、相对介电系数墙体下、墙后目标数量、位置不同情况下的多组候选雷达回波矩阵。特别地，当不穿过墙体进行探测时，记此时的墙体参数均为0(墙体厚度d＝0和墙体相对介电系数ε＝0)。另外，采集过程中，要尽量保证样本的多样性，使墙体参数具有较大的变化。基于以上情况，获取在各种实验环境下的探测目标体征信息，获得u*v输入矩阵，其中，u为矩阵长度，v为矩阵宽度构成数据样本。获取的候选雷达回波矩阵如图8、图9、图10、图11所示，其中，图8为d＝2，ε＝1.8时的候选雷达回波矩阵，图9为d＝3.5，ε＝4.5时的候选雷达回波矩阵，图10为d＝2.5，ε＝3.2时的候选雷达回波矩阵，图11为d＝0，ε＝0时的候选雷达回波矩阵。

S702，针对每组候选雷达回波矩阵，基于该组候选雷达回波矩阵对应的样本墙体的墙体厚度和墙体相对介电系数，对该组候选雷达回波矩阵进行标注，得到样本雷达回波数据。

记录每一组候选雷达回波矩阵的墙体参数(包括墙体厚度d和墙体相对介电系数ε)。

S703，基于样本雷达回波数据，对基于长短时记忆神经网络的墙体参数识别模型进行训练，得到目标墙体参数识别模型。

如图12所示，本申请实施例中，以包含5层神经网络的基于长短时记忆神经网络墙体参数识别模型为目标墙体参数识别模型进行说明，目标墙体参数识别模型包含隐藏层，即3个长短时记忆(Long short-term memory，LSTM)层(即第一层LSTM层为LSTM1，第二层LSTM层为LSTM2，第三层LSTM层为LSTM3)一个全连接层(Dense)和一个输出层(Output)。基于长短时记忆神经网络墙体参数识别模型各层的关键参数如表1所示。

表1

本申请实施例中，根据超宽带雷达探测装置探测机制及采样频率，设置时间序列特征数量为200，输入数据可以为变长度序列，对于所有的输入数据首先经过遮罩Masking层对不定长的输入序列数据进行处理，经过处理后将变长输入序列整合为LSTM1输入序列的特征长度。3个LSTM层的隐含层层数分别为128、256、256，设置随机失活Dropout和L2正则化机制防止过拟合，设置所有LSTM层的激活函数为tanh函数。在所有的LSTM层后设置全连接层，特征数量为256，激活函数为Relu函数，最终设置一个输出层，输出量为2，分别对应着墙体参数的两个特征参量值(包括墙体厚度d和墙体相对介电系数ε)。

基于上面建立好的基于长短时记忆神经网络墙体参数识别模型进行算法训练，对于所有数据样本随机混合后进行样本归一化处理，划分为若干个批量batch，每次取一个batch的数据进行模型训练。对于每个输入数据x

本申请实施例中，包含2个输出特征的预测值(包括墙体厚度d和墙体相对介电系数ε)，即K＝2。在基于长短时记忆神经网络墙体参数识别模型每次更新迭代后，需要计算损失函数。根据本项目墙体参数预测的任务特性，定义损失函数为：

在损失函数中，前一项为预测结果的RMSE(均方误差)，后一项为正则化惩罚项。其中，N为批量大小batch size，K为输出特征的数量，y

如表2所示，将所有的训练样本80％用于模型训练，20％用于模型测试，设置最大迭代epochs为80。选择优化器(Adam算法)优化，设置初始学习率为0.003，当进行10次权重参数更新后，学习率会以衰减因子为0.8进行学习率衰减，从而减缓权重参数更新梯度，进行更精细化的模型优化。随着模型的不断优化，每个epoch后训练集数据和测试集数据的损失值和预测准确率变换如图13所示。

表2

按照上述步骤，完成基于长短时记忆神经网络墙体参数识别模型训练后，选取一部分测试数据对模型进行测试，将测试样本输入到基于长短时记忆神经网络墙体参数识别模型中，得到墙体参数预测结果(包括墙体厚度d和墙体相对介电系数ε)，并与测试样本的真实值进行对比来验证模型预测的效果，墙体厚度预测结果如图14所示，墙体相对介电系数预测结果如图15所示，其中，Real表示真实值，Predicted表示预测值。

本申请实施例中，基于样本雷达回波数据，对基于长短时记忆神经网络的墙体参数识别模型进行训练，得到目标墙体参数识别模型，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

图16是本申请一个实施例的墙体探测方法的示意图，如图16所示，本申请实施例中，控制超宽带雷达探测装置延平行于待测墙体的方向移动，获取原始雷达回波矩阵；对原始雷达回波矩阵进行预处理，去除原始雷达回波矩阵中的干扰信息，得到雷达回波矩阵。将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取墙体参数识别结果，也就是待测墙体的墙体厚度和墙体相对介电系数；根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内传播时的振幅衰减系数；基于振幅衰减系数，获取雷达信号在待测墙体内的传播时间；基于传播时间，并结合雷达信号传播规律，确定超宽带雷达探测装置探测到的目标之间的探测距离。

基于同一申请构思，本申请实施例还提供了一种墙体探测装置。

图17是本申请一个实施例的墙体探测装置的结构框图，如图17所示，本申请实施例的墙体探测装置1700，包括：

第一获取模块1710，用于控制超宽带雷达探测装置延平行于待测墙体的方向移动进行目标探测，获取雷达回波矩阵；

第二获取模块1720，用于将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，以获取待测墙体的墙体厚度和墙体相对介电系数；

确定模块1730，用于基于墙体厚度和墙体相对介电系数，确定超宽带雷达探测装置探测到的目标之间的探测距离。

在一些实现中，确定模块1730，还用于：

根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内的传播时间；

基于传播时间，确定超宽带雷达探测装置探测到的目标之间的探测距离。

在一些实现中，确定模块1730，还用于：

根据墙体厚度和墙体相对介电系数，获取述超宽带雷达探测装置的雷达信号在待测墙体内传播时的振幅衰减系数；

基于振幅衰减系数，获取雷达信号在待测墙体内的传播时间。

在一些实现中，确定模块1730，还用于：

基于振幅衰减系数对超宽带雷达探测装置的回波强度进行补偿，以获取最大回波强度；

获取发射波中的最大强度的第一传输时刻和最大回波强度的第二传输时刻；

基于第一传输时刻和第二传输时刻，得到传输时间。

在一些实现中，确定模块1730，还用于：

根据墙体厚度和墙体相对介电系数，确定探测墙体的墙体参数；

获取超宽带雷达探测装置所在的第一介质的第一介质参数和入射波场强；

获取探测目标所在的第二介质的第二介质参数和透射波场强；

根据第一介质参数和入射波场强、第二介质参数和透射波场强以及墙体参数，得到第一透射系数和第二透射系数；

根据第一透射系数和第二透射系数，确定振幅衰减系数。

在一些实现中，确定模块1730，还用于：

根据传播时间和波速，获取传播距离；

根据墙体厚度和墙体相对介电系数，对传播距离进行修正，得到探测距离。

在一些实现中，第一获取模块1710，还用于：

控制超宽带雷达探测装置延平行于待测墙体的方向移动，获取原始雷达回波矩阵；

对原始雷达回波矩阵进行预处理，去除原始雷达回波矩阵中的干扰信息，得到雷达回波矩阵。

在一些实现中，第一获取模块1710，还用于：

从原始雷达回波矩阵中去除静态背景杂波，得到第一雷达回波矩阵；

从第一回波矩阵中去除直流分量，得到第二雷达回波矩阵；

基于墙体厚度，对第二雷达回波矩阵进行自动增益控制，得到雷达回波矩阵。

在一些实现中，墙体探测装置1700还包括训练模块1740，用于：

控制超宽带雷达探测装置延平行于多个样本墙体的方向移动，以获取多组候选雷达回波矩阵；

针对每组候选雷达回波矩阵，基于该组候选雷达回波矩阵对应的样本墙体的墙体厚度和墙体相对介电系数，对该组候选雷达回波矩阵进行标注，得到样本雷达回波数据；

基于样本雷达回波数据，对基于长短时记忆神经网络的墙体参数识别模型进行训练，得到目标墙体参数识别模型。

本申请实施例中，将雷达回波矩阵输入训练后的目标墙体参数识别模型中进行识别，可以提高墙体参数的估计精度，进而墙体探测的准确性、实时性，避免探测目标位置定位的偏差以及出现虚假目标等问题，可以有效估计出墙体参数，提高墙体探测的鲁棒性和稳定性。

基于同一申请构思，本申请实施例还提供了一种电子设备。

图18为本申请实施例提供的电子设备的结构示意图。如图18所示，该电子设备1800，包括存储器1801、处理器1802及存储在存储器1801上并可在处理器1802上运行的计算机程序产品，处理器执行计算机程序时，实现前述的墙体探测方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

基于同一申请构思，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，其中，该计算机指令用于使计算机执行上述实施例中的墙体探测方法。

基于同一申请构思，本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时上述实施例中的墙体探测方法。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。