天体表面障碍物识别方法和装置

技术领域

本发明涉及深空探测技术领域，尤其涉及一种天体表面障碍物识别方法和装置。

背景技术

地外天体表面的巡视器探测是未来深空探测的重要组成部分。由于地外天体与地球往往距离遥远，通讯延迟大，无法只依靠地面的遥控完成探测任务，需要巡视器自身具备相当大的自主探测能力。对于巡视器而言，在地外天体表面未知环境中运动，具有很大的不确定性，需要对其周围环境进行自主感知并识别出对其运动具有危险性的障碍物(如岩石、深坑等)，从而制定安全的行使路线，顺利完成表面探测任务。

目前，人类已成功发射着陆的巡视器有月球车和火星车，它们主要利用立体视觉传感器探测识别障碍物。2004年1月3日和25日分别着陆的勇气号与机遇号火星车，主要工作模式采用遥操作和半自主的控制方式，利用立体视觉来绘制三维地图，用于探测障碍物以及导航；2012年8月成功着陆火星表面的好奇心号火星车，也是采用立体视觉作为障碍物规避、路径规划、导航定位的主要技术；2013年12月我国的嫦娥三号搭载的“玉兔号”巡视器，采用遥操作工作模式，也是利用立体视觉技术实现月面未知环境的三维重建，实现了基于立体视觉的局部自主避障方法。

然而，一方面，由于巡视器的基线长度有限，传统的三维重建精度低，对障碍物的探测精度不高，当前立体相机提供的有效障碍检测范围一般只在十米之内，因此中长距离情况下三维重建精度问题可能导致避障和路径规划失败；另一方面，为了得到稠密的三维重建图，需要对所有图像像素点进行匹配，立体匹配计算量大，同时在匹配搜索时需要较大的视差搜索范围，进一步增加了计算量。

发明内容

基于此，本发明实施例提供一种天体表面障碍物识别方法和装置，以解决现有技术中地外天体巡视器障碍物识别方法精度低且计算量大的问题。

本发明实施例的第一方面，提供一种天体表面障碍物识别方法，包括：

对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集；

将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集；

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型；

将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

可选的，对每张待融合图像进行所述特征融合的方法，包括：

通过第一面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第一窗口LBP特征图；

通过第二面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第二窗口LBP特征图；

将所述待融合图像、第一窗口LBP特征图和第二窗口LBP特征图分别作为RGB通道的各通道图，得到所述待融合图像特征融合后的图像。

可选的，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。

可选的，所述基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

基于DeepLabv3+网络构建骨干网络，并将融合后的所述标注样本集中的每张融合图像输入到所述骨干网络，得到与融合图像对应的第一层特征和第二层特征；其中，所述骨干网络为深度残差网络或轻量化网络；

空洞空间金字塔池化对每个所述第一层特征依次进行卷积和池化，得到与每个所述第一层特征对应的第一特征图；

通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，并将每张所述第二特征图与对应的所述第二层特征进行拼接，得到拼接后的特征图；

将所述拼接后的特征图进行上采样，得到所述训练样本的分割结果，根据所述分割结果确定损失函数最小的训练模型。

可选的，所述通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，包括：

依次通过

S

W

得到对应的第二特征图f

可选的，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，计算所述卷积神经网络的损失函数，并利用梯度下降的方法对所述卷积神经网络进行训练，得到损失函数最小的训练模型。

可选的，所述损失函数为smooth IOU loss函数，其中，IOU的表达式为：

smooth表示对分割任务中标签的独热编码P

其中，M表示分类的类别总数，m表示分类的所有类别中的一类，y表示标签类别，ε是预设超参数。

本发明实施例的第二方面，提供一种天体表面障碍物识别装置，包括：

图像标注模块，用于对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集；

特征融合模块，用于将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集；

模型建立模块，用于构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型；

分割识别模块，用于将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

本发明实施例的第三方面，提供一种天体表面障碍物识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器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如上述实施例的第一方面提供的任一项所述的天体表面障碍物识别方法的步骤。

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计算机程序，所述计算机程序被处理器执行时实现如实施例的第一方面提供的任一项所述的天体表面障碍物识别方法的步骤。

本发明实施例的天体表面障碍物识别方法和装置与现有技术相比存在的有益效果是：

本发明先对深空探测巡视器获得的原始图像集进行障碍物标注，然后进行特征融合，得到融合后的标注样本集，之后构建卷积神经网络，将融合后的标注样本集输入卷积神经网络，得到损失函数最小的训练模型，将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的待识别图像输入到训练模型中，得到障碍物的分割识别结果，克服了地外天体巡视器训练数据量不足的问题，实现了通过单幅图像就能够探测地外天体的障碍物，障碍物分割识别精度高，识别速度快，且能准确分割出对天体巡视器的巡视运动具有危险性的障碍物，适用于各种天体表面的障碍物分割识别。

附图说明

图1是本发明实施例提供的一种天体表面障碍物识别方法的实现流程示意图；

图2是本发明实施例提供的特征融合的实现流程示意图；

图3是图1中步骤S103的具体实现流程示意图；

图4是本发明实施例提供的另一种天体表面障碍物识别方法的实现流程示意图；

图5是本发明实施例提供的卷积神经网络的结构示意图；

图6是本发明实施例提供的残差上采样转换的实现流程示意图；

图7是本发明实施例提供的一种天体表面障碍物识别装置的结构示意图；

图8是本发明实施例提供的另一种天体表面障碍物识别装置的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

参见图1，为本实施例提供的天体表面障碍物识别方法的一个实施例实现流程示意图，详述如下：

步骤S101，对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集。

由于巡视器的基线长度有限，传统的三维重建精度低，对障碍物的探测精度不高，当前立体相机提供的有效障碍检测范围一般只在十米之内，因此中长距离情况下三维重建，精度问题可能导致避障和路径规划失败；另一方面，为了得到稠密的三维重建图，需要对所有图像像素点进行匹配，立体匹配计算量大，同时在匹配搜索时需要较大的视差搜索范围，进一步增加了计算量；还有一方面是，地外天体巡视器的数据量不足，使得目前的匹配算法准确度并不高。因此本实施例提供一种基于深度学习的天体表面障碍物识别方法，可用于深空探测巡视器在天体表面的岩石与陨石坑的分割，也可用于野外机器人的障碍分割。

近年来，深度学习在计算机视觉领域取得了突飞猛进的进展，在某些领域甚至展现出超越人类肉眼的潜力，取得了巨大的成功。与传统的计算机视觉领域的识别算法不同，深度学习方法不需要人工构造和筛选特征，在目标检测、分割和分类等问题中表现优秀。

具体的，本实施例对图像进行标注的标准可以为：(1)对于近景，标注所有的对巡视器的巡视运动有威胁的障碍物，即超出巡视器设计的越障能力的障碍物；(2)对于远景，只标注大型的障碍物。进一步地，本实施例还可以把所述标注样本集分成训练样本、验证样本和测试样本，例如将标注样本集按照6:2:2的比例随机划分训练集、验证集和测试集。

可选的，本实施例还对这些图像数据进行清洗，删除脏数据，提高分割和识别的精度。应理解，本实施例对数据清洗的方法不进行限定。

步骤S102，将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集。

示例性的，本实施例可以将深空探测巡视器获得的原始图像进行特征融合，得到特征融合后的标注样本集，也可以将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集，然后将融合后的所述标注样本分为训练样本、验证样本和测试样本，如图4所示。

进一步地，由于样本集图像一般是灰度图像，为了提高分割识别效果，所有输入网络模型的图像都要经过特征融合步骤，即将单通道的原图和经过LBP算子得到的不同LBP特征图进行融合。LBP算子具有旋转不变性、灰度不变性等优点，是一种描述图像中心像素点与邻近像素点关系的局部特征的纹理描述算法，被应用于人脸、表情、地形识别等多重领域。

可选的，参见图2，步骤S102所述的对每张待融合图像进行所述特征融合的方法的具体实施过程可以包括：

步骤S201，通过第一面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第一窗口LBP特征图。

步骤S202，通过第二面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第二窗口LBP特征图。

步骤S203，将所述待融合图像、第一窗口LBP特征图和第二窗口LBP特征图分别作为RGB通道的各通道图，得到所述待融合图像特征融合后的图像。

示例性的，采用圆形邻域的像素采样方式，设定圆形的半径大小为8，计算原始图像的圆形LBP特征图，称为小窗口LBP特征图(第一窗口LBP特征图)，小窗口的LBP特征有利于分割识别岩石等较小的障碍物；然后采用圆形邻域的像素采样方式，设定圆形的半径大小为16，计算原始图像的圆形LBP特征图，称为大窗口LBP特征图(第二窗口LBP特征图)，大窗口的LBP特征有利于分割识别陨石坑等较大的障碍物；最后将原始图像、小窗口LBP特征图和大窗口LBP特征图分别作为RGB通道的各通道图，得到特征融合的图像。

可选的，本实施例还可以将融合后的图像重采样为513×513像素大小的图像(RGB三通道)，满足训练硬件限制和识别效果限制。

步骤S103，构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。

可选的，本实施例构建卷积神经网络的具体可以包括：基于DeepLabv3+网络进行构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，即在传统DeepLabv3+网络进行改进，得到本实施例的构建卷积神经网络。

在一个实施例中，参见图3，本实施例所述的基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型的具体实现流程可以包括：

步骤S301，基于DeepLabv3+网络构建骨干网络(backbone)，并将融合后的所述标注样本集中的每张融合图像输入到所述骨干网络，得到与融合图像对应的第一层特征和第二层特征；其中，所述骨干网络为深度残差网络或轻量化网络。

具体的，本实施例的骨干网络可以包括两种形式，一种是深度残差网络，作为本实施例模型的基础版本，深度残差网络的障碍物分割识别精度高，能准确分割出对天体巡视器的巡视运动具有危险性的障碍物，适用于各种天体表面的障碍物分割识别，而另一种是轻量化网络，作为本实施例模型的快速版本，在牺牲一定识别精度且识别精度能满足基本任务需求的前提下，大幅提高了识别的速度。

步骤S302，空洞空间金字塔池化对每个所述第一层特征依次进行卷积和池化，得到与每个所述第一层特征对应的第一特征图。

步骤S303，通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，并将每张所述第二特征图与对应的所述第二层特征进行拼接，得到拼接后的特征图。

步骤S304，将所述拼接后的特征图进行上采样，得到所述训练样本的分割结果，根据所述分割结果确定损失函数最小的训练模型。

示例性的，将特征融合后的图像，输入骨干网络得到深度层次特征，即第一层特征，经过骨干网络的特征提取之后，分辨率变为原来的十六分之一，同时输出中间过程中得到的分辨率为原来四分之一的低层特征，即第二层特征。然后，对输出的特征进行空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)。空洞空间金字塔池化能够通过不同扩张率的卷积和池化操作实现多种有效感受野，获得多分辨率特征，挖掘多尺度的上下文信息，经过此过程之后即得到编码后的高维特征。

进一步地，本实施例利用残差上采样转换(Residual Upsampling Transformer，RUT)对ASPP输出的特征图进行预设倍数的上采样，例如进行4倍上采样，如图5所示，同时与低层特征进行拼接，得到拼接后的特征图，即本实施例对DeepLabv3+的上采样进行了重新设计，设计了残差上采样转换，并对ASPP输出的特征图进行预设倍数的上采样，同时与低层特征进行拼接。然后，将拼接之后的特征图再进行一次上采样，例如进行4倍上采样(双线性插值)，得到最终的分割结果输出。

可选的，所述通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，包括：

依次通过

S

W

得到对应的第二特征图f

具体的，如图6所示，低维高分辨率的特征图

根据上述的Q

上述方法建立的卷积神经网络，本实施例为了减少计算量，计算时采用分块计算而不是整体计算的形式，最大限度地保留上下文的信息，识别精度高，速度快。

另一个实施例中，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型的具体实现流程包括：

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，计算所述卷积神经网络的损失函数，并利用梯度下降的方法对所述卷积神经网络进行训练，得到损失函数最小的训练模型。

可选的，本实施例采用的损失函数为smooth IOU loss函数，其中，IOU的表达式为：

为了起到抑制过拟合的效果，本实施例引入分类任务中常用的label smoothing处理，即对分割任务中标签的独热编码P

其中，M表示分类的类别总数，m表示分类的所有类别中的一类，y表示标签类别，ε是预设超参数，一个较小的超参数。示例性的，在骨干网络为深度残差网络时，ε＝10

步骤S104，将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

示例性的，可以将上述特征融合后的测试样本输入到训练好的卷积网络中，利用训练得到的卷积网络对特征融合后的测试样本集进行测试，得到障碍物的分割识别结果。

本实施例利用深度学习对天体表面的障碍物进行识别，网络模型训练完成之后的整个分割识别过程全自动，不需要人工参与，适用于各种天体表面的障碍物识别；其中，利用LBP算子具有的旋转不变性、灰度不变性等优点，将原始图像与原始图像的LBP特征图进行融合，融合后的图像作为整个网络的输入，提高了对障碍物的识别分割精度；并且本实施例提出两种版本的骨干网络，基本版本的骨干网络ResNet具有分割识别精度和准确率高、分割识别速度较快等特点；快速版本的骨干网络MobileNet具有分割识别速度快、识别精度和准确率较高等特点；而且本实施例使用了预训练模型，避免了模型训练初期模型参数的随机初始化，有利于各种地外天体环境的针对性训练，使得网络模型的泛化性能良好；并且，本实施例是端到端的网络模型，前期的标注和训练简单，易于理解方便部署，减少了工程的复杂度，适用于深空探测巡视器应用

示例性的，本实施例可以采用嫦娥三号搭载的玉兔号月球车拍摄的图像作为样本，分割的类型有三种，分别为背景(background)、岩石(rock)和陨石坑(crater)，具体过程如下：

(1)获取嫦娥三号着陆器和玉兔号巡视器所拍摄的图片数据，并对这些数据进行清洗(例如，删除重复照片，肉眼无法辨认照片等)。在经过数据清洗之后，图片数量从541张变为334张。

(2)把得到的样本集按照6:2:2的比例随机分成训练集、验证集和测试集。因此得到训练集样本200张，验证集样本67张，测试集样本67张。

(3)分别计算所有图像的小窗口LBP特征图和大窗口LBP特征图，并将原图、小窗口LBP特征图，大窗口LBP特征图分别进行RGB三通道特征融合，得到特征融合图。为了方便起见，所有输入网络的图像均放缩为图像缩放为513×513像素的大小(三通道)。为了避免过拟合，所有训练图像均经过放缩，中心裁剪，随机高斯噪声，归一化等操作，为计算loss，标签也做相同处理(仅限几何变换处理，高斯噪声和归一化不需要)。

(4)模型构建：

1)在特征提取过程中，针对快速分割识别场景，使用mobilenet作为backbone进行特征提取，基础版本则用resnet作为backbone进行特征提取。其中间过程中输出了一个24×129×129的特征图以便后续的拼接，同时弥补高维特征的信息损失。特征提取最终输出的是一个320×33×33的高维特征图。

2)经过空洞空间金字塔池化(ASPP)模块之后，特征图变为256×33×33。

3)经过残差上采样转换之后，并与特征提取模块输出的特征图拼接并经过一个卷积层之后，特征图变为3×129×129大小。具体地，F

4)最终经过双线性插值之后得到输出3×513×513大小的结果图，3代表三类。

(5)将训练样本输入构建的神经网络，计算smoothIOUloss，利用梯度下降的方法对神经网络进行训练，保存在验证集上mIOU最高的训练模型。

(6)将测试样本输入到训练好的网络模型中，利用训练得到的网络模型对测试集样本进行测试，得到岩石、陨石坑等障碍物的分割识别结果。表1给出了DeepLabv3+与本发明方法的对比指标以及识别速度，骨干网络分别采用mobilenet和resnet两种，其中f/s代表每秒识别的帧数，使用的显卡为NVIDIA 2080TI。

表1传统DeepLabv3+识别方法与本发明的方法的对比

上述天体表面障碍物识别方法中，对深空探测巡视器获得的原始图像集进行障碍物标注，并进行特征融合，得到融合后的标注样本集，之后构建卷积神经网络，将融合后的标注样本集输入卷积神经网络得到损失函数最小的训练模型，将深空探测巡视器获得的待识别图像进行特征融合，将融合后的待识别图像输入到训练模型，得到障碍物的分割识别结果，克服了地外天体巡视器训练数据量不足的问题，实现了通过单幅图像就能够探测地外天体的障碍物，障碍物分割识别精度高，识别速度快，且能准确分割出对天体巡视器的巡视运动具有危险性的障碍物，适用于各种天体表面的障碍物分割识别。

本领域技术人员可以理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的天体表面障碍物识别方法，本实施例提供了一种天体表面障碍物识别装置。具体参见图7，为本实施例中天体表面障碍物识别装置的结构示意图。为了便于说明，仅示出了与本实施例相关的部分。

所述天体表面障碍物识别装置主要包括：图像标注模块110、特征融合模块120、模型建立模块130和分割识别模块140。

图像标注模块110用于对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集。

特征融合模块120用于将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集。

模型建立模块130用于构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。

分割识别模块140用于将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

上述天体表面障碍物识别装置，主要先对深空图像集进行障碍物标注，然后进行特征融合，得到融合后的标注样本集，之后构建卷积神经网络，将融合后的标注样本集输入卷积神经网络，得到损失函数最小的训练模型，最后将待识别图像进行特征融合，并将融合后的待识别图像输入到训练模型中，得到障碍物的分割识别结果，克服了地外天体巡视器训练数据量不足的问题，实现了通过单幅图像就能够探测地外天体的障碍物，障碍物分割识别精度高，识别速度快，且能准确分割出对天体巡视器的巡视运动具有危险性的障碍物，适用于各种天体表面的障碍物分割识别。

本实施例还提供了一种天体表面障碍物识别装置100的示意图。如图8所示，该实施例的天体表面障碍物识别装置100包括：处理器150、存储器160以及存储在所述存储器160中并可在所述处理器150上运行的计算机程序161，例如天体表面障碍物识别方法的程序。

其中，处理器150在执行存储器160上所述计算机程序161时实现上述天体表面障碍物识别方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器150执行所述计算机程序161时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块110至140的功能。

示例性的，所述计算机程序161可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器160中，并由所述处理器150执行，以完成本发明。所述一个或多个模块/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161在所述天体表面障碍物识别装置100中的执行过程。例如，所述计算机程序161可以被分割成图像标注模块110、特征融合模块120、模型建立模块130和分割识别模块140，各模块具体功能如下：

图像标注模块110用于对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集。

特征融合模块120用于将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集。

模型建立模块130用于构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。

分割识别模块140用于将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

所述天体表面障碍物识别装置100可包括，但不仅限于处理器150、存储器160。本领域技术人员可以理解，图8仅仅是天体表面障碍物识别装置100的示例，并不构成对天体表面障碍物识别装置100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，例如所述天体表面障碍物识别装置100还可以包括输入输出设备、网络接入设备、总线等。

所述处理器150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。

所述存储器160可以是所述天体表面障碍物识别装置100的内部存储单元，例如天体表面障碍物识别装置100的硬盘或内存。所述存储器160也可以是所述天体表面障碍物识别装置100的外部存储设备，例如所述天体表面障碍物识别装置100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(FlashCard)等。进一步地，所述存储器160还可以既包括所述天体表面障碍物识别装置100的内部存储单元也包括外部存储设备。所述存储器160用于存储所述计算机程序以及所述天体表面障碍物识别装置100所需的其他程序和数据。所述存储器160还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模型的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

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，均应包含在本发明的保护范围之内。