基于MUSIC和OMP的二维DOA估计方法、装置及介质

技术领域

本申请主要涉及阵列信号处理领域，更具体地说是涉及一种基于MUSIC和OMP的二维DOA估计方法、装置及介质。

背景技术

近年来，波达方向(Direction Of Arrival，DOA)估计技术已被广泛应用到阵列信号参数估计的研究中。如在车载毫米波雷达应用中，通常采用二维面阵同时实现高度角和方位角的估计，从而获取目标的三维(Three-Dimensional，3D)空间坐标。其中，二维面阵可以采用基于多发多收(Multiple-Input Multiple-Output，MIMO)技术实现的矩形阵列，能够使用较少的天线阵元和较小的物理孔径实现较高的角分辨率。

为了提高估计精度和稳定性，以及角分辨率，目前已提出将多重信号分类(Multiple Signal Classification，MUSIC)算法应用于矩形阵列的DOA估计中。然而，这种二维DOA估计方案，需要采用空间平滑方式生成多个虚拟快拍数据，以实现准确估计，这不仅降低了阵列孔径，且限制了只适用于均匀矩形阵列。还有在二维角度估计时，因需要进行二维谱峰搜索，导致算法的计算量急剧增加，无法满足应用场景的实时性需求。

发明内容

为了解决上述技术问题，本申请提供了以下技术方案：

本申请提出了一种基于MUSIC和OMP的二维DOA估计方法，所述方法包括：

确定矩形阵列中各阵元接收到的单快拍的回波数据；

对在同一方向阵元所接收的所述回波数据进行一维多重信号分类MUSIC操作，获得不同目标的中间角集和仰俯角集；其中，所述一维MUSIC操作所使用的快拍数据是依据另一方向阵元结构确定的，任一所述目标的中间角与该目标的仰俯角和方位角关联；

依据正交匹配追踪OMP算法，对所述中间角集中的多个中间角和所述仰俯角集中的多个仰俯角进行匹配处理，确定所述不同目标各自对应的目标中间角和目标仰俯角；

依据所述目标中间角和所述目标仰俯角，获得对应所述目标的目标方位角。

可选的，所述对在同一方向阵元所接收的所述回波数据进行一维多重信号分类MUSIC操作，获得不同目标的中间角集和仰俯角集，包括：

按照所述矩形阵列的空间顺序，对所述各阵元接收到的所述回波数据进行排列，得到阵列回波矩阵；

依据所述阵列回波矩阵以及仰俯方向阵元的第一维数，获得针对方位方向阵元的第一数据协方差矩阵；

依据所述阵列回波矩阵以及方位方向阵元的第二维数，获得针对所述仰俯方向阵元的第二数据协方差矩阵；

获得不同方向上各阵元的第一导向矢量矩阵；

依据所述第一数据协方差矩阵和所述第二数据协方差矩阵，以及对应方向上的所述第一导向矢量矩阵进行功率谱峰值搜索，获得针对不同方向的各目标对应的中间角集和仰俯角集。

可选的，所述依据所述第一数据协方差矩阵和所述第二数据协方差矩阵，以及对应方向上的所述第一导向矢量进行功率谱峰值搜索，获得针对不同方向的各目标对应的中间角集和仰俯角集，包括：

分别对所述第一数据协方差矩阵和所述第二数据协方差矩阵进行特征分解，依据所述目标的数量，获得不同方向对应的阵列噪声特征向量；

依据同一方向的所述阵列噪声特征向量和所述第一导向矢量阵列进行峰值搜索，获得该方向上与所述目标数量相同的极大值；

利用同一方向所述极大值对应的角度，构成不同目标的中间角集和仰俯角集。

可选的，所述依据正交匹配追踪OMP算法，对所述中间角集中的多个中间角和所述仰俯角集中的多个仰俯角进行匹配处理，确定所述不同目标各自对应的目标中间角和目标仰俯角，包括：

对所述矩形阵列接收到的二维的所述回波数据进行向量化处理，得到对应的一维回波数据；

依据不同方向上各阵元的第一导向矢量矩阵，获得所述一维回波数据对应的第二导向矢量矩阵；

依据所述第二导向矢量矩阵、所述中间角集和所述仰俯角集，利用正交匹配追踪OMP算法进行稀疏向量重构；

依据重构的稀疏向量中非零元素的位置，对所述二维估计角集中的每个二维估计角进行匹配，获得所述不同目标各自对应的目标中间角和目标仰俯角。

可选的，所述依据所述第二导向矢量矩阵、所述中间角集和所述仰俯角集，利用正交匹配追踪OMP算法进行稀疏向量重构，包括：

将所述中间角集中的多个中间角与所述仰俯角集中的多个仰俯角进行组合，得到不同目标的二维估计角集；

依据所述第二导向矢量矩阵，获得所述二维估计角集对应的导向矩阵；

依据所述导向阵列和稀疏向量，构建压缩感知模型；

利用正交匹配追踪OMP算法，重构所述压缩感知模型中的稀疏向量。

可选的，所述方法还包括：

依据重构的稀疏向量中非零元素的数值，确定对应所述目标的信号幅值。

可选的，所述确定矩形阵列中各阵元接收到的单快拍的回波数据，包括：

获得矩形阵列中各阵元在不同方向上的相对坐标，以及所述矩形阵列入射的各目标的信号波长；

至少依据所述相对坐标和所述信号波长进行建模，得到回波信号模型；

利用所述回波信号模型，获得所述矩形阵列中各阵元接收到的单快拍的回波数据。

本申请还提出了一种基于MUSIC和OMP的二维DOA估计装置，所述装置包括：

回波数据确定模块，用于确定矩形阵列中各阵元接收到的单快拍的回波数据；

一维MUSIC操作模块，用于对在同一方向阵元所接收的所述回波数据进行一维多重信号分类MUSIC操作，获得不同目标的中间角集和仰俯角集；其中，所述一维MUSIC操作所使用的快拍数据是依据另一方向阵元结构确定的，任一所述目标的中间角与该目标的仰俯角和方位角关联；

匹配处理模块，用于依据正交匹配追踪OMP算法，对所述中间角集中的多个中间角和所述仰俯角集中的多个仰俯角进行匹配处理，确定所述不同目标各自对应的目标中间角和目标仰俯角；

目标方位角获得模块，用于依据所述目标中间角和所述目标仰俯角，获得对应所述目标的目标方位角。

可选的，所述一维MUSIC操作模块，包括：

阵列回波矩阵得到单元，用于按照所述矩形阵列的空间顺序，对所述各阵元接收到的所述回波数据进行排列，得到不同结构的阵列回波矩阵；

第一数据协方差矩阵获得单元，用于依据方位方向对应的所述阵列回波矩阵以及仰俯方向阵元的第一维数，获得针对所述方位方向阵元的第一数据协方差矩阵；

第二数据协方差矩阵获得单元，用于依据仰俯方向对应的所述阵列回波矩阵以及方位方向阵元的第二维数，获得针对所述仰俯方向阵元的第二数据协方差矩阵；

第一导向矢量矩阵获得单元，用于获得不同方向上各阵元的第一导向矢量矩阵；

峰值搜索单元，用于依据所述第一数据协方差矩阵和所述第二数据协方差矩阵，以及对应方向上的所述第一导向矢量矩阵进行功率谱峰值搜索，获得针对不同方向的各目标对应的中间角集和仰俯角集。

本申请还提出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加载执行，实现如上述的基于MUSIC和OMP的二维DOA估计方法。

由此可见，本申请提供了一种基于MUSIC和OMP的二维DOA估计方法、装置及介质，在确定二维均匀或分均匀矩形阵列中各阵元接收到的单快拍的回波数据后，将采用分维度MUSIC算法，直接使用依据一方向阵元结果确定的快拍数据，对另一方向阵列的回波数据进行一维MUSIC操作，获得不同目标的中间角集和仰俯角集，无需使用空间平滑算法，在不损失阵列孔径的前提下，实现了角度精准估计，之后，依据OMP算法对中间角集和仰俯角集各自包含的角度进行匹配处理，相对于二维谱峰搜索方式，大大降低了计算量，满足了多种应用场景的实时性需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提出的基于MUSIC和OMP的二维DOA估计方法的一可选示例的流程示意图；

图2为适用于本申请提出的基于MUSIC和OMP的二维DOA估计方法的二维矩形阵列的结构示意图；

图3为本申请提出的基于MUSIC和OMP的二维DOA估计方法的又一可选示例的流程示意图；

图4为针对本申请提出的基于MUSIC和OMP的二维DOA估计方法进行仿真验证的仿真参数示意图；

图5为本申请提出的基于MUSIC和OMP的二维DOA估计方法与基于二维平滑MUSIC的二维DOA估计方法各自的RMSE曲线示意图；

图6为本申请提出的基于MUSIC和OMP的二维DOA估计装置的一可选示例的结构示意图；

图7为适用于本申请提出的基于MUSIC和OMP的二维DOA估计方法的计算机设备的一可选示例的硬件结构示意图。

具体实施方式

针对背景技术部分描述的技术问题，是由于多重信号分类(Multiple SignalClassification，MUSIC)算法的准确估计依赖于阵列协方差矩阵的准确估计，准确估计阵列协方差矩阵需要多个快拍数据，而在一个高度动态的应用环境中很难获取多个快拍数据，才会通空间平滑方式生成多个虚拟快拍数据，导致这种二维平滑MUSIC算法降低阵列孔径，且仅适用于平均矩形阵列，还存在计算量过大，难以满足实际应用等问题。

为了解决上述技术问题，本申请希望可以加快基于MUSIC的二维波达方向(Direction Of Arrival，DOA)估计的运算速度，使其也能够适用于非均匀矩形阵列的实时二维DOA估计。具体的，针对上文提出的计算量大的问题，本申请提出分别在两个维度进行一维MUSIC运算，再对估计得到的中间角(由方位角和俯仰角组成的中间角度变量)和俯仰角进行匹配操作，如基于正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法，实现精确角度匹配，从而避免二维谱峰搜索，大大降低了计算量。

针对上述多个快拍数据的获取问题，本申请提出可以在矩形阵列的一个维度进行一维MUSIC角度估计时，采用另一个数据作为多快拍数据进行运算，不需要使用空间平滑算法，这样，在不损失阵列孔径的前提下，就能够获取多快拍数据，实现精确的MUSIC角度估计，从而使本申请提出的二维DOA估计方法不仅适用于均匀矩形阵列，同样也适用于非均匀矩形阵列，增大应用场景适用范围。

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，所描述的实施例仅仅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做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。

参照图1，为本申请提出的基于MUSIC和OMP的二维DOA估计方法的一可选示例的流程示意图，该方法可以由计算机设备执行，该计算机设备包括如智能手机、笔记本电脑、车载终端等具有一定数据计算能力的终端设备，也可以包括服务器，如物理服务器或云服务器等，本申请对计算机设备的产品类型不做限制。如图1所示，该方法可以包括：

步骤S11，确定矩形阵列中各阵元接收到的单快拍的回波数据；

在实际应用中，二维面阵列通常包括矩阵阵列、L型阵列和圆形阵列等，相对于L型阵列和圆形阵列，矩形阵列的阵元排布更加稠密，在单快拍或少快拍的情形下，仍能够实现对二维角度的精准估计，因此，本申请选择使用矩形阵列进行二维DOA估计。

其中，矩形阵列可以是二维均匀/非均匀阵列，本申请以二维均匀面阵为例进行说明，对于非均匀矩形阵列的二维DOA估计实现过程类似，本申请不做详述。参照图2所示的二维均匀面阵的阵列结构示意图，在xoz平面上均匀分布有M×N个阵元，假设x轴方向(其可以称为方位方向)上M个阵元的相对坐标分别为X＝[0,x

在实际应用中，若有K个远场信号(本申请简称为目标)入射矩形阵列，第k个目标对应的方位角(即入射方位角)为θ

由于二维DOA估计技术直接得到的第k个目标的中间角α

步骤S12，对在同一方向阵元所接收的回波数据进行一维MUSIC操作，获得不同目标的中间角集和仰俯角集；

本申请实施例中，针对二维MUSIC(Multiple Signal Classification，多重信号分类)算法的计算量大的问题，提出分维度MUSIC算法，即分别在两个维度(如图2所示的x轴方向和z轴方向)进行一维MUSIC操作，估计K个目标各自的中间角和仰俯角，得到不同目标的中间角集A和仰俯角集Φ。其中，中间角集A＝{α

需要说明，在上述分维度的一维MUSIC操作执行过程中，将充分利用天线阵列为矩形阵列的特点，使用另一个维度确定快拍数据，即上述一维MUSIC操作所使用的快拍数据是依据另一方向阵元结构确定的。

示例性的，在方位方向的一维MUSIC操作，可以使用仰俯方向的阵元列数N作为快拍数据；在仰俯方向的一维MUSIC操作，可以使用方位方向的阵元列数M作为快拍数据，可见，本申请提出的分维度MUSIC算法不需要使用空间平滑算法来获取虚拟快拍数据，从而克服了因使用空间平滑算法而造成的一系列问题，实现了不同类型矩形阵列下的角度精准估计，提高了实用性。关于MUSIC算法的运算原理本申请不做详述。

步骤S13，依据正交匹配追踪OMP算法，对中间角集中的多个中间角和仰俯角集中的多个仰俯角进行匹配处理，确定所述不同目标各自对应的目标中间角和目标仰俯角；

由于采用MUSIC算法进行角度估计，所得到的中间角集中的多个中间角和仰俯角集中的多个仰俯角之间并未建立一一对应关系，需要使用角度匹配算法对这些角度进行匹配操作，确定同一目标对应的目标中间角和目标仰俯角。对此，为了避免二维谱峰搜索，降低计算量，本申请可以借鉴正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法实现角度精准匹配，同时也能够实现了对信号反射幅度的精准估计，关于OMP算法的运算原理本申请不做详述。

步骤S14，依据同一目标的目标中间角和目标仰俯角，获得该目标的目标方位角。

结合上述分析，本申请可以依据sinα

综上，本申请实施例中，在确定二维均匀或分均匀矩形阵列中各阵元接收到的单快拍的回波数据后，将采用分维度MUSIC算法，直接使用依据一方向阵元结果确定的快拍数据，对另一方向阵列的回波数据进行一维MUSIC操作，获得不同目标的中间角集和仰俯角集，无需使用空间平滑算法，在不损失阵列孔径的前提下，实现了角度精准估计，之后，依据OMP算法对中间角集和仰俯角集各自包含的角度进行匹配处理，相对于二维谱峰搜索方式，大大降低了计算量，满足了多种应用场景的实时性需求。

参照图3，为本申请提出的基于MUSIC和OMP的二维DOA估计方法的又一可选示例的流程示意图，本实施例可以对上文提出的基于MUSIC和OMP的二维DOA估计方法的一可选细化实现过程进行描述，如图3所示，该方法可以包括：

步骤S31，确定矩形阵列中各阵元接收到的单快拍的回波数据；

仍以上文描述的如图2所示的二维均匀面阵(矩形阵列)进行回波建模为例进行说明，结合上文对该二维矩形阵列结构的相关描述，获得均匀面阵中不同方向(如方位方向和仰俯方向，即x轴方向和z轴方向)上各阵元的相对坐标，如X＝[0,x

在上述公式(1)中，1≤m≤M，1≤n≤N，m和n都是正整数。exp()表示以自然常数e为底的指数函数。由于同一目标的中间角α

结合二维DOA估计技术的思想，本申请可以利用公式(2)所示的回波信号模型，获得矩形阵列中各阵元所接收到的回波数据，执行后续步骤确定其中的中间角α

步骤S32，按照矩形阵列的空间顺序，对各阵元接收到的回波数据进行排列，得到阵列回波矩阵；

在实际应用中，MUSIC算法的角度估计需要依赖于矩形矩阵的协方差矩阵的准确估计，在获取矩形阵列不同方向的数据协方差矩阵过程中，可以先将单快拍矩形矩阵各阵元接收到的回波数据，按照矩形矩阵的阵列空间顺序排列成M×N的阵列回波矩阵S，即：

可见，在上述阵列回波矩阵S中的每一个元素S

步骤S33，依据阵列回波矩阵以及仰俯方向阵元的第一维数，获得针对方位方向阵元的第一数据协方差矩阵；

步骤S34，依据阵列回波矩阵以及方位方向阵元的第二维数，获得针对仰俯方向阵元的第二数据协方差矩阵；

在确定阵列回波矩阵S后，在x轴方向上进行一维MUSIC操作过程中，可以按照如下公式(4)，计算方位方向阵元的第一数据协方差矩阵R

在上述公式中，S

步骤S35，获得不同方向上各阵元的第一导向矢量矩阵；

为了对不同维度阵列接收到的回波数据进行谱峰搜索，可以先获得x轴方向阵列的各阵元的导向矢量，得到方位方向的第一导向矢量矩阵v

同理，z轴方向阵列的第一导向矢量矩阵v

步骤S36，分别对第一数据协方差矩阵和第二数据协方差矩阵进行特征分解，依据目标的数量，获得不同方向对应的阵列噪声特征向量；

结合上文对本申请技术方案的相关描述，可以依据第一数据协方差矩阵和第二数据协方差矩阵，以及对应方向上的第一导向矢量矩阵进行功率谱峰值搜索，获得针对不同方向的各目标对应的中间角集和仰俯角集。

具体的，由于数据协方差矩阵对应的特征向量是由信号特征向量和噪声特征向量共同组成，本申请可以分别对上述第一数据协方差矩阵和第二数据协方差矩阵进行特征分解(Eigen Value Decomposition，EVD)，如对方位方向对应的第一数据协方差矩阵进行特征分解，得到对应的第一特征向量R

步骤S37，依据同一方向的阵列噪声特征向量和第一导向矢量阵列进行峰值搜索，获得该方向上与目标数量相同的极大值；

步骤S38，利用同一方向极大值对应的角度，构成不同目标的中间角集和仰俯角集；

在不同方向上进行谱峰搜索时，在x轴方向的功率谱可以表示为：

Z轴方向的功率谱可以表示为：

分别对上述P

步骤S39，对矩形阵列接收到的二维的回波数据进行向量化处理，得到对应的一维回波数据；

本申请可以借鉴OMP算法，对上述获取的中间角和仰俯角进行匹配操作，确定同一目标对应的中间角和仰俯角，因此，在执行OMP算法之前，可以将矩形阵列接收到的二维回波数据排列成一维回波信号S

S

＝[s

在上述公式中，vec()可以表示向量化函数，本申请对S的向量化实现过程不做详述。

步骤S310，依据不同方向上各阵元的第一导向矢量矩阵，获得一维回波数据对应的第二导向矢量矩阵；

在获得不同方向上各阵元的第一导向矢量矩阵v

v

在上述公式(11)中，kron()可以表示Kronecker积操作，本申请对其运算过程不做详述。

步骤S311，依据第二导向矢量矩阵、中间角集和仰俯角集，利用正交匹配追踪OMP算法进行稀疏向量重构；

步骤S312，依据重构的稀疏向量中非零元素的位置，对二维估计角集中的每个二维估计角进行匹配，获得不同目标各自对应的目标中间角和目标仰俯角；

在压缩感知模型构建过程中，对于K个目标，按照上述方法分别得到中间角α的K个估计值，即A＝{α

χ＝{(α

可以依据上述第二导向矢量阵列v

可见，上述二维估计角集χ可以作为OMP操作的完备冗余字典，假设观测信号记为S

之后，可以使用OMP算法重构压缩感知模型中的稀疏向量x，依据稀疏向量x中非零元素的位置在二维估计角集χ中进行索引，即获得该位置对应导向矢量对应的不同目标的目标中间角和目标仰俯角，完成同一目标的中间角和仰俯角的匹配，此时，可以依据重构的稀疏向量x中非零元素的数值，确定对应目标的信号幅值，如将非零元素的值确定为对应目标的幅度。

步骤S313，依据同一目标的目标中间角和目标仰俯角，获得该目标的目标方位角。

结合上述方式，得到同一目标的目标中间角α

针对上文实施例描述的基于MUSIC和OMP的二维DOA估计方法，在如图4所示的仿真参数下，将通过与基于二维平滑MUSIC算法的二维DOA估计方法进行仿真比较，来验证本申请的有效性。由于基于二维平滑MUSIC算法的二维DOA估计方法只能适用于均匀矩形阵列，所以，本申请可以针对均匀矩形阵列进行仿真比对中，该均匀矩形阵列的x轴方向各阵元的相对坐标可以表示为X＝[0,d

在上述公式(14)中N

这样，对于一个给定的SNR，本申请提出的基于MUSIC和OMP的二维DOA估计方法以及传统的基于二维平滑MUSIC算法的二维DOA估计方法的RMSE曲线如图5所示。在5000次次蒙特卡洛仿真下，这两种二维DOA估计方法所消耗的平均时间分别为0.0041s和0.7320s。由此可见，本申请提出的基于MUSIC和OMP的二维DOA估计方法，大大减少了二维OMP算法的运行时间，提高了运算效率。

参照图6，为本申请提出的基于MUSIC和OMP的二维DOA估计装置的一可选示例的结构示意图，该装置可以包括：

回波数据确定模块61，用于确定矩形阵列中各阵元接收到的单快拍的回波数据；

一维MUSIC操作模块62，用于对在同一方向阵元所接收的所述回波数据进行一维多重信号分类MUSIC操作，获得不同目标的中间角集和仰俯角集；

其中，所述一维MUSIC操作所使用的快拍数据是依据另一方向阵元结构确定的，任一所述目标的中间角与该目标的仰俯角和方位角关联；

匹配处理模块63，用于依据正交匹配追踪OMP算法，对所述中间角集中的多个中间角和所述仰俯角集中的多个仰俯角进行匹配处理，确定所述不同目标各自对应的目标中间角和目标仰俯角；

目标方位角获得模块64，用于依据所述目标中间角和所述目标仰俯角，获得对应所述目标的目标方位角。

可选的，上述回波数据确定模块61可以包括：

参数获得单元，用于获得矩形阵列中各阵元在不同方向上的相对坐标，以及所述矩形阵列入射的各目标的信号波长；

回波建模单元，用于至少依据所述相对坐标和所述信号波长进行建模，得到回波信号模型；

回波数据获得单元，用于利用所述回波信号模型，获得所述矩形阵列中各阵元接收到的单快拍的回波数据。

可选的，上述一维MUSIC操作模块62可以包括：

阵列回波矩阵得到单元，用于按照所述矩形阵列的空间顺序，对所述各阵元接收到的所述回波数据进行排列，得到阵列回波矩阵；

第一数据协方差矩阵获得单元，用于依据所述阵列回波矩阵以及仰俯方向阵元的第一维数，获得针对方位方向阵元的第一数据协方差矩阵；

第二数据协方差矩阵获得单元，用于依据所述阵列回波矩阵以及方位方向阵元的第二维数，获得针对所述仰俯方向阵元的第二数据协方差矩阵；

第一导向矢量矩阵获得单元，用于获得不同方向上各阵元的第一导向矢量矩阵；

谱峰值搜索单元，用于依据所述第一数据协方差矩阵和所述第二数据协方差矩阵，以及对应方向上的所述第一导向矢量矩阵进行功率谱峰值搜索，获得针对不同方向的各目标对应的中间角集和仰俯角集。

其中，上述谱峰值搜索单元可以包括：

阵列噪声特征向量获得单元，用于分别对所述第一数据协方差矩阵和所述第二数据协方差矩阵进行特征分解，依据所述目标的数量，获得不同方向对应的阵列噪声特征向量；

极大值获得单元，用于依据同一方向的所述阵列噪声特征向量和所述第一导向矢量阵列进行峰值搜索，获得该方向上与所述目标数量相同的极大值；

角度集构成单元，用于利用同一方向所述极大值对应的角度，构成不同目标的中间角集和仰俯角集。

可选的，上述匹配处理模块63可以包括：

向量化处理单元，用于对所述矩形阵列接收到的二维的所述回波数据进行向量化处理，得到对应的一维回波数据；

第二导向矢量矩阵获得单元，用于依据不同方向上各阵元的第一导向矢量矩阵，获得所述一维回波数据对应的第二导向矢量矩阵；

稀疏向量重构单元，用于依据所述第二导向矢量矩阵、所述中间角集和所述仰俯角集，利用正交匹配追踪OMP算法进行稀疏向量重构；

匹配单元，用于依据重构的稀疏向量中非零元素的位置，对所述二维估计角集中的每个二维估计角进行匹配，获得所述不同目标各自对应的目标中间角和目标仰俯角。

可选的，上述稀疏向量重构单元可以包括：

二维估计角集得到单元，用于将所述中间角集中的多个中间角与所述仰俯角集中的多个仰俯角进行组合，得到不同目标的二维估计角集；

导向矩阵获得单元，用于依据所述第二导向矢量矩阵，获得所述二维估计角集对应的导向矩阵；

压缩感知模型构建单元，用于依据所述导向阵列和稀疏向量，构建压缩感知模型；

重构单元，用于利用正交匹配追踪OMP算法，重构所述压缩感知模型中的稀疏向量。

在又一些实施例中，上述装置还可以包括：

信号幅值确定模块，用于依据重构的稀疏向量中非零元素的数值，确定对应所述目标的信号幅值。

需要说明的是，关于上述各装置实施例中的各种模块、单元等，均可以作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块，以实现相应的功能，关于各程序模块及其组合所实现的功能，以及达到的技术效果，可以参照上述方法实施例相应部分的描述，本实施例不再赘述。

本申请还提供了一种计算机可读存储介质，其上可以存储计算机程序，该计算机程序可以被处理器调用并加载，以实现上述实施例描述的基于MUSIC和OMP的二维DOA估计的各个步骤。

参照图7，为适用于本申请提出的基于MUSIC和OMP的二维DOA估计方法的计算机设备的一可选示例的硬件结构示意图，如图7所示，该计算机设备可以包括：至少一个存储器71、至少一个处理器72以及至少一种通信模块73，其中：

存储器71可以用于存储实现上述各方法实施例描述的基于MUSIC和OMP的二维DOA估计方法的程序；处理器72可以加载并执行存储器存储的该程序，以实现上述相应方法实施例描述的基于MUSIC和OMP的二维DOA估计方法的各个步骤。本申请对存储器71和处理器72的器件类型不做限制，可视情况而定。

上述通信模块73可以包括但并不局限于利用无线通信网络实现数据交互的通信模块，如WIFI模块、5G/6G(第五代移动通信网络/第六代移动通信网络)模块、GPRS模块、天线等，以实现计算机设备与其他设备之间的数据通信。

应该理解的是，上文实施例描述的计算机设备的结构并不构成对本申请实施例中计算机设备的限定，在实际应用中，计算机设备可以包括比上文描述的更多的部件，或者组合某些部件，如电源、各种传感器模组等，本申请在此不做一一列举。

最后，需要说明的是，关于上述各实施例中，诸如第一、第二等之类的关系术语仅仅用来将一个操作、单元或模块与另一个操作、单元或模块区分开来，而不一定要求或者暗示这些单元、操作或模块之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者系统中还存在另外的相同要素。

本说明书中各个实施例采用递进或并列的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言，由于其与实施例公开的方法对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。