场景状态的确定方法、装置、存储介质及电子装置与流程

1.本发明实施例涉及通信领域，具体而言，涉及一种场景状态的确定方法、装置、存储介质及电子装置。


背景技术：

2.当前针对在道路交通发生的违法违章行为的检测，都必须先将必要的环境配置完成。这里的环境包含所监视的场景的车道线(人工绘制)，抓拍线(人工绘制)，停止线(人工绘制)、检测区域(人工绘制)等等。这些场景都必须依赖人工绘制；当场景发生变化，如施工、事故等，人工绘制的场景无法在第一时间获取到变化信息，导致信息滞后，这对交通管理人员带来极大的不便。图1是隧道场景配置划线图，如图1所示，粗实线表示车道线，轮廓线构成的区域表示检测区域，虚线表示流量触发线。如果此时相机发生在转动且未察觉到则会产生大量的误报。
3.在相关技术中，在确定场景的状态时，每过一定时间做一次场景识别，如车道面识别、车道线识别，对比一定时间间隔内的两次结果，如果两次结果差异较大则认为场景发生变换。然而，由于路面场景具有变化性，当场景中的路面场景变化时，难以保证算法识别的准确性。
4.由此可知，相关技术中存在确定场景状态不准确的问题。
5.针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种场景状态的确定方法、装置、存储介质及电子装置，以至少解决相关技术中存在的确定场景状态不准确的问题。
7.根据本发明的一个实施例，提供了一种场景状态的确定方法，包括：从针对目标场景采集的图像序列中，确定出n个图像，所述n为不小于3的整数；基于n个图像确定至少两个图像组，其中，每个所述图像组中包含两个所述图像，不同所述图像组中包含的所述图像完全不同或部分不同；并根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值；以及基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变。
8.根据本发明的另一个实施例，提供了一种场景状态的确定装置，包括：第一确定模块，用于从针对目标场景采集的图像序列中，确定出n个图像，所述n为不小于3的整数；第二确定模块，用于基于n个图像确定至少两个图像组，其中，每个所述图像组中包含两个所述图像，不同所述图像组中包含的所述图像完全不同或部分不同；并根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值；第三确定模块，用于基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变。
9.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可
读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
10.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
11.通过本发明，从针对目标场景采集的图像序列中确定出n个图像，根据n个图像确定至少两个图像组，根据至少两个图像组中的每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值，根据每个图像组对应的类间相似参考值的差异程度确定图像序列中的目标场景的状态是否发生改变。由于可以将n个图像分为至少两个图像组，确定每个两个图像对应的类间相似参考值，再根据类间相似参考值的差异程度确定目标场景的状态是否发生变化，因此，可以解决相关技术中存在的确定场景状态不准确的问题，达到提高确定场景状态的准确性的效果。
附图说明
12.图1是相关技术中隧道场景配置划线图；
13.图2是本发明实施例的一种场景状态的确定方法的移动终端的硬件结构框图；
14.图3是根据本发明实施例的场景状态的确定方法的流程图；
15.图4是根据本发明示例性实施例的目标区域示意图；
16.图5是根据本发明示例性实施例的triplet net模型的结构示意图；
17.图6是根据本发明示例性实施例的利用tripletnet模型确定目标场景的状态是否发生改变示意图；
18.图7是根据本发明实施例的场景状态的确定装置的结构框图。
具体实施方式
19.下文中将参考附图并结合实施例来详细说明本发明的实施例。
20.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
21.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图2是本发明实施例的一种场景状态的确定方法的移动终端的硬件结构框图。如图2所示，移动终端可以包括一个或多个(图2中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
22.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的场景状态的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、
或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。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。
23.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
24.在本实施例中提供了一种场景状态的确定方法，图3是根据本发明实施例的场景状态的确定方法的流程图，如图3所示，该流程包括如下步骤：
25.步骤s302，从针对目标场景采集的图像序列中，确定出n个图像，所述n为不小于3的整数；
26.步骤s304，基于n个图像确定至少两个图像组，其中，每个所述图像组中包含两个所述图像，不同所述图像组中包含的所述图像完全不同或部分不同；并根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值；
27.步骤s306，基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变。
28.在上述实施例中，目标场景可以是交通场景，还可以是其他场景。当目标场景为交通场景时，图像序列可以是交通岗监控设备所采集的图像。可以在图像序列中确定出n个图像，将n个图像分成至少两个图像组，每个图像组中包括连个图像可以是完全不同的图像，也可以是部分不同的图像。在不同的图像组中可以包括相同的图像，但不同的图像组中的图像不完全相同。
29.在上述实施例中，可以确定每个图像组对应的类间相似参考值，其中，类间相似参考值可以表示同一组内的两个图像的相似程度。在确定出每个图像组对应的类间相似参考值之后，可以根据每个图像组对应的类间相似参考值的差异程度确定目标场景的状态是否发生改变。其中，摄像设备的拍摄角度或拍摄参数发生变化时，可以导致目标场景的状态发生改变。例如，当摄像设备安装在固定的点位，在使用过程中，操作者会拉动镜头去看更远或者更近的地方，亦或者选择摄像设备去拍摄道路的另一侧等，这些就是相机的监控的场景发生了变化，即目标场景的状态发生了改变。
30.可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。
31.通过本发明，从针对目标场景采集的图像序列中确定出n个图像，根据n个图像确定至少两个图像组，根据至少两个图像组中的每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值，根据每个图像组对应的类间相似参考值的差异程度确定图像序列中的目标场景的状态是否发生改变。由于可以将n个图像分为至少两个图像组，确定每个两个图像对应的类间相似参考值，再根据类间相似参考值的差异程度确定目
标场景的状态是否发生变化，因此，可以解决相关技术中存在的确定场景状态不准确的问题，达到提高确定场景状态的准确性的效果。
32.在一个示例性实施例中，所述目标场景包括交通场景，在所述从针对目标场景采集的图像序列中，确定出n个图像之后，所述根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值之前，所述方法还包括：对所述至少两个图像组中每个所述图像组包含的各个图像中的车道边缘进行识别，确定所述各个图像中的车道边缘区域；对各个图像中的车道边缘区域进行降干扰处理。在本实施例中，当目标场景为交通场景时，可以通过语义分割，边缘检测、车道面检测等算法识别出各个图像中的车道边缘线，根据车道边缘线确定出车道边缘区域，对车道边缘区域进行降干扰处理。其中，车道边缘区域可以是由车道边缘线围成的区域，车道边缘线区域示意图可参见附图4，如图4所示，粗实线框中的区域即为车道边缘区域，粗实线即为车道边缘线。
33.在上述实施例中，当目标场景为交通场景时，路面上行驶的车辆会导致采集到的图像中包括的变化的信息。这些变化的信息存在影响识别目标场景的状态是否改变的准确性，因此，可以对车道边缘区域，即存在变化可能的区域进行降干扰处理，将道路面上的干扰信息去除，以提高确定目标场景的状态的是否改变的准确性。其中，降干扰处理可以包括对车道边缘区域添加掩膜等。
34.在上述实施例中，在车道边缘区域还可以是车道边缘线，在进行降干扰处理时，仅对车道边缘线进行降干扰处理，从而确定出干扰区域，在确定每个图像组中包含的两个图像的相似程度时，仅确定各个图像中除干扰区域之外的其他区域的相似程度。
35.在一个示例性实施例中，所述对各个图像中的车道边缘区域进行降干扰处理，包括：将所述各个图像中的所述车道边缘区域包含的每个像素点的像素值设置为目标像素值。在本实施例中，在进行降干扰处理时，可以将车道边缘区域中包括的每个像素点的像素值设置为目标像素值。其中，目标像素值可以为0(该取值仅是一种示例性说明，还可以设置为其他值，本发明对此不作限定)。
36.在一个示例性实施例中，所述至少两个图像组包括第一图像组和第二图像组，所述第一图像组中包括历史图像和当前图像，所述第二图像组包括所述当前图像和后续图像；所述历史图像的第一采集时刻早于所述当前图像的第二采集时刻，且所述第二采集时刻早于所述后续图像的第三采集时刻。在本实施例中，当n为3时，可以将3个图像分为两个图像组，分别为第一图像组和第二图像组。其中，3个图像可以是从视频流中获取到的图像。在视频流中，可以确定出当前图像、历史图像以及后续图像。历史图像的第一采集时刻早于当前图像的第二采集时刻，第二采集时刻早于后续图像的第三采集时刻。在确定出当前图像、历史图像以及后续图像后，可以将当前图像和历史图像确定为一个图像组，将当前图像和后续图像确定为一个图像组。
37.在一个示例性实施例中，所述第一采集时刻和所述第二采集时刻的时间差为第一时间间隔；所述第二采集时刻和所述第三采集时刻的时间差为第二时间间隔。在本实施例中，当前图像、历史图像以及后续图像可以是连续的三帧图像，也可以是不连续的图像。在当前图像、历史图像以及后续图像是连续的三帧图像时，第一时间间隔和第二时间间隔相同，且为摄像设备的拍摄间隔。在当前图像、历史图像以及后续图像非连续拍摄的三帧图像时，第一时间间隔和第二时间间隔可以相同，也可以不同。且第一时间间隔和第二时间时间
间隔可以是自定义设置的时间间隔。
38.在上述实施例中，确定目标场景的状态是否改变的流程可以是自动触发的检测流程，也可以是人为触发的检测流程。当是自动触发的检测流程时，第一时间间隔和第二时间间隔可以是预先设定的固定时间间隔。当是人为触发的检测流程时，第一时间间隔和第二时间间隔可以根据触发时间确定。
39.在上述实施例中，在视频是实时送帧的情况下，算法每秒中自动获取一帧，累加获取3帧，这三帧作为历史图像p1，当前图像p2，后续图像p3，通过三帧图像判断目标场景的状态是否发生改变；当有新数据持续送入时，p1帧丢弃，p2帧作为历史图像，p3作为当前图像，p4作为后续图像，再依次进行确定目标场景的状态是否发生改变。其中，第一时间间隔和第二时间间隔可以使用推荐的1秒采样依次或者用户自行设置。
40.在一个示例性实施例中，所述根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值，包括：基于所述历史图像和所述当前图像的相似程度，确定所述第一图像组对应的第一类间相似参考值；并基于所述当前图像和所述后续图像的相似程度，确定所述第二图像组对应的第二类间相似参考值；所述基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变，包括：基于所述第一类间相似参考值和所述第二类间相似参考值的差异值，确定所述图像序列中的所述目标场景的状态是否发生改变。在本实施例中，在确定目标场景的状态是否发生改变时，可以确定每个图像组对应的类间相似参考值。当包括两个图像组时，可以确定第一图像组对应的第一类间相似参考值，以及确定第二图像组对应的第二类间相似参考值。确定第一类间相似参考值以及第二类间相似参考值的差异值，根据差异值确定目标场景的状态是否发生改变。
41.在上述实施例中，在确定目标场景的状态是否改变时，确定了两个图像组内的图像的相似程度，进而确定了第一类间相似参考值和第二类间相似参考值。在确定了第一类间相似参考值和第二类间相似参考值之后，并没有简单的根据第一类间相似参考值或第二类间相似参考值确定目标场景的状态是否发生改变，而是再次根据第一类间相似参考值和第二类间相似参考值确定二者的差异值，根据差异值确定目标场景的状态是否发生了变化。即在确定目标场景的状态是否发生改变时，是通过判定类间和类内距离来决定场景是否发生变化，提高目标网络模型的鲁棒性。其中，同类图像是指场景的状态为未变化状态时采集的多张图像，不同类图像是指场景的状态为变化状态时采集的多张图像。
42.在一个示例性实施例中，所述基于所述第一类间相似参考值和所述第二类间相似参考值的差异值，确定所述图像序列中的所述目标场景的状态是否发生改变，包括：确定所述第一类间相似参考值和所述第二类间相似参考值的差异值；响应于所述差异值大于预定阈值，确定所述目标场景的状态发生改变。在本实施例中，在确定出第一类间相似参考值和第二类间相似参考值的差异值之后，如差异值大于预定阈值，确定认为目标场景的状态发生了改变。其中，预定阈值可以是预先设定的阈值，本发明对此不作限定。
43.在一个示例性实施例中，所述方法还包括：响应于所述差异值小于或等于所述预定阈值的情况下，确定所述目标场景的状态未发生改变。在本实施例中，当差异值小于预定阈值的情况下，可以认为目标场景的状态未发生改变。
44.在一个示例性实施例中，所述基于n个图像确定至少两个图像组；并根据所述至少
两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值，包括：将所述n个图像输入至目标网络模型，基于所述目标网络模型确定所述第一类间相似参考值和所述第二类间相似参考值的差异值。在本实施例中，在确定第一类间相似参考值和第二类间相似参考值时，可以通过目标网络模型确定出第一类间相似参考值和第二类间相似参考值，并通过目标网络模型确定出差异值。其中，目标网络模型可以为triplet net模型。
45.在一个示例性实施例中，所述目标网络模型包括triplet net模型；所述第一类间相似参考值包括所述历史图像的特征向量和所述当前图像的特征向量的第一欧式距离；所述第二类间相似参考值包括所述当前图像的特征向量和所后续图像的特征向量的第二欧式距离。在本实施例中，目标网络模型可以是triplet net模型，其中，triplet net模型的结构示意图可参见附图5，如图5所示，tripelet network包括3个相同的前馈神经网络，3个相同的前馈神经网络之间彼此共享权值，每次输入三个样本：x-，x，x+，分别为候选样本，同类样本及异类样本。在embedding层的特征向量为l2距离，通过三个分支对三输入进行距离编码，网络最终输出d1，d2两个欧式距离。如果两距离差距过大，则认为是x-和x+为不同的两类(类间距离过大)。在上述实施例中，使用tripletnet进行场景识别，可以提升场景识别尚未准确度。
46.在上述实施例中，相似参考值可以利用欧式距离来表示。在获得n个图像后，可以对图像进行降干扰处理。将经过降干扰处理后的图像送入tripletnet模型中。即将历史图像，当前图像，后续图像进过降干扰处理后，输出至tripletnet模型中。其中，利用tripletnet模型确定目标场景的状态是否发生改变示意图可参见附图6，如图6所示，前两组输入为历史图像和当前图像，第三帧为后续图像，目标网络模型通过计算欧式距离d1(即历史图像与当前图像的欧式距离)，d2(即当前图像与后续图像的欧式距离)，如果d2的距离明显大于d1则认为场景发生变化。
47.在前述实施例中，获取视频帧中的一组图像帧(3张图像，即历史帧p1、当前帧p2、后续帧p3)，每一帧之间间隔一定的时间(时间可以按需设定)，间隔设定的时间越短，算法精度越高。对该3张图像进行路面排除后，即使用语义分割，车道线识别等算法，检测车道边缘，识别到道路的边缘地带；通过将识别到的道路面区域像素置为0(添加掩膜)将道路面等干扰信息去除。送入tripletnet进行场景是否变化的识别，识别原理为：分别确定p2和p1、p3的相似度(即欧氏距离)，基于两个相似度之间的差异程度判断该组图像帧中是否发生场景变化。对道路面区域先做一次预处理，屏蔽车道面等易发生变化的场景，极大的减少了车道对场景的影响。使用处理后的图片作为输入，通过tripletnet进行场景变化识别，tripletnet不仅考虑到类间距离，也考虑类内距离；判断的结果也是在类内距离的基础上对类间距离进行判定，而非仅考虑类间距离，通过一个固定的值来决定是否发生变化，提升了确定场景的状态的准确性。
48.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算
机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
49.在本实施例中还提供了一种场景状态的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
50.图7是根据本发明实施例的场景状态的确定装置的结构框图，如图7所示，该装置包括：
51.第一确定模块72，用于从针对目标场景采集的图像序列中，确定出n个图像，所述n为不小于3的整数；
52.第二确定模块74，用于基于n个图像确定至少两个图像组，其中，每个所述图像组中包含两个所述图像，不同所述图像组中包含的所述图像完全不同或部分不同；并根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值；
53.第三确定模块76，用于基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变。
54.在一个示例性实施例中，所述目标场景包括交通场景，所述装置可以用于在所述从针对目标场景采集的图像序列中，确定出n个图像之后，所述根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值之前：对所述至少两个图像组中每个所述图像组包含的各个图像中的车道边缘进行识别，确定所述各个图像中的车道边缘区域；对各个图像中的车道边缘区域进行降干扰处理。
55.在一个示例性实施例中，所述装置可以通过如下方式实现所述对各个图像中的车道边缘区域进行降干扰处理：将所述各个图像中的所述车道边缘区域包含的每个像素点的像素值设置为目标像素值。
56.在一个示例性实施例中，所述至少两个图像组包括第一图像组和第二图像组，所述第一图像组中包括历史图像和当前图像，所述第二图像组包括所述当前图像和后续图像；所述历史图像的第一采集时刻早于所述当前图像的第二采集时刻，且所述第二采集时刻早于所述后续图像的第三采集时刻。
57.在一个示例性实施例中，所述第一采集时刻和所述第二采集时刻的时间差为第一时间间隔；所述第二采集时刻和所述第三采集时刻的时间差为第二时间间隔。
58.在一个示例性实施例中，第二确定模块74可以通过如下方式实现所述根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值：基于所述历史图像和所述当前图像的相似程度，确定所述第一图像组对应的第一类间相似参考值；并基于所述当前图像和所述后续图像的相似程度，确定所述第二图像组对应的第二类间相似参考值；第三确定模块76可以通过如下方式实现所述基于所述每个图像组对应的类间相似参考值的差异程度，确定所述图像序列中的所述目标场景的状态是否发生改变：基于所述第一类间相似参考值和所述第二类间相似参考值的差异值，确定所述图像序列中的所述目标场景的状态是否发生改变。
59.在一个示例性实施例中，第三确定模块76可以通过如下方式实现所述基于所述第一类间相似参考值和所述第二类间相似参考值的差异值，确定所述图像序列中的所述目标
场景的状态是否发生改变：确定所述第一类间相似参考值和所述第二类间相似参考值的差异值；响应于所述差异值大于预定阈值，确定所述目标场景的状态发生改变。
60.在一个示例性实施例中，第三确定模块76还可以通过如下方式实现所述基于所述第一类间相似参考值和所述第二类间相似参考值的差异值，确定所述图像序列中的所述目标场景的状态是否发生改变：响应于所述差异值小于或等于所述预定阈值的情况下，确定所述目标场景的状态未发生改变。
61.在一个示例性实施例中，第二确定模块74可以通过如下方式实现所述基于n个图像确定至少两个图像组；并根据所述至少两个图像组中每个图像组包含的两个图像的相似程度，确定每个图像组对应的类间相似参考值：将所述n个图像输入至目标网络模型，基于所述目标网络模型确定所述第一类间相似参考值和所述第二类间相似参考值的差异值。
62.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
63.本发明的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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
64.在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
65.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
66.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
67.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
68.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
69.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。