运动检测方法、装置、设备和介质与流程

本发明实施例涉及移动载体检测技术领域，尤其涉及一种运动检测方法、装置、设备和介质。

背景技术

传统的导航软件，依赖全球定位系统(globalpositioningsystem，gps)定位点或者网络定位点的坐标位置变化，更新移动载体位置和移动载体运动状态。

然而，在室内、高架区域或高楼区域等有遮挡物的情况下，gps定位点经常会出现位置漂移。基于wifi和基站的网络定位中，也会存在信号无法覆盖或者信号弱导致网络定位点给出的坐标位置产生漂移的情况。

此时，依靠定位点信息无法准确地确定移动载体的运动状态。

技术实现要素：

本发明实施例提供一种运动检测方法、装置、设备和介质，以实现对移动载体运动状态的准确确定。

第一方面，本发明实施例提供了一种运动检测方法，该方法包括：

根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型；

将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

第二方面，本发明实施例还提供了一种运动检测装置，该装置包括：

验证模块，用于根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型；

预测模块，用于将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

加速度检测器，用于检测设备的加速度；

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本发明实施例中任一所述的运动检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的运动检测方法。

本发明实施例通过根据移动载体中智能设备的加速度和预测模型，确定所述移动载体的预测运动状态，从而实现对移动载体运动状态的预测。

因为智能设备的位置或状态不同时，其对应的预测模型也不同。所以根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，从而保证确定的预测模型适用于智能设备的当前位置和姿态，进而提高对移动载体运动状态的预测准确率。

附图说明

图1为本发明实施例一提供的一种运动检测方法的流程图；

图2是本发明实施例二提供的一种运动检测方法的流程图；

图3是本发明实施例三提供的一种运动检测方法的流程图；

图4是本发明实施例四提供的一种运动检测方法的流程图；

图5是本发明实施例五提供的一种运动检测装置的结构示意图；

图6为本发明实施例六提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种运动检测方法的流程图。本实施例可适用于基于移动载体中智能设备的加速度对移动载体的运行状态进行预测的情况。典型地，移动载体可以是车辆，智能设备可以是对该车辆进行地图导航的手机。该方法可以由一种运动检测装置来执行，该装置可以由软件和/或硬件的形式构成。典型地，该装置可以是上述智能设备。参见图1，本实施例提供的运动检测方法包括：

s110、根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型。

其中，移动载体可以是任意可移动的载体，例如，车辆、轮船和飞机等。本实施例对此并不进行任何限制。

可选地，智能设备可以是手机、平板电脑和车载终端等。

智能设备的当前姿态可以由现有技术中任一种姿态确定方法确定。

具体地，智能设备的当前姿态的确定可以包括：根据智能设备的加速度的方向与重力方向的夹角确定智能设备的姿态。其中，智能设备的加速度的方向与重力方向可以通过设置在智能设备中的加速度传感器确定。典型地，该加速度传感器为三轴加速度传感器。

所述移动载体处于不同运动状态下所述智能设备的加速度可以通过加速度传感器获取。不同运动状态可以根据多个gps定位点坐标位置或多个网络定位点坐标位置确定。

例如，若不同时刻的多个gps定位点坐标位置相同，则确定移动载体处于静止，否则确定移动载体处于运动。若相邻时刻的两个gps定位点坐标位置相距较远，则确定移动载体处于高速运动，否则确定移动载体处于低速缓行。

移动载体的运动状态可以是静止、运动、高速运动或低速缓行等。

此处，智能设备的加速度是对应获取的移动载体的运动状态为可信时，智能设备的加速度。

具体地，所述根据移动载体中智能设备的当前姿态以及所述移动载体的不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，可以包括：

若预先训练的模型对应的姿态与移动载体中智能设备的当前姿态匹配，则利用所述移动载体处于任一运动状态的时间长度大于预设的时间长度阈值的时间间隔内，所述智能设备的加速度，对姿态匹配的预先训练的模型进行验证。

其中，预先训练的模型对应的姿态与移动载体中智能设备的当前姿态匹配可以是：预先训练的模型对应的姿态与移动载体中智能设备的当前姿态的差值小于设定姿态阈值。也即预先训练的模型对应的姿态与移动载体中智能设备的当前姿态基本一致。原因是，智能设备不同的姿态下训练得到的模型不同。

预设的时间长度阈值可以根据实际需要设定，可以是3秒也可以是4秒，或更长。预设的时间长度阈值的设置可以保证获取运动状态的可信度。因为gps和网络反馈的定位点的位置坐标在绝大多数时间内都是正确的。所以预设的时间长度阈值的时间越长，获取的运动状态的可信度越高。例如，若移动载体被监测到处于静止的时长为3秒，则基本就能确定该移动载体的运动状态为静止。

若根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证失败，则将触发对预测模型的训练。

据此，可以实现如下效果：如果预先训练的模型适用于当前智能设备的位置和姿态，则利用预先训练的模型基于智能设备的加速度对车辆进行运动状态的确定。如果预先训练的模型不适用于当前智能设备的位置和姿态，则触发对预测模型的训练。

s120、将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

其中，该步骤中的智能设备的加速度是，对应移动载体的运动状态不确定，需要进行运动状态预测时采集的智能设备的加速度。因此，该加速度的采集不需要移动载体保持一运动状态的时间长度大于预设的时间长度阈值。

本发明实施例的技术方案，通过根据移动载体中智能设备的加速度和预测模型，确定所述移动载体的预测运动状态，从而实现对移动载体运动状态的预测。

因为智能设备的位置或状态不同时，其对应的预测模型也不同。所以根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，从而保证确定的预测模型适用于智能设备的当前位置和姿态。

进一步地，所述根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证之前，所述方法还包括：

采集移动载体的不同运动状态以及所述不同运动状态下智能设备的加速度作为训练样本；

基于设定模型训练算法，利用所述训练样本进行训练，得到预先训练完成的模型，同时将所述智能设备的姿态与所述预先训练完成的模型关联。

其中，设定模型训练算方法可以是任意模型训练算法，例如神经网络算法。

为保证训练样本中移动载体的运动状态的可信度，同样也需要移动载体保持一运动状态的时长超过设定的时间长度阈值，在该时间内采集对应该运动状态的加速度。

例如，若采集移动载体运动状态为静止的样本，设定的时间长度阈值为3秒，则需保证连续3秒内gps反馈的移动载体的运动速度均为0。将在该3秒内采集的智能设备的加速度作为静止样本。同时确定智能设备的姿态，将确定的姿态与利用该静止样本训练出的模型关联。

为提高样本数据的准确率，所述采集移动载体的不同运动状态以及所述不同运动状态下智能设备的加速度作为训练样本之后，所述方法还包括：

判断采集用于训练同一模型的多个样本时，智能设备的姿态变化值是否超过设定姿态阈值，若是，则丢弃该样本。因为智能设备的不同姿态下训练出来的模型是不同的。

为进一步提高样本数据的准确率，所述采集移动载体的不同运动状态以及所述不同运动状态下智能设备的加速度作为训练样本之后，所述方法还包括：

对所述训练样本进行噪声过滤。

其中，噪声为不利于模型训练的加速度，具体可以是波动较大的加速度，例如移动载体行驶路面坑洼、移动载体急加速或移动载体急转弯等情况造成的波动较大的加速度。

进一步地，所述方法还包括：

若模型训练失败的次数超过设定的次数阈值，则放弃模型训练。

造成模型训练失败的情况可能是用户手持智能设备。因为在用户手持智能设备时，智能设备的姿态不断变化，从而造成模型训练失败。

实施例二

图2是本发明实施例二提供的一种运动检测方法的流程图。本实施是在上述实施例的基础上提供的一种可选方案。参见图2，本实施例提供的运动检测方法包括：

s210、根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型。

s220、将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

s230、依据移动载体的历史运动信息和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。

可选地，可依据移动载体的历史行驶速度和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。

例如，预测运动状态为静止，历史3秒根据gps反馈的移动载体定位点坐标确定的速度有减速趋势，且平均速度不能超过10千米每秒，则确定所述移动载体的最终运动状态为静止。若预测运动状态为缓行，且历史3秒内移动载体运动的平均速度大于10千米每秒，则确定所述移动载体的最终运动状态为运动。

也可以依据移动载体的历史运动状态和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。

例如，若前2秒移动载体的最终运动状态均为运动，当前这一秒的预测运动状态为静止，则确定所述移动载体的最终运动状态为缓行；若前2秒移动载体的最终运动状态为运动和静止，当前这一秒的预测运动状态为静止，则确定所述移动载体的最终运动状态为静止；若前2秒移动载体的最终运动状态均为静止，当前这一秒的预测运动状态为运动，则确定所述移动载体的最终运动状态为缓行。

综上，若移动载体呈现的运动状态为由静止到运动，则确定当前这一秒的最终运动状态为缓行；若移动载体呈现的运动状态为连续静止，则确定当前这一秒的最终运动状态为静止；若当前这一秒的预测运动状态为运动，则确定当前这一秒的最终运动状态为运动。

还可以依据移动载体的历史运动状态、历史行驶速度和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。

本发明实施例的技术方案，通过依据移动载体的历史运动信息和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。从而提高移动载体运动状态的确定准确率。

实施例三

图3是本发明实施例三提供的一种运动检测方法的流程图。本实施是在上述实施例的基础上提供的一种可选方案。参见图3，本实施例提供的运动检测方法包括：

s310、根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型。

s320、将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

s330、根据移动载体的预测运动状态，调整所述移动载体的定位坐标位置。

具体地，所述根据移动载体的预测运动状态，调整所述移动载体的定位坐标位置，包括：

若当前时刻移动载体的定位坐标位置为第一位置，下一时刻所述移动载体的定位坐标位置仍为第一位置，且所述移动载体在当前时刻和下一时刻的预测运动状态均为运动，则调整所述移动载体在下一时刻的定位坐标位置为第一位置的下一位置；或

若在不同时刻移动载体的预测运动状态均为静止，则保持所述移动载体在所述不同时刻的定位坐标位置相同。

其中，第一位置的下一位置可以根据已确定的导航路径确定。

本发明实施例的技术方案，通过根据移动载体的预测运动状态，调整所述移动载体的定位坐标位置，从而实现对移动载体位置的准确确定。避免移动载体的位置飘逸。

实施例四

图4是本发明实施例四提供的一种运动检测方法的流程图。本实施是在上述实施例的基础上以智能设备为导航手机，以移动载体为车辆，以运动状态为静止或运动为例，提供的一种可选方案。参见图4，本实施例提供的运动检测方法包括：

样本自动采集。

其中，每组样本由加速度和姿态组成。其中加速度可以包括xyz三个方向的加速度值。该三个方向的加速度值可以通过手机的三轴加速度传感器获取。样本的采集频率和采集时间可以根据实际需要设定。

每个样本同时还有姿态属性，以表示手机放置时的姿态。如果姿态改变很可能模型也会失效。姿态由加速度的xyz三个方向与重力方向的夹角确定。

具体地，样本采集可以包括:

当基于gps确定的车辆速度值为0或小于设定的静止样本速度阈值时，开始采集运动状态为静止的样本。采集过程持续3秒，需保证连续的3秒内车辆运动状态保持静止才算采集成功。若3秒内车辆运动状态发生变化，则本次采集失败，等待下次触发。

具体样本采集的触发条件可以根据实际需要设定。

当基于gps确定的车辆速度值在设定的运动样本速度阈值范围内时，开始采集车辆运动状态为运动的样本，采集过程持续3秒，需保证连续3秒内车辆运动状态保持上述运动条件才算采集成功。若3秒内车辆运动状态发生变化，则本次采集失败，等待下次触发。

其中，车辆运动时对车辆速度的限定不宜过高，因为车辆运动速度太快，加速传感器采集的加速度的抖动越大，不利于之后模型的训练。

对采集的样本进行数据预处理。

确定采集的车辆运动状态为静止时的样本的均值和极差，判断是否在设定范围内，以对采集的静止样本进行有效性验证。理想情况下，车辆运动状态为静止时样本中的加速度为0.

对采集的车辆运动状态为运动时的样本进行噪声过滤，去除路面坑洼，急加速或急转弯等随机干扰，仅保留路面正常抖动的样本。

因车辆运动时间相对车辆静止时间较多，随机干扰太多的车辆运动状态为运动时的样本可以丢弃，重新采集。

确定3秒内连续采集的车辆运动状态为运动时的样本间的姿态变化值是否大于设定的姿态阈值。若是，则丢弃该样本。

用于训练同一模型的车辆运动状态为运动时的样本和车辆运动状态为静止时的样本间的平均姿态差也不能超过上述设定的姿态阈值。

基于神经网络，利用经过数据预处理的样本进行模型训练。

其中，要求训练误差需在设定范围内，避免欠拟合或过拟合。

模型迭代次数控制在设定的迭代次数以内，避免大量计算。超出设定的迭代次数表示样本不理想，可以重新采集样本，利用重新采集的样本重新训练。

模型组成含两部分：网络结构和权重参数。模型及对应的姿态需持久化保存，以便使用时验证。每次使用时可以默认加载上一次的模型，通过验证后让模型生效。

模型训练失败次数超过设定训练次数阈值，则不再进行模型训练。

根据车辆中手机的当前姿态以及所述车辆处于静止或运动时所述手机的加速度，对预先训练的模型进行验证。

因为是现场采集样本训练模型，有可能在模型训练完成后，真正使用预测时，用户改变了手机位置和姿态。手机位置和姿态的改变将会影响预测的准确性。因此，需要对模型进行验证。验证是静默进行(也即在后台运行)，用户无感知。

为了避免gps定位点的位置漂移导致验证出错，在验证触发后间隔至少1秒，然后开始采集车辆保持静止或运动的时间长度大于3秒的时间间隔内，手机的加速度，对模型进行验证。

验证需要车辆保持静止或运动时各验证一次，如果均验证成功，则模型有效(也即将该模型作为预测模型)。若连续设定验证失败次数验证失败，则重新开始训练模型。

第二次验证起，如果连续设定验证成功次数验证成功，则模型有效。

验证成功保存模型文件到本地。

若检测到车辆中手机的当前姿态与模型对应的姿态的差值大于设定姿态阈值，则失效模型。

利用验证通过的模型进行预测。

具体地，可以采集车辆保持静止或运动的较短时间(例如，1秒)内，手机的加速度。将采集的所述智能设备的加速度输入验证通过的模型，输出车辆的预测运动状态。

为提高车辆运动状态的预测准确率，当前这1秒预测运动状态的输出要结合前几秒的预测运动状态，给出综合判断结论。

每次预测后，根据预测运动状态结合定位点位置坐标确定车辆的行驶速度。根据确定的车辆行驶速度统计模型的准确性。

为提高车辆运动状态的预测准确率，结合车辆的历史行驶速度确定车辆当前的预测运动状态。

在gps定位点和网络定位点不可靠的情况下，本发明实施例手机传感器的原始数据来预测车辆当前是静止还是运动，从而避免车辆在真实停车的场景下，手机软件上车辆定位点产生位置飘逸等恶劣体验问题。

需要说明的是，经过本实施例的技术教导，本领域技术人员有动机将上述实施例中描述的任一种实施方式进行方案的组合，以实现对移动载体运动状态的确定。

实施例五

图5是本发明实施例五提供的一种运动检测装置的结构示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图5，本实施例提供的运动检测装置包括：验证模块10和预测模块20.

其中，验证模块10，用于根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型；

预测模块20，用于将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

本发明实施例的技术方案，通过根据移动载体中智能设备的加速度和预测模型，确定所述移动载体的预测运动状态，从而实现对移动载体运动状态的预测。

因为智能设备的位置或状态不同时，其对应的预测模型也不同。所以根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，从而保证确定的预测模型适用于智能设备的当前位置和姿态，进而提高对移动载体运动状态的预测准确率。

进一步地，所述验证模块，包括：验证单元。

其中，验证单元，用于若预先训练的模型对应的姿态与移动载体中智能设备的当前姿态匹配，则利用所述移动载体处于任一运动状态的时间长度大于预设的时间长度阈值的时间间隔内，所述智能设备的加速度，对姿态匹配的预先训练的模型进行验证。

进一步地，所述装置还包括：状态确定模块。

其中，状态确定模块，用于所述将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态之后，依据移动载体的历史运动信息和所述移动载体的预测运动状态，确定所述移动载体的最终运动状态。

进一步地，所述状态确定模块，包括：状态确定单元。

其中，状态确定单元，用于依据移动载体的历史行驶速度和/或历史运动状态，以及所述移动载体的预测运动状态确定所述移动载体的最终运动状态。

进一步地，所述装置还包括：位置调整模块。

其中，位置调整模块，用于所述将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态之后，根据移动载体的预测运动状态，调整所述移动载体的定位坐标位置。

进一步地，所述位置调整模块，包括：位置调整单元。

其中，位置调整单元，用于若当前时刻移动载体的定位坐标位置为第一位置，下一时刻所述移动载体的定位坐标位置仍为第一位置，且所述移动载体在当前时刻和下一时刻的预测运动状态均为运动，则调整所述移动载体在下一时刻的定位坐标位置为第一位置的下一位置；或

若在不同时刻移动载体的预测运动状态均为静止，则保持所述移动载体在所述不同时刻的定位坐标位置相同。

实施例六

图6为本发明实施例六提供的一种设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性设备12的框图。图6显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18，以及加速度检测器，用于检测设备的加速度。典型地，该加速度检测器可以是三轴加速度传感器。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的运动检测方法。

实施例七

本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的运动检测方法。

该方法包括：根据移动载体中智能设备的当前姿态以及所述移动载体处于不同运动状态下所述智能设备的加速度，对预先训练的模型进行验证，并将验证通过的模型作为预测模型；

将采集的所述智能设备的加速度输入所述预测模型，输出所述移动载体的预测运动状态。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。