车联网AI网络接口实现方法及开放平台系统与流程

本申请涉及无线通信网络及数据识别技术领域，尤其涉及车联网ai网络接口实现方法及开放平台系统。

背景技术：

目前，新一代信息通信技术迅速发展。相关技术中，车联网的概念源于物联网，即车辆物联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与车、人、路、服务平台之间的网络连接，提升车辆整体的智能驾驶水平，为用户提供安全、舒适、智能、高效的驾驶感受与交通服务，同时提高交通运行效率，提升社会交通服务的智能化水平。

但是相关的技术中，目前还没有出现能够支持不同用户、不同接口接入并能提供车联网相关支撑服务的车联网开放平台系统。

技术实现要素：

为克服相关技术中存在的问题，本申请提供一种车联网ai网络接口实现方法及开放平台系统，能够支持不同用户、不同接口接入开放平台系统并能提供车联网相关的支撑服务。

本申请第一方面提供一种车联网ai网络接口实现方法，包括：

通过网络接口层接收从用户层输入的识别请求和图片；

所述网络接口层根据所述识别请求调用动态库层存储的深度学习神经网络的动态库文件，将所述图片传输给所述动态库层；

所述动态库层通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片进行识别，将识别结果返回给所述网络接口层，由所述网络接口层返回给所述用户层。

在一种实施方式中，所述动态库层存储有编译的不同的深度学习神经网络的动态库文件，所述动态库文件中包括同一深度学习神经网络的不同训练模型的独立文件。

在一种实施方式中，所述网络接口层采用java语言，所述网络接口层根据所述识别请求，采用jna方式调用所述深度学习神经网络的动态库文件。

在一种实施方式中，所述将所述图片传输给所述动态库层，包括：将所述图片转换成图片二进制流传输给所述动态库层；

所述动态库层通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片进行识别，将识别结果返回给所述网络接口层，包括：

所述动态库层将所述图片二进制流转换成图片对象，通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片对象进行识别，将识别结果存储为图片二进制流，返回给所述网络接口层。

在一种实施方式中，所述网络接口层设有至少一个以上api接口，

所述api接口包括：车道线识别接口、红绿灯识别接口、道路目标检测接口、路牌识别接口、道路状况识别接口、路面箭头识别接口；

所述用户层输入的识别请求和图片根据请求的内容从不同api接口输入给所述网络接口层。

在一种实施方式中，所述车道线识别接口包括：路面车道线箭头实例分割接口、路面车道线箭头语义分割接口；或，

所述红绿灯识别接口包括：红绿灯检测接口；或，

所述道路目标检测接口包括：车辆检测接口、行人检测接口；或，

所述路牌识别接口包括：路牌语义分割接口、路牌检测接口；或，

所述道路状况识别接口包括：路障三角标检测接口；或，

所述路面箭头识别接口包括：路面箭头实例分割接口、路面箭头语义分割接口。

本申请第二方面提供一种车联网ai开放平台系统，包括：

用户层模块，用于向网络接口层模块输入识别请求和图片；

网络接口层模块，用于接收从所述用户层模块输入的识别请求和图片，根据所述识别请求调用动态库层模块存储的深度学习神经网络的动态库文件，将所述图片传输给所述动态库层模块；

动态库层模块，用于存储深度学习神经网络的动态库文件，通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片进行识别，将识别结果返回给所述网络接口层模块，由所述网络接口层模块返回给所述用户层模块。

在一种实施方式中，所述动态库层模块存储有编译的不同的深度学习神经网络的动态库文件，所述动态库文件中包括同一深度学习神经网络的不同训练模型的独立文件。

在一种实施方式中，所述网络接口层模块设有至少一个以上api接口模块，所述api接口模块包括：车道线识别接口模块、红绿灯识别接口模块、道路目标检测接口模块、路牌识别接口模块、道路状况识别接口模块、路面箭头识别接口模块；

所述用户层输入的识别请求和图片根据请求的内容从不同api接口模块输入给所述网络接口层模块。

在一种实施方式中，所述网络接口层模块将所述图片转换成图片二进制流传输给所述动态库层模块；

所述动态库层模块将所述图片二进制流转换成图片对象，通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片对象进行识别，将识别结果存储为图片二进制流，返回给所述网络接口层模块。

本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

本申请提供的技术方案可以包括以下有益效果：

本实施例提供的车联网ai网络接口实现方法，通过网络接口层接收从用户层输入的识别请求和图片；所述网络接口层根据所述识别请求调用动态库层存储的深度学习神经网络的动态库文件，将所述图片传输给所述动态库层；所述动态库层通过被调用的所述动态库文件所对应的深度学习神经网络，对所述图片进行识别，将识别结果返回给所述网络接口层，由所述网络接口层返回给所述用户层。本实施例提供了全新的车联网ai开放平台系统，分为用户层、网络接口层和动态库层，其中网络接口层支持不同用户、不同接口接入开放平台系统，动态库层可以通过动态库文件所对应的深度学习神经网络，根据用户层输入的识别请求对输入的图片进行识别得到识别结果并反馈，从而为不同用户都能提供车联网相关的业务内容识别等支撑服务，识别效率也较高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本申请实施例示出的车联网ai网络接口实现方法的流程示意图；

图2是本申请实施例示出的车联网ai网络接口实现方法的另一流程示意图；

图3是本申请实施例示出的车联网ai开放平台系统的结构示意图；

图4是本申请实施例示出的车联网ai开放平台系统的另一结构示意图；

图5是本申请实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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。

目前在车联网领域，还没有出现能够支持不同用户、不同接口接入并能提供车联网支撑服务的车联网开放平台系统。本申请实施例提供一种车联网ai（artificialintelligence，人工智能）网络接口实现方法及开放平台系统，能够支持不同用户、不同接口接入开放平台系统并能提供车联网相关的业务内容识别等支撑服务。

以下结合附图详细描述本申请实施例的技术方案。

图1是本申请实施例示出的车联网ai网络接口实现方法的流程示意图。

参见图1，该方法包括：

s11、通过网络接口层接收从用户层输入的识别请求和图片。

其中，网络接口层设有至少一个以上api（applicationprogramminginterface，应用程序接口）接口，api接口包括：车道线识别接口、红绿灯识别接口、道路目标检测接口、路牌识别接口、道路状况识别接口、路面箭头识别接口；用户层输入的识别请求和图片根据请求的内容从不同api接口输入给网络接口层。

其中，图片例如可以是行车记录仪等拍摄设备拍摄的车道线图片、红绿灯路口图片、道路目标图片、路牌图片、道路状况图片、路面箭头图片等。其中，识别请求例如可以是车道线识别请求、红绿灯识别请求、道路目标检测请求、路牌识别请求、道路状况识别请求、路面箭头识别请求等。

其中，车道线图片和车道线识别请求可以通过车道线识别接口输入到网络接口层；红绿灯路口图片和红绿灯识别请求可以通过红绿灯识别接口输入到网络接口层；道路目标图片和道路目标检测请求可以通过道路目标检测接口输入到网络接口层；路牌图片和路牌识别请求可以通过路牌识别接口输入到网络接口层；道路状况图片和道路状况识别请求可以通过道路状况识别接口输入到网络接口层；路面箭头图片和路面箭头识别请求可以通过路面箭头识别接口输入到网络接口层。

其中，用户可以根据请求的内容选择不同的api接口，或者网络接口层可以根据图片的内容或识别请求的内容识别出对应的不同的api接口。

s12、网络接口层根据识别请求调用动态库层存储的深度学习神经网络的动态库文件，将图片传输给动态库层。

其中，网络接口层采用java语言，网络接口层根据识别请求，采用jna方式调用深度学习神经网络的动态库文件（也即so库文件）。

其中，网络接口层将图片转换成图片二进制流传输给动态库层。

s13、动态库层通过被调用的动态库文件所对应的深度学习神经网络，对图片进行识别，将识别结果返回给网络接口层，由网络接口层返回给用户层。

其中，动态库层存储有编译的不同的深度学习神经网络的动态库文件，动态库文件中包括同一深度学习神经网络的不同训练模型的独立文件。

其中，动态库层将图片二进制流转换成图片对象，通过被调用的动态库文件所对应的深度学习神经网络，对图片对象进行识别，将识别结果存储为图片二进制流，返回给网络接口层。

从该实施例可以看出，本实施例提供的车联网ai网络接口实现方法，通过网络接口层接收从用户层输入的识别请求和图片；网络接口层根据识别请求调用动态库层存储的深度学习神经网络的动态库文件，将图片传输给动态库层；动态库层通过被调用的动态库文件所对应的深度学习神经网络，对图片进行识别，将识别结果返回给网络接口层，由网络接口层返回给用户层。本实施例提供了全新的车联网ai开放平台系统，分为用户层、网络接口层和动态库层，其中网络接口层支持不同用户、不同接口接入开放平台系统，动态库层可以通过动态库文件所对应的深度学习神经网络，根据用户层输入的识别请求对输入的图片进行识别得到识别结果并反馈，从而为不同用户都能提供车联网相关的业务内容识别等支撑服务，识别效率也较高。

图2是本申请实施例示出的车联网ai网络接口实现方法的另一流程示意图。图2相对图1更详细描述了本申请技术方案。

参见图2，该方法包括：

s21、网络接口层接收从用户层输入的图片和识别请求，将图片转换成图片二进制流。

其中，网络接口层可以采用java语言来实现。当用户从用户层发送识别请求以及传入图片时，网络接口层从用户层接收到图片和识别请求，然后采用相关技术将图片转换成图片二进制流，本申请对此并不加以限定。

在应用程序中一般所有的数据都是以流的方式进行传输或保存的，应用程序需要数据的时候要使用输入流读取数据，而当应用程序需要将一些数据保存起来的时候，就要使用输出流完成。也就是说，应用程序中的输入输出都是以流的形式保存，流中保存的实际上全都是字节文件。因此，本申请方案中采用相关技术将图片转换成图片二进制流保存到数据库中。

其中，网络接口层设有至少一个以上api接口，api接口包括：车道线识别接口、红绿灯识别接口、道路目标检测接口、路牌识别接口、道路状况识别接口、路面箭头识别接口；用户层输入的识别请求和图片根据请求的内容从不同api接口输入给网络接口层。

其中，图片例如可以是行车记录仪等拍摄设备拍摄的车道线图片、红绿灯路口图片、道路目标图片、路牌图片、道路状况图片、路面箭头图片等。其中，识别请求可以是车道线识别请求、红绿灯识别请求、道路目标检测请求、路牌识别请求、道路状况识别请求、路面箭头识别请求等。

用户可以根据请求的内容选择不同的api接口，或者网络接口层可以根据图片的内容或识别请求的内容识别出对应的不同的api接口。

例如，车道线图片和车道线识别请求可以通过车道线识别接口输入到网络接口层；红绿灯路口图片和红绿灯识别请求可以通过红绿灯识别接口输入到网络接口层；道路目标图片和道路目标检测请求可以通过道路目标检测接口输入到网络接口层；路牌图片和路牌识别请求可以通过路牌识别接口输入到网络接口层；道路状况图片和道路状况识别请求可以通过道路状况识别接口输入到网络接口层；路面箭头图片和路面箭头识别请求可以通过路面箭头识别接口输入到网络接口层。

s22、网络接口层根据识别请求调用动态库层存储的深度学习神经网络的动态库文件，将图片二进制流传输给动态库层。

该步骤中，网络接口层将图片二进制流传输给动态库层。

网络接口层可以采用java语言，网络接口层根据识别请求，可以采用jna方式调用深度学习神经网络的动态库文件。

具体的，动态库层又称为so库层（或者native层）。动态库层可以通过c和c++语言实现，然后和网络接口层的java代码进行通信。网络接口层位于动态库层的上一层。其中，网络接口层可以通过jna（javanativeaccess，java本地访问）的方式来调用动态库层中的多个动态库文件也即so库文件。jna是一种调用本地方法的技术，大大简化了调用本地方法的过程，使用也比较方便，一般利用代理实现来完成java和natvie的映射。

在动态库层中可以包括多个预设的深度学习神经网络，动态库层中将预设的深度学习神经网络编译成动态c语言库，得到深度学习神经网络的动态库文件也即so库文件，多个so库文件是独立存在的文件。

其中，深度学习神经网络可以包括dnn（deepneuralnetworks，深度神经网络）、cnn（convolutionalneuralnetworks，卷积神经网络）、rnn（recurrentneuralnetworks，循环神经网络）、yolo（youonlylookonce）神经网络等。其中yolo是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。

在其中一个实施例中，将yolo网络编译成so库文件。yolo算法是将物体检测作为一个回归问题进行求解，输入的图像经过一次推理，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。

其中，动态库层存储有编译的不同的深度学习神经网络的动态库文件，动态库文件中包括同一深度学习神经网络的不同训练模型的独立文件。也就是说，对于同一深度学习神经网络，其中的不同次训练的模型，都可以以独立文件存在，类似可变的参数。所以，即使后续训练的模型改变或升级，无需改变网络结构，只需替换相关的文件就可以了，别的文件或内容不需要改动。

需说明的是，调用动态库层存储的哪种深度学习神经网络的动态库文件，可以根据识别请求的类型或内容来确定，可以预先设置不同的识别请求的类型或内容分别对应调用不同的动态库文件来处理，也即对应不同的深度学习神经网络来处理。例如，可以预先设置车道线识别请求对应调用yolo神经网络的动态库文件，也即对应yolo神经网络来处理；可以预先设置路牌识别请求对应cnn神经网络的动态库文件，也即对应cnn神经网络来处理。

s23、动态库层将接收的图片二进制流转换成图片对像，通过被调用的动态库文件所对应的深度学习神经网络，对图片对象进行识别，得到识别结果。

因为深度学习神经网络需要对图片内容进行识别，因此动态库层将接收的图片二进制流转换成图片对像，通过被调用的动态库文件所对应的深度学习神经网络，对图片对象进行识别。

例如，假设被调用的是yolo神经网络的动态库文件，则通过该动态库文件对应的yolo神经网络，对图片对象进行识别，得到识别结果；

假设被调用的是cnn神经网络的动态库文件，则通过该动态库文件对应的cnn神经网络，对图片对象进行识别，得到识别结果。

需说明的是，深度学习神经网络可以采用相关技术对图片对象进行识别，本申请对比并不加以限定。

在其中一个实施例中，多个预设的深度学习神经网络将被编译成多个so库文件存在动态库层中，当网络接口层接收到图片和识别请求时，可以根据识别请求的内容，通过jna的方式调用对应的so库文件，即是根据用户层的不同需求，调用对应的预设的深度学习神经网络来识别图片的内容。例如，当用户层发送的是车道线图片和车道线识别请求，网络接口层通过jna方式调用对应yolo神经网络的so库文件，由yolo神经网络进行识别处理，得到图片的识别结果。

s24、将识别结果存储为图片二进制流，返回给网络接口层。

其中，动态库层将图片对象的识别结果再转换成图片二进制流进行存储，并返回网络接口层。

s25、网络接口层将接收的图片二进制流返回给用户层，作为用户层发送的识别请求的响应结果。

其中，网络接口层接收图片二进制流后，将接收的图片二进制流返回给用户层，作为用户层发送的识别请求的响应结果。

本实施例提供的高效率的ai网络接口实现方法，通过网络接口层接收从用户层输入的图片和识别请求，将图片转换成图片二进制流传输给动态库层，动态库层将图片二进制流转换成图片对象，通过被调用的动态库文件所对应的深度学习神经网络，对图片对象进行识别，将识别结果存储为图片二进制流，返回给网络接口层。本实施例提供的全新的车联网ai开放平台系统，能够使得多个不同的用户和接口能够接入ai开放平台系统中，满足不同用户例如车企以及自动驾驶领域开发者等多种场景的ai识别需求，实现了集成多种车联网业务支撑服务的高效率的ai开放平台系统。

与前述应用功能实现方法实施例相对应，本申请还提供了一种车联网ai开放平台系统、电子设备及相应的实施例。

图3是本申请实施例示出的车联网ai开放平台系统的结构示意图。

参见图3，一种车联网ai开放平台系统30，包括：用户层模块31、网络接口层模块32、动态库层模块33。

用户层模块31，用于向网络接口层模块32输入识别请求和图片。

网络接口层模块32，用于接收从用户层模块31输入的识别请求和图片，根据识别请求调用动态库层模块33存储的深度学习神经网络的动态库文件，将图片传输给动态库层模块33。

网络接口层模块32采用java语言，网络接口层模块32根据识别请求，采用jna方式调用深度学习神经网络的动态库文件。

动态库层模块33，用于存储深度学习神经网络的动态库文件，通过被调用的动态库文件所对应的深度学习神经网络，对图片进行识别，将识别结果返回给网络接口层模块32，由网络接口层模块32返回给用户层模块。

从该实施例可以看出，本实施例提供的车联网ai网络接口实现方法，通过网络接口层接收从用户层输入的识别请求和图片；网络接口层根据识别请求调用动态库层存储的深度学习神经网络的动态库文件，将图片传输给动态库层；动态库层通过被调用的动态库文件所对应的深度学习神经网络，对图片进行识别，将识别结果返回给网络接口层，由网络接口层返回给用户层。本实施例提供了全新的车联网ai开放平台系统，分为用户层、网络接口层和动态库层，其中网络接口层支持不同用户、不同接口接入开放平台系统，动态库层可以通过动态库文件所对应的深度学习神经网络，根据用户层输入的识别请求对输入的图片进行识别得到识别结果并反馈，从而为不同用户都能提供车联网相关的业务内容识别等支撑服务，识别效率也较高。

图4是本申请实施例示出的车联网ai开放平台系统的另一结构示意图。

参见图4，一种车联网ai开放平台系统40，包括：用户层模块31、网络接口层模块32、动态库层模块33。

用户层模块31、网络接口层模块32、动态库层模块33的功能可参见图3中的描述，此处不再赘述。

在一种实施方式中，动态库层模块33存储有编译的不同的深度学习神经网络的动态库文件，动态库文件中包括同一深度学习神经网络的不同训练模型的独立文件。

在一种实施方式中，网络接口层模块32设有至少一个以上api接口模块，api接口模块包括：车道线识别接口模块321、红绿灯识别接口模块322、道路目标检测接口模块323、路牌识别接口模块324、道路状况识别接口模块325、路面箭头识别接口模块326；用户层模块31输入的识别请求和图片根据请求的内容从不同api接口模块输入给网络接口层模块32。

其中，车道线识别接口模块321包括：路面车道线箭头实例分割接口、路面车道线箭头语义分割接口；或，红绿灯识别接口模块322包括：红绿灯检测接口；或，道路目标检测接口模块323包括：车辆检测接口、行人检测接口；或，路牌识别接口模块324包括：路牌语义分割接口、路牌检测接口；或，道路状况识别接口模块325包括：路障三角标检测接口；或，路面箭头识别接口模块326包括：路面箭头实例分割接口、路面箭头语义分割接口。

在一种实施方式中，网络接口层模块32将图片转换成图片二进制流传输给动态库层模块33；动态库层模块33将图片二进制流转换成图片对象，通过被调用的动态库文件所对应的深度学习神经网络，对图片对象进行识别，将识别结果存储为图片二进制流，返回给网络接口层模块32。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。

图5是本申请实施例示出的电子设备的结构示意图。该电子设备例如可以是服务器设备。

参见图5，电子设备500包括存储器510和处理器520。

处理器520可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，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。

存储器510可以包括各种类型的存储单元，例如系统内存、只读存储器（rom），和永久存储装置。其中，rom可以存储处理器520或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器510可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（dram，sram，sdram，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器510可以包括可读和/或写的可移除的存储设备，例如激光唱片（cd）、只读数字多功能光盘（例如dvd-rom，双层dvd-rom）、只读蓝光光盘、超密度光盘、闪存卡（例如sd卡、minsd卡、micro-sd卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器510上存储有可执行代码，当可执行代码被处理器520处理时，可以使处理器520执行上文述及的方法中的部分或全部。

上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当所述可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。

本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。