基于静态人脸的对抗样本检测方法、装置、设备、介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于静态人脸的对抗样本检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着移动互联网的发展，人脸识别场景(移动支付、登录、解锁、身份核验等)在各大互联网领域被广泛的运用，但是随着应用场景越来越多，黑客也盯上了这一场景，通过对获取到用户的照片进行篡改，伪造客户通过人脸识别场景，继而达到非法目的。随着对抗样本的兴起，为黑客攻破人脸识别提供了一大便利武器，黑客通过对同一照片进行多次对抗样本生成，然后分别发送多次请求去验证生成的对抗样本是否可以成功。所以，为了防止对抗样本的攻击情况，亟需一种可以检测出对抗样本的检测技术。
3.目前行业内检测对抗样本的方法主要为通过训练过程将获取的对抗样本与原始图片进行分类训练，使得训练后的模型能够分清原始图片与对抗样本，但这种方法与对抗样本生成原理直接相关，一旦黑客利用新的对抗样本生成策略来产生对抗样本，则所述训练后的模型无法准确进行识别，在现实使用时的误检率与漏检率都很大。


技术实现要素：

4.本发明提供一种基于静态人脸的对抗样本检测方法、装置及计算机可读存储介质，其主要目的在于解决进行对抗样本监测时的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于静态人脸的对抗样本检测方法，包括：
6.从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像；
7.将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图；
8.利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像；
9.利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列；
10.根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像。
11.可选的，所述对所述目标人脸图像进行uv空间映射，得到所述目标人脸图像对应的uv空间纹理图，包括：
12.利用预构建的三维人脸重构模型对所述目标人脸图像进行建模，得到三维线性人脸模型；
13.对所述三维线性人脸模型进行解耦操作，去除所述三维线性人脸模型中的表情特征，得到三维中性人脸图；
14.利用参数化算法，将所述三维中性人脸图映射到uv平面中，得到所述目标人脸图
像对应的uv空间纹理图。
15.可选的，所述计算目标人脸图像中的人脸姿态角度，包括：
16.利用预构建的肤色分割算法对所述目标人脸图像中的人脸区域进行自动定位；
17.根据所述人脸区域中的目标器官的感光信息进行姿态分析，计算所述目标人脸图像中的人脸姿态角度。
18.可选的，所述利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像，包括：
19.分别提取所述uv空间纹理图以及预构建的标准uv空间纹理图中的目标区域；
20.分别配置所述uv空间纹理图与所述的标准uv空间纹理图中的目标区域的权重；
21.根据所述权重及预构建的差值计算方法，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像。
22.可选的，所述根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像之前，所述方法还包括：
23.获取预构建的决策树分类模型，并将预构建的样本差值图像集合导入所述决策树分类模型中进行训练；
24.在所述训练过程中，利用xgboost训练算法对所述决策树分类模型中不同分类树进行权重配置；
25.当所述训练过程中的损失值达到预设标准阈值，停止训练过程，得到训练完成的所述二分类模型。
26.可选的，所述利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列，包括：
27.利用预构建的卷积神经网络中的卷积核对所述差值图像进行卷积操作，得到初级特征矩阵集合；
28.对所述初级特征矩阵集合中的各个初级特征矩阵进行最大池化操作，得到池化特征矩阵集合；
29.对所述池化特征矩阵集合中的各个池化特征矩阵进行全连接操作，得到特征序列。
30.可选的，所述计算目标图像中人脸的人脸姿态角度，并根据所述人脸姿态角度，从所述目标图片中提取人脸部分并进行摆正，得到目标人脸图像之前，所述方法还包括：
31.提取所述目标目标人脸图像中的人脸特征序列，并利用所述人脸特征序列查询预构建的人脸数据库；
32.当所述人脸特征序列不存在所述人脸数据库中，判定所述目标目标人脸图像不可能为对抗样本；
33.当所述目标人脸图像序列在所述人脸数据库中时，判定所述目标目标人脸图像存在为对抗样本的可能。
34.为了解决上述问题，本发明还提供一种基于静态人脸的对抗样本检测装置，所述装置包括：
35.目标人脸图像获取模块，用于从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像；
network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
52.参照图1所示，为本发明一实施例提供的基于静态人脸的对抗样本检测方法的流程示意图。在本实施例中，所述基于静态人脸的对抗样本检测方法包括：
53.s1、从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像。
54.详细的，如图2所示，本发明实施例中，所述从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，包括：
55.s11、利用预构建的肤色分割算法对所述目标人脸图像中的人脸区域进行自动定位；
56.s12、根据所述人脸区域中的目标器官的感光信息进行姿态分析，计算所述目标人脸图像中的人脸姿态角度。
57.其中，所述肤色分割算法是一种根据颜色的渐变与突变定位到图像中的人脸的回归算法。本发明实施例利用所述肤色分割算法对所述目标图像中的人脸进行定位，找到人脸的位置，并截取所述肤色分割算法自动生成的提示框中的图像，得到所述人脸区域。
58.进一步地，本发明实施例利用深度适配网络(deep alignment network，简称dan)对所述人脸区域进行识别，可以直接获取所述人脸区域中的人脸姿态角度。再利用所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像。
59.其中，所述dan为一种可以识别目标人脸图像中各个预设标注点进行检测的深度迁移学习方法，此处不加以赘述。
60.众所周知，对抗样本最终是以通过人脸识别为成功的标志，没有通过人脸识别的目标人脸图像不需要进行对抗样本判断。因此，本发明实施例在获取通从人脸图像中提取人脸区域之前需要进行人脸识别。
61.因此，本发明实施例中，所述s1之前，所述方法还包括：
62.提取所述目标目标人脸图像中的人脸特征序列，并利用所述人脸特征序列查询预构建的人脸数据库；
63.当所述人脸特征序列不存在所述人脸数据库中，判定所述目标目标人脸图像不可能为对抗样本；
64.当所述目标人脸图像序列在所述人脸数据库中时，判定所述目标目标人脸图像存在为对抗样本的可能。
65.本发明实施例可以利用预训练好的特征提取神经网络提取所述人脸图像中的人脸特征序列，再利用预构建的查询系统在人脸数据库进行查询。
66.s2、将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图。
67.其中，所述uv(u
‑
veez)是带有多边形和细分曲面网格的顶点组件信息的二维纹理坐标，能够实现将图像纹理贴图到曲面网格。本发明实施例将目标人脸图像转换为uv空间纹理图能够增加图像的隐含信息，便于找出与对抗样本中的不同点。
68.详细的，如图3所示，本发明实施例中，所述对将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图，包括：
69.s21、利用预构建的三维人脸重构模型对所述目标人脸图像进行建模，得到三维线
性人脸模型；
70.s22、对所述三维线性人脸模型进行解耦操作，去除所述三维线性人脸模型中的表情特征，得到三维中性人脸图；
71.s23、利用参数化算法，将所述三维中性人脸图映射到uv平面中，得到所述目标人脸图像对应的uv空间纹理图。
72.所述三维人脸重构模型为一种通过卷积神经网络对身份基模型与表情基模型进行训练得到的模型，可以对人脸图片中的表情基与身份基的系数进行拟合，最后将等到的拟合信息填入预设的3d模型中，得到所述人脸图片对应的3d模型。
73.本发明实施例利用所述三维人脸重构模型分析所述人脸图片，得到三维人脸图，而此时的三维人脸图为人物身份特征与表情特征的结合体，本发明实施例将所述三维人脸图中表情基的系数设置为默认值，由此得到一个无表情的三维中性人脸图；最后，本发明实施例利用所述参数化算法，对所述三维中性人脸图上的人脸线性表格进行非刚性变换，得到所述uv空间纹理图。
74.s3、利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像。
75.本发明实施例中，所述利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像，包括：
76.分别提取所述uv空间纹理图以及预构建的标准uv空间纹理图中的目标区域；
77.分别配置所述uv空间纹理图与所述的标准uv空间纹理图中的目标区域的权重；
78.根据所述权重及预构建的差值计算方法，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像。
79.本发明其中一个实施例中，所述差值计算方法为：
80.f
x
[i,j,k]＝a*(x[i,j,k]
‑
x[i,j,k])
[0081]
式中，所述f
x
[i,j,k]可表示所述差值图像，所述x[i,j,k]为所述uv空间纹理图，所述x[i,j,k]为所述标准uv空间纹理图；所述i,j,k对应的为三个坐标系；所述a为不同目标区域的权重值。
[0082]
本发明实施例中，在人脸识别领域对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，因此需要对上述两种空间纹理图中眼部特征、鼻子特征、嘴巴特征进行详细的对比需要较大的关注度因此需要强化特征，而其他位置可以相对弱化。
[0083]
其中，本发明实施例设置权重值为：
[0084][0085]
本技术实施例可以基于人工智能技术对s1至s3相关操作过程进行自动处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0086]
s4、利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列。
[0087]
详细的，本发明实施中，所述利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列，包括：
[0088]
利用预构建的卷积神经网络中的卷积核对所述差值图像进行卷积操作，得到初级特征矩阵集合；
[0089]
对所述初级特征矩阵集合中的各个初级特征矩阵进行最大池化操作，得到池化特征矩阵集合；
[0090]
对所述池化特征矩阵集合中的各个池化特征矩阵进行全连接操作，得到特征序列。
[0091]
本发明实施例中，当所述差值图像的大小为256*256时，利用3
×
3大小的n个卷积核进行步长为1的滑动卷积操作后，得到包含n个254*254的初级特征矩阵，在利用预设的池化层对所述初级特征矩阵集合进行最大池化操作，得到n个池化特征矩阵，最后利用一个flatten层对所述n个池化特征矩阵进行扁平化处理，得到n个特征序列。
[0092]
其中，所述池化层、flatten层均为卷积神经网络中的结构，均用于对数据进行降维处理，减少后续识别判断过程的计算量。
[0093]
s5、根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像。
[0094]
本发明其中一个实施例中，所述利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像之前，所述方法还包括：
[0095]
获取预构建的决策树分类模型，并将预构建的样本差值图像集合导入所述决策树分类模型中进行训练；
[0096]
在所述训练过程中，利用xgboost训练算法对所述决策树分类模型中不同分类树进行权重配置；
[0097]
当所述训练过程中的损失值达到预设标准阈值，停止训练过程，得到训练完成的所述二分类模型。
[0098]
本发明实施例利用预构建的样本差值图像集合及其对应的标签集合，对所述决策树分类模型进行训练，由于决策树分类模型的训练过程容易导致过拟合的情况。本发明实施例利用xgboost的训练方法对所述决策树分类模型进行训练，其中，所述xgboost为一种boosting集成思想的加法模型。
[0099]
本发明实施例利用所述样本差值图像集合训练得到平均绝对百分比误差低于50％的xgboost单模型，再基于xgboost单模型实现模型参数区间设置，并随机取值得到若干xgboost子模型，其中，所述模型参数，包括子树的最大深度、最小叶子节点样本的权重和、训练数据样本占比等；再基于若干xgboost子模型对关联特征进行评分实现对关联特征的重要性的评估，进而获取最具相关性和统计意义的训练子集，极大的降低了数据量进而缩短了模型训练时间，也提高了后续学习模型的稳定性和准确性。
[0100]
本发明实施例通过将所述决策树分类模型中各个决策树的深度设置为30，最小叶节点数设置为20，来限制单棵树的判断次数，减少不必要的资源消耗。本发明实施例利用损失函数判断所述决策树分类模型的训练完成程度。
[0101]
其中，所述损失函数为：
[0102][0103]
式中，为差值图像的第一个训练集对应的真实标签，为差值图像中第一个训练集对应的的预测标签，bce为二元交叉损失函数。
[0104]
本发明实施例中，所述损失函数计算的为所述真实标签与所述预测标签的差距，可以表示模型的训练效果，损失值越小，训练完成程度越高，损失值越大，训练完成程度越低，当所述损失值达到预设的标准阈值0.05时，可以判定训练过程完成，得到训练好的所述二分类模型。
[0105]
本发明实施例将人脸图像映射为uv空间纹理图，再将所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像，通过分析差值图像中的特征对所述目标人脸图像是不是对抗样本进行分类，其中，所述差值图像中提取到的差值特征信息，可以更加直观聚焦于差异分析上，使得二分类模型模型的误检率和漏检率大大降低。因此本发明提出的基于静态人脸的对抗样本检测方法、装置、电子设备及计算机可读存储介质，可以解决无法准确判断出对抗样本的问题。
[0106]
如图4所示，是本发明一实施例提供的基于静态人脸的对抗样本检测装置的功能模块图。
[0107]
本发明所述基于静态人脸的对抗样本检测装置100可以安装于电子设备中。根据实现的功能，所述基于静态人脸的对抗样本检测装置100可以包括目标人脸图像获取模块101、uv空间纹理构建模块102、空间纹理对比模块103以及对抗样本判断模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0108]
在本实施例中，关于各模块/单元的功能如下：
[0109]
所述目标人脸图像获取模块101，用于从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像；
[0110]
所述uv空间纹理构建模块102，用于将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图；
[0111]
所述空间纹理对比模块103，用于利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像；
[0112]
所述对抗样本判断模块104，用于利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列，及根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像。
[0113]
详细地，本发明实施例中所述基于静态人脸的对抗样本检测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于静态人脸的对抗样本检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0114]
如图5所示，是本发明一实施例提供的实现基于静态人脸的对抗样本检测方法的电子设备的结构示意图。
[0115]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于静态人脸
的对抗样本检测程序。
[0116]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于静态人脸的对抗样本检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0117]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于静态人脸的对抗样本检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0118]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0119]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0120]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0121]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0122]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0123]
所述电子设备1中的所述存储器11存储的基于静态人脸的对抗样本检测程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
[0124]
从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像；
[0125]
将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图；
[0126]
利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像；
[0127]
利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列；
[0128]
根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像。
[0129]
具体地，所述处理器10对上述计算机程序的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0130]
进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
[0131]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0132]
从人脸图像中提取人脸区域，计算所述人脸区域中的人脸姿态角度，并根据所述人脸姿态角度调整所述人脸区域的角度，得到目标人脸图像；
[0133]
将所述目标人脸图像映射到uv空间，得到所述目标人脸图像对应的uv空间纹理图；
[0134]
利用预设的差值计算策略，对所述uv空间纹理图与预构建的标准uv空间纹理图进行对比，得到差值图像；
[0135]
利用预构建的卷积神经网络对所述差值图像进行特征提取，得到特征序列；
[0136]
根据所述特征序列，利用预构建的二分类模型判断所述目标人脸图像是否为对抗样本图像。
[0137]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0138]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0139]
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
[0140]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0141]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0142]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0143]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0144]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0145]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。