一种交通图像脱敏方法及设备与流程

1.本技术涉及图像处理技术领域，尤其涉及一种交通图像脱敏方法及设备。


背景技术：

2.道路交通运行中，路侧感知设备采集交通视频数据或交通图像数据传输至云端，这些交通数据中往往包含行人数据。而行人的“人脸信息”属于“个人信息”中的“生物识别信息”，具有唯一性和不可更改性，受个人信息和隐私权的双重保护，因此如何保护交通数据中的人脸信息，并使其无法被还原，是一个亟待解决的问题。


技术实现要素：

3.本说明书实施例提供一种交通图像脱敏方法及设备，以解决现有的交通数据中人脸信息保护缺失的问题。
4.为解决上述技术问题，本说明书实施例是这样实现的：
5.本说明书实施例提供的一种交通图像脱敏方法，用于路侧感知设备，包括：
6.获取待处理交通图像；
7.利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息；
8.基于所述人脸的位置信息，利用预设的处理规则对所述待处理交通图像进行脱敏处理；
9.将脱敏处理后的交通图像发送到云端，以便于所述云端进行后续处理。
10.可选地，所述获取待处理交通图像之后，所述方法还包括：
11.判断所述待处理交通图像中的人脸是否符合预设的脱敏条件；
12.若是，则利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息。
13.可选地，所述判断所述待处理交通图像中的人脸是否符合预设的脱敏条件，具体包括：
14.获取所述待处理交通图像中人脸暴露的区域占人脸的比例；
15.判断所述人脸暴露的区域占人脸的比例是否大于或等于预设阈值；
16.若否；则确定所述待处理交通图像中的人脸不符合预设的脱敏条件；
17.若是，则确定所述待处理交通图像中的人脸符合预设的脱敏条件。
18.可选地，所述人脸检测yolo网络模型按照以下方式训练：
19.将历史交通图像划分为训练集和测试集；
20.使用所述训练集对人脸检测yolo网络模型进行训练，得到人脸检测yolo网络模型；
21.使用所述测试集对所述人脸检测yolo网络模型进行测试，确定训练完毕的人脸检测yolo网络模型。
22.可选地，所述使用所述训练集对人脸检测yolo网络模型进行训练，得到人脸检测yolo网络模型，具体包括：
23.将所述训练集中的历史交通图像划分为m
×
n个单元格，每个所述单元格有b个候选框；其中m、n和b均为正整数；
24.计算每个所述候选框中包含人脸的置信度；
25.基于所述每个所述候选框中包含人脸的置信度，筛选出包含人脸的候选框；
26.将所述包含人脸的候选框与人脸实际所在的候选框进行比对，得到比对结果；
27.确定所述比对结果最优时的m、n以及b的值，得到人脸检测yolo网络模型。
28.可选地，所述基于所述每个所述候选框中包含人脸的置信度，筛选出包含人脸的候选框，具体包括：
29.基于所述每个所述候选框中包含人脸的置信度，得到人脸在所述历史交通图像中的位置向量；
30.基于所述人脸在所述历史交通图像中的位置向量，利用非极大值抑制算法，筛选出包含人脸的候选框。
31.可选地，所述获取待处理交通图像之前，所述方法还包括：
32.获取原始交通数据；所述原始交通数据包括交通视频数据和/或交通图像数据；
33.对所述原始数据进行编码、解码以及抽帧处理，得到待处理交通图像。
34.可选地，所述利用预设的处理规则对所述待处理交通图像进行脱敏处理之后，所述方法还包括：
35.对脱敏处理后的交通图像进行处理，得到与所述原始交通数据格式相同的数据；
36.所述将脱敏处理后的交通图像发送到云端，以便于所述云端进行后续处理，具体包括：
37.将所述与所述原始交通数据格式相同的数据发送到云端，以便于所述云端进行后续处理。
38.可选地，所述利用预设的处理规则对所述待处理交通图像进行脱敏处理，具体包括：
39.删除所述人脸的位置信息处的数据；
40.和/或，
41.使用色块替换所述人脸的位置信息处的数据。
42.本说明书实施例提供的一种交通图像脱敏设备，所述设备为路侧感知设备，所述设备包括：
43.至少一个处理器；以及，
44.与所述至少一个处理器通信连接的存储器；其中，
45.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
46.获取待处理交通图像；
47.利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息；
48.基于所述人脸的位置信息，利用预设的处理规则对所述待处理交通图像进行脱敏
处理；
49.将脱敏处理后的交通图像发送到云端，以便于所述云端进行后续处理。
50.本说明书一个实施例实现了能够达到以下有益效果：本实施例通过训练完毕的人脸检测yolo网络模型对待处理交通图像进行检测，然后基于检测到的人脸的位置信息，可以准确、实时地对待处理交通图像进行脱敏处理，实现对人脸信息的保护；并且本实施例由路测感知设备对待处理交通图像进行脱敏处理，还减少了云端的处理压力。
附图说明
51.为了更清楚地说明本说明书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技术中记载的一些实施例，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，还可以根据这些附图获得其他的附图。
52.图1为本说明书实施例提供的一种交通图像脱敏方法的流程图；
53.图2为本说明书实施例提供的一种交通图像脱敏方法的示意图；
54.图3为本说明书实施例提供的一种交通图像脱敏设备的示意图。
具体实施方式
55.为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书一个或多个实施例保护的范围。
56.以下结合附图，详细说明本说明书各实施例提供的技术方案。
57.道路交通运行中，路侧感知设备会将采集到的交通数据发送到云端，而这些交通数据中可能会包含行人的人脸信息，而人脸信息是属于个人信息中的重要信息，因此如何保护交通数据中的人脸信息，并使其无法被还原，是一个亟待解决的问题。
58.为了解决现有技术中的缺陷，本方案给出了以下实施例：
59.本说明书实施例提供了一种交通图像脱敏方法，从程序角度而言，该流程的执行主体为路侧感知设备，图1为本说明书实施例提供的一种交通图像脱敏方法的流程图，如图1所示，方法可以包括如下步骤：
60.步骤110：获取待处理交通图像。
61.在步骤110中，路侧感知设备可以采集原始交通数据，采集的原始交通数据包括交通视频数据和/或交通图像数据。其中，路侧感知设备包括但不限于高清摄像头、激光雷达、毫米波雷达和雷视一体机。
62.路侧感知设备采集完原始交通图像后，还可以对原始数据进行编码、解码以及抽帧处理，进而得到待处理交通图像。
63.本实施例是对待处理交通图像进行脱敏处理，在进行脱敏处理之前，还可以先判断待处理交通图像中的人脸是否符合预设的脱敏条件，如果符合，则进行脱敏处理，如果不符合，则不进行脱敏处理。
64.交通图像脱敏的目的是保护交通数据中的人脸信息，使其不被外界观察、识别。那如果人脸上戴有口罩，眼镜等，或者人脸被树枝或树叶等杂物遮挡，使得人脸本就不会被外界观察、识别的话，那也就不必再进行脱敏处理。即本实施例中，所述判断所述待处理交通图像中的人脸是否符合预设的脱敏条件，具体包括：
65.获取所述待处理交通图像中人脸暴露的区域占人脸的比例；
66.判断所述人脸暴露的区域占人脸的比例是否大于或等于预设阈值；
67.若否；则确定所述待处理交通图像中的人脸不符合预设的脱敏条件；
68.若是，则确定所述待处理交通图像中的人脸符合预设的脱敏条件。
69.同理，如果待处理交通图像中人脸较为模糊，使得人脸不会被外界观察、识别的话，那也可以不必再进行脱敏处理。其中，导致待处理交通图像中人脸模糊的原因有很多，比如路侧感知设备对焦点错误、采集原始交通数据时发生了抖动、行人移动速度较快以及路侧感知设备距离行人较远等等。
70.通过预设脱敏条件可以过滤不需要进行脱敏处理的交通图像，筛选出需要进行脱敏处理的交通图像，进而可以只针对需要进行脱敏处理的交通图像进行脱敏处理，这样一来，脱敏处理的工作效率大大提高。
71.步骤120：利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息。
72.人脸检测是一种特殊的目标检测，目标较小，及时性要求较高，需要的模型量级轻，计算复杂度低。传统的人脸检测，有基于adaboost算法的检测方法、机器学习svm(supportvectormachine，支持向量机)检测方法以及基于分类的深度学习检测方法。基于adaboost算法的人脸检测，这类方法虽然可以检测各类目标，但其当于多个特定类别检测问题，要用于多目标检测，需要每个类别分别训练模板。svm这种通过构造有效的学习机器来解决人脸检测的方法，提取的特征单一，稳定性较差。
73.随着深度学习的发展，人脸检测的方法也获得了改进，目前人脸检测使用的是基于分类的深度学习检测方法。基于分类的深度学习检测方法有使用确定候选区域进行深层网络特征提取的fastr-cnn(fastregion-based convolutionalnetwork，快速的基于区域的卷积神经网络)方法和使用rpn(regionproposalnetwork，区域生成)网络进行深层网络特征提取的faster r-cnn(fasterregion-basedconvolutionalnetwork，更快速的基于区域的卷积神经网络)方法，虽然这些方法检测效果比较理想，但是实时性较差。
74.而本实施例使用的是基于回归的检测方法，利用yolo(youonlylook once，你只看一次)算法进行人脸识别，yolo(youonlylookonce，你只看一次)，顾名思义，就是只看一遍图片就能把所有的物体识别出来，其将对象检测重新定义为一个回归问题，能够做到实时的物体检测，大约能达到40帧每秒，速度非常快，并且能很好平衡检测精度和检测速度。
75.本实施例具体是利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息。其中，人脸检测yolo网络模型按照以下方式训练：
76.将历史交通图像划分为训练集和测试集；
77.将所述训练集中的历史交通图像划分为m
×
n个单元格，每个所述单元格有b个候选框；其中m、n和b均为正整数；
78.计算每个所述候选框中包含人脸的置信度；
79.基于所述每个所述候选框中包含人脸的置信度，筛选出包含人脸的候选框；
80.将所述包含人脸的候选框与人脸实际所在的候选框进行比对，得到比对结果；
81.确定所述比对结果最优时的m、n以及b的值，得到人脸检测yolo网络模型；
82.使用所述测试集对所述人脸检测yolo网络模型进行测试，确定训练完毕的人脸检测yolo网络模型。
83.以下对本实施例的人脸检测yolo网络模型的训练过程进一步说明：
84.将输入的图像划分为m
×
n个单元格，每个单元格设定b个候选框，其中m、n和b均为正整数；
85.接着利用以下公式计算每个候选框中包含人脸的置信度：
[0086][0087]
其中，conf为每个候选框中包含人脸的置信度，pr(personobject)为每个候选框包含人脸的条件概率，pr(object)为人脸是否落入候选框中，当人脸落入候选框中时，pr(object)＝1，当人脸没有落入候选框中时，pr(object)＝0，为预测人脸落入的候选框与人脸实际所在候选框的交集面积，与预测人脸落入的候选框与人脸实际所在候选框的并集面积比，其中area(box(truth)∩box(pred))为预测人脸落入的候选框与人脸实际所在候选框的交集面积，area为区域，box(truth)为人脸实际所在候选框，box(pred)为预测人脸落入的候选框。
[0088]
然后，基于每个所述候选框中包含人脸的置信度，得到人脸在历史交通图像中的位置向量；基于人脸在所述历史交通图像中的位置向量，利用非极大值抑制算法，筛选出包含人脸的候选框。具体过程如下：
[0089]
预测每个候选框包含人脸的概率以及其边界的位置，每个候选框输出的预测值为：
[0090]
[x，y，w，h,conf]
[0091]
其中，x为候选框在x轴方向上相对其所在单元格的偏移，y为候选框在y轴方向上相对其所在单元格的偏移，w为候选框宽度相对于图像的比例，h为候选框高度相对于图像的比例。
[0092]
对于每幅输入的图像，最终网络模型输出的向量为：
[0093]m×n×b×
[x，y，w，h,conf]
[0094]
最后基于输出的向量，利用非极大值抑制(non-maximumsuppression，nms)算法，筛选出包含人脸的候选框。
[0095]
筛选出包含人脸的候选框后，将包含人脸的候选框与人脸实际所在的候选框进行比对，得到比对结果；确定比对结果最优时的m、n以及b的值，得到人脸检测yolo网络模型；使用测试集对人脸检测yolo网络模型进行测试，确定训练完毕的人脸检测yolo网络模型。
[0096]
步骤130：基于所述人脸的位置信息，利用预设的处理规则对所述待处理交通图像进行脱敏处理。
[0097]
在步骤130中，利用预设的处理规则对所述待处理交通图像进行脱敏处理，具体包括：
[0098]
删除所述人脸的位置信息处的数据；
[0099]
和/或，
[0100]
使用色块替换所述人脸的位置信息处的数据。
[0101]
通过删除人脸的位置信息处的数据，和/或，使用色块替换人脸的位置信息处的数据，进而达到擦除后的数据不可逆和不可复原的效果。
[0102]
步骤140：将脱敏处理后的交通图像发送到云端，以便于所述云端进行后续处理。
[0103]
在步骤140中，将交通图像发送到云端之前，方法还包括：
[0104]
对脱敏处理后的交通图像进行处理，得到与所述原始交通数据格式相同的数据。如果原始交通数据包括交通视频数据，则可以将脱敏处理后的交通图像，根据原始交通视频数据的编码、帧率信息再转化为与原始交通视频数据格式相同的数据。
[0105]
那么，步骤140具体包括：
[0106]
将所述与所述原始交通数据格式相同的数据发送到云端，以便于所述云端进行后续处理。
[0107]
本实施例提供的交通图像脱敏方法，是对交通图像中的人脸进行脱敏，在一个具体实施例中，基于同样的思路，还可以对交通图像中的车牌进行脱敏，具体是利用训练完毕的车牌检测yolo网络模型对待处理交通图像进行检测，得到待处理交通图像中车牌的位置信息，基于车牌的位置信息，利用预设的处理规则再对待处理交通图像进行脱敏处理，在此不作赘述。
[0108]
本实施例通过训练完毕的人脸检测yolo网络模型对待处理交通图像进行检测，然后基于检测到的人脸的位置信息，可以准确、实时地对待处理交通图像进行脱敏处理，实现对人脸信息的保护。并且本实施例由路测感知设备对待处理交通图像进行脱敏处理后发送给云端，不需要云端进行脱敏处理，减少了云端的处理压力。
[0109]
为进一步说明，本说明书实施例还提供了一种交通图像脱敏方法的示意图，从程序角度而言，该流程的执行主体为路侧感知设备，如图2所示，首先获取原始交通数据，然后对原始交通数据进行转码、编码以及抽帧处理，输出需要脱敏的待处理交通图像，接着将待处理交通图像输入人脸检测yolo网络模型，输出人脸的位置信息，再基于人脸的位置信息，利用预设的处理规则对待处理交通图像进行脱敏处理，最后进行转码、编码后处理输出脱敏后的图像或视频。
[0110]
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。图3为本说明书实施例提供的一种交通图像脱敏设备的示意图，如图3所示，路侧感知设备300可以包括：
[0111]
至少一个处理器310；以及，
[0112]
与所述至少一个处理器通信连接的存储器330；其中，
[0113]
所述存储器330存储有可被所述至少一个处理器310执行的指令320，所述指令被所述至少一个处理器310执行，以使所述至少一个处理器310能够：
[0114]
获取待处理交通图像；
[0115]
利用训练完毕的人脸检测yolo网络模型对所述待处理交通图像进行检测，得到所述待处理交通图像中人脸的位置信息；
[0116]
基于所述人脸的位置信息，利用预设的处理规则对所述待处理交通图像进行脱敏处理；
[0117]
将脱敏处理后的交通图像发送到云端，以便于所述云端进行后续处理。
[0118]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图3所示的交通图像脱敏设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0119]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(field programmablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(altera hardwaredescriptionlanguage)、confluence、cupl(cornelluniversity programminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardware descriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0120]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0121]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可
以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0122]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0123]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0126]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0127]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0128]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
[0129]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0130]
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
[0131]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0132]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0133]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。