单目非接触指纹透视扭曲矫正方法和装置与流程

1.本技术涉及指纹识别技术领域，尤其涉及单目非接触指纹透视扭曲矫正方法和装置。


背景技术：

2.在现阶段，指纹识别技术是应用最广泛的生物特征识别技术之一，在身份证、护照、出入境管理、考勤系统、指纹解锁、案件侦破等方面有大量运用。然而，随着指纹识别技术的不断发展，出现了非接触指纹这种新的指纹形态。相比于传统接触式指纹，非接触指纹不需要手指与采集设备接触，从而不需要按压便能够采集，更加卫生和便捷。但同时非接触指纹这种新的指纹形态也给指纹识别算法带来了新的问题：非接触指纹从原理上是三维手指到二维图像的投影，由于手指表面的曲面结构，使得越靠近边缘位置的图像扭曲越严重，直接的影响就是导致脊线方向场和频率发生改变、细节点位置的错位，这些都会影响识别性能。因而，若能对采集得到的非接触指纹进行透视扭曲校正，使其扭曲程度减少，对提升非接触指纹的识别性能非常有益。


技术实现要素：

3.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
4.为此，本技术的第一个目的在于提出一种单目非接触指纹透视扭曲矫正方法，解决了现有方法由于投影成像造成的透视扭曲问题，造成细节点、方向场、周期图等指纹特征发生变化，降低了非接触指纹的识别率的技术问题，实现了通过单幅非接触指纹图像进行三维重建和透视扭曲校正，使其扭曲程度减少，大大提升了非接触指纹的识别性能，不需要复杂的采集设备或者多次采集结果，大大降低了对设备硬件的要求，更适用于实际生产生活中。
5.本技术的第二个目的在于提出一种单目非接触指纹透视扭曲矫正装置。
6.本技术的第三个目的在于提出一种非临时性计算机可读存储介质。
7.为达上述目的，本技术第一方面实施例提出了一种单目非接触指纹透视扭曲矫正方法，包括：获取非接触指纹图像，对非接触指纹图像进行预处理，得到预处理后的图像和掩膜；将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，其中，梯度值为预测的表面梯度值；通过双线性插值将梯度值恢复为原始大小，得到正常的梯度值；使用正常的梯度值进行深度图的重建，得到三维手指模型；根据三维手指模型对非接触指纹图像进行展开以进行扭曲矫正。
8.可选地，在本技术的一个实施例中，对非接触指纹图像进行预处理，包括以下步骤：
9.根据非接触指纹图像的像素值进行阈值分割，输出掩膜；
10.在灰度上，使用自适应直方图均衡化来调整非接触图像的脊线和谷线的对比度至统一；
11.在尺寸上，对非接触图像的脊线周期进行归一化，将所有非接触指纹中心区域的脊线周期调整为统一的值；
12.在姿态上，对非接触指纹偏离竖直方向的姿态进行修正，先估计非接触指纹图像同竖直方向间的夹角，再将非接触指纹转正。
13.可选地，在本技术的一个实施例中，将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，具体过程为：
14.对预处理的图像进行归一化，调整图片亮度；
15.对调整后的图片进行特征提取，得到方向场和周期图；
16.使用掩膜分别对方向场和周期图进行处理，生成最终的方向场和周期图；
17.对掩膜、方向场和周期图进行处理，生成梯度值。
18.可选地，在本技术的一个实施例中，使用损失函数训练梯度估计网络，包括以下步骤：
19.使用技术同时获取第一组手指三维模型和对应的第一组非接触指纹图像；
20.使用指纹特征提取技术从第一组非接触指纹图像中提取出第一组方向场、周期图、掩膜，将第一组手指三维模型的深度图微分得到第一组梯度值，并对第一组方向场、周期图、掩膜和第一组梯度值进行采样生成第一组训练数据；
21.多角度采集获取第二组非接触指纹图像，使用从轮廓恢复形状方法对第二组非接触指纹图像进行计算得到第二组手指三维模型；
22.使用指纹特征提取技术从第二组非接触指纹图像中提取出第二组方向场、周期图、掩膜，将第二组手指三维模型的深度图微分得到第二组梯度值，并对第二组方向场、周期图、掩膜和第二组梯度值进行采样生成第二组训练数据；
23.首先将第一组训练数据输入梯度估计网络中进行训练，之后将第二组训练数据输入梯度估计网络中进行微调，完成训练。
24.可选地，在本技术的一个实施例中，损失函数包括方向场损失、周期损失和梯度损失，最终的损失函数为三个损失函数之和，其中，
25.方向场损失包括估计值与真实值间的交叉熵损失一句方向场的一致性约束；
26.周期损失为估计值与真实值间的交叉熵误差以及方向场的光滑约束；
27.梯度损失为估计值与真实值间的加权误差；
28.在损失函数中加入权重约束，保证梯度的相对误差在各处一致。
29.可选地，在本技术的一个实施例中，采用从中心点向边缘区域进行积分的方法重建深度图，具体过程为选取梯度值中最小的点为积分原点，采用先沿x轴再沿y轴和先沿y轴再沿x轴两种积分路径得到两种结果，再平均两种结果得到最终结果，表示为：
[0030][0031][0032][0033]
其中，积分路径l1为先沿x轴再沿y轴：原点(0,0)
→
(x,0)
→
(x,y)，积分路径l2为先
沿y轴再沿x轴：原点(0,0)
→
(0,y)
→
(x,y)，g
x
(x,y)为梯度值的x方向分量，g
y
(x,y)为梯度值的y方向分量。
[0034]
可选地，在本技术的一个实施例中，对非接触指纹图像进行展开，具体过程为：
[0035]
将弧长作为展开后的新坐标，根据新坐标对非接触指纹图像进行变换得到展开后的非接触指纹图像，
[0036]
水平方向的弧长为：
[0037][0038]
竖直方向的弧长为：
[0039][0040]
其中，g
x
(x,y)为梯度值的x方向分量，g
y
(x,y)为梯度值的y方向分量，
[0041]
将非接触指纹图像按照坐标(u,v)进行变换得到展开后的非接触指纹图像。
[0042]
为达上述目的，本发明第二方面实施例提出了一种单目非接触指纹透视扭曲矫正装置，包括：
[0043]
获取模块，用于获取非接触指纹图像，对非接触指纹图像进行预处理，得到预处理后的图像和掩膜；
[0044]
计算模块，用于将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，其中，梯度值为预测的表面梯度值；
[0045]
恢复模块，用于通过双线性插值将梯度值恢复为原始大小，得到正常的梯度值；
[0046]
重建模块，用于使用正常的梯度值进行深度图的重建，得到三维手指模型；
[0047]
矫正模块，用于根据三维手指模型对非接触指纹图像进行展开以进行扭曲矫正。
[0048]
为了实现上述目的，本发明第三方面实施例提出了一种非临时性计算机可读存储介质，当存储介质中的指令由处理器被执行时，能够执行单目非接触指纹透视扭曲矫正方法及装置。
[0049]
本技术实施例的单目非接触指纹透视扭曲矫正方法、单目非接触指纹透视扭曲矫正装置和非临时性计算机可读存储介质，解决了现有方法在三维手指到二维图像的投影中，由于手指表面的曲面结构，使得越靠近边缘位置的图像扭曲越严重，导致脊线方向场和频率发生改变、细节点位置的错位，降低了非接触指纹的识别性能的技术问题，采用深度学习的方法，从非接触指纹图像纹理特征中学习出表面的三维形状，进而进行三维到二维的展开，从而校正非接触指纹的透视扭曲，大大提升了非接触指纹的识别性能，不需要复杂的采集设备或者多次采集结果，大大降低了对设备硬件的要求，更适用于实际生产生活中。
[0050]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0051]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0052]
图1为本技术实施例一所提供的一种单目非接触指纹透视扭曲矫正方法的流程
图；
[0053]
图2为本技术实施例的单目非接触指纹透视扭曲矫正方法的另一个流程图；
[0054]
图3为本技术实施例的单目非接触指纹透视扭曲矫正方法的多角度非接触指纹图像估计三维模型流程图；
[0055]
图4为本技术实施例的单目非接触指纹透视扭曲矫正方法的梯度估计网络结构图；
[0056]
图5为本技术实施例的单目非接触指纹透视扭曲矫正方法重建的三维手指形状和展开图。
具体实施方式
[0057]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0058]
下面参考附图描述本技术实施例的单目非接触指纹透视扭曲矫正方法和装置。
[0059]
图1为本技术实施例一所提供的一种单目非接触指纹透视扭曲矫正方法的流程示意图。
[0060]
如图1所示，该单目非接触指纹透视扭曲矫正方法，包括以下步骤：
[0061]
步骤101，获取非接触指纹图像，对非接触指纹图像进行预处理，得到预处理后的图像和掩膜；
[0062]
步骤102，将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，其中，梯度值为预测的表面梯度值；
[0063]
步骤103，通过双线性插值将梯度值恢复为原始大小，得到正常的梯度值；
[0064]
步骤104，使用正常的梯度值进行深度图的重建，得到三维手指模型；
[0065]
步骤105，根据三维手指模型对非接触指纹图像进行展开以进行扭曲矫正。
[0066]
本技术实施例的单目非接触指纹透视扭曲矫正方法，通过获取非接触指纹图像，对非接触指纹图像进行预处理，得到预处理后的图像和掩膜；将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，其中，梯度值为预测的表面梯度值；通过双线性插值将梯度值恢复为原始大小，得到正常的梯度值；使用正常的梯度值进行深度图的重建，得到三维手指模型；根据三维手指模型对非接触指纹图像进行展开以进行扭曲矫正。由此，能够解决现有方法由于投影成像造成的透视扭曲问题，造成细节点、方向场、周期图等指纹特征发生变化，降低了非接触指纹的识别率的技术问题，实现了通过单幅非接触指纹图像进行三维重建和透视扭曲校正，使其扭曲程度减少，大大提升了非接触指纹的识别性能，不需要复杂的采集设备或者多次采集结果，大大降低了对设备硬件的要求，更适用于实际生产生活中。
[0067]
进一步地，在本技术实施例中，为了进行手指三维形状的学习，所有的非接触指纹图像在灰度、尺度和姿态上需要进行统一以减少不确定性，对非接触指纹图像进行预处理，包括以下步骤：
[0068]
根据非接触指纹图像的像素值进行阈值分割，输出掩膜；
[0069]
在灰度上，使用自适应直方图均衡化来调整非接触图像的脊线和谷线的对比度至
统一；
[0070]
在尺寸上，对非接触图像的脊线周期进行归一化，将所有非接触指纹中心区域的脊线周期调整为统一的值；
[0071]
在姿态上，对非接触指纹偏离竖直方向的姿态进行修正，先估计非接触指纹图像同竖直方向间的夹角，再将非接触指纹转正。
[0072]
在灰度上，对非接触指纹的亮度进行归一化。在尺度上，将所有非接触指纹中心区域的脊线周期调整为统一的值，以避免尺度不确定性给深度预测带来困难。
[0073]
进一步地，在本技术实施例中，将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，具体过程为：
[0074]
对预处理的图像进行归一化，调整图片亮度；
[0075]
对调整后的图片进行特征提取，得到方向场和周期图；
[0076]
使用掩膜分别对方向场和周期图进行处理，生成最终的方向场和周期图；
[0077]
对掩膜、方向场和周期图进行处理，生成梯度值。
[0078]
进一步地，在本技术实施例中，使用损失函数训练梯度估计网络，包括以下步骤：
[0079]
使用技术同时获取第一组手指三维模型和对应的第一组非接触指纹图像；
[0080]
使用指纹特征提取技术从第一组非接触指纹图像中提取出第一组方向场、周期图、掩膜，将第一组手指三维模型的深度图微分得到第一组梯度值，并对第一组方向场、周期图、掩膜和第一组梯度值进行采样生成第一组训练数据；
[0081]
多角度采集获取第二组非接触指纹图像，使用从轮廓恢复形状方法对第二组非接触指纹图像进行计算得到第二组手指三维模型；
[0082]
使用指纹特征提取技术从第二组非接触指纹图像中提取出第二组方向场、周期图、掩膜，将第二组手指三维模型的深度图微分得到第二组梯度值，并对第二组方向场、周期图、掩膜和第二组梯度值进行采样生成第二组训练数据；
[0083]
首先将第一组训练数据输入梯度估计网络中进行训练，之后将第二组训练数据输入梯度估计网络中进行微调，完成训练。
[0084]
为进行神经网络的学习，需要大量的训练数据。采用真实数据处理和人工合成两种方法来得到非接触指纹图像和对应的手指三维模型。在训练数据获取上，任何可以同时得到手指三维模型和对应的非接触指纹图像的技术都可以使用，例如结构光技术。
[0085]
若指纹三维数据噪声较大，包括脊线起伏，使得原始数据较不稳定。可以采用某种平滑方法(如移动最小二乘法)，得到稳定的深度图和梯度图。具体来说，对于每一个点(x,y,z)，利用它的k个最近邻点，通过最小化加权误差的方法，拟合一个二次曲面f(x,y)来替代原本的数据点进行平滑。
[0086]
f(x,y)＝a1x2 a2xy a3y2 a4x a5y a6[0087][0088]
另一种获取手指三维模型和对应的非接触指纹图像的方法是基于多角度采集的非接触指纹图像，根据从轮廓恢复形状方法，计算得到手指的三维模型。从三个角度的非接触指纹图像提取轮廓线，根据不同角度投影的轮廓线计算出手指形状模型的主要参数，最
终得到完整的手指三维形状。本发明采用的是一个纵向变化的椭圆模型，即假设每一行都是一个椭圆。通过椭圆在不同角度上的投影长度，依据几何关系计算得到椭圆的主要参数，从而得到手指的三维形状。
[0089]
采用深度学习方法来从非接触指纹图像中提取出方向场、细节点和表面的梯度。网络输入非接触指纹图像和掩膜，输出方向场、周期图和梯度值。网络的输出为输入的1/8大小，再通过双线性插值恢复为原始大小。输出的方向场为估计的0
‑
179度的正整数角度值，周期图为估计的脊线周期为多少个像素，梯度为估计的表面梯度值(包括水平和竖直两个分量)。
[0090]
进一步地，在本技术实施例中，损失函数包括方向场损失、周期损失和梯度损失，最终的损失函数为三个损失函数之和，其中，
[0091]
方向场损失包括估计值与真实值间的交叉熵损失一句方向场的一致性约束；
[0092]
周期损失为估计值与真实值间的交叉熵误差以及方向场的光滑约束；
[0093]
梯度损失为估计值与真实值间的加权误差；
[0094]
在损失函数中加入权重约束，保证梯度的相对误差在各处一致。
[0095]
梯度估计网络的损失函数包括方向场损失、周期图损失和梯度损失，三个损失函数分别对应网络的三个输出，最终的损失函数为三个损失函数之和。本发明在损失函数中加入权重约束，以平衡指纹的中心区域和边缘区域，使得更大的梯度处有更小的权重，保证梯度的相对误差在各处一致。
[0096]
进一步地，在本技术实施例中，采用从中心点向边缘区域进行积分的方法重建深度图，具体过程为选取梯度值中最小的点为积分原点，采用先沿x轴再沿y轴和先沿y轴再沿x轴两种积分路径得到两种结果，再平均两种结果得到最终结果，表示为：
[0097][0098][0099][0100]
其中，积分路径l1为先沿x轴再沿y轴：原点(0,0)
→
(x,0)
→
(x,y)，积分路径l2为先沿y轴再沿x轴：原点(0,0)
→
(0,y)
→
(x,y)，g
x
(x,y)为梯度值的x方向分量，g
y
(x,y)为梯度值的y方向分量。
[0101]
采用数值积分的方法进行深度图的重建，从中心点向边缘区域进行积分，以减少数值误差。
[0102]
进一步地，在本技术实施例中，对非接触指纹图像进行展开，具体过程为：
[0103]
将弧长作为展开后的新坐标，根据新坐标对非接触指纹图像进行变换得到展开后的非接触指纹图像，
[0104]
水平方向的弧长为：
[0105][0106]
竖直方向的弧长为：
[0107][0108]
其中，g
x
(x,y)为梯度值的x方向分量，g
y
(x,y)为梯度值的y方向分量，
[0109]
将非接触指纹图像按照坐标(u,v)进行变换得到展开后的非接触指纹图像。
[0110]
依据得到的三维手指模型对非接触指纹图像进行展开以进行扭曲校正。模拟手指在平面上的滚动，将弧长作为展开后的新坐标，从而保证两个点在曲面上的距离在展开后能够保持不变。
[0111]
图2为本技术实施例的单目非接触指纹透视扭曲矫正方法的另一个流程图。
[0112]
如图2所示，该单目非接触指纹透视扭曲矫正方法，包括：非接触指纹图像；图像预处理；训练数据处理；表面梯度估计；三维形状重建；非接触指纹展开。采用深度学习的方法从非接触指纹图像中估计出手指表面梯度，进行三维形状重建，进而依据三维模型进行非接触指纹的展开从而进行扭曲校正。
[0113]
图3为本技术实施例的单目非接触指纹透视扭曲矫正方法的多角度非接触指纹图像估计三维模型流程图。
[0114]
如图3所示，该单目非接触指纹透视扭曲矫正方法的多角度非接触指纹图像估计三维模型方法，包括：多角度非接触指纹图像；轮廓提取；表面轮廓三维重建；表面三维重建。根据从轮廓恢复形状方法，计算得到手指的三维模型。从三个角度的非接触指纹图像提取轮廓线，然后根据不同角度投影的轮廓线计算出手指形状模型的主要参数，最终得到完整的手指三维形状。
[0115]
图4为本技术实施例的单目非接触指纹透视扭曲矫正方法的梯度估计网络结构图。
[0116]
如图4所示，该单目非接触指纹透视扭曲矫正方法的梯度估计网络，网络输入非接触指纹图像和掩膜，输出方向场、周期图和梯度值。网络的输出为输入的1/8大小，再通过双线性插值恢复为原始大小。输出的方向场为估计的0
‑
179度的正整数角度值，周期图为估计的脊线周期为多少个像素，梯度为估计的表面梯度值(包括水平和竖直两个分量)。
[0117]
图5为本技术实施例的单目非接触指纹透视扭曲矫正方法重建的三维手指形状和展开图。
[0118]
如图5所示，单目非接触指纹透视扭曲矫正方法，采用深度学习的方法从非接触指纹图像中估计出手指表面梯度，进行三维形状重建，进而依据三维模型进行非接触指纹的展开从而进行扭曲校正。采用数值积分的方法进行深度图的重建。为了更精确地进行重建，从中心点向边缘区域进行积分，以减少数值误差。模拟手指在平面上的滚动，将弧长作为展开后的新坐标，从而保证两个点在曲面上的距离在展开后能够保持不变。
[0119]
本技术实施例二提出了一种单目非接触指纹透视扭曲矫正装置，包括：
[0120]
获取模块，用于获取非接触指纹图像，对非接触指纹图像进行预处理，得到预处理后的图像和掩膜；
[0121]
计算模块，用于将预处理后的图像和掩膜输入梯度估计网络中，输出对应的梯度值，其中，梯度值为预测的表面梯度值；
[0122]
恢复模块，用于通过双线性插值将梯度值恢复为原始大小，得到正常的梯度值；
[0123]
重建模块，用于使用正常的梯度值进行深度图的重建，得到三维手指模型；
[0124]
矫正模块，用于根据三维手指模型对非接触指纹图像进行展开以进行扭曲矫正。
[0125]
本技术实施例的单目非接触指纹透视扭曲矫正装置，解决了现有方法在三维手指到二维图像的投影中，由于手指表面的曲面结构，使得越靠近边缘位置的图像扭曲越严重，导致脊线方向场和频率发生改变、细节点位置的错位，降低了非接触指纹的识别性能的技术问题，采用深度学习的方法，从非接触指纹图像纹理特征中学习出表面的三维形状，进而进行三维到二维的展开，从而校正非接触指纹的透视扭曲，大大提升了非接触指纹的识别性能，不需要复杂的采集设备或者多次采集结果，大大降低了对设备硬件的要求，更适用于实际生产生活中。
[0126]
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例的单目非接触指纹透视扭曲矫正方法及装置。
[0127]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0128]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0129]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0130]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0131]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0132]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0133]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0134]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。