一种轻量级标签文本框检测方法、装置、终端及存储介质与流程

1.本发明涉及标签文本框检测领域，具体涉及一种轻量级标签文本框检测方法、装置、终端及存储介质。


背景技术：

2.在服务器等设备运输过程中，设备放置于箱体内，箱体上一般贴有标签，用于标注设备信息，例如主板型号、c/n码、生产厂家等，以便便于管理。在设备出厂等环节，需要提取标签上的信息，对标签上的字符位置进行标定，以供生产人员对设备信息进行管理。由于标签的背景较为单一、字符格式规整，无旋转或倾斜等情况发生，一般采用传统的ocr(optical character recognition，光学字符识别)字符检测模型检测出相应的位置，但是这种检测方式效率较低，影响出厂进度。
3.基于深度学习的字符检测算法在过去几年受到较为重视的研究，使得基于深度学习的检测方法已经取得了较好的效果，并且随着深度卷积神经网络架构性能的提升，其检测性能也会越来越好。然而这些传统的基于深度学习的字符检测方法，所使用的网络模型很庞大，需求的算力也很高，因终端设备的储存和算力都很有限，很难将其直接部署在终端设备上面。


技术实现要素：

4.为解决上述问题，本发明提供一种轻量级标签文本框检测方法、装置、终端及存储介质，采用卷积神经网络提取文本框信息进行检测，且通过对标签图片的校正处理，选取合适的文本框信息等方式，极大降低检测过程需求的算力，实现轻量级运算，达到可在终端直接应用的目的。
5.第一方面，本发明的技术方案提供一种轻量级标签文本框检测方法，包括以下步骤：
6.s1，获取标签图片；
7.s2，基于标签图片内的标志形状对标签图片进行位置校正；
8.s3，将校正后的标签图片进行预处理；
9.s4，将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分；
10.s5，基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
11.进一步地，步骤s2基于标签图片内的标志形状对标签图片进行位置校正，具体包括：
12.采用二值图方式进行标签图片腐蚀，将标志形状所在区域腐蚀为相连的整体；
13.进行闭运算提取标志形状的四个顶点位置；
14.根据所提取的四个顶点位置进行标签图片的校正。
15.进一步地，所述标志形状为条形码。
16.进一步地，步骤s3将校正后的标签图片进行预处理，具体包括：
17.将校正后的标签图片进行大小缩放和归一化处理；
18.其中在进行大小缩放时，不改变标签图片的长宽比例。
19.进一步地，步骤s4将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分，具体包括：
20.s4.1，预处理后的标签图片经过第一卷积层和最大池化层，输出第一过程数据；
21.s4.2，第一过程数据经过第二卷积层和最大池化层，输出第二过程数据；
22.s4.3，第二过程数据经过第三卷积层和最大池化层，输出第三过程数据；
23.s4.4，第三过程数据经过第四卷积层和最大池化层，输出第四过程数据；
24.s4.5，第四过程数据经过第四上采样，并与第三过程数据进行合并后经过第四卷积融合层，输出第五过程数据；
25.s4.6，第五过程数据经过第三上采样，并与第二过程数据进行合并后经过第三卷积融合，输出第六过程数据；
26.s4.7，第六过程数据经过第二上采样，并与第一过程数据进行合并后经过第二卷积融合，输出第七过程数据；
27.s4.8，第七过程数据经过中点边长输出层输出所有候选文本框的中点和边长；
28.s4.9，所有候选文本框的中点和边长经过分类得分输出层输出各个候选文本框的分类得分。
29.进一步地，所获得的候选文本框边长包括候选文本框的两个相交边的边长。
30.进一步地，步骤s5基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框，具体包括：
31.s5.1，针对每个预设的分类文本框，选出属于各个分类文本框的各个候选文本框；
32.s5.2，对于每个分类文本框的候选文本框作如下处理，选出每个分类文本框对应的目标文本框：
33.步骤一，检测候选文本框的中心点与对应分类文本框中心点之间的距离是否小于预设距离阈值，将该距离小于等于预设距离阈值的候选文本框记为中心候选文本框，大于预设距离阈值的候选文本框记为非中心候选文本框；
34.步骤二，将所有中心候选文本框进行初次合并获得初次合并候选文本框；
35.步骤三，将初次合并候选文本框和所有非中心候选文本框进行非极大值抑制处理，获得相应分类文本框的目标文本框。
36.第二方面，本发明的技术方案提供一种轻量级标签文本框检测装置，包括，
37.标签图片获取模块：获取标签图片；
38.标签图片校正模块：基于标签图片内的标志形状对标签图片进行位置校正；
39.标签图片预处理模块：将校正后的标签图片进行预处理；
40.候选文本框检测模块：将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分；
41.目标文本框获取模块：基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
42.第三方面，本发明的技术方案提供一种终端，包括：
43.处理器；
44.用于存储处理器的执行指令的存储器；
45.其中，所述处理器被配置为执行上述任一项所述的方法。
46.第四方面，本发明的技术方案提供一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现如上述任一项所述的方法。
47.本发明提供的一种轻量级标签文本框检测方法、装置、终端及存储介质，相对于现有技术，具有以下有益效果：预先将标签图片基于标志形状进行校正，简化了后续模型的输出结果和损失函数的设置，极大提高模型训练和检测效率，降低检测算力；同时所设置网络模型架构小，模型参数少，减少了对设备内存和存储的占用，采用中心点、边长和分类得分的输出，简化了模型输出，提高模型运行效率，降低检测算力。本发明预先对标签图片基于标志形状校正，且设置了架构小、参数少、输出简化的检测模型，极大减少设备内存和存储的占用，降低检测算力，提高检测效率，实现轻量级运算，达到可在终端直接应用的目的。
附图说明
48.为了更清楚的说明本技术实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
49.图1是本发明实施例一提供的一种轻量级标签文本框检测方法流程示意图；
50.图2为本发明实施例二中文本框检测过程一具体实施例的方法流程示意图；
51.图3是本发明实施例三提供的一种轻量级标签文本框检测装置结构示意框图；
52.图4为本发明实施例四提供的一种终端的结构示意图。
具体实施方式
53.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
54.实施例一
55.在服务器等设备运输过程中，设备放置于箱体内，箱体上一般贴有标签，用于标注设备信息，例如主板型号、c/n码、生产厂家等，以便便于管理。在设备出厂等环节，需要提取标签上的信息，对标签上的字符位置进行标定，以供生产人员对设备信息进行管理。由于标签的背景较为单一、字符格式规整，无旋转或倾斜等情况发生，一般采用传统的ocr(optical character recognition，光学字符识别)字符检测模型检测出相应的位置，但是这种检测方式效率较低，影响出厂进度。
56.基于深度学习的字符检测算法在过去几年受到较为重视的研究，使得基于深度学习的检测方法已经取得了较好的效果，并且随着深度卷积神经网络架构性能的提升，其检测性能也会越来越好。然而这些传统的基于深度学习的字符检测方法，所使用的网络模型
很庞大，需求的算力也很高，因终端设备的储存和算力都很有限，很难将其直接部署在终端设备上面。
57.因此，本实施例提供一种轻量级标签文本框检测方法，简化运算模型，降低检测算力，实现轻量级运算，达到可在终端直接应用的目的。
58.如图1所示为本实施例提供的一种轻量级标签文本框检测方法流程示意图，包括以下步骤。
59.s1，获取标签图片。
60.s2，基于标签图片内的标志形状对标签图片进行位置校正。
61.在进入文本框检测前，预先将标准图片进行校正，简化后续模型的输出结果和损失函数的设置，提供模型运行效率。需要说明的是，本方法基于卷积神经网络模型进行文本框检测，需要预先训练模型，损失函数即所搭建卷积神经网络的训练损失函数。
62.另外，标准图片基于标志形状进行校正，可简化校正过程，提高校正效率。
63.s3，将校正后的标签图片进行预处理。
64.s4，将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分。
65.本实施例以候选文本框的中点和边长标注文本框，使卷积神经网络模型架构小、参数少，其输出简化。
66.同时输出候选文本框的分类得分，以便后续对候选文本框进行合并以获得最终目标文本框。需要说明的是，候选文本框的分类也是预先训练好的，且基于候选文本框的中点和边长进行训练，将其结合到卷积神经网络中，经卷积神经网络输出候选文本框的分类得分。
67.s5，基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
68.需要说明的是，经卷积神经网络所检测的候选文本框有多个，针对每个分类文本框(即标签图片中实际存在的文本框)也有多个候选文本框，因此需要将候选文本框进行合并以获得最终目标文本框。
69.本发明提供的轻量级标签文本框检测方法，预先将标签图片基于标志形状进行校正，简化了后续模型的输出结果和损失函数的设置，极大提高模型训练和检测效率，降低检测算力；同时所设置网络模型架构小，模型参数少，减少了对设备内存和存储的占用，采用中心点、边长和分类得分的输出，简化了模型输出，提高模型运行效率，降低检测算力。本方法预先对标签图片基于标志形状校正，且设置了架构小、参数少、输出简化的检测模型，极大减少设备内存和存储的占用，降低检测算力，提高检测效率，实现轻量级运算，达到可在终端直接应用的目的。
70.实施例二
71.本实施例提供一种轻量级标签文本框检测方法，包括以下步骤。
72.s101，从拍摄的图片中，检测出标签位置。
73.标签贴附在设备运输箱体上，一般获取标签的方式是通过摄像头进行拍摄，拍摄图片中包含标签。
74.由于所拍摄图片一般不仅包含标签，还包含箱体的部分，因此获得拍摄图片后，需
要检测出标签的位置，并裁剪出来。
75.本实施例采用canny算子进行标签轮廓的提取，先根据标签和箱体颜色的差异，进行图片二值化，如将标签位置转换为1，箱体位置转换为0。
76.s102，根据标签的位置，进行图片剪切，从原图片中剪切出标签图片。
77.从拍摄图片中检测出标签位置后，即可将标签图片裁剪出来，后续仅对标签图片进行处理。
78.s103，基于标签图片内的标志形状对标签图片进行位置校正。
79.所裁剪标签图片可能存在倾斜等情况，因此需要将标签图片进行校正，规整其方位以简化后续的处理。
80.本实施例基于标志形状对标签图片进行校正，标志形状可以是与标签图片四边平行的形状，可提供校正效率。考虑到标签图片内一般包含条形码，而条形码是与标签图片四周平行的，可作为参考将标签图片进行校正。
81.本实施例所采用基于标签图片内的标志形状对标签图片进行位置校正的方法，用二值图方式，先进行图片腐蚀，将标志形状区域腐蚀为相连的整体，再进行闭运算，提取标志形状的四个顶点位置，根据四个顶点位置，进行图片的校正。
82.即校正过程执行以下步骤：
83.步骤一，采用二值图方式进行标签图片腐蚀，将标志形状所在区域腐蚀为相连的整体；
84.步骤二，进行闭运算提取标志形状的四个顶点位置；
85.步骤三，根据所提取的四个顶点位置进行标签图片的校正。
86.s104，将校正后的标签图片进行预处理。
87.本实施例将校正后的标签图片进行预处理具体为将校正后的标签图片进行大小缩放和归一化处理。
88.其中，在进行图片大小缩放过程中，不改变图片的长宽比例进行缩放。具体实施时，将最大边缩放至512大小，小边进行灰度填充。
89.s105，将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分。
90.该步骤即搭建卷积神经网络对标签图片进行特征提取融合，并输出结果，检测出候选文本框，其中以候选文本框的中点和边长标注文本框，同时对候选文本框进行分类，获得分类得分。
91.该步骤具体包括以下过程以输出各个候选文本框的中点、边长和分类得分：
92.步骤一，预处理后的标签图片经过第一卷积层和最大池化层，输出第一过程数据；
93.步骤二，第一过程数据经过第二卷积层和最大池化层，输出第二过程数据；
94.步骤三，第二过程数据经过第三卷积层和最大池化层，输出第三过程数据；
95.步骤四，第三过程数据经过第四卷积层和最大池化层，输出第四过程数据；
96.步骤五，第四过程数据经过第四上采样，并与第三过程数据进行合并后经过第四卷积融合层，输出第五过程数据；
97.步骤六，第五过程数据经过第三上采样，并与第二过程数据进行合并后经过第三卷积融合，输出第六过程数据；
98.步骤七，第六过程数据经过第二上采样，并与第一过程数据进行合并后经过第二卷积融合，输出第七过程数据；
99.步骤八，第七过程数据经过中点边长输出层输出所有候选文本框的中点和边长；
100.步骤九，所有候选文本框的中点和边长经过分类得分输出层输出各个候选文本框的分类得分。
101.需要说明的是，预先已对卷积神经网络进行训练，经过特征提取融合后，输出输入中点边长输出层可根据已训练好的参数输出所有候选文本框的中点和边长。其中，候选文本框的边长包括两个相交边的边长。候选文本框为矩形，根据这两个边长可标注文本框的边长特征。
102.另外，对候选文本框的分类也已预先训练，将相关公式导入分类得分输出层，候选文本框的中点和边长经过分类得分输出层即可对候选文本框进行分类，获得分类得分。
103.其中，候选文本框的分类得分指示的是该候选文本框属于某个分类文本框的概率。例如分类文本框包括a、b、c和d，某个候选文本框被分类到a，且其分类得分为0.8，即该候选文本框有80％的概率属于分类文本框a。需要说明的是，该候选文本框相对于其他b、c和d的分类得分小于0.8，即该候选文本框属于分类文本框a的概率最大，所以将其分类到a。
104.可选地，分类得分用float类型的数字，中点和边长为float格式的数组，如[中心点，边长1，边长2]。
[0105]
在卷积神经网络模型的反向传播过程中，卷积神经网络模型的loss函数采用得分loss、中点和边长loss之和进行得到：
[0106]
loss＝αloss
sco
βloss
g
[0107]
其中，得分loss采用平衡交叉熵进行得到，中点和边长loss通过和预先标定位置的交并比进行取log得到。α和β的值根据训练情况进行确定。
[0108]
如图2所示为文本框检测过程一具体实施例的方法流程示意图，包括以下步骤。
[0109]
step1:数据经过第一卷积层和最大池化层，输出变为：(1,128,128,64)；
[0110]
step2:数据经过第二卷积层和最大池化层，输出变为：(1,64,64,128)；
[0111]
step3:数据经过第三卷积层和最大池化层，输出变为：(1,32,32,256)；
[0112]
step4:数据经过第四卷积层和最大池化层，输出变为：(1,16,16,512)；
[0113]
step5:数据经过第四上采样，并和step3的结果进行合并，然后经过第四卷积融合层，输出变为：(1,32,32,256)；
[0114]
step6:数据经过第三上采样，并和step2的结果进行合并，然后经过第三卷积融合层，输出变为：(1,64,64,128)；
[0115]
step7:数据经过第二上采样，并和step1的结果进行合并，然后经过第二卷积融合层，输出变为：(1,128,128,64)；
[0116]
step8:数据经过中点边长输出层得到相应的中点和边长；
[0117]
step9：数据通过分类得分输层，得到相应的分类得分。
[0118]
其中，(1,128,128,64)等数据为过程数据，1表示标签图片维度，第一个128表示标签图片高度，第二个128表示标签图片宽度，64表示通道。
[0119]
s106，基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
[0120]
经步骤105之后选出若干候选文本框，针对每个分类文本框，也对应多个候选文本框，因此需要将候选文本框进行合并等以确定最终的目标文本框。
[0121]
该步骤s106确定最终目标文本框的过程：首先针对每个预设的分类文本框，选出属于各个分类文本框的各个候选文本框；然后对于每个分类文本框的候选文本框作如下处理，选出每个分类文本框对应的目标文本框。
[0122]
其中，对于每个分类文本框的候选文本框作如下处理，选出每个分类文本框对应的目标文本框，具体包括以下步骤：
[0123]
步骤一，检测候选文本框的中心点与对应分类文本框中心点之间的距离是否小于预设距离阈值，将该距离小于等于预设距离阈值的候选文本框记为中心候选文本框，大于预设距离阈值的候选文本框记为非中心候选文本框；
[0124]
步骤二，将所有中心候选文本框进行初次合并获得初次合并候选文本框；
[0125]
步骤三，将初次合并候选文本框和所有非中心候选文本框进行非极大值抑制处理，获得相应分类文本框的目标文本框。
[0126]
需要说明的是，可对候选文本框进行分类得分排序，从分类得分由高到低，依次对各个候选文本框执行步骤一。
[0127]
步骤二中将所有中心候选文本框进行初次合并获得初次合并候选文本框，具体如下：
[0128]
例如有n个中心候选文本框，其分类得分分别为k1、k2、
…
、kn，中心点分别为o1、o2、
…
、on，第一个边长分别为l11、l12、
…
、l1n，第二边长分别为l21、l22、
…
、l2n，则，
[0129]
初次合并候选文本框的中心点
[0130]
初次合并候选文本框的第一个边长
[0131][0132]
初次合并候选文本框的第二个边长
[0133][0134]
选出每个分类文本框的目标文本框后，即确定出所有目标文本框。需要说明的是，可根据需要同时确定出对应的分类得分。
[0135]
实施例三
[0136]
本实施例提供一种轻量级标签文本框检测装置，用于实现前述轻量级标签文本框检测方法。
[0137]
如图3所示，本实施例提供的轻量级标签文本框检测装置包括以下功能模块。
[0138]
标签图片获取模块101：获取标签图片；
[0139]
标签图片校正模块102：基于标签图片内的标志形状对标签图片进行位置校正；
[0140]
标签图片预处理模块103：将校正后的标签图片进行预处理；
[0141]
候选文本框检测模块104：将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分；
[0142]
目标文本框获取模块105：基于候选文本框的分类得分、中点和边长，将相应候选
文本框进行合并，获得最终目标文本框。
[0143]
本实施例的轻量级标签文本框检测装置用于实现前述的轻量级标签文本框检测方法，因此该装置中的具体实施方式可见前文中的轻量级标签文本框检测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
[0144]
另外，由于本实施例的轻量级标签文本框检测装置用于实现前述的轻量级标签文本框检测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
[0145]
实施例四
[0146]
图4为本发明实施例提供的一种终端装置300的结构示意图，该终端装置300可以用于执行本发明实施例提供的轻量级标签文本框检测方法。
[0147]
具体地，该终端装置300执行以下方法步骤：
[0148]
s1，获取标签图片；
[0149]
s2，基于标签图片内的标志形状对标签图片进行位置校正；
[0150]
s3，将校正后的标签图片进行预处理；
[0151]
s4，将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分；
[0152]
s5，基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
[0153]
其中，该终端装置300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0154]
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
[0155]
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(integrated circuit，简称ic)组成，例如可以由单颗封装的ic所组成，也可以由连接多颗相同功能或不同功能的封装ic而组成。举例来说，处理器310可以仅包括中央处理器(central processing unit，简称cpu)。在本发明实施方式中，cpu可以是单运算核心，也可以包括多运算核心。
[0156]
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
[0157]
实施例五
[0158]
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。
[0159]
具体地，该程序执行至少以下步骤：
[0160]
s1，获取标签图片；
[0161]
s2，基于标签图片内的标志形状对标签图片进行位置校正；
[0162]
s3，将校正后的标签图片进行预处理；
[0163]
s4，将预处理后的标签图片经卷积神经网络进行处理，检测出若干候选文本框，并获得各个候选文本框的中点、边长和分类得分；
[0164]
s5，基于候选文本框的分类得分、中点和边长，将相应候选文本框进行合并，获得最终目标文本框。
[0165]
所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read
‑
only memory，简称：rom)或随机存储记忆体(英文：random access memory，简称：ram)等。
[0166]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
[0167]
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，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中的说明即可。
[0168]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0169]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
[0170]
另外，在本发明各个实施例中的各功能单元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。
[0171]
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。