行人重识别模型训练方法、识别方法、系统、装置及介质与流程

1.本发明涉及行人重识别技术领域，尤其是一种行人重识别模型训练、识别方法、系统、装置及介质。


背景技术：

2.行人重识别是利用计算机视觉技术将摄像头a出现的行人与摄像头b出现的行人进行关联的技术。通常的做法是给定一张检索图像，检索其他已归类的行人图像，从而确定该行人的身份。作为跨摄像头追踪的一个子任务，一种高效的具有硬件化潜力的行人重识别模型是算法落地的必要条件。另外，由于遮挡的情形时有发生，模型也需要在存在遮挡情形时保持良好的性能。现有的行人重识别模型存在以下问题：
3.(1)较早的一些没有引入额外信息的网络,如vpm、pcb等，在遮挡情形下的重识别准确率较低；
4.(2)针对遮挡情形下的行人重识别而引入行人关键点及行人语义等额外信息的网络,如pgfa、maskreid等，通常参数量较大,训练和推理时间都比较长；
5.(3)最新的基于transformer结构的模型transreid虽然识别性能不错，但计算量大、推理时间长，无法实现实时检测识别。


技术实现要素：

6.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
7.为此，本发明实施例的一个目的在于提供一种行人重识别模型训练方法，该方法可以提高得到的行人重识别模型的重识别准确率。
8.本发明实施例的另一个目的在于提供一种高准确率的行人重识别方法。
9.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
10.第一方面，本发明实施例提供了一种行人重识别模型训练方法，包括以下步骤：
11.获取预设的第一行人图像，并确定所述第一行人图像的第一全局特征信息和第二全局特征信息；
12.将所述第二全局特征信息输入到预设的掩模生成器，得到多个掩模图像，进而根据多个所述掩模图像对所述第一全局特征信息进行局部特征提取，得到多个第一局部特征信息；
13.根据多个所述第一局部特征信息确定局部特征向量，并根据所述第一全局特征信息确定全局特征向量；
14.根据所述局部特征向量和所述全局特征向量确定训练数据集，并将所述训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型。
15.进一步地，在本发明的一个实施例中，所述确定所述第一行人图像的第一全局特征信息和第二全局特征信息这一步骤，其具体为：
16.通过全局特征提取网络提取所述第一行人图像的第一全局特征信息和第二全局
特征信息；
17.其中，所述第一全局特征信息的宽度和所述第二全局特征信息的宽度相同，所述第一全局特征信息的高度和所述第二全局特征信息的高度相同。
18.进一步地，在本发明的一个实施例中，所述根据多个所述掩模图像对所述第一全局特征信息进行局部特征提取，得到多个第一局部特征信息这一步骤，其具体为：
19.对所述掩模图像和所述第一全局特征信息进行张量积运算，得到多个第一局部特征信息。
20.进一步地，在本发明的一个实施例中，所述根据多个所述第一局部特征信息确定局部特征向量，并根据所述第一全局特征信息确定全局特征向量这一步骤，其具体包括：
21.分别对多个所述第一局部特征信息进行全局加权池化，得到多个第二局部特征信息；
22.根据多个所述第二局部特征信息确定多个第一特征向量，进而对多个所述第一特征向量进行拼接处理，得到局部特征向量；
23.对所述第一全局特征信息进行全局最大池化，得到第三全局特征信息，进而根据所述第三全局特征信息确定全局特征向量。
24.进一步地，在本发明的一个实施例中，所述根据所述局部特征向量和所述全局特征向量确定训练数据集这一步骤，其具体包括：
25.根据所述局部特征向量和所述全局特征向量确定训练样本；
26.获取所述第一行人图像的标注信息，并根据所述标注信息生成分类标签；
27.根据所述训练样本和对应的分类标签确定训练数据集。
28.进一步地，在本发明的一个实施例中，所述将所述训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型这一步骤，其具体包括：
29.将所述训练数据集输入到所述卷积神经网络，得到预测分类结果；
30.根据所述预测分类结果和所述分类标签确定训练的损失值；
31.根据所述损失值通过反向传播算法逐层更新所述卷积神经网络的参数；
32.当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到所述行人重识别模型。
33.第二方面，本发明实施例提供了一种行人重识别方法，包括以下步骤：
34.获取待识别的第二行人图像；
35.将所述第二行人图像输入到如第一方面所述的行人重识别模型训练方法所得到的行人重识别模型中，得到行人重识别结果。
36.第三方面，本发明实施例提供了一种行人重识别模型训练系统，包括：
37.全局特征提取模块，用于获取预设的第一行人图像，并确定所述第一行人图像的第一全局特征信息和第二全局特征信息；
38.局部特征提取模块，用于将所述第二全局特征信息输入到预设的掩模生成器，得到多个掩模图像，进而根据多个所述掩模图像对所述第一全局特征信息进行局部特征提取，得到多个第一局部特征信息；
39.特征向量确定模块，用于根据多个所述第一局部特征信息确定局部特征向量，并根据所述第一全局特征信息确定全局特征向量；
40.模型训练模块，用于根据所述局部特征向量和所述全局特征向量确定训练数据集，并将所述训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型。
41.第四方面，本发明实施例提供了一种行人重识别模型训练装置，包括：
42.至少一个处理器；
43.至少一个存储器，用于存储至少一个程序；
44.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现第一方面所述的行人重识别模型训练方法。
45.第五方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面所述的行人重识别模型训练方法或者第二方面所述的行人重识别方法。
46.本发明的优点和有益效果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，或通过本发明的实践了解到：
47.本发明实施例获取预设的第一行人图像并确定第一全局特征信息和第二全局特征信息，然后将第二全局特征信息输入到预设的掩模生成器得到多个掩模图像，进而根据该掩模图像对第一全局特征信息进行局部特征提取得到多个第一局部特征信息，再根据第一局部特征信息和第一全局特征信息确定局部特征向量和全局特征向量，从而可以根据局部特征向量和全局特征向量确定用于卷积神经网络训练的训练数据集，训练得到行人重识别模型。本发明实施例通过掩模生成器可以自监督地生成符合语义的掩模图像，可以去除背景噪声，提高行人局部特征提取的准确度，从而提高行人重识别模型的重识别准确率；利用掩模图像进行局部特征提取，可以避免各个局部特征之间的相互影响，进一步提高了行人重识别模型的重识别准确率，也提高了行人重识别模型的稳定性。
附图说明
48.为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
49.图1为本发明实施例提供的一种行人重识别模型训练方法的步骤流程图；
50.图2为本发明实施例提供的不同掩模图像数量下得到的行人重识别模型的rank1和map的对比示意图；
51.图3为本发明实施例提供的不同局部-全局特征比下得到的行人重识别模型的rank1和map的对比示意图；
52.图4为本发明实施例提供的一种行人重识别方法的步骤流程图；
53.图5为本发明实施例提供的一种行人重识别模型训练系统的结构框图；
54.图6为本发明实施例提供的一种行人重识别模型训练装置的结构框图。
具体实施方式
55.下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
56.在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
57.参照图1，本发明实施例提供了一种行人重识别模型训练方法，具体包括以下步骤：
58.s101、获取预设的第一行人图像，并确定第一行人图像的第一全局特征信息和第二全局特征信息。
59.具体地，可从已标注的行人重识别图像集中获取第一行人图像，利用全局特征提取网络提取第一行人图像的第一全局特征信息fg和第二全局特征信息
60.进一步作为可选的实施方式，确定第一行人图像的第一全局特征信息和第二全局特征信息这一步骤，其具体为：
61.通过全局特征提取网络提取第一行人图像的第一全局特征信息和第二全局特征信息；
62.其中，第一全局特征信息的宽度和第二全局特征信息的宽度相同，第一全局特征信息的高度和第二全局特征信息的高度相同。
63.具体地，第一全局特征信息fg和第二全局特征信息分别可表示为(c，h，w)和(c*，h，w)，他们可以是同一个特征，也可以是不同的特征，唯一的要求是他们的高h和宽w要相等。本发明实施例中，取为通道数c*更少的特征，例如采用resnet-50网络，最后的降采样步长设为1时，可以使用conv4的输出作为conv5的输出作为fg，此时c*＝1024，c＝2048，这样既能减少计算量，又可以提高泛化能力。
64.s102、将第二全局特征信息输入到预设的掩模生成器，得到多个掩模图像，进而根据多个掩模图像对第一全局特征信息进行局部特征提取，得到多个第一局部特征信息。
65.具体地，对特征应用一个掩模生成器，生成p个掩模图像m1，m2，...，m
p
，并利用这p个掩模图像对特征fg进行处理生成p个第一局部特征信息f
l，1
，f
l，2
，...，f
l，p
。本发明实施例中，掩模生成器没有显式地进行监督，其生成的p个掩模图像皆依靠自监督生成，每一个掩模图像实际上相当于一种局部特征提取模式。
66.进一步作为可选的实施方式，根据多个掩模图像对第一全局特征信息进行局部特征提取，得到多个第一局部特征信息这一步骤，其具体为：
67.对掩模图像和第一全局特征信息进行张量积运算，得到多个第一局部特征信息。
68.具体地，掩模生成器只需要一个1
×
1卷积，特征经过掩模生成器后，得到p个掩模图像m1，m2，...，m
p
，利用这些掩模图像对特征fg提取局部特征，局部特征提取公式为：
69.i＝1，2，...，p
70.从而得到p个第一局部特征信息。
71.s103、根据多个第一局部特征信息确定局部特征向量，并根据第一全局特征信息确定全局特征向量。
72.具体地，接下来将得到的第一局部特征信息和第一全局特征信息转化为空间无关的特征，p个第一局部特征信息分别进行全局加权池化，而第一全局特征信息则采用全局最大池化，将特征的空间信息压缩为1
×
1。步骤s103具体包括以下步骤：
73.s1031、分别对多个第一局部特征信息进行全局加权池化，得到多个第二局部特征信息；
74.s1032、根据多个第二局部特征信息确定多个第一特征向量，进而对多个第一特征向量进行拼接处理，得到局部特征向量；
75.s1033、对第一全局特征信息进行全局最大池化，得到第三全局特征信息，进而根据第三全局特征信息确定全局特征向量。
76.具体地，本发明实施例对第一局部特征信息采用全局加权池化操作，得到空间无关的第二局部特征信息f
l，i
。全局加权池化的公式如下：
[0077][0078]
对第一全局特征信息采用全局最大池化操作，得到空间无关的第三全局特征信息fg。经过全连接层后，第二局部特征信息f
l，i
转换成256维的第一特征向量，第三全局特征信息fg转换为512维的全局特征向量，控制局部特征与全局特征之比为最后将第一特征向量拼接得到局部特征向量，训练过程中分别计算局部特征向量与全局特征向量的分类损失及三元组损失。
[0079]
可以认识到，本发明实施例利用掩模图像进行局部特征提取后，对提取到的特征根据掩模图像进行全局加权池化，在最后拼接前各自独立地处理不同的局部特征，避免局部特征之间互相影响。
[0080]
s104、根据局部特征向量和全局特征向量确定训练数据集，并将训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型。
[0081]
具体的，本发明实施例利用已标注的第一行人图像确定分类标签，将前面得到的局部特征向量和全局特征向量作为训练样本，最小化预测值与真值的损失为目标进行训练，该损失包括拼接后输出的特征的三元组损失以及分类损失。
[0082]
进一步作为可选的实施方式，根据局部特征向量和全局特征向量确定训练数据集这一步骤，其具体包括：
[0083]
a1、根据局部特征向量和全局特征向量确定训练样本；
[0084]
a2、获取第一行人图像的标注信息，并根据标注信息生成分类标签；
[0085]
a3、根据训练样本和对应的分类标签确定训练数据集。
[0086]
进一步作为可选的实施方式，将训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型这一步骤，其具体包括：
[0087]
b1、将训练数据集输入到卷积神经网络，得到预测分类结果；
[0088]
b2、根据预测分类结果和分类标签确定训练的损失值；
[0089]
b3、根据损失值通过反向传播算法逐层更新卷积神经网络的参数；
[0090]
b4、当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到行人重识别模型。
[0091]
具体地，模型训练的过程是前向传播与反向传播的交替循环，前向传播将输入的行人图像进行逐层提取，经过一系列卷积和池化操作输出预测分类结果，与真实的分类标签进行损失计算。通过损失函数计算得到损失值后通过反向传播算法逐层更新卷积网络参数，这样便完成一次迭代训练。当损失函数值达到给定值或迭代次数达到规定的最大值时，停止训练并保存行人重识别模型。
[0092]
本发明实施例中，将训练数据集中的数据输入到初始化后的卷积神经网络后，可以得到模型输出的预测分类结果，可以根据该预测分类结果和前述的分类标签来评估识别模型预测的准确性，从而对模型的参数进行更新。对于行人重识别模型来说，模型预测结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(cost function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的点云杆塔识别模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
[0093]
以上对本发明实施例的行人重识别模型的训练步骤进行了说明，可以认识到，本发明实施例通过掩模生成器可以自监督地生成符合语义的掩模图像，可以去除背景噪声，提高行人局部特征提取的准确度，从而提高行人重识别模型的重识别准确率；利用掩模图像进行局部特征提取，可以避免各个局部特征之间的相互影响，进一步提高了行人重识别模型的重识别准确率，也提高了行人重识别模型的稳定性。
[0094]
下面通过实验对本发明实施例的行人重识别模型作进一步验证说明。
[0095]
本发明实施例对掩模数p、局部-全局特征比γ以及局部特征的池化在数据集occluded-duke上进行了消融实验，验证了本发明实施例提出的自监督掩模方法、局部特征加权池化以及局部-全局特征比的有效性。如图2所示为本发明实施例提供的不同掩模图像数量(mask number)p下得到的行人重识别模型的rank1(搜索结果中最靠前的一张图是正确结果的概率)和map(mean average precision，用于衡量算法的搜索能力)的对比示意图，相比传统的将局部特征分成6份，通过掩模图像将局部特征分成18份显然识别性能会更好，而6到12的部分出现平台期，也解释了为什么之前没有发现更多划分的性能更好。如图3所示为本发明实施例提供的不同局部-全局特征比γ下得到的行人重识别模型的rankl和map的对比示意图，局部-全局特征比从小到大的过程中模型性能先增加后降低，模型性能在局部-全局特征比取9的时候达到最高点。
[0096]
下表1示出了局部特征采用不同池化方式下得到的行人重识别模型的rank1和
map，可以看到，本发明实施例提出的全局加权池化(wp)相比传统的全局平均池化(gap)而言，得到的行人重识别模型的识别效果有明显提升。
[0097]
poolingrank1mapwp62.252.3gap59.250.3
[0098]
表1
[0099]
将本发明实施例得到的行人重识别模型与其他同类模型的rank1和map进行对比，如下表2所示，可以发现本发明在rank1和map上都属前列，验证了本发明方法的先进性。
[0100][0101]
表2
[0102]
此外，本发明实施例的行人重模型计算量为6.9g flops，参数量为56m。相比基线模型(pcb，计算量4.1g flops，参数量49m)计算量增加了68％，参数量仅增加了14％。
[0103]
基于上述分析及数据集检验可以认识到，本发明实施例提出的自监督掩模、局部特征加权池化以及局部-全局特征比在解决遮挡行人重识别方面的具有一定的有效性，可以较大提升遮挡行人重识别的准确性和稳定性，在主要指标rank1和map上均达到世界领先水平。另一方面，本发明实施例提出的模型结构没有引入乘除加以及求绝对值以外的运算，有利于后续算法的落地，对未来reid模型的设计有较大的借鉴意义。
[0104]
参照图4，本发明实施例提供了一种行人重识别方法，具体包括以下步骤：
[0105]
s201、获取待识别的第二行人图像；
[0106]
s202、将第二行人图像输入到如前述的行人重识别模型训练方法所得到的行人重识别模型中，得到行人重识别结果。
[0107]
可以理解的是，上述行人重识别模型训练方法实施例中的内容均适用于本行人重识别方法实施例中，本行人重识别方法实施例所具体实现的功能与上述行人重识别模型训练方法实施例相同，并且达到的有益效果与上述行人重识别模型训练方法实施例所达到的有益效果也相同。
[0108]
参照图5，本发明实施例提供了一种行人重识别模型训练系统，包括：
[0109]
全局特征提取模块，用于获取预设的第一行人图像，并确定第一行人图像的第一全局特征信息和第二全局特征信息；
[0110]
局部特征提取模块，用于将第二全局特征信息输入到预设的掩模生成器，得到多个掩模图像，进而根据多个掩模图像对第一全局特征信息进行局部特征提取，得到多个第一局部特征信息；
[0111]
特征向量确定模块，用于根据多个第一局部特征信息确定局部特征向量，并根据第一全局特征信息确定全局特征向量；
[0112]
模型训练模块，用于根据局部特征向量和全局特征向量确定训练数据集，并将训练数据集输入到预先构建的卷积神经网络中进行训练，得到训练好的行人重识别模型。
[0113]
可以理解的是，上述行人重识别模型训练方法实施例中的内容均适用于本行人重识别模型训练系统实施例中，本行人重识别模型训练系统实施例所具体实现的功能与上述行人重识别模型训练方法实施例相同，并且达到的有益效果与上述行人重识别模型训练方法实施例所达到的有益效果也相同。
[0114]
参照图6，本发明实施例提供了一种行人重识别模型训练装置，包括：
[0115]
至少一个处理器；
[0116]
至少一个存储器，用于存储至少一个程序；
[0117]
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现如前述的一种行人重识别模型训练方法。
[0118]
可以理解的是，上述行人重识别模型训练方法实施例中的内容均适用于本行人重识别模型训练装置实施例中，本行人重识别模型训练装置实施例所具体实现的功能与上述行人重识别模型训练方法实施例相同，并且达到的有益效果与上述行人重识别模型训练方法实施例所达到的有益效果也相同。
[0119]
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述的行人重识别模型训练方法或者上述的行人重识别方法。
[0120]
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的行人重识别模型训练方法或者行人重识别方法，可执行本发明方法实施例的任意组合实施步骤，具备本发明方法实施例相应的功能和有益效果。
[0121]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1或图4所示的方法。
[0122]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0123]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及
其等同方案的全部范围来决定。
[0124]
上述功能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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：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。
[0125]
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。
[0126]
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上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上述程序，然后将其存储在计算机存储器中。
[0127]
应当理解，本发明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。例如，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。
[0128]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0129]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0130]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。