一种路口红绿灯控制方法及设备与流程

1.本技术涉及交通安全技术领域，尤其涉及一种路口红绿灯控制方法及设备。


背景技术：

2.随国家人口的增加以及大量人口涌入城市，企业日常通勤时间相对集中，造成在上下班时间段和节假日时间严重堵车。使驾驶人员浪费大量的宝贵时间，同时增加了驾驶员开车的疲劳度，增大了交通事故发生的可能性。
3.目前，交通拥堵主要在红绿灯路口段，红绿灯运行周期内，车辆可能进行变道行驶，影响直行通行车辆的通行时间，导致路口红绿灯无法将车辆进行最大程度地放行，导致上一红绿灯运行周期内的排队车辆滞留在路口，新到来的车辆无法及时通过路口。现有的红绿灯控制是按照预设时间来变灯，不会获取红绿灯路口的当前交通情况，更不会根据获取到的当前交通情况，智能地控制红绿灯。


技术实现要素：

4.本技术实施例提供了一种路口红绿灯控制方法及设备，用于及时放行红绿灯路口的等待车辆，保障交通顺畅。
5.一方面，本技术提供了一种路口红绿灯控制方法，该方法包括：
6.获取路口车辆行驶图像。基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中，预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量，确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。基于数据地图，确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下，根据各变道时间，更新当前路口的红绿灯运行周期，以根据更新后的红绿灯运行周期，控制红绿灯系统运行。
7.在本技术的一种实现方式中，根据路口车辆行驶图像，确定相应的路口属性。路口属性包括：道路方向、道路宽度、道路类型。根据路口属性，确定相应的变道分割区块。变道分割区块用于将路口车道分割为若干判定子块。判定子块用于确定位于判定子块的车辆行驶状态。通过变道分割区块，将路口车辆行驶图像相应的各车道进行分割处理，以将分割处理后的路口车辆行驶图像，输入预设的变道意图识别模型。变道意图识别模型用于识别路口车辆行驶图像中各行驶车辆的车辆变道意图。
8.在本技术的一种实现方式中，将若干车辆变道图像输入待训练机器学习模型进行训练。通过待训练机器学习模型，确定各车辆变道图像的若干变道特征数据，直至待训练机器学习模型的预设损失函数收敛，得到训练完成的变道意图识别模型。将所述路口车辆行驶图像输入所述变道意图识别模型，确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差。将实时距离方差的变化量与第一预设值进行匹配。根据实时距离方差的变化量与第一预设值的匹配结果，首次确定车辆变道意图。
9.在本技术的一种实现方式中，在首次判定行驶车辆没有变道意图的情况下，通过变道意图识别模型，识别路口车辆行驶图像中各行驶车辆与车道行驶方向的偏移角度。在第一预设时间内，确定偏移角度的变化量是否大于第二预设值，并得到偏移角度的变化量是否大于第二预设值的判定结果。根据判定结果以及匹配结果，确定车辆变道意图。
10.在本技术的一种实现方式中，通过第二预设时间内的路口车辆行驶图像，确定车辆变道意图相应的待变道车道的车流量。根据车流量以及待变道车辆的变道位置，确定预设的变道时长表中相应的变道时间。其中，变道时长表通过预设神经网络模型，训练若干车辆变道时间样本得到的。
11.在本技术的一种实现方式中，以路口车辆行驶图像的采集地址为圆心，确定预设范围内的若干监管终端。向各监管终端发送状态确认信息。状态确认信息用于确定监管终端是否存在监管任务。在接收到各监管终端的反馈信息的情况下，基于反馈信息，确定不存在监管任务的各监管终端，为待选定终端。基于电子地图，确定各待选定终端的位置至采集地址的行驶时长。确定各行驶时长中最短行驶时长，为选定终端，并向选定终端发送数据地图。
12.在本技术的一种实现方式中，确定路口车辆行驶图像的采集时间。获取与采集时间相应的若干过去时间段的路口车辆通行量。其中，与采集时间相应的若干过去时间段的时间属性相同。时间属性至少包括以下一项或多项：节假日、工作日、时段。生成各路口车辆通行量的通行量曲线。通过滑动平均法，处理通行量曲线，并根据处理后的通行量曲线，确定通行量曲线相应的平均值，为预设阈值。
13.在本技术的一种实现方式中，获取区块链平台中的第一节点的导航数据。根据导航数据以及各行驶车辆的行驶车道，确定各行驶车辆在预设路径段的变道时间，以根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。
14.在本技术的一种实现方式中，根据更新后的红绿灯运行周期以及当前路口车辆的通行量，确定当前路口的车辆参考速度。将车辆参考速度发送至相应的显示终端。显示终端设置于当前路口。
15.另一方面，本技术实施例提供了一种路口红绿灯控制设备，该设备包括：
16.至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
17.获取路口车辆行驶图像。基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中，预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量，确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。基于数据地图，确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下，根据各变道时间，更新当前路口的红绿灯运行周期，以根据更新后的红绿灯运行周期，控制红绿灯系统运行。
18.通过上述方案，利用路口车辆行驶图像，确定道路行驶车辆的车辆变道意图，确定有变道意图的车辆的变道时间，并根据变道时间调整红绿灯运行周期。本技术可以智能地控制红绿灯，及时放行红绿灯路口的等待车辆，保障交通顺畅，同时提高道路参与者的红绿
灯使用体验。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
20.图1为本技术实施例中一种路口红绿灯控制方法的一种流程示意图；
21.图2为本技术实施例中一种路口红绿灯控制方法的一种示意图；
22.图3为本技术实施例中一种路口红绿灯控制方法的另一种示意图；
23.图4为本技术实施例中一种路口红绿灯控制方法的再一种示意图；
24.图5为本技术实施例中一种路口红绿灯控制设备的结构示意图。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、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。
26.现有的红绿灯控制是按照预设时间进行变灯，不会根据红绿灯路口的交通情况，及时、灵活地控制红绿灯，在特殊时间段，如上下班时间、节假日等，极易引起交通拥堵。
27.基于此，本技术实施例提供了一种路口红绿灯控制方法及设备，用来智能地控制红绿灯，及时放行红绿灯路口的等待车辆，保障交通顺畅。
28.以下结合附图，详细说明本技术的各个实施例。
29.本技术实施例提供了一种路口红绿灯控制方法，如图1所示，该方法可以包括步骤s101-s106：
30.s101，服务器获取路口车辆行驶图像。
31.在本技术实施例中，交通路口设置有图像采集设备，如电子眼、交通摄像头等设备，均可采集路口车辆行驶图像。路口车辆行驶图像可以是图像采集设备采集到的图片，也可以是实时的视频帧，本技术对此不作具体限定。
32.需要说明的是，服务器作为路口红绿灯控制方法的执行主体，仅为示例性存在，执行主体不仅限于服务器，本技术对此不作具体限定。
33.s102，服务器基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。
34.其中，预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。
35.在本技术实施例中，用户设置或服务器进行智能分析后，设置在各路口的预设范围内的路径段，为预设路径段。例如，在十字交叉路口a的第一道路的第一车道，沿车辆行驶方向的背向，从车辆停止线至100米的范围，为预设路径段；第二道路的第一车道，沿车辆行驶方向的背向，从车辆停止线至200米的范围，为预设路径段。
36.在本技术的一个实施例中，由于路口车辆行驶图像中车辆数量多，且行驶情况复杂。服务器基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图之前，还可以执行以下方法：
37.首先，服务器根据路口车辆行驶图像，确定相应的路口属性。
38.路口属性包括：道路方向、道路宽度、道路类型。
39.服务器可以对路口车辆行驶图像进行分析识别，从而确定道路方向、道路宽度、道路类型。路口车辆行驶图像包括路口各个方向的道路图像，例如一个东西、南北走向的十字道路交叉口的道路车辆行驶图像，包括东西走向、南北走向的道路图像。
40.通过服务器根据路口车辆行驶图像进行确定、识别路口属性，无需人工测量，解放人力资源。
41.然后，服务器根据路口属性，确定相应的变道分割区块。
42.变道分割区块用于将路口车道分割为若干判定子块。判定子块用于确定位于判定子块的车辆行驶状态。
43.服务器根据路口属性，可以通过匹配的方式，确定相应的变道分割区块，或者通过预设的变道分割区块算法，进行确定变道分割区块。其中，变道分割区块如图2所示，图2中道路201包括若干变道分割区块形成的判定子块202。各种路口属性对应的变道分割区块的面积大小不同。判定子块可以限定车辆的位置，判定位于判定子块内部的车辆的车辆行驶状态，车辆行驶状态包括掉头、转弯、直行、等待等。
44.例如，服务器中预先设置有路口属性与变道分割区块的对应关系，如道路方向b、道路宽度c、道路类型d的路口属性，可以对应于面积大小为e的变道分割区块。道路宽度宽，道路类型为公交车道的路口属性，对应的面积大小的变道分割区块可能比其他私家车车道的变道分割区块大。
45.再例如，服务器可以通过预设有变道分割区块算法，在服务器将路口属性相应的数据输入到变道分割区块算法中之后，变道分割区块算法可以计算路口属性所适应的面积大小合适的变道分割区块。
46.最后，服务器通过变道分割区块，将路口车辆行驶图像相应的各车道进行分割处理，以将分割处理后的路口车辆行驶图像，输入预设的变道意图识别模型。
47.变道意图识别模型用于识别路口车辆行驶图像中各行驶车辆的车辆变道意图。
48.服务器可以通过变道分割区块，分割路口车辆行驶图像中道路的各个车道，分割以后，服务器将分割的相应的带有判定子块的图像，输入预设的变道意图识别模型中，进行识别各行驶车辆的车辆变道意图。变道意图识别模型可以是神经网络模型、卷积神经网络模型，本技术对此不作具体限定。
49.通过上述方案，可以将路口各车道内各个位置上的车辆行驶状态进行识别，确定车辆变道意图，保证车辆变道意图识别的准确性。并保障在生产数据地图时，信息的准确性，得到准确地红绿灯运行周期。
50.在本技术的一个实施例中，判定子块中还可以包含有若干的判定子块，如图3所示。通过细分判定子块，保证变道意图识别模型识别车辆变道意图的准确性。
51.在本技术实施例中，服务器基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图，具体包括：
52.首先，服务器将若干车辆变道图像输入待训练机器学习模型进行训练。
53.待训练机器学习模型可以是神经网络模型，如vgg模型、googlenet。
54.其次，服务器通过待训练机器学习模型，确定各车辆变道图像的若干变道特征数
据，直至待训练机器学习模型的预设损失函数收敛，得到训练完成的变道意图识别模型。
55.预设损失函数可以在实际使用过程中进行设定，如铰链损失函数、交叉熵损失函数、指数损失函数。
56.再次，服务器通过变道意图识别模型，确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差。
57.服务器可以通过变道意图识别模型，计算预设的时间(连续的时间)路口车辆行驶图像中同一车辆的行驶轨迹，并在确定该车辆的行驶轨迹过程中，计算该车辆与其车道两边的车道线的实时距离。根据该实时距离，服务器可以计算实时距离方差。其中，行驶轨迹与车道线的实时距离方差，可以是与两条车道线中任意一条车道线的实时距离方差。
58.然后，服务器将实时距离方差的变化量与第一预设值进行匹配。
59.在本技术实施例中，第一预设值可以是通过爬取车辆变道时，车辆与车道线之间的距离的网络数据得到的。服务器可以将实时距离方差的变化量与第一预设值进行匹配，匹配可以是进行计算差值或比较大小等方式。
60.最后，服务器根据实时距离方差的变化量与第一预设值的匹配结果，首次确定车辆变道意图。
61.实时距离方差的变化量与第一预设值为计算差值时，匹配结果可以通过差值是否大于一预设的比较差值得到，该比较差值可以根据实际的使用情况进行设定，本技术对此不作具体限定。
62.实时距离方差的变化量与第一预设值为比较大小时，可以确定变化量是否大于第一预设值，将比较结果作为匹配结果。
63.在本技术的另一个实施例中，服务器根据实时距离方差的变化量与第一预设值的匹配结果，首次确定车辆变道意图之后，服务器还可以执行以下方法，进一步确定车辆变道意图：
64.首先，服务器在首次判定行驶车辆没有变道意图的情况下，通过变道意图识别模型，识别路口车辆行驶图像中各行驶车辆与车道行驶方向的偏移角度。
65.没有变道意图即车辆变道意图为直线行驶。
66.变道意图识别模型可以识别行驶车辆的车头方向，与车道行驶方向的偏移角度。
67.其次，服务器在第一预设时间内，确定偏移角度的变化量是否大于第二预设值，并得到偏移角度的变化量是否大于第二预设值的判定结果。
68.第二预设值可以通过计算历史车辆行驶过程中，计算车头方向与车道行驶方向的偏移角度得到，偏移角度在大于第二预设值时，即可确定车辆为变换车道。第一预设时间可以是在实际使用过程中设定，该第一预设时间可以对应于车辆以道路限速行驶可通行预设距离如10米的时间。
69.然后，服务器根据判定结果以及匹配结果，确定车辆变道意图。
70.具体地，服务器在实时距离方差的变化量小于或等于第一预设值的情况下，确定偏移角度的变化量是否也小于或等于第二预设值，进而确定行驶车辆的车辆变道意图是否有变道意图，即车辆变道行驶。
71.在本技术的一个实施例中，服务器还可以在匹配结果与判定结果不一致的情况下，计算匹配结果与判定结果的可信度，例如通过计算历史数据的匹配结果与判定结果的
方差，将方差小的，作为可信度高的数据，从而根据匹配结果或判定结果，确定车辆变道意图。
72.此外，在申请的一个实施例中，服务器还可以通过匹配结果与判定结果，同时进行确定车辆变道意图为直线行驶还是变道行驶。具体地，服务器在判定结果为偏移角度的变化量大于第二预设值，且匹配结果为实时距离方差的变化量大于第一预设值的情况下，确定行驶车辆的车辆变道意图为变道行驶。
73.服务器在偏移角度的变化量小于或等于第二预设值且实时距离方差的变化量小于或等于第一预设值的情况下，确定行驶车辆的车辆变道意图为直线行驶。
74.服务器还可以在匹配结果与判定结果不一致的情况下，计算匹配结果与判定结果的可信度，例如通过计算历史数据的匹配结果与判定结果的方差，将方差小的，作为可信度高的数据，从而根据匹配结果或判定结果，确定车辆变道意图。
75.在本技术实施例中，服务器可以通过变道意图识别模型，确定各行驶车辆的行驶轨迹与其所处车道的车道线的实时距离方差，同时也识别各行驶车辆与车道行驶方向的偏移角度，确定车辆变道意图。通过上述方案，可以精确地得到行驶车辆是否存在车辆变道意图，从而为后续计算变道时间提供了精确地数据基础。
76.s103，服务器根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量，确定车辆变道意图相应的各待变道车辆的变道时间。
77.在本技术实施例中，服务器根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量，确定车辆变道意图相应的各待变道车辆的变道时间，具体包括：
78.首先，服务器通过第二预设时间内的路口车辆行驶图像，确定车辆变道意图相应的待变道车道的车流量。
79.第二预设时间可以与第一预设时间为同一时间，也可以在实际使用过程中另外进行设定。在车辆变道意图为变道时，则存在相应的待变道车道，服务器可以通过第二预设时间获取的路口车辆行驶图像，确定待变道车道的车流量。
80.然后，服务器根据车流量以及待变道车辆的变道位置，确定预设的变道时长表中相应的变道时间。
81.其中，变道时长表通过预设神经网络模型，训练若干车辆变道时间样本得到的。
82.服务器将若干车辆变道时间样本输入预设的神经网络模型，进行模型训练，其中车辆变道时间样本的标签包括：时间、车辆变道位置以及待变道车道的车流量。神经网络模型可以输入标签所对应的变道时长，服务器根据标签及变道时长，生成变道时长表。
83.s104，服务器根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。
84.数据地图可以分析和展示与位置相关的数据。
85.在本技术实施例中，服务器根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图之后，方法还包括：
86.首先，服务器以路口车辆行驶图像的采集地址为圆心，确定预设范围内的若干监管终端。
87.监管终端可以是交警的手持终端，或者是交通管理部分的主机电脑等设备。
88.其次，服务器向各监管终端发送状态确认信息。
89.状态确认信息用于确定监管终端是否存在监管任务。
90.监管任务是监管终端正在处于其他的交通处理任务中，例如正在监管另一路口的数据地图。
91.然后，服务器在接收到各监管终端的反馈信息的情况下，基于反馈信息，确定不存在监管任务的各监管终端，为待选定终端。
92.监管终端在接收到状态确认信息后，用户可以操作监管终端，对状态确认信息进行反馈，例如点击是，则表明监管终端存在监管任务，点击否，则表明监管终端不存在监管任务。
93.接着，服务器基于电子地图，确定各待选定终端的位置至采集地址的行驶时长。
94.电子地图可以生成从待选定终端至采集地址的导航数据，导航数据中包括当前的道路行驶情况，如当前道路堵车情况。服务器根据电子地图，即可确定从待选定终端到采集地址的行驶时长。
95.最后，服务器确定各行驶时长中最短行驶时长，为选定终端，并向选定终端发送数据地图。
96.通过上述方案，可以将方便数据管理的交通路口的数据地图发送至监管终端，使监管终端能及时地处理路口交通。
97.在本技术实施例中，路口红绿灯控制方法应用于预先搭建的区块链平台，各行驶车辆相应终端为区块链平台的第一节点，服务器可以执行以下方法：
98.首先，服务器获取区块链平台中的第一节点的导航数据。
99.行驶车辆相应驾驶者的终端，进行导航时，可以通过区块链平台得到驾驶者终端的导航数据，例如a市场到b市场的导航路线。
100.然后，服务器根据导航数据以及各行驶车辆的行驶车道，确定各行驶车辆在预设路径段的变道时间，以根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。
101.服务器可以通过导航数据以及行驶车辆的行驶车道，确定该行驶车辆是否需要进行变道，若需要变道，服务器确定需要变道至哪一车道。然后，服务器根据需要变道至的车道的车流量，得到该行驶车辆的变道时间。进而生成路口相应的数据地图。
102.s105，服务器基于数据地图，确定当前路口车辆的通行量是否小于预设阈值。
103.在本技术实施例中，服务器基于数据地图，确定当前路口车辆的通行量是否小于预设阈值之前，方法还包括：
104.首先，服务器确定路口车辆行驶图像的采集时间。
105.然后，服务器获取与采集时间相应的若干过去时间段的路口车辆通行量。
106.其中，与采集时间相应的若干过去时间段的时间属性相同。时间属性至少包括以下一项或多项：节假日、工作日、时段。
107.举例说明，采集时间为工作日的周一的上午八点，服务器可以获取过去的一个月的工作日周一八点的路口车辆通行量。
108.接着，服务器生成各路口车辆通行量的通行量曲线。
109.根据过去时间段的路口车辆通行量，服务器可以生成如图4所示的通行量曲线，横轴为时间，纵轴为通行量。
110.最后，服务器通过滑动平均法，处理通行量曲线，并根据处理后的通行量曲线，确定通行量曲线相应的平均值，为预设阈值。
111.通过上述方案，利用滑动平均法，快速且便于实时处理非平稳数据，可以确定最可信的通行量相应的预设阈值，进而实现路口红绿灯运行周期的控制。
112.s106，服务器在当前路口车辆的通行量小于预设阈值的情况下，根据各变道时间，更新当前路口的红绿灯运行周期，以根据更新后的红绿灯运行周期，控制红绿灯系统运行。
113.当前路口车辆的通行量小于预设阈值，即当前路口车辆由于车辆变道引起车辆通行无法到达要求，造成红绿灯路口拥堵。本技术可根据变道时间，改变各路口的红绿灯运行周期。例如第一个路口的通行量小于预设阈值，那么根据第一个路口的各行驶车辆的变道时间，可以增加第一个路口的红绿灯时长，而相应的第二个路口通行量大于预设阈值，可以不进行改变红绿灯时长。
114.在本技术实施例中，服务器更新当前路口的红绿灯运行周期之后，还可以执行以下方法：
115.服务器根据更新后的红绿灯运行周期以及当前路口车辆的通行量，确定当前路口的车辆参考速度。
116.服务器可以根据更新后的红绿灯运行周期以及当前路口车辆的通行量，计算得到最佳的车辆通行速度，作为车辆参考速度，从而在以更新的红绿灯运行周期进行运行时，提高路口车辆通行量的同时，给道路参与者一个车辆参考速度，使道路参与者以车辆参考速度形式，进一步保证路口车辆通行量。
117.然后，服务器将车辆参考速度发送至相应的显示终端。显示终端设置于当前路口。
118.显示装置可以是设置于当前路口的大屏幕，使路口的车辆驾驶者能够看到车辆参考速度。显示终端也可以包括上述第一节点相应的终端。
119.通过上述方案，可以利用路口车辆行驶图像，确定车辆是否要变道，并确定变道时间，根据变道时间调整红绿灯运行周期，从而智能地控制红绿灯，及时放行红绿灯路口的等待车辆，保障交通顺畅。提高道路参与者对红绿灯的使用体验度。
120.图5为本技术实施例提供的一种路口红绿灯控制设备的结构示意图，该设备包括：
121.至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
122.获取路口车辆行驶图像。基于路口车辆行驶图像，确定路口车辆行驶图像的预设路径段中各行驶车辆的车辆变道意图。其中，预设路径段为在路口车辆行驶图像相应的路口的预设范围内的路径段。根据车辆变道意图以及路口车辆行驶图像中待变道车道的车流量，确定车辆变道意图相应的各待变道车辆的变道时间。根据各变道时间及相应的待变道车道，生成路口车辆行驶图像的数据地图。基于数据地图，确定当前路口车辆的通行量是否小于预设阈值。在当前路口车辆的通行量小于预设阈值的情况下，根据各变道时间，更新当前路口的红绿灯运行周期，以根据更新后的红绿灯运行周期，控制红绿灯系统运行。
123.本技术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，对于设备实施例而言，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的
部分说明即可。
124.本技术实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。
125.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。
126.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。