一种目标检测方法、目标检测装置和计算机可读存储介质与流程

1.本技术涉及图像处理技术领域，具体涉及一种目标检测方法、目标检测装置和计算机可读存储介质。


背景技术：

2.大尺寸航拍图像为较大尺寸/超大尺寸的、由遥感卫星/高空无人机/航拍器等设备拍摄到的图像，其拍摄范围较广。但是在对大尺寸航拍图像进行目标检测时，存在一些难点：将整张大尺寸航拍图像送入目标检测模型进行模型推理时，由于大尺寸航拍图像的尺寸较大，模型需要计算的参数太多，导致设备出现显存不足的问题，尤其是在算力极其受限的嵌入式设备或者移动端设备中，这种推理方式难度极大；此外，由于大尺寸航拍图像的尺寸较大，感兴趣的目标所占的像素面积在整张图像中占比很小，导致感兴趣的目标很难被准确检测到，出现漏检的问题，影响目标检测模型的性能。


技术实现要素：

3.本技术提供一种目标检测方法、目标检测装置和计算机可读存储介质，能够解决算力受限设备对大尺寸图像进行检测的显存不足问题，且可防止目标漏检，提升目标检测的准确率。
4.为解决上述技术问题，本技术采用的技术方案是：提供一种目标检测方法，该方法包括：获取待处理图像，待处理图像包括至少一个待检测目标；将待处理图像拆分为多张子图像，并采用目标检测模型对子图像进行目标检测处理，得到子检测结果，至少两张子图像具有重叠区域，且每个待检测目标存在于至少一张子图像中；基于至少两张子图像是否存在同一待检测目标，对所有子检测结果进行分类，得到至少两类检测结果集，检测结果集包括子检测结果；对检测结果集进行去重处理，得到目标检测结果，目标检测结果为待处理图像中所有待检测目标的位置信息。
5.为解决上述技术问题，本技术采用的另一技术方案是：提供一种目标检测装置，该目标检测装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的目标检测方法。
6.为解决上述技术问题，本技术采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的目标检测方法。
7.通过上述方案，本技术的有益效果是：先将待处理图像拆分为多张子图像，然后将每个子图像输入预先训练好的目标检测模型，生成子检测结果；然后通过检测每个待检测目标是否出现在不同的子图像中对所有子检测结果进行分类，生成检测结果集；再对检测结果集进行去重处理生成最终的目标检测结果；本技术由于对待处理图像进行了切割，使得目标检测模型所处理的图像的尺寸减小，缩短目标检测模型直接处理大图所花费的时间，提升目标检测的效率，便于应用在计算力有限的嵌入式设备或者移动端设备中；而且，
由于在切割图像时，保证待处理图像中的每个待检测目标均能够被检测到，有效地避免了目标漏检的情况，提升了目标检测的准确率。
附图说明
8.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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。其中：
9.图1是本技术提供的目标检测方法一实施例的流程示意图；
10.图2是本技术提供的目标检测方法另一实施例的流程示意图；
11.图3是本技术提供的stride》w
′‑
max(zi)对应的切割结果图；
12.图4是本技术提供的stride≤w
′‑
max(zi)对应的切割结果图；
13.图5是本技术提供的平面直角坐标系的示意图；
14.图6是本技术提供的去除重复的检测框的示意图；
15.图7是本技术提供的soft-nms的实现原理图；
16.图8是本技术提供的目标检测装置一实施例的结构示意图；
17.图9是本技术提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
18.下面结合附图和实施例，对本技术作进一步的详细描述。特别指出的是，以下实施例仅用于说明本技术，但不对本技术的范围进行限定。同样的，以下实施例仅为本技术的部分实施例而非全部实施例，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它实施例，都属于本技术保护的范围。
19.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
20.需要说明的是，本技术中的术语“第一”、“第二”、“第三”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”、“第三”的特征可以明示或者隐含地包括至少一个该特征。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。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.请参阅图1，图1是本技术提供的目标检测方法一实施例的流程示意图，该方法包括：
22.步骤11：获取待处理图像。
23.待处理图像包括至少一个待检测目标，可以从图像数据中读取出一张尺寸较大的
图像作为待处理图像，或者通过摄像设备对当前场景进行拍摄，生成待处理图像；具体地，待处理图像可以为大尺寸航拍图像，其为遥感卫星、高空无人机或航拍器等摄像设备拍摄到的图像。
24.步骤12：将待处理图像拆分为多张子图像，并采用目标检测模型对子图像进行目标检测处理，得到子检测结果。
25.在获取到待处理图像之后，对该待处理图像进行拆分处理，生成多张子图像，至少两张子图像具有重叠区域，且每个待检测目标存在于至少一张子图像中，即待处理图像中的任意一个待检测目标均出现在至少一张子图像中。然后将子图像输入目标检测模型中，生成相应的子检测结果，该子检测结果包括子图像中是否存在待检测目标的检测结果；当子检测结果为子图像中存在待检测目标时，该子检测结果还包括待检测目标的位置信息，以待检测目标的检测框为矩形为例，该位置信息可以为检测框的左上角的坐标值、检测框的长以及检测框的宽，或者位置信息为检测框的左上角的坐标值与检测框的右下角的坐标值；或者子检测结果还可包括待检测目标的其他信息，比如：类别信息。
26.在一具体的实施例中，可采用以下步骤来训练目标检测模型：
27.①
获取训练数据，该训练数据包括多张训练图像以及训练图像中的标注目标的位置标签(即标注目标对应的目标框的位置信息)。
28.人工对大量的训练图像进行数据标注，生成标注信息，该标注信息包括感兴趣的目标(即标注目标)的位置信息、该标注目标的类别信息。
29.进一步地，可对训练数据进行预处理，得到预处理后的训练数据并输入目标检测模型进行训练，预处理操作包括几何变换、色彩增强、数据增强或数据增广等。
30.②
从训练数据中挑选一个训练图像，采用目标检测模型对训练图像进行检测处理，得到目标框。
31.③
基于目标框以及与目标框对应的位置标签，计算出当前损失值。
32.④
基于当前损失值或当前训练次数，判断目标检测模型是否满足预设训练结束条件。
33.⑤
若目标检测模型不满足预设训练结束条件，则返回从训练数据中挑选一个训练图像的步骤，直至目标检测模型满足预设训练结束条件。
34.进一步地，预设停止条件包括：损失值收敛，即上一损失值与当前损失值的差值小于设定值；判定当前损失值是否小于预设损失值，该预设损失值为预先设置的损失阈值，若当前损失值小于预设损失值，则确定达到预设停止条件；训练次数达到设定值(例如：训练10000次)；或者使用测试集进行测试时获得的准确率达到设定条件(比如：超过预设准确率)等。
35.可以理解地，上述的目标检测模型可以为常用的目标检测模型，比如：快速区域卷积神经网络(faster region convolutional neural networks，faster r-cnn)、单次多框检测器(single shot multibox detector，ssd)或yolo(you only look once)，可以根据场景需求对目标检测模型的结构以及损失函数进行设计，以便进行深度学习的训练。
36.步骤13：基于至少两张子图像是否存在同一待检测目标，对所有子检测结果进行分类，得到至少两类检测结果集。
37.在采用目标检测模型对所有子图像进行检测之后，可判断检测到的每个待检测目
标是否出现在至少两张子图像中，生成重合检测结果，该重合检测结果包括每个待检测目标是否出现在至少两张子图像中的检测结果，或者待检测结果包括多个子集合，每个子集合包括同一待检测目标对应的至少一张子图像，即该子集合中的子图像包含同一待检测目标；然后利用该重合检测结果对所有子检测结果进行分类，生成至少两类检测结果集，该检测结果集包括同一类别的子检测结果。
38.进一步地，检测结果集的具体数量可以根据具体应用需要进行设置，例如，至少两类检测结果集包括两个检测结果集：第一检测结果集与第二检测结果集，第一检测结果集包括满足第一预设条件的子图像，第一预设条件为子图像与第一检测结果集中的至少一张剩余子图像存在重叠区域(即该子图像与剩余子图像包括同一待检测目标)；第二检测结果集包括满足第二预设条件的子图像，第二预设条件为子图像与第二检测结果集中的所有剩余子图像均不存在重叠区域。或者，至少两类检测结果集包括三个检测结果集：第一检测结果集、第二检测结果集以及第三检测结果集，第一检测结果集包括满足第三预设条件的子图像，第三预设条件为子图像与第一检测结果集中的某一张剩余子图像存在重叠区域；第二检测结果集包括满足第二预设条件的子图像；第三检测结果集包括满足第四预设条件的子图像，第四预设条件为子图像与第三检测结果集中的两张剩余子图像存在重叠区域。可以理解地，至少两类检测结果集还可包括4个检测结果集，在此不再详述。
39.步骤14：对检测结果集进行去重处理，得到目标检测结果。
40.在获取到检测结果集之后，采用去重方法对至少一个检测结果集进行处理，得到去重处理后的检测结果集；然后将该去重处理后的检测结果集与无需进行去重处理的检测结果集进行融合，生成目标检测结果集，该目标检测结果为待处理图像中所有待检测目标的位置信息。例如，以检测结果集的数量为3个为例，分别记作a1-a3，可以分别对检测结果集a1与检测结果集a2进行去重处理，生成检测结果集b1与检测结果集b2，然后将检测结果集b1、检测结果集b2以及检测结果集a3叠加，组成一个大的检测结果集(即目标检测结果)。
41.本实施例提供了一种基于大尺寸航拍图像的目标检测方法，采用将大尺寸航拍图像切割成多个子图像的预处理方法，然后将每个子图像输入预先训练好的目标检测模型，以生成子检测结果；然后利用每个待检测目标是否出现在不同的子图像中，对所有子检测结果进行分类；再对分类后得到的检测结果集进行去重处理，得到最终的目标检测结果；由于对大尺寸航拍图像进行了切割，使得目标检测模型处理的图像的尺寸大幅下降，因此能够缩短目标检测模型直接对大尺寸航拍图像进行检测所花费的时间，有助于提升对大尺寸航拍图像进行目标检测的效率，便于应用在计算力有限的嵌入式设备或者移动端设备中；而且，由于在切割图像时，保证大尺寸航拍图像中的每个待检测目标均出现在至少一个子图像中，因此有效地避免发生目标漏检，提升了对大尺寸航拍图像进行目标检测的准确率。
42.请参阅图2，图2是本技术提供的目标检测方法另一实施例的流程示意图，该方法包括：
43.步骤21：获取待处理图像。
44.步骤21与上述实施例中步骤11相同，在此不再赘述。
45.步骤22：采用预设尺寸的滑动窗口以预设步长对待处理图像进行切割，得到多张子图像。
46.由于大尺寸的待处理图像难以直接进行模型推理的操作，因此对待处理图像进行
切割操作，拆分成多个小尺寸的子图像后分别送入目标检测模型进行推理；具体地，采用相关技术中的滑窗法对待处理图像进行切割，滑动窗口的尺寸与子图像的尺寸相同，即子图像的尺寸为预设尺寸；而且，滑动的步长为预设步长，该预设步长满足预设条件。
47.在一具体的实施例中，可统计训练数据中标注目标的尺寸情况，对尺寸分布情况进行分析，找到最大的尺寸；具体地，在标注目标的目标框为矩形的应用场景中，计算训练数据中所有标注目标的的对角线长度的最大值，得到预设长度；计算子图像的长与预设长度之间的差值；判断预设步长是否小于差值；若预设步长小于差值，则确定预设步长满足预设条件。
48.例如，假设训练数据中标注目标的总数为p个，目标框的长为wi(i＝0,1,2,...,p)，目标框的宽为hi(i＝0,1,2,..,p)，采用如下公式计算出目标框的对角线的长度：
[0049][0050]
假设切割步长为stride，待处理图像的尺寸为w
×h×
c，其中，w表示待处理图像的宽，h表示待处理图像的高，c表示待处理图像的通道数量。根据目标分布情况和目标尺寸情况，决定切割的子图像的尺寸；假设子图像的尺寸为w
′×h′×c′
；按照切割步长stride对待处理图像进行切割操作，stride需要满足如下的限定条件：
[0051]
stride《＝w
′‑
max(zi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0052]
这样才能保证所有的待检测目标都被检测到，避免漏检分布在子图像的重叠区域的待检测目标，如图3与图4所示。
[0053]
由图3可以看出，当stride》w
′‑
max(zi)时，待检测目标(即object)位于两个子图像(子图像1和子图像2)的边界上，且对角线的长度大于重叠区域的宽度，此时待检测目标无法从子图像1和子图像2中的任何一个子图像中检测到，最终导致该待检测目标被漏检。
[0054]
由图4可以看出，当stride《＝w
′‑
max(zi)时，出现三种目标的分布情况，下面分别进行讨论：
[0055]
1)如果待检测目标(如：object1)位于子图像2的左边界上，则该待检测目标处在子图像1的切割区域中，将能够从子图像1中检测到。
[0056]
2)如果待检测目标(如：object2)位于子图像1和子图像2的重叠区域中，则该待检测目标同时处在两个子图像的切割区域中，将能够从子图像1和子图像2中检测到，此时该待检测目标存在两个位置检测结果，位置检测结果分别相对于子图像1和子图像2的左上角顶点，在最后进行目标信息融合时需要进行去重处理，具体操作将在后续方案中描述。
[0057]
3)如果待检测目标(如：object3)位于子图像1的右边界上，则该待检测目标处在子图像2的切割区域中，能够从子图像2中检测到。
[0058]
综上所述，不管待检测目标位于哪个位置，都可以保证该待检测目标至少被检测到一次，有效地避免了目标漏检的情况。
[0059]
步骤23：对子图像进行目标检测处理，得到子检测结果。
[0060]
步骤23与上述实施例步骤12相同，在此不再赘述。
[0061]
在完成对所有子图像的检测后，由于每个子检测结果是相互独立的，因此需要对每个子图像的子检测结果进行融合，以作为待处理图像的目标检测结果输出，下面进行详细描述。
[0062]
步骤24：将第一子位置信息转换为第二子位置信息。
[0063]
子检测结果包括第一子位置信息，每一个子图像的第一子位置信息都是相对于该子图像的检测结果，待检测目标的位置信息是相对于每个子图像的左上角顶点的坐标值，因此需要将其转换为相对于大图(即待处理图像)的位置信息，即对第一子位置信息进行坐标转换处理，生成第二子位置信息，该第二子位置信息为第一子位置信息对应的待检测目标在待处理图像中的位置信息。
[0064]
在一具体的实施例中，采用的平面直角坐标系如图5所示，由于检测框为矩形，因此只需确定待检测目标的左上角坐标(x0,y0)和右下角坐标(x1,y1)即可。
[0065]
假设待处理图像的图像尺寸为w
×h×
c，子图像的图像尺寸为w
′×h′×c′
，切割步长为stride，沿着x轴方向切割得到的子图像的个数如下所示：
[0066][0067]
其中，int表示向下取整操作。
[0068]
沿着y轴方向切割得到的子图像的个数如下所示：
[0069][0070]
假设子图像中的待检测目标的位置记作[(x0,y0),(x1,y1)]，对于每一个子图像中的待检测目标来说，其在大图中的位置记作[(x
min
,y
min
),(x
max
,y
max
)]，计算方式如下所示：
[0071]
x
min
＝i
×
stride x
0 (i＝0,1,2,...,n
x
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0072]ymin
＝i
×
stride y
0 (i＝0,1,2,...,ny)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0073]
x
max
＝i
×
stride x
1 (i＝0,1,2,...,n
x
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0074]ymax
＝i
×
stride y
1 (i＝0,1,2,...,ny)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0075]
最终，通过上述操作得到所有待检测目标相对于大图的位置信息，这个位置信息是统一的，它以整个大图的左上角为顶点进行计算；可对每个待检测目标的检测框进行标记，给它们赋值一个目标标识(identification，id)，以便区分不同的检测框。
[0076]
步骤25：基于第二子位置信息，判断至少两张子图像是否存在同一待检测目标。
[0077]
由于每一张子图像中的待检测目标的位置都可以转化成相对于大图的位置信息；对于大图来说，在切割步长确定的情况下，大图中的重叠区域的位置信息是确定的，且重叠区域的位置信息能够计算出来；因此在对子图像中的待检测目标进行分类时，可判断子图像中待检测目标对应的第二子位置信息是否落在重叠区域，如果该第二子位置信息落在重叠区域，则表明该待检测目标位于重叠区域，此时可确定至少两张子图像存在同一待检测目标；如果该第二子位置信息未落在重叠区域，则表明该待检测目标未位于重叠区域，此时可确定待检测目标仅出现在一张子图像中。
[0078]
在其他实施例中，还可计算子图像中待检测目标对应的第二子位置信息与其他子图像中待检测目标对应的第二子位置信息之间的相似度；判断相似度是否小于预设相似度；若该相似度小于预设相似度，则确定至少两张子图像存在同一待检测目标。或者，判断第二子位置信息对应的子图像是否与其他第二子位置信息对应的子图像存在重叠区域；若第二子位置信息对应的子图像与其他第二子位置信息对应的子图像存在重叠区域，则确定
至少两张子图像存在同一待检测目标。
[0079]
步骤26：若至少两张子图像存在同一待检测目标，则将待检测目标对应的子检测结果放入第一检测结果集。
[0080]
至少两类检测结果集包括第一检测结果集与第二检测结果集，如果某一个待检测目标出现在至少两张子图像中，则将包括该待检测目标的子图像的子检测结果均放入第一检测结果集。
[0081]
步骤27：若同一待检测目标未出现在至少两张子图像中，则将待检测目标对应的子检测结果放入第二检测结果集。
[0082]
通过步骤25-步骤27的处理，实现了将所有待检测目标分为重叠区域目标和非冲重叠区域目标两大类，重叠区域目标是位于不同子图像的重叠区域中的目标，比如：图4所描述的类似于object2的目标，将它们的目标框结果(即子检测结果)保存在第一检测结果集中，以便后续执行去重操作；非重叠区域目标是没有位于子图像的重叠区域的目标，将它们的子检测结果保存在第二检测结果集中，比如：图4所描述的类似于object3的目标。
[0083]
步骤28：对第一检测结果集进行去重处理，得到第三检测结果集。
[0084]
相比于一般的去重操作，本实施例并非对整张待处理图像进行去重处理，而是只针对不同子图像的重叠区域进行非极大值抑制操作，原因在于：待处理图像中的待检测目标可能分布密集，例如：高空无人机拍摄到的停车场的图像，且切割生成的子图像的数量较多，导致检测到的待检测目标的数量很多；非极大值抑制算法的核心思想是迭代-遍历-消除，因此整个处理过程耗时较长；而本实施例通过减少需要去重的区域，可以有效地减少目标检测模型的后处理时间，提高实时性的性能指标。
[0085]
位于不同子图像的重叠区域中的待检测目标具有唯一的id，并且这些待检测目标被单独保存在第一检测结果集中。由于常用的非极大值抑制算法(non-maximum suppression，nms)在处理密集目标时，容易将得分较低的目标移除，导致目标丢失，降低了算法的平均检测率，因此本实施例采用soft
–
nms进行去重处理。具体地，第一检测结果集包括至少两个待检测目标的检测框，采用软化非极大值抑制法(soft non-maximum suppression，soft-nms)对第一检测结果集中的所有检测框进行去重处理，得到第三检测结果集，以去除第一检测结果集中重复检测出的位置信息，得到重叠区域去重后的检测框的集合(即第三检测结果集)。例如，如图6所示的去除重复的检测框的示意图，object1与object2为待检测目标，h采用soft-nms对重叠区域的检测框进行去重处理，其中，重叠区域的实线框(即h2与h3)为对子图像1进行检测生成的检测框，重叠区域的实线框(即h1与h4)为对子图像2进行检测生成的检测框。
[0086]
进一步地，soft-nms的实现原理如图7所示，其中，b代表初始检测框结果的集合，s代表检测的置信度得分，n
t
代表交并比(intersection of union，iou)阈值，m代表得分最高的检测框，表示一个高斯权重函数，其数学表达式如下所示：
[0087][0088]
soft-nms算法将当前检测框的置信度得分与权重函数相乘，权重函数将衰减与最高得分的检测框m有重叠的相邻检测框的得分，越是与检测框m高度重叠的检测框其得分衰减越严重，soft-nms的具体原理与相关技术中相同，在此不再详述。
[0089]
步骤29：对第二检测结果集与第三检测结果集进行融合，得到目标检测结果。
[0090]
将步骤28得到的重叠区域去重后的子检测结果的集合和步骤27中得到的非重叠区域的子检测结果的集合相加，以作为整张大图的目标检测结果输出。
[0091]
本实施例提出的将大图切割成子图像的预处理方法，在制定切割策略时充分考虑了训练数据中标注目标的目标框的尺寸分布情况，用训练数据中标注目标的目标框的尺寸，来预估计待处理图像中待检测目标的检测框的尺寸，可以制定合理的切割步长，避免待检测目标位于子图像的切割线上，从而有效地避免了目标漏检的情况。而且，本实施例在后处理的区域上进行了改进，只对子图像的重叠区域进行非极大值抑制的去重操作，减少了计算量，有效地减少了目标检测模型后处理的时间，能够提升对大图进行目标检测的效率。
[0092]
请参阅图8，图8是本技术提供的目标检测装置一实施例的结构示意图，目标检测装置80包括互相连接的存储器81和处理器82，存储器81用于存储计算机程序，计算机程序在被处理器82执行时，用于实现上述实施例中的目标检测方法。
[0093]
请参阅图9，图9是本技术提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质90用于存储计算机程序91，计算机程序91在被处理器执行时，用于实现上述实施例中的目标检测方法。
[0094]
计算机可读存储介质90可以是服务端、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。
[0095]
在本技术所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，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。
[0096]
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方式方案的目的。
[0097]
另外，在本技术各个实施方式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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0098]
以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。