在线手写文本合成方法、装置和存储介质与流程

1.本技术涉及智能书写技术领域，更具体地涉及一种在线手写文本合成方法、装置和存储介质。


背景技术：

2.阅读和写作在人类生活中扮演着极其重要的角色，分别对应于从世界输入信息和向世界输出信息。因此，如何赋予机器阅读(即手写文本识别)和书写(即手写文本生成)技术的问题引起了广泛关注。
3.当前对于手写文本识别的准确性已经得到极大的提升，但是对于手写数据的合成，由于书写者的笔迹风格、书写内容内部断开和连接的样式混合、字形使用的变换、字符间距和倾斜等，很难定义或预测字符特定的外观表征，使得合成逼真的手写数据具有挑战性。
4.一般来说，手写数据通常有两种表征方式：一种是将其视为对齐的像素如写在纸上的静态图像；另一种将其表示为笔画序列即书写轨迹。这两种表示方式分别对应于离线手写数据和在线手写数据。在线手写数据通常包含更多信息(如时间信息)，可以转换为离线数据，重点是在实际书写过程中，人们通常是预先按照定义的顺序一笔一笔的绘制笔画来书写一个字符，而不是一次产生一幅图像。在实际的在线数据应用场景时，对于在线手写数据的采集和标注成本昂贵，因此对于在线手写数据的合成是一项具有挑战且充满前景的任务。


技术实现要素：

5.根据本技术一方面，提供了一种在线手写文本合成方法，所述方法包括：获取输入文本输入到训练好的、基于注意力机制的手写文本合成模型，由所述模型中的编码器输出隐状态特征；基于所述模型的注意力机制将所述隐状态特征变换为上下文特征，所述上下文特征能够指示待解码笔迹点所属的字符；将所述上下文特征输入到所述模型中的解码器，由所述解码器输出所述输入文本的在线手写笔迹点。
6.在本技术的一个实施例中，在获取所述输入文本时还获取书写风格信息，所述解码器还基于所述书写风格信息输出所述输入文本的在线手写笔迹点。
7.在本技术的一个实施例中，所述编码器包括双向长短时记忆网络，所述编码器输出的所述隐状态特征包括n个隐藏向量，每个所述隐藏向量是前向状态和后向状态的串联，所述n大于或等于所述输入文本包含的字符的数量。
8.在本技术的一个实施例中，所述解码器每隔一个时间步长解码一次，每次解码输出一个笔迹点的位置偏移坐标和所述笔迹点的笔迹状态。
9.在本技术的一个实施例中，所述笔迹点的笔迹状态包括：笔画未结束状态、笔画结束状态、全部文本结束状态。
10.在本技术的一个实施例中，所述解码器在每次解码时，预测当前笔迹点相对于前
一个笔迹点的相对位置的高斯混合分布，并对所述高斯混合分布进行采样，得到所述当前笔迹点的所述位置偏移坐标。
11.在本技术的一个实施例中，所述解码器在每次解码时，将前一个预测输出、当前的所述上下文特征和书写风格信息这三者拼接得到拼接特征，根据所述拼接特征得到解码器隐状态特征，根据所述解码器隐状态特征得到线性映射特征，并根据所述线性映射特征得到当前预测输出。
12.在本技术的一个实施例中，所述解码器包括双向长短时记忆网络。
13.在本技术的一个实施例中，所述基于注意力机制的手写文本合成模型是通过如下方式训练得到的：第一阶段：将训练集中的手写文本笔迹点渲染成离线图片数据，基于所述离线图片数据训练基于注意力机制的序列到序列模型，得到基于注意力机制的图片文本行识别模型，使所述第一阶段获得针对单个字符对应的原图上的注意力位置信息；第二阶段：训练手写文本合成模型，在训练过程中，以所述第一阶段获得的所述注意力位置信息作为监督信号对所述手写文本合成模型进行监督训练，得到所述基于注意力机制的手写文本合成模型。
14.在本技术的一个实施例中，在训练所述手写文本合成模型时还基于书写者标识信息，所述书写者标识信息对应的书写者的手写文本笔迹点包括在所述第一阶段的训练集中。
15.根据本技术另一方面，提供了一种在线手写文本合成装置，所述装置包括：编码器模块，用于获取输入文本，并基于所述输入文本输出隐状态特征；注意力模块，用于基于注意力机制将所述隐状态特征变换为上下文特征，所述上下文特征能够指示待解码笔迹点所属的字符；解码器模块，用于基于所述上下文特征输出所述输入文本的在线手写笔迹点。
16.根据本技术再一方面，提供了一种在线手写文本合成装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行上述在线手写文本合成方法。
17.根据本技术又一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时，执行上述在线手写文本合成方法。
18.根据本技术实施例的在线手写文本合成方法、装置和存储介质采用训练好的基于注意力机制(attention)的手写文本合成模型针对输入文本合成在线手写笔迹点(也称为轨迹点)，由于注意力模块输出的上下文特征指示待解码笔迹点所属的字符，使得解码器在解码当前笔迹点时能够更精确的定位到是由输入的哪个字符起决定作用的，这样能生成较稳定的手写文本行。
附图说明
19.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
20.图1示出合成手写文本具有挑战性的因素示意图。
21.图2示出基于笔画序列表示的汉字的示意图。
22.图3示出根据本技术实施例的在线手写文本合成方法的示意性流程图。
23.图4示出根据本技术实施例的在线手写文本合成方法中基于注意力机制的手写文本合成模型的训练的第一阶段的示意图。
24.图5示出根据本技术实施例的在线手写文本合成方法中基于注意力机制的手写文本合成模型的训练的第二阶段的示意图。
25.图6示出根据本技术一个实施例的在线手写文本合成装置的示意性结构框图。
26.图7示出根据本技术另一个实施例的在线手写文本合成装置的示意性结构框图。
具体实施方式
27.为了使得本技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术中描述的本技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本技术的保护范围之内。
28.对于手写数据的合成，由于书写者的笔迹风格、书写内容内部断开和连接的样式混合、字形使用的变换、字符间距和倾斜等，很难定义或预测字符特定的外观表征，如图1所示，使得合成逼真的手写数据具有挑战性。手写数据通常有两种表征方式：一种是将其视为对齐的像素如写在纸上的静态图像；另一种将其表示为笔画序列即书写轨迹，如图2所示。这两种表示方式分别对应于离线手写数据和在线手写数据。在实际的在线数据应用场景时，对于在线手写数据的采集和标注成本昂贵，因此对于在线手写数据的合成是一项具有挑战且充满前景的任务。
29.随着电子工程的飞速发展，人们越来越多地使用基于手写笔的设备，如智能手机、白板或平板电脑，以数字墨水形式书写文本(在线数据)，易于处理和操作。然而，尽管在手写识别方面取得了可喜的进展，但在在线数据合成的手写文本仍然相对较少被利用，根本原因在线数据合成基于笔迹点序列生成模型。序列生成模型学习在机器学习中是一项长期存在的挑战，前期属于动态贝叶斯领域，后续发展中由循环神经网络(rnn)进行处理。尽管存在一些针对手写文本而设计的基于rnn的生成模型，这些模型的合成文本与正常人类书写相比仍存在很多问题。生成对抗网络(gan)旨在生成手写文本的逼真图像，研究者将其应用于光学字符识别中，通过双向长短时记忆(bilstm)网络循环层获取对应字符的词嵌表征并送入生成器网络，但该方法不能直接合成在线手写文本，尽管该方法生成的图像逼真，但从图像到数字笔画的转换需要有效的ink grab算法。目前已有研究者将变分自编码器(vae)应用到rnn中，通过生成语音和在线数据进行了实验验证，但该方案合成的手写数据不够真实；alex grave提出了一个基于rnn的生成器模型来模拟手写数据进行在线文本轨迹点合成，合成结果不稳定且无法合成特定风格的手写文本数据。
30.基于上述问题中的至少一项，本技术提供一种在线手写文本合成方案。下面结合图3到图7来示例性地描述。
31.图3示出根据本技术实施例的在线手写文本合成方法300的示意性流程图。如图3所示，在线手写文本合成方法300可以包括如下步骤：
32.在步骤s310，获取输入文本输入到训练好的、基于注意力机制的手写文本合成模
型，由模型中的编码器输出隐状态特征。
33.在步骤s320，基于模型的注意力机制将隐状态特征变换为上下文特征，上下文特征能够指示待解码笔迹点所属的字符。
34.在步骤s330，将上下文特征输入到模型中的解码器，由解码器输出输入文本的在线手写笔迹点。
35.在本技术的实施例中，采用训练好的基于注意力机制(attention)的手写文本合成模型针对输入文本合成在线手写笔迹点(也称为轨迹点)。其中，该手写文本合成模型包括编码器、注意力模块和解码器。编码器针对输入文本提取特征，输出隐状态特征；注意力模块将隐状态特征变换为上下文特征，指示待解码笔迹点的类别信息(即待解码笔迹点所属的字符)，解码器基于每个待解码笔迹点对应的上下文特征分别对每个待解码笔迹点各自进行解码，得到每个待解码笔迹点的相对位置和笔迹状态，最终得到整个输入文本的在线手写笔迹点。由于注意力模块输出的上下文特征指示待解码笔迹点所属的字符，使得解码器在解码当前笔迹点时能够更精确地定位到是由输入的哪个字符起决定作用的，这样能生成较稳定的手写文本行。
36.在本技术的进一步的实施例中，在步骤s310中获取输入文本时还可以获取书写风格信息，基于此，在步骤s330解码器还可以基于书写风格信息输出输入文本的在线手写笔迹点。在该实施例中，在解码端加入了书写风格信息(例如某个手写人id对应的特征信息)，因此能够生成具有特定风格的在线手写数据。
37.下面结合图4和图5描述根据本技术实施例的在线手写文本合成方法中基于注意力机制的手写文本合成模型的训练过程。其中，图4示出根据本技术实施例的在线手写文本合成方法中基于注意力机制的手写文本合成模型的训练的第一阶段的示意图。图5示出根据本技术实施例的在线手写文本合成方法中基于注意力机制的手写文本合成模型的训练的第二阶段的示意图。
38.首先，在本技术的实施例中，训练数据可以来自于电子终端设备(如平板办公本、智能手机、白板或平板电脑等)上采集的轨迹点数据。接下来可以对训练数据进行预处理：第一步输入数据为文本内容，标签为文本对应的一系列按时间排序的笔画点，每个笔画点由平板设备上(x,y)坐标和笔抬起事件组成，笔坐标是受屏幕分辨率限制的整数值，当笔从屏幕上抬起时，笔抬起事件的状态记为1，否则为0。手写样本被正式定义为其中x
t
是笔画点，t是笔画点数。在实际模型训练中，某一时刻的输入数据笔迹点定义为当前时刻笔画坐标点和上一时刻笔画坐标点的相对位置，由实值对x＝(x1,x2)以及一个二进制表示x3组成，如果当前笔画结束x3＝1，否则值为0。同时对于输入数据进行预处理操作，包括：统计出所有笔迹点偏移的全局均值和方差(global_mean,global_var)，用公式表示为如下：x＝(x-global_mean)/global_var。
39.接着，可以构建attention监督信号训练网络。具体的，对于该网络的训练数据，对于给定的在线手写文本训练集，根据其坐标点和笔画顺序，将其渲染成离线图片数据，根据离线图片数构建基于序列到序列(sequence to sequence)ed模型，训练基于attention的图片文本行识别模型来识别离线图片中的文本内容，模型训练稳定后，获取识别结果的单个字符在离线原图的attention位置信息，并将该位置信息与原始离线坐标点对应，进而得到在原始坐标点上单个字符所对应的坐标点，即对应于在线坐标点中每个坐标点的类别信
息，具体如图4所示。
40.如图4所示，手写文本“as though”的轨迹点数据被渲染成离线图片，其输入到图片文本行识别模型的编码器中。图片文本行识别模型的编码器包括卷积神经网络(cnn)和双向长短时记忆网络(bilstm)，编码器输出隐状态特征hc。图片文本行识别模型的解码器包括bilstm，其输出内容经过分类器softmax输出文本识别结果“as though”。然后，可以获取手写文本“as though”每个字符在离线原图中的位置信息，如图4所示的attention位置对其监督信息，并将该位置信息与原始离线坐标点对应，进而得到在原始坐标点上单个字符所对应的坐标点，即对应于在线坐标点中每个坐标点的类别信息。上述结合图4描述的过程即为训练过程的第一阶段。
41.在第二阶段，构建从文本到轨迹点的生成网络。网络包括编码器、解码器和注意力模块，其中编码器和解码器均由一层双向lstm网络构成。对于输入文本字符xc＝{c1,c2,...,cn}，编码器将其编码为隐状态hc＝encc(xc)，其中hc由n个隐藏向量组成，每个隐藏向量是前向状态和后向状态的串联，n大于或等于输入文本包含的字符的数量n。在解码阶段，为了使得解码端输入信息与当前解码轨迹点的类别最相关，本技术的方案中在内容编码器和解码器之间引入注意力机制，在解码时间步长t时刻，解码器的输入内容(即前文所述的上下文特征)为c
t
＝attention(hc；h
t-1
)，其中h
t-1
是上一时间步长的解码器隐藏状态，attention(
·
)是一种注意力机制。其中c
t
在训练阶段引入前述第一阶段中得到的单个坐标点的类别信息作为监督信号进行监督训练。
42.在上述网络中，解码器是可以包括一层双向lstm网络。解码器分别根据前一个预测输出和来自内容编码器的当前内容信息(即前文所述的上下文特征)预测下一个点。在当前解码时刻t，训练阶段，前一时刻预测样本标签p
t-1
与内容输出c
t
进行拼接得到a
t
＝[p
t-1
；c
t
]，用于得到当前时刻解码器隐状态h
t
＝dec(h
t-1
；a
t
)；最后，将h
t
通过线性层映射到o
t
来预测输出笔迹点p
t
。总体上，解码器可以每隔一个时间步长解码一次，每次解码输出一个笔迹点的位置偏移坐标和该笔迹点的笔迹状态，作为本次的预测输出，具体如图5所示。
[0043]
如图5所示，输入文本“as though”编码成one-hot向量，其输入到手写文本合成模型的编码器中。手写文本合成模型的编码器的bilstm获取输入词嵌(input embedding)特征，输出隐状态特征hc。手写文本合成模型的解码器包括bilstm，其输出内容经过高斯混合模型(gmm)和分类器softmax，输出手写文本笔迹点“as though”。其中，在训练手写文本合成模型的过程中，以前文所述的第一阶段获得的注意力位置信息作为监督信号对手写文本合成模型进行监督训练。此处，高斯混合模型(gmm)是用于对笔迹点的位置偏移(dx；dy)进行建模(例如解码器可以使用具有r双变量正态分布的gmm对笔迹点的位置偏移进行建模)。其中，这样，解码器每在次解码时，可以预测当前笔迹点相对于前一个笔迹点的相对位置的高斯混合分布，并对该高斯混合分布进行采样，得到当前笔迹点的位置偏移坐标。关于分类器softmax，在本技术的实施例中，解码器可以使用三类别分类器(即softmax层)对点状态类别(p1；p2；p3)进行建模。基于此，笔迹点的笔迹状态可以包括：笔画未结束状态(即p1)、笔画结束状态(即p2)、全部文本结束状态(即p3)。
[0044]
此外，图5所示的示例中，还示出了书写者标识(id)信息，该信息对应于该书写者的书写风格信息，加入此信息训练手写文本合成模型，可以让模型隐式地学习到书写者书写的风格特征。在该实施例中，在当前解码时刻t,训练阶段，前一时刻预测样本标签p
t-1
与
内容输出c
t
以及书写着id信息d
t
进行拼接得到a
t
＝[p
t-1
；c
t
；d
t
]，用于得到当前时刻解码器隐状态h
t
＝dec(h
t-1
；a
t
)；最后，将h
t
通过线性层映射到o
t
来预测输出笔迹点p
t
。上述结合图5描述的过程即为训练过程的第二阶段。
[0045]
总体上，本技术的基于注意力机制的手写文本合成模型是通过如下方式训练得到的：第一阶段：将训练集中的手写文本笔迹点渲染成离线图片数据，基于离线图片数据训练基于注意力机制的序列到序列模型，得到基于注意力机制的图片文本行识别模型，使第一阶段获得针对单个字符对应的原图上的注意力位置信息；第二阶段：训练手写文本合成模型，在训练过程中，以第一阶段获得的注意力位置信息作为监督信号对手写文本合成模型进行监督训练，得到基于注意力机制的手写文本合成模型。其中，在训练手写文本合成模型时还可以基于书写者标识信息，书写者标识信息对应的书写者的手写文本笔迹点包括在第一阶段的训练集中。也就是说，训练数据包含多人书写的样本，对每个样本由哪一个书写着书写进行标记，即为书写者标识信息，这样让模型隐式地学习到书写者书写的风格特征。
[0046]
基于上述的训练过程，在实际使用中，模型经过训练收敛后得到最终的手写文本(轨迹点)合成模型，将测试文本序列经过图5中的编码器得到输入文本的编码表示；解码时，通过解码器预测的笔迹点相对位置的高斯混合分布进行采样得到模型生成的笔迹点相对位置，通过解码器的状态类预测得到笔迹点的笔迹状态，进而生成输入文本的在线手写轨迹点。对于生成笔迹点的风格，根据输入中书写者的id信息来控制合成的在线笔迹点的风格特征。
[0047]
基于上面的描述，根据本技术实施例的在线手写文本合成方法基本思想基于自回归神经网络rnn生成模型实现对手写轨迹点序列的生成。为了提升算法中合成手写轨迹点的稳定性，本方案中引入了注意力机制对齐策略，在训练生成模型时对attention进行监督强制对齐，得到较稳定的生成结果。由于手写文本轨迹点数据只包含轨迹点坐标和文本内容，而训练中attention对应的监督信号为当前轨迹点对应的文本信息，但在实际的数据上是没有单个字符对应的轨迹点标注信息即attention的监督信息，为了解决该问题，本方案将训练集的轨迹点渲染成离线图片数据训练并基于attention的seq2seq图片文本行识别模型，训练基于attention的图片文本行识别模型，使该阶段获得针对单个字符对应在原图上的attention位置信息，解决了在线手写数据中需要对每个轨迹点标注其对应的字符类别，节省了标注成本。此外，为了使模型生成多种风格的手写轨迹点数据，因此本方案中在训练时加入了书写者的id表征信息来指导模型生成多种风格的数据，本案中训练数据包含多人书写的样本，对每个样本由哪一个书写着书写进行标记，即为书写者id信息，这样让模型隐式的学习到书写者书写的风格特征。因此，根据本技术实施例的在线手写文本合成方法能够生成较稳定的手写文本行，还能够生成具有特定风格的在线手写数据。
[0048]
以上示例性地示出了根据本技术一方面提供的在线手写文本合成方法。下面结合图6和图7描述根据本技术另一方面提供的在线手写文本合成装置600和700，它们均能实现前文所述的根据本技术实施例的在线手写文本合成方法100，为了简洁，一些细节可以参见前文的描述，此处仅描述在线手写文本合成装置600和700的结构组成及其主要功能。
[0049]
图6示出根据本技术一个实施例的在线手写文本合成装置600的示意性结构框图。如图6所示，在线手写文本合成装置600包括编码器模块610、注意力模块620和解码器模块630。其中，编码器模块610用于获取输入文本，并基于输入文本输出隐状态特征。注意力模
块620用于基于注意力机制将隐状态特征变换为上下文特征，上下文特征能够指示待解码笔迹点所属的字符。解码器模块630用于基于上下文特征输出输入文本的在线手写笔迹点。
[0050]
根据本技术实施例的在线手写文本合成装置600可以用于实现前文所述的根据本技术实施例的在线手写文本合成方法100。因此，根据本技术实施例的在线手写文本合成装置600能够实现基于注意力机制对齐的在线手写文本轨迹合成。具体地，根据本技术实施例的在线手写文本合成装置600在训练生成模型时对attention进行监督强制对齐，得到较稳定的生成结果。此外，考虑到实际使用场景中能够生成特定风格的数据非常重要，因此其在训练时还可以加入书写着的id表征信息，模型在生成在线笔迹点数据时可以根据手写人id信息来控制风格信息。
[0051]
图7示出根据本技术另一个实施例的在线手写文本合成装置700的示意性结构框图。如图7所示，在线手写文本合成装置700可以包括存储器710和处理器720，存储器710存储有由处理器720运行的计算机程序，所述计算机程序在被处理器720运行时，使得处理器720执行前文所述的根据本技术实施例的在线手写文本合成方法100。本领域技术人员可以结合前文所述的内容理解根据本技术实施例的在线手写文本合成装置700的具体操作，为了简洁，此处不再赘述具体的细节。
[0052]
此外，根据本技术实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本技术实施例的在线手写文本合成方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
[0053]
基于上面的描述，根据本技术实施例的在线手写文本合成方法和装置提供一种基于注意力机制对齐的在线手写文本轨迹合成方案。具体地，对于给定的在线手写文本训练集，根据其坐标点和笔画顺序，将其渲染成离线图片数据；第一阶段针对离线图片数据，构建基于sequence to sequence ed模型，训练基于attention的图片文本行识别模型，使该阶段获得针对单个字符对应在原图上的attention位置信息；第二阶段训练对于轨迹点生成模型，该生成模型分为编码器、attention模块以及解码器；编码器输入为文本行字符的embedding表征，经过一层bilstm提取到输入文本字符的序列特征；解码器基于高斯混合模型(gmm)进行建模，获取轨迹坐标点相对位置的分布参数，并根据预测的分布函数进行采样获取轨迹点的相对位置。二阶段模型的训练中基于一阶段学习到的attention对生成模型的attention进行监督，使得模型在解码当前笔迹点时能够更精确的定位到是由输入的哪个字符起决定作用的，这样能生成较稳定的手写文本行。同时为了能够使生成的文本行具有风格信息，本文方案中在解码端还可以加入手写人id的特征信息，使得能够生成具有特定风格的在线手写数据。
[0054]
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本技术的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本技术的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本技术的范围之内。
[0055]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单
元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0056]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其他的方式实现。例如，以上所描述的设备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设备，或一些特征可以忽略，或不执行。
[0057]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0058]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本技术的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0059]
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0060]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0061]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些模块的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0062]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项
来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0063]
以上所述，仅为本技术的具体实施方式或对具体实施方式的说明，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以权利要求的保护范围为准。