一种高精地图构建方法、装置、存储介质及电子设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种高精地图构建方法、装置、存储介质及电子设备。


背景技术：

2.近年来，自动驾驶技术应用于越来越多的领域，而自动驾驶设备在行驶的过程中则依赖于预先构建的高精地图。
3.在构建高精地图时，对于现实世界中所存在的目标物，需要识别出其所在的位置以及所属的类型，才能添加至高精地图中。上述目标检测任务包括采用几何形状较为简单的检测框定位出交通设施在空间中的位置，以及检测框所框定出的对象进行分类。
4.现有技术通常是基于所采集到的点云或者图像识别目标物。
5.其中，基于点云的目标检测算法可以识别出精度较高的包含目标对象的检测框，但当执行分类任务时，由于点云较为稀疏，难以基于点云识别出较为精细的类别，例如现有大多数点云可以识别出目标物为交通信号灯，但难以识别出交通信号灯为箭头形交通信号灯或圆形交通信号灯。
6.而在基于图像的目标检测算法中，由于图像的像素相较于点云密度更大，在语义识别上表现较好，可以得到较为准确的分类结果，但基于图像确定目标物在现实世界中的位置时，需要先确定图像中各像素的深度，在现有技术中，可以通过机器学习模型预测图像对应的深度图，但难以保证所预测出的像素的深度的准确性，进而也会对所确定出的目标物的位置的准确性产生影响。


技术实现要素：

7.本说明书提供一种高精地图构建方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
8.本说明书采用下述技术方案：
9.本说明书提供了一种高精地图构建方法，包括：
10.获取预先采集的点云，在所述点云中识别目标对象，得到所识别出的所述目标对象的三维检测框；
11.将所述目标对象的三维检测框映射至预先采集的图像中，得到所述目标对象在所述图像中的第一检测框，并识别所述第一检测框对应的目标对象所属的交通元素类别；
12.根据所述目标对象的三维检测框，确定目标对象所在的位置；
13.根据所述目标图像所在的位置以及所述目标对象所属的交通元素类别，构建包含所述目标对象的高精地图。
14.可选地，识别所述第一检测框对应的目标对象所属的交通元素类别，具体包括：
15.在所述图像中识别所述目标对象，得到所述目标对象的第二检测框，以及所述第二检测框中目标对象所属的交通元素类别；
16.确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，当所述差异表征值满足指定条件时，将所识别出第二检测框中目标对象所属的交通元素类别作为第一检测框对应的目标对象所属的交通元素类别。
17.可选地，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，具体包括：
18.确定所述图像中所述第一检测框和所述第二检测框的重合度；
19.根据所述重合度，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值。
20.可选地，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，具体包括：
21.根据所述图像中所述第一检测框和所述第二检测框的中心点和/或角点之间的距离，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值。
22.可选地，所述图像的数量为两个以上；
23.在识别出各图像中的第一检测框对应的目标对象所属的交通元素类别之后，所述方法还包括：
24.针对每个图像，识别该图像中的第一检测框对应的目标对象所属的交通元素类别，并作为目标类别；
25.根据各目标类别确定所述目标对象所属的交通元素类别。
26.可选地，所述图像的数量为两个以上；
27.当所述差异表征值满足指定条件时，将所识别出第二检测框中目标对象所属的交通元素类别作为第一检测框对应的目标对象所属的交通元素类别，具体包括：
28.针对每个图像，判断目标对象在该图像中的第一检测框和第二检测框之间的差异表征值是否满足指定条件，若是，则将根据该图像所确定出的所述目标对象所属的交通元素类别作为目标类别；
29.根据各目标类别确定所述目标对象所属交通元素类别。
30.可选地，根据各目标类别确定所述目标对象所属交通元素类别，具体包括：
31.针对每个目标类别，确定基于各图像识别出目标对象属于该目标类别的次数；
32.将被识别出的次数最多的目标类别作为所述目标对象所属的交通元素类别。
33.可选地，将所述目标对象的三维检测框映射至预先采集的图像之前，所述方法还包括：
34.获取预先采集的各候选图像；根据所识别出的所述目标对象的三维检测框，确定所述目标对象所处的位置；
35.根据采集各候选图像时图像采集设备的采集位姿，从各候选图像中选择出包含所述目标对象的图像。
36.可选地，所述目标对象为信号灯，所述交通元素类别包括圆形信号灯、箭头信号灯、机动车信号灯、非机动车信号灯，以及行人信号灯中的至少一个。
37.本说明书提供了一种高精地图构建装置，包括：
38.点云识别模块，用于获取预先采集的点云，在所述点云中识别目标对象，得到所识别出的所述目标对象的三维检测框；
39.图像识别模块，用于将所述目标对象的三维检测框映射至预先采集的图像中，得到所述目标对象在所述图像中的第一检测框，并识别所述第一检测框对应的目标对象所属的交通元素类别；
40.位置确定模块，用于根据所述目标对象的三维检测框，确定目标对象所在的位置；
41.地图构建模块，用于根据所述目标图像所在的位置以及所述目标对象所属的交通元素类别，构建包含所述目标对象的高精地图。
42.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述高精地图构建方法。
43.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述高精地图构建方法。
44.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
45.在本说明书提供的高精地图构建方法中，基于所采集到的点云确定目标对象的位置，并结合所采集到的图像，通过将在点云中识别出的三维检测框映射到图像中的方式，确定图像中包含目标对象的子图像，以在图像中识别目标对象的交通元素类型。通过点云和图像相结合的方式，基于点云进行位置识别，并基于图像进行语义识别，能够提高所识别出的目标对象的位置和交通元素类别的准确性。
附图说明
46.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
47.图1为本说明书中一种高精地图构建方法的流程示意图；
48.图2为本说明书提供的一种第一检测框和第二检测框的示意图；
49.图3为本说明书提供的一种高精地图构建装置的示意图；
50.图4为本说明书提供的电子设备的结构示意图。
具体实施方式
51.本说明书提供一种高精地图构建方法，摒弃了仅根据点云或图像之一来进行目标检测，而是结合所采集到的点云和图像，通过在点云中识别三维检测框的方式确定目标对象的位置，并通过将三维检测框映射到图像中的方式，在图像中识别目标对象的交通元素类型。
52.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
53.以下结合附图，详细说明本说明书各实施例提供的技术方案。
54.图1为本说明书中一种高精地图构建方法的流程示意图，具体包括以下步骤：
55.s100：获取预先采集的点云，在所述点云中识别目标对象，得到所识别出的所述目标对象的三维检测框。
56.本说明书所提供的高精地图构建方法可以由服务器或终端设备执行，其中，当执行主体为服务器时，所述服务器可以为任一现有的服务器，例如集群式服务器、分布式服务器等，当执行主体为终端设备时，所述终端设备可以为任一现有的电子设备，例如笔记本电脑、平板电脑、移动设备等，本说明书对此不作限制。以下，本说明书以执行主体为服务器为例进行说明，并将所述服务器称作建图平台。
57.在执行步骤s100之前，需要在所要构建高精地图的现实区域中进行数据采集。
58.本说明书中，所采集到的数据包括点云，所述点云可以通过诸如激光雷达、毫米波雷达等点云采集设备采集到，此外，本说明书所提供的高精地图构建方法还需要结合图像来确定目标物所属的交通元素类型，因此，所采集的数据中还需要包括图像，所述为预先通过诸如相机等图像采集设备采集得到的。
59.可以将点云采集设备和图像采集设备固定在某一指定载体上，然后，可以述点云采集设备和图像采集设备进行联合标定，得到所标定出的所述点云采集设备和所述图像采集设备之间的标定矩阵，所述标定矩阵即为点云采集设备所采集到的点云坐标系与所述图像采集设备所采集到的图像的图像坐标系之间的旋转平移矩阵。
60.然后，即可在所述指定载体的带动下在所要构建高精地图的现实区域中进行点云和图像的采集。本说明书一实施例中，所述点云采集设备都会记录采集点云时自身的位姿，作为所采集到的点云的位姿，相应的，所述图像采集设备则会记录采集图像时自身的位姿，作为所采集到的图像的位姿。
61.本说明书一实施例中，建图平台所获取到的点云可以为一帧点云，也可以是点云采集设备所预先采集到的若干张点云帧拼接得到的三维场景点云，也就是将在不同位置获取的点云帧，根据各点云帧的位姿放置与同一坐标系下以得到所述三维场景点云，通常来说，在拼接之前还需要对各帧点云之间进行配准，本说明书实施例中可以采用任一现有方式进行点云的拼接，本说明书对此不作限制。仅示例性的，以下以所述点云为拼接后的三维场景点云为例进行说明。
62.然后，在所述点云中识别目标对象。
63.本说明书实施例中，目标对象为某一类型的交通元素。所述交通元素类型可以包括交通信号灯、交通标识牌、交通护栏等等，更进一步的，所述交通元素类型可以为至少两级交通元素类型，以交通信号灯为例，当所述目标对象所属的交通元素类型为交通信号灯时，所述目标对象所属的交通元素类型可以为圆形信号灯、箭头信号灯之一，也可以为机动车信号灯、非机动车信号灯，以及行人信号灯之一。当然，以上仅为示例，当所述目标对象所属的交通元素类型为交通信号灯时还可以为其他类型的交通信号灯，而相应的，若所述目标对象所属的交通元素类型为交通标识牌等，目标对象所属的交通元素类型也可以为若干种交通标识牌中的一种。
64.以上仅对目标对象为何种实体进行说明，在本说明书实施例中，基于所述点云进行目标识别时，可以仅识别所述目标对象的三维检测框，而不识别所述目标对象所属的交通元素类型，即可以不基于点云进行语义识别。
65.这是由于点云中的点相较于图像中的像素分布较为稀疏，基于点云识别目标对象所述的交通元素类别的准确性较差，但点云的位置精度相较于图像深度较高，因此，可以确定目标对象在所述点云中的三维检测框，从而将所述三维检测框所框定出的目标对象的点
云的位置，作为所述目标对象的位置。
66.可以采用任一现有的基于点云的目标检测算法执行上述在点云中对目标对象的识别，所述目标检测算法可以任一现有的机器学习模型，例如可以为单步多框检测器(single shot multibox detector，ssd)、自集成单级目标检测器(self-ensembling single-stage object detector，se-ssd)等等。
67.本说明书实施例中，所识别出的目标对象的三维检测框可以为形状较为简单的几何框，更进一步的，所述三维检测框可以为立方体形的检测框。
68.本说明书一实施例中，在确定出所述目标对象的三维检测框之后，可以从预先采集的各候选图像中，筛选出本说明书中所述的图像，具体的，可以获取预先采集的各候选图像，然后，根据所识别出的所述目标对象的三维检测框，确定所述目标对象所处的位置，接着，根据采集各候选图像时，图像采集设备的采集位姿，从各候选图像中选择出包含所述目标对象的图像。其中，由于可以获知采集每张候选图像时，图像采集设备的采集位姿，并且可以获知所述图像采集设备的视场角，因此可以确定包含所述目标对象的图像。
69.s102：将所述目标对象的三维检测框映射至预先采集的图像中，得到所述目标对象在所述图像中的第一检测框，并识别所述第一检测框对应的目标对象所属的交通元素类别。
70.然后，可以将步骤s100中所确定出的目标对象的三维检测框映射至通过上述方式预先采集的图像中。
71.具体的，可以确定所述三维检测框的三维坐标，然后，根据所述点云采集设备和所述图像采集设备之间的标定矩阵，确定出所述三维检测框在图像坐标系中的二维坐标，得到所映射出的二维检测框，作为所述目标对象在所述图像中的第一检测框。
72.因此，可以认为，由于第一检测框是通过框定出目标对象的点云的三维检测框映射得到的，因此第一检测框所框定出的子图像中包括目标对象。
73.接着，可以采用任一现有的基于图像的目标检测算法识别第一检测框所框定出的子图像中的目标对象，得到所识别出的目标对象所属的交通元素类型，例如卷积神经网络区域特征检测算法(regions with cnn features，cnn)、更快的卷积神经网络区域特征检测算法(faster regions with cnn features，faster-rcnn)、实时对象检测算法(you only look once，yolo)等机器学习模型。
74.其中，可以预先设定有如步骤s100中所述的各交通元素类型作为所述目标检测算法的可输出类别，例如可以包括交通信号灯、交通标识牌等，还可以更进一步地设定有诸如圆形交通信号灯、箭头形交通信号灯，以及机动车信号灯、非机动车信号灯，以及行人信号灯等等。
75.在基于图像进行识别时，则可以输出所述目标对象属于各交通元素类型的概率分布，根据所述概率分布确定目标对象所属的交通元素类型，例如，可以将概率最大的交通元素类型作为所述目标对象所属的交通元素类型。
76.此外，本说明书一实施例中，所述图像的数量可以为两个以上。此时，针对每个图像，均可以采用上述方式得到三维检测框在该图像上映射出的第一检测框，并通过上述任一方式识别所述第一检测框对应的目标对象所属的交通元素类别，得到基于该图像所识别出的目标对象所属的交通元素类别并作为目标类别。
77.然后，可以据各目标类别确定所述目标对象所属交通元素类别。例如，可以从各目标类别中选择出一个目标类别作为所述目标对象所述的交通元素类别。
78.s104：根据所述目标对象的三维检测框，确定目标对象所在的位置。
79.s106：根据所述目标图像所在的位置以及所述目标对象所属的交通元素类别，构建包含所述目标对象的高精地图。
80.在通过上述任一方式得到目标对象的三维检测框之后，即可获知所述目标对象所在的位置。具体的，可以认为所述三维检测框所框定出的点云即为目标对象的点云，因此，根据所述三维检测框所框定出的点云的位置可以确定出所述目标对象的位置。
81.接着，即可将确定出所属的交通元素类别的目标对象，根据目标对象的位置，将目标对象添加至高精地图中，得到所构建出的包含所述目标对象的高精地图。
82.基于上述如图1所示的方法，基于所采集到的点云确定目标对象的位置，并结合所采集到的图像，通过将在点云中识别出的三维检测框映射到图像中的方式，确定图像中包含目标对象的子图像，以在图像中识别目标对象的交通元素类型。通过点云和图像相结合的方式，基于点云进行位置识别，并基于图像进行语义识别，提高了所识别出的目标对象的位置和交通元素类别的准确性。
83.此外，本说明书另一实施例中，还可以并不直接将所述第一检测框所框定出的子图像视作包括目标对象的子图像，而是在所述图像中识别所述目标对象，得到所述目标对象的第二检测框，此时，可以将所述第二检测框所框定出的子图像视作包含所述目标对象的子图像，然后，可以识别所述第二检测框中目标对象所属的交通元素类别。
84.接着，可以确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，当所述差异表征值满足指定条件时，将所识别出第二检测框中目标对象所属的交通元素类别作为第一检测框对应的目标对象所属的交通元素类别。
85.相比于上述直接从映射得到的第一检测框中识别目标对象所属的交通元素类别，由于第二检测框所框定的子图像中包含目标对象的可能性更高，因此识别第二检测框所框定出的子图像更能够保证所识别出的目标对象所属的交通元素类别的准确性。而确定第一检测框和第二检测框之间的差异表征值则可以建立第一检测框与第二检测框之间的对应关系，当所述差异表征值满足指定条件时，可以认为第一检测框和第二检测框对应于同一目标对象，并且所框定出的子图像中包含相同的目标对象。
86.本说明书一实施例中，第一检测框与第二检测框之间的差异越大，所确定出的第一检测框和第二检测框之间的差异表征值就越大，而当第一检测框和第二检测框之间的差异表征值越小时，所述差异表征值满足指定条件的可能性就越大，本说明书一实施例中，当所述差异表征值小于指定的差异阈值时，所述差异表征值满足指定条件。
87.示例性的，本说明书实施例提供以下两种方式确定第一检测框和第二检测框之间的差异表征值：
88.第一种，确定所述图像中所述第一检测框和所述第二检测框的重合度，然后，根据所述重合度，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值。具体的，可以根据所述图像中所述第一检测框和所述第二检测框所框定出的子图像的重合面积，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，所述重合面积越大，则所确定出重合度越大，差异表征值越小，其中，图2示出了一种第
一检测框和第二检测框的示意图，重合面积的可以参见图2示出的斜线填充部分。
89.此外，还可以根据该第一检测框与第二检测框所框定出的子图像之间的交集和并集的比例(以下简称交并比)确定所述重合度，当交并比越大时，所确定出的重合度可以越大，当然，所述差异表征值则越小。
90.第二种，根据所述图像中所述第一检测框和所述第二检测框的中心点和/或角点之间的距离，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，其中，针对所述中心点或角点任一，该点在第一检测框中的位置与在第二检测框中的位置之间的距离越大，则所确定出的差异表征值越大。如图2所示，图2中以矩形检测框为例示出了第一检测框四个角点a～d，以及第二检测框的四个角点a’～d’，此外，还示出了第一检测框的中心点m和第二检测框的中心点m’，对于a～d、m中的任一点，该点与所对应的a’～d’、m’之间的距离越大，则所确定出的差异表征值越大。
91.本说明书实施例中，由于根据第一检测框和第二检测框之间的差异表征值满足指定条件与否来判断第一检测框和第二检测框是否对应于同一目标对象，在保证了差异表征值满足条件的第一检测框和第二检测框对应于同一目标对象的基础之上，还为图像采集设备和点云采集设备所标定的相对位姿和采集时实际相对位姿之间的偏移提供了一定的容错性，即只要差异表征值满足条件即可认为第一检测框和第二检测框对应于同一目标对象，而非必须第一检测框和第二检测框重合才认为第一检测框和第二检测框对应于同一目标对象。
92.由于当差异表征值不满足指定条件时，难以确定第一检测框和第二检测框所对应的目标对象是否为同一目标对象，因此，当所述图像的数量为两个以上时，本说明书一实施例中，针对每个图像，会判断目标对象在该图像中的第一检测框和第二检测框之间的差异表征值是否满足指定条件，若是，则将该图像作为目标图像，并将根据该图像所确定出的所述目标对象所属的交通元素类别作为目标类别，然后，再根据各目标类别确定所述目标对象所属交通元素类别。
93.以下，本说明书示例出两种根据各目标类别确定所述目标对象所述的交通元素类别的方法：
94.第一种，可以针对每个目标类别，确定基于各图像识别出目标对象属于该目标类别的次数，并将被识别出的次数最多的目标类别作为所述目标对象所属的交通元素类别。举例而言，基于五个图像所识别出的目标类别包括类别a和类别b，并且基于其中三个图像所识别出的目标类别为类别a，基于其中两个图像识别出的目标类别为类别b，则选择类别a作为目标对象所属的交通元素类别。
95.第二种，可以针对每个目标类别，根据识别该目标类型所基于的图像中第一检测框和第二检测框的差异表征值，确定该目标类别的可信度，其中，所述差异表征值越高，所确定出目标类别的可信度越低，最后，选择出可信度最高的目标类别作为所述目标对象所属的交通元素类别。
96.以上为本说明书的一个或多个实施例提供的高精地图构建方法，基于同样的思路，本说明书还提供了相应的高精地图构建装置，如图3所示。
97.图3为本说明书提供的一种高精地图构建装置示意图，该装置包括：
98.点云识别模块300，用于获取预先采集的点云，在所述点云中识别目标对象，得到
所识别出的所述目标对象的三维检测框；
99.图像识别模块302，用于将所述目标对象的三维检测框映射至预先采集的图像中，得到所述目标对象在所述图像中的第一检测框，并识别所述第一检测框对应的目标对象所属的交通元素类别；
100.位置确定模块304，用于根据所述目标对象的三维检测框，确定目标对象所在的位置；
101.地图构建模块306，用于根据所述目标图像所在的位置以及所述目标对象所属的交通元素类别，构建包含所述目标对象的高精地图。
102.可选地，所述图像识别模块302具体用于，在所述图像中识别所述目标对象，得到所述目标对象的第二检测框，以及所述第二检测框中目标对象所属的交通元素类别；确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值，当所述差异表征值满足指定条件时，将所识别出第二检测框中目标对象所属的交通元素类别作为第一检测框对应的目标对象所属的交通元素类别。
103.可选地，所述图像识别模块302具体用于，确定所述图像中所述第一检测框和所述第二检测框的重合度；根据所述重合度，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值。
104.可选地，所述图像识别模块302具体用于，根据所述图像中所述第一检测框和所述第二检测框的中心点和/或角点之间的距离，确定所述目标对象在所述图像中的第一检测框和第二检测框之间的差异表征值。
105.可选地，所述图像的数量为两个以上；在识别出各图像中的第一检测框对应的目标对象所属的交通元素类别之后，所述图像识别模块302还用于，针对每个图像，识别该图像中的第一检测框对应的目标对象所属的交通元素类别，并作为目标类别；根据各目标类别确定所述目标对象所属的交通元素类别。
106.可选地，所述图像的数量为两个以上；当所述差异表征值满足指定条件时，所述图像识别模块302具体用于，针对每个图像，判断目标对象在该图像中的第一检测框和第二检测框之间的差异表征值是否满足指定条件，若是，则将根据该图像所确定出的所述目标对象所属的交通元素类别作为目标类别；根据各目标类别确定所述目标对象所属交通元素类别。
107.可选地，所述图像识别模块302具体用于，针对每个目标类别，确定基于各图像识别出目标对象属于该目标类别的次数；将被识别出的次数最多的目标类别作为所述目标对象所属的交通元素类别。
108.可选地，将所述目标对象的三维检测框映射至预先采集的图像之前，所述图像识别模块302还用于，获取预先采集的各候选图像；根据所识别出的所述目标对象的三维检测框，确定所述目标对象所处的位置；根据采集各候选图像时图像采集设备的采集位姿，从各候选图像中选择出包含所述目标对象的图像。
109.可选地，所述目标对象为信号灯，所述交通元素类别包括圆形信号灯、箭头信号灯、机动车信号灯、非机动车信号灯，以及行人信号灯中的至少一个。
110.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述高精地图构建方法。
111.本说明书还提供了图4所示的电子设备的结构示意图。如图4所示，在硬件层面，该电子设备包括处理器、内部总线、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述高精地图构建方法。
112.当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
113.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
114.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
115.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可
以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
116.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
117.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
118.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
119.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
120.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
121.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
122.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
123.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
124.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。
125.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
126.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
127.本说明书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，对于系统实施例而言，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。
128.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。