标记方法、装置、设备，及计算机可读存储介质与流程

1.本技术属于计算机技术领域，尤其涉及一种标记方法、装置、设备，及计算机可读存储介质。


背景技术：

2.相关技术中，自动驾驶领域感知模型主要采取深度学习方法实现，该方法需要大量标记样本进行模型训练，标记样本质量的选择影响模型性能，如何从海量数据中选择有效样本进行标记，加入模型中训练，提升模型性能及减少人工成本至关重要。现有技术确定样本数据的方式主要依赖人工标记，较浪费时间，对样本数据的标记效率较低。


技术实现要素：

3.本技术实施例提供一种与现有技术不同的实现方案，以解决相关技术中，对样本数据的标记效率较低的技术问题。
4.第一方面，本技术提供一种标记方法，包括：
5.获取第一待标记图像；
6.将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像；
7.基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；
8.利用所述第一匹配度信息对所述第一待标记图像进行标记。
9.第二方面，本技术提供一种标记装置，包括：
10.获取模块，用于获取第一待标记图像；
11.分析模块，用于将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像；
12.确定模块，用于基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；
13.标记模块，用于利用所述第一匹配度信息对所述第一待标记图像进行标记。
14.第三方面，本技术提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面或第一方面各可能的实施方式中任一所述的方法。
15.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或第一方面各可能的实施方式中任一所述的方法。
16.第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第一方面各可能的实施方式中任一所述的方法。
17.本技术提供的标记方案，通过获取第一待标记图像；将所述第一待标记图像输入
预设复原模型，得出所述第一待标记图像的第一复原图像；基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；利用所述第一匹配度信息对所述第一待标记图像进行标记的方案，可自动实现对第一待标记图像，即样本图像的标记，提高了对样本图像的标记效率。
附图说明
18.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。在附图中：
19.图1a为本技术一实施例提供的标记方法的流程示意图；
20.图1b为本技术一实施例提供的预设复原模型的工作原理示意图；
21.图1c为本技术一实施例提供的标记方法的场景性示意图；
22.图2为本技术实施例提供的一种标记装置的结构示意图；
23.图3为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
24.下面详细描述本技术的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
25.本技术实施例的说明书、权利要求书及附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术实施例的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.下面以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
27.图1a为本技术一示例性实施例提供的一种标记方法的流程示意图，该方法的执行主体可以为具有数据处理功能的任一电子设备，该方法至少包括以下步骤：
28.s101、获取第一待标记图像；
29.s102、将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像；
30.s103、基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；
31.s104、利用所述第一匹配度信息对所述第一待标记图像进行标记。
32.具体地，前述预设复原模型可以为gan网络模型中的生成模型，具体可参见图1b所示，预设复原模型可具体包括第一子模型与第二子模型，第一子模型可以用于分析第一待
标记图像中的特征信息，具体地，特征信息可以为以下任一种或多种：亮度分布信息、图像中的目标对象(如人物)的行为信息、图像中的建筑物的风格信息、图像中道路的路面材料信息。
33.其中，第一子模型可以为通过多个样本图像训练得出的具有特征分析功能的模型，也可以为通过多个样本图像训练得出的具有特征分析功能的功能模块。
34.相应地，第二子模型的输入信息为第一子模型的输出结果，即第一子模型对第一待标记图像进行分析后得出的第一待标记图像中的特征信息；第二子模型可进一步根据第一待标记图像的特征信息对第一待标记图像进行复原，得到第一复原图像。其中，第二子模型可以为通过多个样本图像训练得出的具有图像复原功能的模型，也可以为通过多个样本图像训练得出的具图像复原功能的功能模块。
35.可选地，前述步骤s103中，基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息包括：
36.s01、确定所述第一待标记图像与所述第一复原图像的第一相似度值；
37.s02、将所述第一相似度值作为所述第一匹配度信息。
38.具体地，第一待标记图像与所述第一复原图像的第一相似度值可以基于亮度、对比度、直方图中的任一种或多种信息确定，对此，本技术不做限定。
39.可选地，前述步骤s103中，基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息包括：
40.s1、将所述第一待标记图像与第一复原图像分别输入预设的第一特征分析模型，分别得出所述第一待标记图像的第一特征信息，与所述第一复原图像的第二特征信息；
41.s2、确定所述第一特征信息与所述第二特征信息的第二相似度值；
42.s3、将所述第二相似度值作为所述第一匹配度信息。
43.其中，第一特征分析模型可以为通过多个样本图像训练得出的具有特征分析功能的模型，具体可以为神经网络模型。
44.进一步地，前述第一特征信息与第二特征信息的特征类型相同，且特征类型可以为以下任一种或多种：亮度分布信息、图像中的目标对象(如人物)的行为信息、图像中的建筑物的风格信息、图像中道路的路面材料信息。
45.进一步地，第一特征信息与第二特征信息可以具体为文字信息，前述第二相似度值可以指第一特征信息与第二特征信息的文本相似度值。
46.可选地，将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像包括：将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像与所述第一待标记图像的第三特征信息，可选地，第三特征信息可以与前述第一子模型分析出的第一待标记图像中的特征信息相同。
47.进一步地，所述方法还包括：
48.将所述第一复原图像输入预设的第二特征分析模型，得出所述第一复原图像的第四特征信息；
49.其中，第二特征分析模型可以为通过多个样本图像训练得出的具有特征分析功能的模型。
50.第四特征信息可以为文字信息，第四特征信息的特征类型可以为以下任一种或多
种：亮度分布信息、图像中的目标对象(如人物)的行为信息、图像中的建筑物的风格信息、图像中道路的路面材料信息。
51.进一步地，前述步骤s103中，基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息包括：
52.确定所述第一待标记图像的第三特征信息与所述第一复原图像的第四特征信息的第三相似度值；
53.将所述第三相似度值作为所述第一匹配度信息。
54.前述第三特征信息与第四特征信息的特征类型相同，且特征类型可以为以下任一种或多种：亮度分布信息、图像中的目标对象(如人物)的行为信息、图像中的建筑物的风格信息、图像中道路的路面材料信息。
55.进一步地，第三特征信息与第四特征信息可以为具体为文字信息，前述第四相似度值可以指第三特征信息与第四特征信息的文本相似度值。
56.此处，第一匹配度信息为根据第一子模型确定出的第一待标记图像对应的隐空间特征和第一复原图像对应的隐空间特征，更关注图像实质内容的差异，对图像的微小变化不敏感，因而能解决第一子模型易受噪声影响的问题，鲁棒性更好。
57.可选地，前述步骤s104中，利用所述第一匹配度信息对所述第一待标记图像进行标记包括：
58.若所述第一匹配度信息指示的目标相似度值大于预设相似度值，则将所述第一待标记图像标记为符合要求的图像；
59.若所述第一匹配度信息指示的目标相似度值不大于所述预设相似度值，则将所述第一待标记图像标记为不符合要求的图像。
60.具体地，第一匹配度信息指示的目标相似度值具体为确定第一匹配度信息的相似度值，例如，若第一匹配度信息由第一相似度值确定，则目标相似度值为第一相似度值，若第一匹配度信息由第二相似度值确定，则目标相似度值为第二相似度值。
61.进一步地，在对第一待标记图像进行标记时，可具体创建第一待标记图像与其标记标识的对应关系，如，将第一待标记图像标记为符合要求的图像包括：将第一待标记图像与预设的符合要求对应的第一标识关联；将第二待标记图像标记为不符合要求的图像包括：将第二待标记图像与预设的不符合要求对应的第二标识关联。
62.进一步地，所述第一待标记图像为待标记图像集中的图像，所述方法还包括：
63.检测所述待标记图像集中的图像是否都已标记完成，若否，则获取第二待标记图像；
64.将所述第二待标记图像输入所述预设复原模型，得出所述第二待标记图像的第二复原图像；
65.基于所述第二待标记图像与所述第二复原图像确定所述第二待标记图像与所述第二待复原图像的第二匹配度信息；
66.利用所述第二匹配度信息对所述第二待标记图像进行标记。
67.其中，待标记图像集为多个待标记图像组成的集合，第二待标记图像为待标记图像集中未被标记的图像中的任一图像，对第二标记图像进行标记的方法与对第一标记图像进行标记的方法相同，此处不再赘述。
68.进一步地，所述方法还包括：
69.若检测到所述待标记图像集中的图像都已标记完成；
70.则将所述待标记图像集中被标记为不符合要求的图像的集合作为目标图像集；
71.将所述目标图像集与所述目标图像集中各图像对应的标记结果发送至目标设备。
72.具体地，将所述目标图像集与所述目标图像集中各图像对应的标记结果发送至目标设备，可供目标设备对应的管理人员对所述目标图像集与所述目标图像集中各图像对应的标记结果进行查看。
73.需要说明的是，本技术中涉及到的特征分析模块，可以相同，也可以不同，对此，本技术不做限定。
74.本技术可实现对第一待标记图像的自动标记，被标记为不符合要求的第一待标记图像可作为新的样本图像。
75.进一步地，第一匹配度信息还可以为前述第一相似度值、第二相似度值，以及第三相似度值的加权结果，对此，本技术不做限定。
76.进一步地，本技术的方案用于驾驶场景类数据的分析时，获取第一待标记图像后，还包括预设复原模型的确定过程，上述方法还包括：
77.获取用户输入的图像类型信息；
78.根据所述图像类型信息，从多个备选复原模型中，选择出与所述图像类型信息对应的预设复原模型。
79.前述图像类型信息，可包括：亮度分布类(或天气类)、行为分析类、建筑风格类、路面材料类中的任一种或多种，其中，亮度分布类、行为分析类、建筑风格类、路面材料类分别与前述第一特征信息中的亮度分布信息、图像中的目标对象(如人物)的行为信息、图像中的建筑物的风格信息、图像中道路的路面材料信息对应。
80.通过该方案可以进一步提高对图像的标记效率。
81.进一步地，图像类型信息的确定可以基于用户的指令设定，也可以基于相关的神经网络模型确定，对此，本技术不作限定。
82.需要说明的是，本技术中预设复原模型无法成功复原的图像(即被标记为不符合要求的第一待标记图像)，即为筛选出的样本数据，该部分筛选出的样本数据用于训练新的模型，或者作为预设复原模型的补充样本数据，以对预设复原模型的功能进行进一步完善，使其可复原更多种类的图像。
83.本专利提供一种基于ood(out of distribution，分布外)detection方法的样本自动标记方法。该方法具有简单，高效提升样本数据的筛选以及模型性能的优点。
84.本技术主要用在自动驾驶感知系统目标检测算法上，已知类别、数量较多情况下，可控制前述预设复原模型充分学习正常数据(对应符合要求的图像)的分布的特征，以判断异常图像(即不符合要求的图像)。本方案可实现在从一个新的未标注的数据集中，选取已有训练集缺少的样本数据，并对其进行标记，以训练新的模型，旨在检测出与已加入训练样本分布不同的样本，将这些样本挑选出来后，加入模型训练提升模型的鲁棒性。
85.本技术提供的标记方案，通过获取第一待标记图像；将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像；基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；利用所
述第一匹配度信息对所述第一待标记图像进行标记的方案，可自动实现对第一待标记图像，即样本图像的标记，提高了对样本图像的标记效率。
86.以下结合具体场景对本方案进行进一步说明：
87.场景一、
88.参见图1c所示，可具体采用一个编码器1-解码器-编码器2的网络结构，同时学习“原图(对应前述第一待分析图像)-》重建图(对应前述第一复原图像)”和“原图的编码-》重建图的编码”两个映射关系。该方法不仅对生成的图片外观(图片-》图片)做了的约束，也对图片内容(图片编码-》图片编码)做了约束。
89.可选地，针对图1c，可在训练阶段仅仅学习正常数据的数据分布，得到包括预设复原模型、第一特征分析模型，以及第二特征分析模型(即编码器2)的目标模型。
90.测试阶段可使用正常数据与异常数据基于所述目标模型确定复原数据与原数据是否一样或者接近，若是，则表明测试的是正常数据，否则是异常数据。
91.场景二、
92.训练集：实验选择黑天，晴天和阴天的图像各900张共2700张作为正常样本(即符合要求的样本图像)；
93.测试集：选择黑天，晴天和阴天各100张共300张最为测试集正常样本，选择地下，雨天，雪天各100张共300张作为测试集异常样本(即符合要求的样本图像)。
94.实验结果：选择auc(area under curve，曲线下面积)作为二分类评价指标，图像分辨率64*64，测试结果表示，测试准确度为0.78，图像分辨率128*128时，测试结果表示，测试准确度为0.8。
95.场景三、
96.训练集：采集第一地区的图像样本1100张；
97.测试集：第一地区的图像样本200张，第二地区的图像样本200张；
98.实验结果：
99.图像分辨率128*128，测试结果表示，测试准确度为0.96；
100.实验结论：
101.本方案可有效实现样本自动选择，减少人工随机挑选样本时间代价。
102.图2为本技术一示例性实施例提供的一种标记装置的结构示意图；其中，该装置包括：获取模块21、分析模块22、确定模块23，以及标记模块24；其中：
103.获取模块21，用于获取第一待标记图像；
104.分析模块22，用于将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像；
105.确定模块23，用于基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息；
106.标记模块24，用于利用所述第一匹配度信息对所述第一待标记图像进行标记。
107.可选地，上述装置在用于基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息时，具体用于：
108.确定所述第一待标记图像与所述第一复原图像的第一相似度值；
109.将所述第一相似度值作为所述第一匹配度信息。
110.可选地，上述装置在用于基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息时，具体用于：
111.将所述第一待标记图像与第一复原图像分别输入预设的第一特征分析模型，分别得出所述第一待标记图像的第一特征信息，与所述第一复原图像的第二特征信息；
112.确定所述第一特征信息与所述第二特征信息的第二相似度值；
113.将所述第二相似度值作为所述第一匹配度信息。
114.可选地，上述装置在用于将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像时，具体用于：将所述第一待标记图像输入预设复原模型，得出所述第一待标记图像的第一复原图像与所述第一待标记图像的第三特征信息，进一步地，上述装置还用于：
115.将所述第一复原图像输入预设的第二特征分析模型，得出所述第一复原图像的第四特征信息；
116.进一步地，上述装置在用于基于所述第一待标记图像与所述第一复原图像确定所述第一待标记图像与所述第一复原图像的第一匹配度信息时，具体用于：
117.确定所述第一待标记图像的第三特征信息与所述第一复原图像的第四特征信息的第三相似度值；
118.将所述第三相似度值作为所述第一匹配度信息。
119.可选地，上述装置在用于利用所述第一匹配度信息对所述第一待标记图像进行标记时，具体用于：
120.若所述第一匹配度信息指示的目标相似度值大于预设相似度值，则将所述第一待标记图像标记为符合要求的图像；
121.若所述第一匹配度信息指示的目标相似度值不大于所述预设相似度值，则将所述第一待标记图像标记为不符合要求的图像。
122.可选地，所述第一待标记图像为待标记图像集中的图像，所述装置还用于：
123.检测所述待标记图像集中的图像是否都已标记完成，若否，则获取第二待标记图像；
124.将所述第二待标记图像输入所述预设复原模型，得出所述第二待标记图像的第二复原图像；
125.基于所述第二待标记图像与所述第二复原图像确定所述第二待标记图像与所述第二待复原图像的第二匹配度信息；
126.利用所述第二匹配度信息对所述第二待标记图像进行标记。
127.可选地，上述装置还用于：
128.若检测到所述待标记图像集中的图像都已标记完成；
129.则将所述待标记图像集中被标记为不符合要求的图像的集合作为目标图像集；
130.将所述目标图像集与所述目标图像集中各图像对应的标记结果发送至目标设备。
131.应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，该装置可以执行上述方法实施例，并且该装置中的各个模块的前述和其它操作和/或功能分别为了上述方法实施例中的各个方法中的相应流程，为了简洁，在此不再赘述。
132.上文中结合附图从功能模块的角度描述了本技术实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本技术实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本技术实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
133.图3是本技术实施例提供的电子设备的示意性框图，该电子设备可包括：
134.存储器301和处理器302，该存储器301用于存储计算机程序，并将该程序代码传输给该处理器302。换言之，该处理器302可以从存储器301中调用并运行计算机程序，以实现本技术实施例中的方法。
135.例如，该处理器302可用于根据该计算机程序中的指令执行上述方法实施例。
136.在本技术的一些实施例中，该处理器302可以包括但不限于：
137.通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
138.在本技术的一些实施例中，该存储器301包括但不限于：
139.易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
140.在本技术的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器301中，并由该处理器302执行，以完成本技术提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。
141.如图3所示，该电子设备还可包括：
142.收发器303，该收发器303可连接至该处理器302或存储器301。
143.其中，处理器302可以控制该收发器303与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器303可以包括发射机和接收机。收发器303还可以进一步包括天线，天线的数量可以为一个或多个。
144.应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数
据总线之外，还包括电源总线、控制总线和状态信号总线。
145.本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本技术实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
146.当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
147.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模块及算法步骤，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。
148.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，例如多个模块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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
149.作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。例如，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
150.以上仅为本技术的具体实施方式，但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。因此，本技术的保护范围应以该权利要求的保护范围为准。