多级行人检测方法、装置和存储介质与流程

1.本技术涉及行人检测技术领域，更具体地涉及一种多级行人检测方法、装置和存储介质。


背景技术：

2.安全是当今社会稳步发展的基础，随着人工智能技术的迅速发展，越来越多的企业开始使用人工智能技术加强现代化的安防防护。安防领域中最基础的人工智能技术就是行人检测。当有行人走进摄像头的监控区域时，摄像头通过视觉算法检测到行人并触发录像功能，同时对人的行为分析，一旦出现入侵、盗劫等犯罪活动，安全技术防范系统能及时发现并报警，这样可以大大减少巡逻值班人员的工作强度。检测技术是最基础和最重要的环节，由于现实场景复杂多变，非常容易造成行人检测的误触发，产生一系列错误上报。


技术实现要素：

3.为了解决上述问题而提出了本技术。根据本技术一方面，提供了一种多级行人检测方法，所述方法包括：获取待检测图像，由行人检测器对所述待检测图像进行行人检测，输出初始行人检测结果；当所述初始行人检测结果包括所述待检测图像中的行人区域图像时，由方差过滤器计算所述行人区域图像的像素值的方差；当所述方差大于方差阈值时，由行人分类器对所述行人区域图像进行行人分类，得到所述待检测图像的最终行人检测结果。
4.在本技术的一个实施例中，所述行人检测器采用第一阈值和第二阈值执行所述行人检测，所述第一阈值小于所述第二阈值，所述初始行人检测结果包括输出带有分值的行人检测框；当所述行人检测框的分值介于所述第一阈值和所述第二阈值之间时，所述行人检测器输出所述行人检测框的坐标，以裁剪出所述行人区域图像输入到所述方差过滤器。
5.在本技术的一个实施例中，当所述行人检测框的分值小于所述第一阈值时，确定所述行人检测框中不包括行人目标；当所述行人检测框的分值大于所述第二阈值时，确定所述行人检测框中包括行人目标，并将所述行人检测框的坐标输出为所述待检测图像的最终行人检测结果。
6.在本技术的一个实施例中，所述第一阈值是基于所述行人检测器在误检测试集上的平均误减率而设置的。
7.在本技术的一个实施例中，所述第二阈值是基于所述行人检测器在正检测试集上的召回率和精确率而设置的。
8.在本技术的一个实施例中，所述方差过滤器计算所述行人区域图像的像素值的方差，包括：将所述行人区域图像转换为目标灰度图像；计算所述目标灰度图像的像素灰度值的方差。
9.在本技术的一个实施例中，所述方差阈值是基于如下过程计算得到的：将所述待检测图像转换为待检测灰度图像；将所述待检测灰度图像均匀划分为多个矩形图像块；计
算每个所述图像块的灰度值方差；将所有所述图像块按照灰度值方差从小到大的顺序排序；将排序在前n位的所述图像块的灰度值方差的均值作为所述方差阈值，所述n的取值根据需求设定。
10.在本技术的一个实施例中，当所述行人区域图像的像素值的方差小于或等于所述方差阈值时，确定所述行人区域图像中不包括行人目标。
11.在本技术的一个实施例中，所述方法还包括：在由所述行人分类器对所述行人区域图像进行行人分类之前，将所述行人区域图像进行图像缩放，且图像缩放后保持所述行人区域图像的原始长宽比例。
12.在本技术的一个实施例中，所述行人分类器的分类阈值是基于f1分数而设置的，所述最终行人检测结果包括所述行人区域图像的分值，当所述行人区域图像的分值大于所述分类阈值时，确定所述行人区域图像中包括行人目标。
13.根据本技术另一方面，提供了一种多级行人检测装置，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多级行人检测方法。
14.根据本技术再一方面，提供了一种存储介质，所述存储介质上存储有由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多级行人检测方法。
15.根据本技术实施例的多级行人检测方法和装置采用多模块级联的方式实现行人检测，在获取待检测图像后，首先采用行人检测器输出初始行人检测结果，然后将初始行人检测结果中的被初始判定包括行人目标的行人区域图像经方差过滤器过滤，过滤掉背景误检测框，最后再通过行人分类器再次过滤，能够提高行人检测精度。
附图说明
16.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。
17.图1示出用于实现根据本发明实施例的多级行人检测方法和装置的示例电子设备的示意性框图。
18.图2示出根据本技术实施例的多级行人检测方法的示意性流程图。
19.图3示出根据本技术实施例的多级行人检测方法中采用的双阈值行人检测器进行行人检测的示意图。
20.图4示出根据本技术实施例的多级行人检测方法中采用的方差过滤器将图像均匀分块的示意图。
21.图5示出根据本技术实施例的多级行人检测方法中使用letterbox(保持原图长宽比例的缩放)前后的对比图。
22.图6示出根据本技术实施例的多级行人检测方法中采用的行人分类器进行行人分类的示意图。
23.图7示出根据本技术实施例的多级行人检测方法的详细方框流程图。
24.图8示出根据本技术实施例的多级行人检测装置的示意性框图。
具体实施方式
25.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。
26.首先，参照图1来描述用于实现本发明实施例的多级行人检测、人脸关键点检测模型训练方法和人脸检测方法的示例电子设备100。
27.如图1所示，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108，这些组件通过总线系统110和/或其他形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
28.所述处理器102可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制所述电子设备100中的其他组件以执行期望的功能。
29.所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
30.所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。此外，所述输入装置106也可以是任何接收信息的接口。
31.所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。此外，所述输出装置108也可以是任何其他具备输出功能的设备。
32.示例性地，用于实现根据本发明实施例的多级行人检测方法、人脸关键点检测模型训练方法和人脸检测方法的示例电子设备可以被实现诸如智能手机、平板电脑等终端。
33.下面，将参考图2描述根据本技术实施例的多级行人检测方法200。如图2所示，多级行人检测方法200可以包括如下步骤：
34.在步骤s210，获取待检测图像，由行人检测器对待检测图像进行行人检测，输出初始行人检测结果。
35.在步骤s220，当初始行人检测结果包括待检测图像中的行人区域图像时，由方差过滤器计算行人区域图像的像素值的方差。
36.在步骤s230，当方差大于方差阈值时，由行人分类器对行人区域图像进行行人分
类，得到待检测图像的最终行人检测结果。
37.在本技术的实施例中，采用多模块级联的方式实现行人检测，在获取待检测图像后，首先采用行人检测器输出初始行人检测结果，为了提高检测精度，可以将初始行人检测结果中的被初始判定包括行人目标的行人区域图像再由方差过滤器过滤，由于背景区域纹理单一所以方差减小，因此通过方差过滤器，可以过滤掉背景误检测框，最后再通过行人分类器再次过滤，可进一步提高行人检测精度。
38.在本技术的一个实施例中，步骤s210采用的行人检测器可以是单阈值行人检测器。在该实施例中，将置信度分值大于阈值的行人检测框筛选出来，将其对应的行人图像区域裁剪出来输入至方差过滤器，由方差过滤器将其中可能含有的不包括行人的背景误检测框过滤掉(置信度分值小于或等于阈值的行人检测框直接被认定为不包括行人目标)。在该实施例中，阈值的设置相对不会太高，因为阈值设置太高将使得漏检的可能较大，而误检的可能较小，后续的方差过滤器主要针对误检问题进行处理，因此阈值的设置相对较低。
39.在本技术的另一个实施例中，步骤s210采用的行人检测器可以是双阈值行人检测器。在该实施例中，行人检测器采用第一阈值v1和第二阈值v2执行行人检测，第一阈值v1小于第二阈值v2，初始行人检测结果包括输出带有分值的行人检测框。当行人检测框的分值介于第一阈值v1和第二阈值v2之间时，行人检测器输出行人检测框的坐标，以裁剪出行人区域图像输入到方差过滤器。当行人检测框的分值小于第一阈值v1时，确定行人检测框中不包括行人目标；当行人检测框的分值大于第二阈值v2时，确定行人检测框中包括行人目标，并将行人检测框的坐标输出为待检测图像的最终行人检测结果。下面结合图3来描述。
40.图3示出根据本技术实施例的多级行人检测方法中采用的双阈值行人检测器进行行人检测的示意图。如图3所示，待检测图像可以先经调整尺寸，调整为符合行人检测器输入的尺寸，在图3所示的示例中，待检测图像的尺寸被调整为416
×
416，然后输入至行人检测模型(即行人检测器)；由于是双阈值行人检测器，阈值包括v1和v2，其中0小于v1，v1小于v2，v2小于1；因此，分值在0到v1之间的检测框被认为是背景，分值在v2到1之间的检测框被认为是行人，分值在v1和v2之间的检测框被认为是待判断，这部分检测框，行人检测器将输出它们对应的区域坐标，如图3所示的坐标(x1,y1,x2,y2)，其对应的行人区域图像将被裁剪出来输入至方差过滤器进行进一步判断。
41.在本技术的实施例中，上述第一阈值v1可以是基于行人检测器在误检测试集上(每张图像)的平均误减率(false positive per image，fppi)而设置的。误检测试集中的每张图像都没有人形目标，所以使用检测模型(即行人检测器)在该误检测试集下检测出来的每个目标都是误检目标，将所有误检目标的得分进行保存。大部分误检目标的得分比较低，一般在0.5以下，所以v1可从0.5开始往下调整，通过调整不同的v1可以得到不同的fppi取值，计算如下：
[0042][0043]
在上述公式中，fp为误检目标的数量，n代表误检测试集中样本数量。一般情况下，fp《《《n，所以fppi远小于1，不会出现大于1的情况。由fppi的计算公式可知，v1的取值越低，fp越大，fppi越大，误检性越差。通过不断降低v1取值，直至fppi可以接受的最大值为止。
[0044]
在本技术的实施例中，上述第二阈值v2可以是基于行人检测器在正检测试集上的
召回率(recall)和精确率(precision)而设置的。正检测试集中的每张图像都有人形目标，通过结合真实标注(ground-truth，简称为gt)可以计算出检测模型(即行人检测器)在测试集上的precision和recall，如下：
[0045][0046]
在上述公式中，tp(true positive)表示模型预测出来的框并且是正确的个数，是正检个数；fp(false positive)表示模型预测出来的框但是为误预测的个数，是误检个数；fn(false negative)表示未被模型预测出、但是为真实目标的个数(即图像中存在目标，但被误认为背景)，是漏检个数。tp和fn的这两者的和等于gt，gt即为人工标注的框的个数。将所有检测的人形目标得分保存。一般情况下，人形目标的得分比较高，一般在0.5以上，所以v2可从0.5开始往上调整，通过调整不同的v2可以得到不同的precision和recall取值。由precision的计算公式，v2取值越高，fp越小，precision越大，误检测框越少。通过不断增大v2取值，直至precision接近于1，此时大于v2的检测框基本没有误检。
[0047]
在本技术的实施例中，步骤s220中方差过滤器计算行人区域图像的像素值的方差，可以包括：将行人区域图像转换为目标灰度图像；计算目标灰度图像的像素灰度值的方差。方差一般用来描述信号的波动程度，方差越大，说明信号的波动越大。对于图像中的背景区域，其纹理较为单一，所以方差较小。而行人所在区域的纹理较为丰富，所以方差值较大。由于方差计算简单，对耗时基本没有影响，所以通过方差值的判断，可以很快得过滤掉一部分背景误检测框。在本技术的实施例中，可以对行人检测器中得分(score)在[v1,v2]之间得检测框所在区域截取，并将该图像块由彩色转换单通道得灰度图，计算该灰度图像像素灰度值的方差。
[0048]
此外，在本技术的实施例中，方差阈值可以是基于当前待检测的图像而计算得到的。由于行人区域图像是从待检测图像中截取得到的，因此基于待检测图像来计算方差阈值，将其与步骤s210中得到的行人区域图像的像素值方差进行比较，能够更有针对性地判断该行人区域图像中究竟是背景还是行人。具体地，方差阈值是基于如下过程计算得到的：将待检测图像转换为待检测灰度图像；将待检测灰度图像均匀划分为多个矩形图像块；计算每个图像块的灰度值方差；将所有图像块按照灰度值方差从小到大的顺序排序；将排序在前n位的图像块的灰度值方差的均值作为方差阈值，n的取值根据需求设定。下面参照图4结合一个具体的示例来描述。
[0049]
图4示出根据本技术实施例的多级行人检测方法中采用的方差过滤器将图像均匀分块的示意图。图4所示的示例是家庭场景示例，基于家庭场景的监控区域行人目标一般不会太多，通过对比的方法可获得背景区域方差值。如图4所示，首先，将待检测图像转换灰度图，然后将其均匀划分为9个矩形图像块。然后，计算每个图像块的方差，每个图像块的方差值大小，能够反映出该图像块的像素均匀性。图像块的方差值即计算其灰度值方差。某一图像块pi的灰度值方差为：
[0050]
d(pi)＝e(p
i2
)-e2(pi)
[0051]
在上述公式中，e(pi)为图像块pi的灰度均值，e(p
i2
)表示图像块pi灰度值平方之后的均值。在此之后，将9个图像块的方差小到大进行排序；取最小的3个图像块(也可以是其他数量的图像块，诸如2个、4个等)的均值作为方差过滤器的阈值d
p
，表示为：
[0052][0053]
在计算得到上述方差阈值后，计算目标区域即前文所述的行人图像区域的目标灰度图像的方差值d，若d小于或等于d
p
，认为该区域为背景区域，不包括行人目标，将其排除。
[0054]
在本技术的实施例中，方法200还可以包括(未在图2中示出)：在由行人分类器对行人区域图像进行行人分类之前，将行人区域图像进行图像缩放，且图像缩放后保持行人区域图像的原始长宽比例，也即对行人区域图像执行letterbox操作。下面结合图5来描述。
[0055]
图5示出根据本技术实施例的多级行人检测方法中使用letterbox前后的对比图。在深度学习的目标检测任务中，通常需要将检测框检测到的物体裁剪出来，并统一缩放到同一尺寸，送入分类器进行二次判断。若直接将目标区域截取并调整尺寸到某一尺寸，会破环图像中目标的长宽比，从而破坏了目标的原有尺度特征，如图5左侧图所示。而使用letterbox对图像进行尺寸调整时，确保了在保持纵横比不变的前提下对图像进行尺寸的调整，从而保留了图像的原始特征，如图5右侧图所示。
[0056]
在本技术的实施例中，使用letterbox对行人区域图像进行尺寸调整的过程可以包括如下步骤：将行人区域图像按照纵横比进行缩放，长的边正好等于(行人分类器要求的)目标尺寸长度，另一边小于等于目标尺寸的边将按比例缩放；缩放后的数据拷贝到目标尺寸的画布中心；空白部分用灰色即(128,128,128)填充，使图像尺寸满足输入要求。
[0057]
在本技术的实施例中，步骤s230中的行人分类器的分类阈值是基于f1分数而设置的，最终行人检测结果包括行人区域图像的分值，当行人区域图像的分值大于分类阈值时，确定行人区域图像中包括行人目标。下面结合图6来描述。
[0058]
图6示出根据本技术实施例的多级行人检测方法中采用的行人分类器进行行人分类的示意图。在图6所示的示例中，行人分类模块(即行人分类器)可以使用卷积神经网络分类模型。在训练阶段，使用的分类模型的训练数据可以均采用letterbox处理，防止人形特征产生畸变。在测试阶段，可以同样使用letterbox方式将输入图像调整尺寸到128x128，再通过分类网络进行卷积，最后通过输出得分socre判断图像块中是否含有人形目标。假设分类阈值即人形置信度为vc，则如果score》vc，认为是行人目标，其中vc的设定可以由f1-score法确定。
[0059]
f1分数(f1-score)是分类问题的一个衡量指标，它是精确率和召回率的调和平均数，数值大小在0到1之间。一般情况下要想得到很高的召回率时，会降低准确率，所以一般不直接使用准确率和召回率来对算法做评估，而是使用f1 scores来评判标注。f1-score的计算公式如下：
[0060][0061]
由上式可见，f1最高时，precision和recall两个数值均达到最大。可基于f1-score的思路，确定分类器的阈值。
[0062]
设分类器分类正确的正样本数为tp，被分类成正样本的负样本数量为fp，被分类成负样本的正样本数量为fn，根据precision和recall的计算方法，最终f1-score的计算公式变为：
[0063][0064]
通过以上公式，可以通过对分类模型进行不同的阈值设置，得到不同的召回率和准确率，再通过f1公式，找到f1最高时所对应分类模型的阈值vc，将该阈值作为分类模型判断正负样本的依据。当分类得分大于vc时认为该样本是人形正样本，反之认为只误检负样本。由于不同的数据集分布不同，具体阈值的设定方式根据业务场景的使用需求进行修改。
[0065]
基于上面的描述，根据本技术实施例的多级行人检测方法采用多模块级联的方式实现行人检测，在获取待检测图像后，首先采用行人检测器输出初始行人检测结果，然后将初始行人检测结果中的被初始判定包括行人目标的行人区域图像经方差过滤器过滤，过滤掉背景误检测框，最后再通过行人分类器再次过滤，能够提高行人检测精度。一般地，检测率和误检率是两个相悖的指标，一个指标的提升一般会带来另一个指标的降低，通过本技术方法的级联检测方式，可在保证不影响检测率的基础上，提高检测模型的检测精度。此外，根据本技术实施例的多级行人检测方法可通过双阈值过滤行人检测器的设置，在简单场景下，不需要后方差过滤器的后续判断，从而保证了检测的实时性。此外，通过方差过滤器，可以在不影响耗时的情况下，将干扰的背景区域快速排除。进一步地，根据本技术实施例的多级行人检测方法可通过letterbox对图像进行尺寸的调节，极大地保证了图像在尺寸变化后特征的不变性，进一步提高了行人分类器的准确性。可结合图7来理解根据本技术实施例的多级行人检测方法的详细流程，它们即为上文所述若干实施例的结合，此处不再赘述。
[0066]
以上示例性地描述了根据本技术一方面提供的多级行人检测方法，下面结合图8描述根据本技术另一方面提供的多级行人检测装置。图8示出了根据本技术实施例的多级行人检测装置800的示意性框图。如图8所示，根据本技术实施例的多级行人检测装置800可以包括存储器810和处理器820，存储器810存储有由处理器820运行的计算机程序，所述计算机程序在被处理器820运行时，使得处理器820执行前文所述的根据本技术实施例的多级行人检测方法。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多级行人检测装置800的具体操作，为了简洁，此处不再赘述具体的细节。
[0067]
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多级行人检测方法的相应步骤。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。
[0068]
基于上面的描述，根据本技术实施例的多级行人检测方法和装置采用多模块级联的方式实现行人检测，在获取待检测图像后，首先采用行人检测器输出初始行人检测结果，然后将初始行人检测结果中的被初始判定包括行人目标的行人区域图像经方差过滤器过滤，过滤掉背景误检测框，最后再通过行人分类器再次过滤，能够提高行人检测精度。一般地，检测率和误检率是两个相悖的指标，一个指标的提升一般会带来另一个指标的降低，通过本技术的级联检测方式，可在保证不影响检测率的基础上，提高检测模型的检测精度。此外，根据本技术实施例的多级行人检测方法和装置可通过双阈值过滤行人检测器的设置，
在简单场景下，不需要后方差过滤器的后续判断，从而保证了检测的实时性。此外，通过方差过滤器，可以在不影响耗时的情况下，将干扰的背景区域快速排除。进一步地，根据本技术实施例的多级行人检测方法和装置可通过letterbox对图像进行尺寸的调节，极大地保证了图像在尺寸变化后特征的不变性，进一步提高了行人分类器的准确性。
[0069]
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。
[0070]
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。
[0071]
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。
[0072]
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。
[0073]
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。
[0074]
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。
[0075]
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。
[0076]
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。
[0077]
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。
[0078]
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。