一种行为语义辅助回环检测的同步定位建图方法

1.本发明涉及计算机与位置服务技术领域，尤其涉及一种行为语义辅助回环检测的同步定位建图方法。


背景技术：

2.随着机器人、自动驾驶、三维重建和数字孪生应用的不断发展，人们对于slam(simultaneous localization and mapping，即时定位与地图构建，也称为同步定位与建图)的需求越来越多；与此同时，slam是机器人和自动驾驶等技术中的关键技术，例如扫地机器人、送餐机器人、巡逻机器人和自动驾驶汽车，都需要用到slam，它是利用激光雷达或相机等传感器采集三维环境数据，然后通过一边运动一边采集的方法去采集整个环境中的三维数据，然后利用帧与帧之间的匹配得到里程计轨迹和全局的三维地图。但是，由于帧与帧之间匹配存在误差，在轨迹增长之后，累积误差会越来越大，使得轨迹漂移，最终导致全局建图失败。因此，slam技术目前仍然存在挑战。
3.但现有的优化slam技术方案是给slam算法添加后端的回环优化模块，目前后端的回环优化模块使用的方法是通过相机拍摄图像，然后进行图像识别1方法寻找回环点，或者通过激光雷达扫描点云，然后通过点云结构相似性检测回环点，但是这些方法存在缺陷，在纹理相似或者结构相似的环境中，可能会出现回环检测错误的情况，进而导致优化错误和全局建图的失败，使得回环检测无法在相似环境中使用，导致回环检测的准确率和最终全局建图的精度较低的问题。
4.因此，现有技术还有待于改进和发展。


技术实现要素：

5.本发明的主要目的在于提供一种行为语义辅助回环检测的同步定位建图方法，旨在解决现有技术中回环检测无法在相似环境中使用，导致回环检测的准确率和最终全局建图的精度较低的问题。
6.为实现上述目的，本发明提供一种行为语义辅助回环检测的同步定位建图方法，所述行为语义辅助回环检测的同步定位建图方法包括如下步骤：
7.获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类；
8.选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧；
9.将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证；
10.当所述回环完成验证后，构建位姿图对所述回环进行优化。
11.可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类，具体包括：
12.获取在不同的行驶行为下所产生的惯导信号，并基于所述惯导信号提取出行为特
征；
13.将所述行为特征进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类。
14.可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧，具体包括：
15.分别设定距离阈值、角度阈值、搜索区域阈值、回环之间的距离阈值和回环长度阈值的大小；
16.当所述行为语义的关键帧中某一帧的距离和角度分别都大于所述距离阈值和所述角度阈值时，则此帧为所述行为语义的第一关键帧；
17.当所述第一关键帧同时满足小于所述搜索区域阈值、大于所述回环之间的距离阈值和大于所述回环长度阈值时，选取所述第一关键帧为候选帧。
18.可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证，具体包括：
19.对所述候选帧中的行为语义进行精确检测，将得到的检测结果与所述候选帧时间戳最邻近的第二关键帧进行匹配；
20.当完成匹配后，比较所述第二关键帧中的行为语义与所述候选帧的行为语义是否相同；
21.若存在相同的行为语义，则所述候选帧与所述第二关键帧组成回环；
22.在检测到所述回环后，对所述回环进行点云的重匹配以验证真实性。
23.可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述当所述回环完成验证后，构建位姿图对所述回环进行优化，具体包括：
24.当所述回环验证通过时，基于所述回环构建位姿图；
25.对所述位姿图中的所述第二关键帧进行相对位姿变换并得出误差函数；
26.对所述误差函数运用雅克比矩阵进行计算，并对计算结果进行优化得到优化结果。
27.可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述相对位姿变化的公式为：
[0028][0029]
其中，δt
ij
表示为第i帧与第j帧相对位姿变化的矩阵；表示为第i帧的位姿变换矩阵的逆矩阵，tj表示为第j帧的位姿变换矩阵；
[0030]
所述误差函数e
ij
为：
[0031][0032]
其中，所述误差函数e
ij
可表述为e
ij
＝in(exp((-ξ
ij
)
∧
)exp((-ξi)∧)exp(ξ
j∧
))
∨
；
[0033]
其中，表示为第i帧与第j帧相对位姿变化的逆矩阵，∨表示为将反对称矩阵转换成向量，ξi表示为第i帧的位姿，ξj表示为第j帧的位姿，∧表示为将向量转换成反对
称矩阵，ξ
ij
表示为第i帧到第j帧的位姿变换。
[0034]
可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述对所述误差函数运用雅克比矩阵进行计算，具体为：
[0035]
运用雅克比矩阵对所述误差函数进行变换，变换后的误差函数公式为：
[0036][0037]
其中，变化后的误差公式还可表述为：
[0038]
所述雅可比矩阵的计算公式为：
[0039][0040][0041]
其中，表示偏微分，δ表示添加的扰动，jr表示雅克比矩阵，i表示单位矩阵，φe表示矩阵的左上分块，ρe表示矩阵的右上分块，ad(t)表示有关位姿变换矩阵的函数，r表示旋转矩阵，t表示平移。
[0042]
可选地，所述的行为语义辅助回环检测的同步定位建图方法，其中，所述对所述误差函数运用雅克比矩阵进行计算，具体为：
[0043]
所述对计算结果进行优化得到优化结果中的优化函数为：
[0044][0045]
其中，f(t)表示非线性最小优化的待优化函数，n表示所有边的集合，ω表示描述点云匹配误差的信息矩阵；
[0046]
所述优化结果t
*
的表达式为：
[0047]
t
*
＝argmin(f(t))
[0048]
此外，为实现上述目的，本发明还提供一种智能终端，其中，所述智能终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的行为语义辅助回环检测的同步定位建图程序，所述行为语义辅助回环检测的同步定位建图程序被所述处理器执行时实现如上所述的行为语义辅助回环检测的同步定位建图方法的步骤。
[0049]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有行为语义辅助回环检测的同步定位建图程序，所述行为语义辅助回环检测的同步定位建图程序被处理器执行时实现如上所述的行为语义辅助回环检测的同步定位建图方法的步骤。
[0050]
本发明中，获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类；选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧；将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证；当所述回环完成验证后，构建位姿图对所述回环进行优化。本发明通过基于惯导的行为
语义检测，然后基于所述行为语义进行回环检测，再基于回环进行全局图优化，经过优化后，消除全局累积误差，提高了全局轨迹精度和全局地图的一致性，得到最终的全局运动轨迹和点云地图。
附图说明
[0051]
图1是本发明中基于行为语义的回环检测的整个流程图；
[0052]
图2是本发明行为语义辅助回环检测的同步定位建图方法的较佳实施例的流程图；
[0053]
图3是本发明中行为语义辅助回环检测的同步定位建图方法的较佳实施例中步骤s10的流程图；
[0054]
图4是本发明中行为语义检测的示意图；
[0055]
图5是本发明中行为语义辅助回环检测的同步定位建图方法的较佳实施例中步骤s20的流程图；
[0056]
图6是本发明中行为语义辅助回环检测的同步定位建图方法的较佳实施例中三个阈值的示意图；
[0057]
图7是本发明中行为语义辅助回环检测的同步定位建图方法的较佳实施例中步骤s30的流程图；
[0058]
图8是本发明中行为语义辅助回环检测的同步定位建图方法的较佳实施例中步骤s40的流程图；
[0059]
图9为本发明智能终端的较佳实施例的运行环境示意图。
具体实施方式
[0060]
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0061]
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0062]
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0063]
如图1所示，图1为本发明中基于行为语义的回环检测的整个流程图，具体为将基于ndt-loam的前端里程计模块输出的里程计进行关键帧筛选；筛选完成之后进行行为语义标签匹配；当完成匹配后，选择出用于回环检测的关键帧，对所述关键帧进行几何粗检测，并在所述关键帧中进行候选帧的筛选；在完成所述候选帧的筛选之后，利用行为语义进行匹配；当成功匹配出回环时，再次进行点云的重匹配进行验证所检测到回环是否为回环。
[0064]
在本发明较佳实施例所述的行为语义辅助回环检测的同步定位建图方法，如图2所示，所述行为语义辅助回环检测的同步定位建图方法包括以下步骤：
[0065]
步骤s10、获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类。
[0066]
如图3所示，所述步骤s10包括：
[0067]
步骤s11、获取在不同的行驶行为下所产生的惯导信号，并基于所述惯导信号提取出行为特征；
[0068]
步骤s12、将所述行为特征进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类。
[0069]
具体地，在无人车行驶过程中，如转弯、上坡、下坡和通过减速带等，在如图4无人车的行为语义检测的示意图中，选择了经过减速带和转弯的活动语义作为举例，假设imu(inertial measurement unit，惯性测量单元)的z轴方向是向上的，首先分析不同行驶行为下，不同行为所产生的惯导信号，通过所述惯导信号提取不同行驶行为下各个行为的特征(例如，产生行为的时间段内的加速度和角速度的平均值、方差等特征)，然后通过机器学习的方法得到分类模型，最后基于所述分类模型实现对行为语义的分类。
[0070]
步骤s20、选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧。
[0071]
如图5所示，所述步骤s20包括：
[0072]
步骤s21、分别设定距离阈值、角度阈值、搜索区域阈值、回环之间的距离阈值和回环长度阈值的大小；
[0073]
步骤s22、当所述行为语义的关键帧中某一帧的距离和角度分别都大于所述距离阈值和所述角度阈值时，则此帧为所述行为语义的第一关键帧；
[0074]
步骤s23、当所述第一关键帧同时满足小于所述搜索区域阈值、大于所述回环之间的距离阈值和大于所述回环长度阈值时，选取所述第一关键帧为候选帧。
[0075]
具体地，如果检测到某个行为语义，那么在所述行为语义一定的空间阈值范围内，存在有另一相同类型活动的行为语义在之前经过的轨迹上，则可以判断这两个行为语义是在同一个地点产生的，就可以判断出为一个回环。预先设定距离阈值和角度阈值的大小，关键帧选取遵循所述距离阈值和所述角度阈值，在当某一帧的距离和角度分别都超过所述距离阈值和所述角度阈值之后，此帧才能被选为关键帧；然后设定区域阈值ds、回环之间的距离阈值di以及回环长度阈值d
l
的大小，三个阈值的示意图如图6所示，根据所述三个阈值的判断条件，从选取的所有关键帧中选取合适的关键帧作为候选帧，当某一关键帧的空间距离小于所述搜索区域阈值ds、此关键帧回环之间的间隔大于回环之间的距离阈值di且从关键帧回环的长度超过回环长度阈值d
l
时，此关键帧才能被选择为候选帧。
[0076]
步骤s30、将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证。
[0077]
如图7所示，所述步骤s30包括：
[0078]
步骤s31、对所述候选帧中的行为语义进行精确检测，将得到的检测结果与所述候选帧时间戳最邻近的第二关键帧进行匹配；
[0079]
步骤s32、当完成匹配后，比较所述第二关键帧中的行为语义与所述候选帧的行为语义是否相同；
[0080]
步骤s33、若存在相同的行为语义，则所述候选帧与所述第二关键帧组成回环；
[0081]
步骤s34、在检测到所述回环后，对所述回环进行点云的重匹配以验证真实性。
[0082]
具体地，在完成候选帧的筛选之后，利用行为语义进行精确检测，将行为语义检测的结果与和所述候选帧时间戳最邻近的激光点云关键帧进行匹配，当完成匹配之后，将具有行为语义属性的所述激光点云关键帧与所有候选帧的行为语义属性进行比较，判断是否存在相同的行为语义；如果存在相同的行为语义，就说明候选帧与激光点云关键帧组成了一个回环；例如，如果无人车在此关键帧的时间和地点进行转弯，并且历史数据在空间阈值范围内也存在一个转弯，那么可以判断这两个活动都经历了相同的转弯，也就是说，无人车回到了回环点；在检测到回环之后，再次进行点云的重匹配，进一步验证是否为回环。
[0083]
步骤s40、当所述回环完成验证后，构建位姿图对所述回环进行优化。
[0084]
如图8所示，所述步骤s40包括：
[0085]
步骤s41、当所述回环验证通过时，基于所述回环构建位姿图；
[0086]
步骤s42、对所述位姿图中的所述第二关键帧进行相对位姿变换并得出误差函数；
[0087]
步骤s43、对所述误差函数运用雅克比矩阵进行计算，并对计算结果进行优化得到优化结果。
[0088]
具体地，当所述回环验证通过时，使用图优化理论基于所述回环构建全局位姿图，在所述全局位姿图中，以关键帧的位姿作为节点，并通过点云匹配法得到的两位姿节点之间的相对运动估计量作为约束边，该优化问题的公共边来自于相邻关键帧之间的位姿估计，设每个关键帧对应的位姿由t1,t2,t3,...,tn表示，这是一个李群李代数，关键帧的第i帧与第j帧相对位姿变化的矩阵δt
ij
表示为
[0089]
其中，δt
ij
表示为第i帧与第j帧相对位姿变化的矩阵；表示为第i帧的位姿变换矩阵的逆矩阵，tj表示为第j帧的位姿变换矩阵；
[0090]
所述误差函数e
ij
为
[0091]
其中，表示为第i帧与第j帧相对位姿变化的逆矩阵，∨表示为将反对称矩阵转换成向量，还可将所述误差函数表示为e
ij
＝in(exp((-ξ
ij
)
∧
)exp((-ξi)
∧
)exp(ξ
j∧
))
∨
；
[0092]
其中，ξi表示为第i帧的位姿，ξj表示为第j帧的位姿，∧表示为将向量转换成反对称矩阵，ξ
ij
表示为第i帧到第j帧的位姿变换。
[0093]
进一步地，通过运用雅克比矩阵对所述误差函数进行求值，并得到求值后的误差函数公式为还可将所述公式表达为其中，雅可比矩阵的计算公式为：
[0094]
[0095][0096]
其中，表示偏微分，δ表示添加的扰动，jr表示雅克比矩阵，i表示单位矩阵，φe表示矩阵的左上分块，ρe表示矩阵的右上分块，ad(t)表示有关位姿变换矩阵的函数，r表示旋转矩阵，t表示平移。
[0097]
进一步地，对上述求得的所述误差函数进行优化，而优化的本质是最小二乘优化，每个节点的位姿变换就是一个优化变量，且节点之间的位姿变换约束是一条边，设n为所有边的集合，则非线性最小优化的待优化函数为：
[0098][0099]
其中，f(t)表示非线性最小优化的待优化函数，ω表示描述点云匹配误差的信息矩阵；在完成优化之后，得到的优化结果t
*
为：t
*
＝argmin(f(t))当节点数量达到某一设定值时，可采用lm法或高斯-牛顿法进行求解，经过优化之后，累积误差可以被消除，使得轨迹更加精确，全局地图更加一致。
[0100]
进一步地，如图9所示，基于上述行为语义辅助回环检测的同步定位建图方法，本发明还相应提供了一种智能终端，所述智能终端包括处理器10、存储器20及显示器30。图9仅示出了智能终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0101]
所述存储器20在一些实施例中可以是所述智能终端的内部存储单元，例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备，例如所述智能终端上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据，例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有行为语义辅助回环检测的同步定位建图程序40，该行为语义辅助回环检测的同步定位建图程序40可被处理器10所执行，从而实现本技术中行为语义辅助回环检测的同步定位建图方法。
[0102]
所述处理器10在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述行为语义辅助回环检测的同步定位建图方法等。
[0103]
所述显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过系统总线相互通信。
[0104]
在一实施例中，当处理器10执行所述存储器20中行为语义辅助回环检测的同步定位建图程序40时实现以下步骤：
[0105]
获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模
型对行为语义进行分类；
[0106]
选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧；
[0107]
将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证；
[0108]
当所述回环完成验证后，构建位姿图对所述回环进行优化。
[0109]
其中，所述获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类，具体包括：
[0110]
获取在不同的行驶行为下所产生的惯导信号，并基于所述惯导信号提取出行为特征；
[0111]
将所述行为特征进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类。
[0112]
其中，所述选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧，具体包括：
[0113]
分别设定距离阈值、角度阈值、搜索区域阈值、回环之间的距离阈值和回环长度阈值的大小；
[0114]
当所述行为语义的关键帧中某一帧的距离和角度分别都大于所述距离阈值和所述角度阈值时，则此帧为所述行为语义的第一关键帧；
[0115]
当所述第一关键帧同时满足小于所述搜索区域阈值、大于所述回环之间的距离阈值和大于所述回环长度阈值时，选取所述第一关键帧为候选帧。
[0116]
其中，所述将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证，具体包括：
[0117]
对所述候选帧中的行为语义进行精确检测，将得到的检测结果与所述候选帧时间戳最邻近的第二关键帧进行匹配；
[0118]
当完成匹配后，比较所述第二关键帧中的行为语义与所述候选帧的行为语义是否相同；
[0119]
若存在相同的行为语义，则所述候选帧与所述第二关键帧组成回环；
[0120]
在检测到所述回环后，对所述回环进行点云的重匹配以验证真实性。
[0121]
其中，所述当所述回环完成验证后，构建位姿图对所述回环进行优化，具体包括：
[0122]
当所述回环验证通过时，基于所述回环构建位姿图；
[0123]
对所述位姿图中的所述第二关键帧进行相对位姿变换并得出误差函数；
[0124]
对所述误差函数运用雅克比矩阵进行计算，并对计算结果进行优化得到优化结果。
[0125]
其中，所述相对位姿变化的公式为：
[0126][0127]
其中，δt
ij
表示为第i帧与第j帧相对位姿变化的矩阵；表示为第i帧的位姿变换矩阵的逆矩阵，tj表示为第j帧的位姿变换矩阵；
[0128]
所述误差函数e
ij
为：
[0129][0130]
其中，所述误差函数e
ij
可表述为e
ij
＝in(exp((-ξ
ij
)
∧
)exp((-ξi)
∧
)exp(-ξj))
∧
；
[0131]
其中，表示为第i帧与第j帧相对位姿变化的逆矩阵，∨表示为将反对称矩阵转换成向量，ξi表示为第i帧的位姿，ξj表示为第j帧的位姿，∧表示为将向量转换成反对称矩阵，ξ
ij
表示为第i帧到第j帧的位姿变换。
[0132]
其中，所述对所述误差函数运用雅克比矩阵进行计算，具体为：
[0133]
运用雅克比矩阵对所述误差函数进行变换，变换后的误差函数公式为：
[0134][0135]
其中，变化后的误差公式还可表述为：
[0136]
所述雅可比矩阵的计算公式为：
[0137][0138][0139]
其中，表示偏微分，δ表示添加的扰动，jr表示雅克比矩阵，i表示单位矩阵，φe表示矩阵的左上分块，ρe表示矩阵的右上分块，ad(t)表示有关位姿变换矩阵的函数，r表示旋转矩阵，t表示平移。
[0140]
其中，所述对计算结果进行优化得到优化结果中的优化函数为：
[0141][0142]
其中，f(t)表示非线性最小优化的待优化函数，n表示所有边的集合，ω表示描述点云匹配误差的信息矩阵；
[0143]
所述优化结果t
*
的表达式为：
[0144]
t
*
＝argmin(f(t))
[0145]
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有行为语义辅助回环检测的同步定位建图程序，所述行为语义辅助回环检测的同步定位建图程序被处理器执行时实现如上所述的行为语义辅助回环检测的同步定位建图方法的步骤。
[0146]
综上所述，本发明提供一种行为语义辅助回环检测的同步定位建图方法，所述方法包括：获取惯导信号，根据所述惯导信号进行机器学习得到分类模型，基于所述分类模型对行为语义进行分类；选取所述行为语义的关键帧，并根据阈值判断条件，从所述关键帧中选取候选帧；将所述候选帧进行行为语义匹配得到回环，并对所述回环进行验证；当所述回环完成验证后，构建位姿图对所述回环进行优化。本发明通过基于惯导的行为语义检测，然后基于所述行为语义进行回环检测，再基于回环进行全局图优化，经过优化后，消除全局累
积误差，提高了全局轨迹精度和全局地图的一致性，得到最终的全局运动轨迹和点云地图。
[0147]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0148]
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
[0149]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。