基于目标检测和视觉SLAM的室内定位方法和装置

基于目标检测和视觉slam的室内定位方法和装置
技术领域
1.本发明涉及计算机视觉领域，具体涉及一种基于目标检测和视觉slam 的室内定位方法和一种基于目标检测和视觉slam的室内定位装置。


背景技术：

2.随着机器人技术的快速发展和日渐成熟，机器人在室内环境下的应用也越来越广泛还存在，室内定位是机器人室内应用的关键技术之一。
3.目前的机器人室内定位领域出现了各种技术，比如超宽带技术，超声波导航定位技术、基于无线网络的定位系统、激光测距定位技术等。然而每种定位技术都存在或多或少的缺点和各自的局限性。例如：超声波定位技术，由于声波的速率相对较低，其传送的时间也比较长，因此无法做到信息传输的实时性；基于无线网络的定位系统，虽然硬件成本很低，但是由于wlan 信号的不稳定性，常常会影响到定位的精确性；超宽带技术，由于造价高，通信距离短，uwb设备功率需要低于一定门限才能不影响其他通信系统，导致在室内定位不可避免的出现误差。


技术实现要素：

4.本发明为解决上述技术问题，提供了一种基于目标检测和视觉slam的室内定位方法和装置，能够提高机器人定位的准确性和实时性。
5.本发明采用的技术方案如下：
6.一种基于目标检测和视觉slam的室内定位方法，包括以下步骤：通过采集机器人携带的rgb-d相机获取整个室内的环境图像序列；根据所述环境图像序列，采用slam算法构建室内三维点云地图；对所述环境图像序列中的关键帧进行语义分割，并采用目标检测模型对所述关键帧进行检测，以获取所述关键帧中物体的类别信息；将所述关键帧中物体的类别信息融合到所述室内三维点云地图中，以构建室内三维语义地图；通过处于所述室内的待定位机器人携带的rgb-d相机获取所述待定位机器人当前所在位置的环境图像；采用所述目标检测模型对所述待定位机器人当前所在位置的环境图像进行检测，以获取所述待定位机器人当前所在位置的环境图像中物体的类别信息；根据所述待定位机器人当前所在位置的环境图像中物体的类别信息和所述室内三维语义地图，估算所述待定位机器人在所述室内的粗略位置；通过所述待定位机器人携带的rgb-d相机获取所拍摄的物体与所述待定位机器人之间的距离，并结合所述待定位机器人在所述室内的粗略位置，得到所述待定位机器人在所述室内的精确位置。
7.采用deeplab v3 plus算法对所述环境图像序列中的关键帧进行语义分割，所述目标检测模型为ssd模型。
8.采用八叉树结构存储所述室内三维点云地图，并在所述室内三维点云地图中融入物体类别标签以构建所述室内三维语义地图。
9.所述室内的物体为位置固定的物体，包括沙发、茶几、餐桌、床、衣柜、洗衣机、冰箱
中的一个或多个。
10.通过飞行时间法获取所拍摄的物体与所述待定位机器人之间的距离。
11.一种基于目标检测和视觉slam的室内定位装置包括：第一获取模块，所述第一获取模块用于通过采集机器人携带的rgb-d相机获取整个室内的环境图像序列；第一构建模块，所述第一构建模块用于根据所述环境图像序列，采用slam算法构建室内三维点云地图；第一检测模块，所述第一检测模块用于对所述环境图像序列中的关键帧进行语义分割，并采用目标检测模型对所述关键帧进行检测，以获取所述关键帧中物体的类别信息；第二构建模块，所述第二构建模块用于将所述关键帧中物体的类别信息融合到所述室内三维点云地图中，以构建室内三维语义地图；第二获取模块，所述第二获取模块用于通过处于所述室内的待定位机器人携带的rgb-d相机获取所述待定位机器人当前所在位置的环境图像；第二检测模块，所述第二检测模块用于采用所述目标检测模型对所述待定位机器人当前所在位置的环境图像进行检测，以获取所述待定位机器人当前所在位置的环境图像中物体的类别信息；估算模块，所述估算模块用于根据所述待定位机器人当前所在位置的环境图像中物体的类别信息和所述室内三维语义地图，估算所述待定位机器人在所述室内的粗略位置；定位模块，所述定位模块用于通过所述待定位机器人携带的rgb-d相机获取所拍摄的物体与所述待定位机器人之间的距离，并结合所述待定位机器人在所述室内的粗略位置，得到所述待定位机器人在所述室内的精确位置。
12.所述第一检测模块采用deeplab v3 plus算法对所述环境图像序列中的关键帧进行语义分割，所述目标检测模型为ssd模型。
13.所述第二构建模块采用八叉树结构存储所述室内三维点云地图，并在所述室内三维点云地图中融入物体类别标签以构建所述室内三维语义地图。
14.所述室内的物体为位置固定的物体，包括沙发、茶几、餐桌、床、衣柜、洗衣机、冰箱中的一个或多个。
15.所述定位模块通过飞行时间法获取所拍摄的物体与所述待定位机器人之间的距离。
16.本发明的有益效果：
17.本发明通过slam算法构建室内三维语义地图，使用rgb-d相机获取待定位机器人所在位置的环境图像，并采用目标检测模型对待定位机器人进行精确定位，由此，能够提高机器人定位的准确性和实时性。
附图说明
18.图1为本发明实施例的基于目标检测和视觉slam的室内定位方法的流程图；
19.图2为本发明一个实施例的orb-slam2算法的原理图；
20.图3为本发明一个实施例的deeplab v3 plus算法的网络结构示意图；
21.图4为本发明一个实施例的八叉树存储结构的示意图；
22.图5为本发明一个实施例的基于目标检测和视觉slam的室内定位装置的方框示意图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
24.如图1所示，本发明实施例的基于目标检测和视觉slam的室内定位方法，包括以下步骤：
25.s1，通过采集机器人携带的rgb-d相机获取整个室内的环境图像序列。
26.在本发明的一个实施例中，可通过采集机器人携带rgb-d相机在室内移动，并采集室内各个位置的环境图像，构成环境图像序列。
27.s2，根据环境图像序列，采用slam算法构建室内三维点云地图。
28.在本发明的一个实施例中，可采用orb-slam2算法，以上述的环境图像序列作为整个视觉slam系统的输入，构建室内三维点云地图。
29.如图2所示，orb-slam2算法包含3个线程：跟踪线程、局部建图线程和全局回环检测线程。具体地，在跟踪线程，可对输入的每帧图像提取orb 特征点，与最邻近的关键帧进行比较，计算特征点的位置，粗略估计相机位姿，如果跟踪失败，则通过词袋法进行重新定位，最终决定是否插入关键帧。如果当前的图像跟踪到的特征点的数量很少，则说明当前环境与上一关键帧所处的环境有了很大的改变，此时应插入新的关键帧，避免跟踪失败。在局部建图线程，可通过bundle adjustment对局部空间内的特征点及相机位姿进行优化，删除冗余的关键帧和低质量的地图点，得到更精确的相机位姿和特征点的空间位置。在全局回环检测线程，可采用词袋法对全局地图和关键帧进行回环检测，如果检测到回环，通过sim3优化计算里程计的累积误差，然后将匹配的所有点云进行对齐并融合重复的点，最后对相似性约束进行图优化，实现全局一致性，得到稀疏的三维点云地图。其中，关键帧为画面清晰，特征点的数量充足且分布均匀的图像，并且与其他关键帧之间有一定的共视关系，同时要求重复度又不能太高，可以理解为，关键帧与关键帧之间既要存在约束，又要减少冗余信息。
30.s3，对环境图像序列中的关键帧进行语义分割，并采用目标检测模型对关键帧进行检测，以获取关键帧中物体的类别信息。
31.在本发明的一个实施例中，可采用deeplab v3 plus算法对环境图像序列中的关键帧进行语义分割。目标检测模型所要检测的室内的物体为位置固定的物体，包括沙发、茶几、餐桌、床、衣柜、洗衣机、冰箱中的一个或多个。
32.deeplab v3 plus算法的网络结构如图3所示，模型的编码器架构由骨干网络resnet101和aspp模块组成，骨干网络提取图像特征生成高级语义特征图，aspp模块利用骨干网络得到的高级语义特征图进行多尺度采样，生成多尺度的特征图，在编码器尾部将多尺度的高级语义特征图在通道维度上进行组合，通过1
×
1的卷积进行通道降维，保持与高级语义特征图串联在一起时的比重，增加网络学习能力。再用3
×
3的卷积提取特征，编码器尾部进行上采样，产生最终的语义分割图。
33.在本发明的一个实施例中，目标检测模型为ssd模型。采用ssd模型可获取环境图像中物体的类别信息，给定不同物体不同的颜色并绘制边界框，生成标签，利用回归的方法
建立目标检测框架，省去了生成候选框的步骤，大幅提升了目标检测速度。
34.s4，将关键帧中物体的类别信息融合到室内三维点云地图中，以构建室内三维语义地图。
35.在本发明的一个实施例中，可采用八叉树结构存储室内三维点云地图，并在室内三维点云地图中融入物体类别标签以构建室内三维语义地图。其中，八叉树是一种三维空间的分层数据结构，基于此结构可以将空间进行无限划分。
36.在本发明的一个实施例中，如图4所示，八叉树中的每个节点表示一个体素，其值为该体素所占空间的大小，每一个体素可被分割为八个体积大小一致的体素，以此循环操作直至变成最小的方块为止。整个大方块可以看成是根节点，而最小的块可以看作是“叶子节点”。在八叉树中，当由下一层节点往上一层时，地图的体积就能扩大八倍。某个方块的所有节点都被占据或都不被占据时，就没必要展开这个节点。在八叉树空间中，最底层的叶子表示地图的最低分辨率。采用概率形式来表达占据和未被占据，设某节点n，其对应观测数据为z，节点被占据的先验概率一般取值0.5，表示在未知环境中，节点被占据和不被占据的先验概率相等，用p(n|z
1:t
)表示该节点从初始时刻到t时刻的观测概率，则从初始时刻到t 1时刻该节点的概率为：
[0037][0038]
采用概率对数值可以表示为：
[0039]
l(n|z
1:t 1
)＝l(n|z
1:t
) l(n|z
t 1
)(2)
[0040]
其中，l(n|z
1:t
)表示该节点从初始时刻到t时刻的观测概率对数值，l(n|z
t 1
)表示该节点从t 1时刻的概率对数值。
[0041]
s5，通过处于室内的待定位机器人携带的rgb-d相机获取待定位机器人当前所在位置的环境图像。
[0042]
在本发明的一个实施例中，待定位机器人与采集机器人可为同一个机器人，也可以为不同的机器人。采集机器人的作用是为了获取用于构建室内三维语义地图的环境图像序列，而待定位机器人是利用上述步骤所构建的室内三维语义地图的环境图像序列实现自身定位的机器人。
[0043]
s6，采用目标检测模型对待定位机器人当前所在位置的环境图像进行检测，以获取待定位机器人当前所在位置的环境图像中物体的类别信息。
[0044]
s7，根据待定位机器人当前所在位置的环境图像中物体的类别信息和室内三维语义地图，估算待定位机器人在室内的粗略位置。
[0045]
在本发明的一个实施例中，由于所识别出的物体的位置是固定的，因此可根据室内的物体的位置并结合之前构建的三维语义地图，粗略估算待定位机器人在室内的位置。
[0046]
s8，通过待定位机器人携带的rgb-d相机获取所拍摄的物体与待定位机器人之间的距离，并结合待定位机器人在室内的粗略位置，得到待定位机器人在室内的精确位置。
[0047]
在本发明的一个实施例中，可通过飞行时间法获取所拍摄的物体与待定位机器人之间的距离。
[0048]
在本发明的一个实施例中，rgb-d相机中的红外发射器可向视野范围内的被测物
体连续的投射红外测量调制光线，内部计时器计算每组光束的发出时间，红外探测器搜索被测物体按入射方向反射回来的光束，当探测器收到返回光束时，计时器停止计时。利用已知光的飞行速度，通过测量深度图像中指定像素的深度值，可获得对应该像素的实际物体和深度相机平面的距离信息。tof测量技术公式为：
[0049][0050]
其中，d为被测物体与深度相机间的距离，c为射出光束在测量环境中的飞行速度，f为红外光速的调制频率，δψ为同一束入射光和反射光间的相位差。由于已知待定位机器人在室内的粗略位置，通过飞行时间法计算得到待定位机器人与所拍摄的物体的平面距离，从而可以通过待定位机器人与室内任意两个物体的平面距离计算得到待定位机器人在室内的精确位置。
[0051]
根据本发明实施例的基于目标检测和视觉slam的室内定位方法，通过 slam算法构建室内三维语义地图，使用rgb-d相机获取待定位机器人所在位置的环境图像，并采用目标检测模型对待定位机器人进行精确定位，由此，能够提高机器人定位的准确性和实时性。
[0052]
为实现上述实施例的基于目标检测和视觉slam的室内定位方法，本发明还提出一种基于目标检测和视觉slam的室内定位装置。
[0053]
如图5所示，本发明实施例的基于目标检测和视觉slam的室内定位装置包括：第一获取模块10、第一构建模块20、第一检测模块30、第二构建模块40、第二获取模块50、第二检测模块60、估算模块70和定位模块 80。其中，第一获取模块10用于通过采集机器人携带的rgb-d相机获取整个室内的环境图像序列；第一构建模块20用于根据环境图像序列，采用 slam算法构建室内三维点云地图；第一检测模块30用于对环境图像序列中的关键帧进行语义分割，并采用目标检测模型对关键帧进行检测，以获取关键帧中物体的类别信息；第二构建模块40用于将关键帧中物体的类别信息融合到室内三维点云地图中，以构建室内三维语义地图；第二获取模块 50用于通过处于室内的待定位机器人携带的rgb-d相机获取待定位机器人当前所在位置的环境图像；第二检测模块60用于采用目标检测模型对待定位机器人当前所在位置的环境图像进行检测，以获取待定位机器人当前所在位置的环境图像中物体的类别信息；估算模块70用于根据待定位机器人当前所在位置的环境图像中物体的类别信息和室内三维语义地图，估算待定位机器人在室内的粗略位置；定位模块80用于通过待定位机器人携带的rgb
‑ꢀ
d相机获取所拍摄的物体与待定位机器人之间的距离，并结合待定位机器人在室内的粗略位置，得到待定位机器人在室内的精确位置。
[0054]
在本发明的一个实施例中，室内的物体为位置固定的物体，包括沙发、茶几、餐桌、床、衣柜、洗衣机、冰箱中的一个或多个。第一获取模块10可通过采集机器人携带的rgb-d相机在室内移动获取室内各个位置的环境图像，构成环境图像序列。
[0055]
在本发明的一个实施例中，第一构建模块20可采用orb-slam2算法构建室内三维点云地图。其中，orb-slam2算法包含3个线程：跟踪线程、局部建图线程和全局回环检测线程。具体地，在跟踪线程，可对输入的每帧图像提取orb特征点，与最邻近的关键帧进行比较，计算特征点的位置，粗略估计相机位姿，如果跟踪失败，则通过词袋法进行重新定位，最终决定是否插入关键帧。如果当前的图像跟踪到的特征点的数量很少，则说明当前环境与上一关键帧所处的环境有了很大的改变，此时应插入新的关键帧，避免跟踪失败。在局部建
图线程，可通过bundleadjustment对局部空间内的特征点及相机位姿进行优化，删除冗余的关键帧和低质量的地图点，得到更精确的相机位姿和特征点的空间位置。在全局回环检测线程，可采用词袋法对全局地图和关键帧进行回环检测，如果检测到回环，通过sim3优化计算里程计的累积误差，然后将匹配的所有点云进行对齐并融合重复的点，最后对相似性约束进行图优化，实现全局一致性，得到稀疏的三维点云地图。其中，其中，关键帧为画面清晰，特征点的数量充足且分布均匀的图像，并且与其他关键帧之间有一定的共视关系，同时要求重复度又不能太高，可以理解为，关键帧与关键帧之间既要存在约束，又要减少冗余信息。
[0056]
在本发明的一个实施例中，第一检测模块30可采用deeplabv3plus算法对环境图像序列中的关键帧进行语义分割。
[0057]
在本发明的一个实施例中，可采用deeplabv3plus算法对环境图像序列中的关键帧进行语义分割。具体地，模型的编码器架构由骨干网络resnet101和aspp模块组成，骨干网络提取图像特征生成高级语义特征图，aspp模块利用骨干网络得到的高级语义特征图进行多尺度采样，生成多尺度的特征图，在编码器尾部将多尺度的高级语义特征图在通道维度上进行组合，通过1
×
1的卷积进行通道降维，保持与高级语义特征图串联在一起时的比重，增加网络学习能力。再用3
×
3的卷积提取特征，编码器尾部进行上采样，产生最终的语义分割图。
[0058]
在本发明的一个实施例中，目标检测模型为ssd模型。采用ssd模型可获取环境图像中物体的类别信息，给定不同物体不同的颜色并绘制边界框，生成标签，利用回归的方法建立目标检测框架，省去了生成候选框的步骤，大幅提升了目标检测速度。
[0059]
在本发明的一个实施例中，第二构建模块40采用八叉树结构存储室内三维点云地图，并在室内三维点云地图中融入物体类别标签以构建室内三维语义地图。
[0060]
在本发明的一个实施例中，可采用八叉树结构存储室内三维点云地图，并在室内三维点云地图中融入物体类别标签以构建室内三维语义地图。其中，八叉树是一种三维空间的分层数据结构，基于此结构可以将空间进行无限划分。具体原理如下：八叉树中的每个节点表示一个体素，其值为该体素所占空间的大小，每一个体素可被分割为八个体积大小一致的体素，以此循环操作直至变成最小的方块为止。整个大方块可以看成是根节点，而最小的块可以看作是“叶子节点”。在八叉树中，当由下一层节点往上一层时，地图的体积就能扩大八倍。某个方块的所有节点都被占据或都不被占据时，就没必要展开这个节点。在八叉树空间中，最底层的叶子表示地图的最低分辨率。采用概率形式来表达占据和未被占据，设某节点n，其对应观测数据为z，节点被占据的先验概率一般取值0.5，表示在未知环境中，节点被占据和不被占据的先验概率相等，用p(n|z
1:t
)表示该节点从初始时刻到t时刻的观测概率，则从初始时刻到t 1时刻该节点的概率为：
[0061][0062]
采用概率对数值可以表示为：
[0063]
l(n|z
1:t 1
)＝l(n|z
1:t
) l(n|z
t 1
)(2)
[0064]
其中，l(n|z
1:t
)表示该节点从初始时刻到t时刻的观测概率对数值，l(n|z
t 1
)表
示该节点从t 1时刻的概率对数值。
[0065]
在本发明的一个实施例中，采集机器人的作用是为了获取用于构建室内三维语义地图的环境图像序列，而待定位机器人是利用上述步骤所构建的室内三维语义地图的环境图像序列实现自身定位的机器人。待定位机器人与采集机器人可为同一个机器人，也可以为不同的机器人。
[0066]
在本发明的一个实施例中，由于所识别出的物体的位置是固定的，因此估算模块70可根据室内的物体的位置并结合之前构建的三维语义地图，粗略估算待定位机器人在室内的位置。
[0067]
在本发明的一个实施例中，定位模块80可通过飞行时间法获取所拍摄的物体与待定位机器人之间的距离。
[0068]
在本发明的一个实施例中，定位模块80可采用kinect v2相机中的飞行时间(tof)测距技术来计算相机与物体之间的距离。其中，tof是一种基于光飞行时间差的主动多点深度信息测量方法。深度相机系统中的红外发射器向视野范围内的被测物体连续的投射红外测量调制光线，内部计时器计算每组光束的发出时间，红外探测器搜索被测物体按入射方向反射回来的光束，当探测器收到返回光束时，计时器停止计时。该方法利用已知光的飞行速度，通过测量深度图像中指定像素的深度值，获得对应该像素的实际物体和深度相机平面的距离信息。tof测量技术公式为：
[0069][0070]
其中，d为被测物体与深度相机间的距离，c为射出光束在测量环境中的飞行速度，f为红外光速的调制频率，δψ为同一束入射光和反射光间的相位差。由于已知待定位机器人在室内的粗略位置，通过飞行时间法计算得到待定位机器人与所拍摄的物体的平面距离，从而可以通过待定位机器人与室内任意两个物体的平面距离计算得到待定位机器人在室内的精确位置。
[0071]
根据本发明实施例的基于目标检测和视觉slam的室内定位装置，通过slam算法构建室内三维语义地图，使用rgb-d相机获取待定位机器人所在位置的环境图像，并采用目标检测模型对待定位机器人进行精确定位，由此，能够提高机器人定位的准确性和实时性。
[0072]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0073]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0074]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0075]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0076]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0077]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器 (cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0078]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0079]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0080]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机
可读取存储介质中。
[0081]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。