可穿戴设备上的降噪方法、装置、存储介质及电子装置与流程

1.本发明涉及计算机领域，具体而言，涉及一种可穿戴设备上的降噪方法、装置、存储介质及电子装置。


背景技术：

2.在物联网的发展下，越来越多的智能穿戴设备可以帮助或辅助人们日常生活，对智能穿戴设备的要求越来越高，需要不同场景下具有较高的降噪能力。
3.相关技术中，强噪场景下散射噪声较强，信噪比很低，自适应滤波算法处理效果较差；生活场景下可能存在人声干扰以及各种稳态噪声，其中人声噪声具有很强的相干性，神经网络降噪算法效果不佳，稳态噪声如果较强，传统信号处理算法不能完全处理干净。
4.如果设备的使用场景来回切换，只采用其中一种算法不能达到较好的降噪效果。即现有技术中，可穿戴设备的降噪精度低。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种可穿戴设备上的降噪方法、装置、存储介质及电子装置，以至少解决现有技术中，可穿戴设备的降噪精度低的技术问题。
7.根据本发明实施例的一个方面，提供了一种可穿戴设备上的降噪方法，包括：获取双麦克风阵列接收到的混合语音信号，并所述混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；将所述第一通道数据的时频域以及所述第二通道数据的时频域通过自适应滤波器，得到近端估计信号；将所述近端估计信号通过噪声估计算法，得到噪声能量；在所述噪声能量值大于等于第一阈值的情况下，将所述近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，所述佩戴者佩戴所述可穿戴设备；将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
8.可选的，所述方法还包括：在所述噪声能量值小于第一阈值的情况下，将所述近端估计信号通过方位估计得到每一帧的角度信息；估计所述第一通道数据对应的第一语音能量，和所述第二通道数据对应的第二语音能量；将所述第一语音能量与所述第二通语音能量送入所述自适应滤波器，在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新所述自适应滤波器；将所述自适应滤波器滤波后的语音信号通过所述神经网络降噪，得到所述佩戴者的干净语音信号；将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
9.可选的，所述在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新自适应滤波器，包括：在所述角度信息大于预设角度信息，或所述第一语音能量小于所述第二语音能量，或所述第一语音能量与所述第二语音能量差值小于预设语音能量值的情况下，更新所述自适应滤波器。
10.可选的，所述方法还包括：在所述角度信息或所述第一语音能量与所述第二语音能量未满足预设条件的情况下，不更新所述自适应滤波器。
11.根据本发明实施例的另一方面，还提供了一种可穿戴设备上的降噪装置，包括：获取单元，用于获取双麦克风阵列接收到的混合语音信号，并所述混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；第一过滤单元，用于将所述第一通道数据的时频域以及所述第二通道数据的时频域通过自适应滤波器，得到近端估计信号；第一估计单元，用于将所述近端估计信号通过噪声估计算法，得到噪声能量；第一降噪单元，用于在所述噪声能量值大于等于第一阈值的情况下，将所述近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，所述佩戴者佩戴所述可穿戴设备；第一变换单元，用于将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
12.可选的，所述装置还包括：第二估计单元，用于在所述噪声能量值小于第一阈值的情况下，将所述近端估计信号通过方位估计得到每一帧的角度信息；第三估计单元，用于估计所述第一通道数据对应的第一语音能量，和所述第二通道数据对应的第二语音能量；更新单元，用于将所述第一语音能量与所述第二通语音能量送入自适应滤波器，在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新所述自适应滤波器；第二降噪单元，用于将所述自适应滤波器滤波后的语音信号通过所述神经网络降噪，得到所述佩戴者的干净语音信号；第二变换单元，用于将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
13.可选的，所述更新单元，包括：更新模块，用于在所述角度信息大于预设角度信息，或所述第一语音能量小于所述第二语音能量，或所述第一语音能量与所述第二语音能量差值小于预设语音能量值的情况下，更新所述自适应滤波器。
14.可选的，所述装置还包括：不更新单元，用于在所述角度信息或所述第一语音能量与所述第二语音能量未满足预设条件的情况下，不更新所述自适应滤波器。
15.根据本技术实施例的第一个方面，提供了一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述可穿戴设备上的降噪方法。
16.根据本技术实施例的第一个方面，提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述可穿戴设备上的降噪方法。
17.在本发明实施例中，获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号；将近端估计信号通过噪声估计算法，得到噪声能量；在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备；将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。即在本发明中，基双麦克风阵列，在强噪环境下，采用神经网络降噪搭配后处理的方案，弥补了传统信号处理算法的不足；在生活环境下，综合判定方位信息和瞬态能量是否满足自适应滤波的更新条件，之后再通过结合神经网络降噪算法得到佩戴者的干净
语音信号，很大程度上解决了复杂的生活场景下混合噪声带来的困扰，进而解决了现有技术中，可穿戴设备的降噪精度低的技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1是根据本发明实施例的一种可选的可穿戴设备上的降噪方法的移动终端的硬件结构框图；
20.图2是根据本发明实施例的一种可选的可穿戴设备上的降噪方法的流程图；
21.图3是根据本发明实施例的一种可选的可穿戴设备上的降噪系统的示意图；
22.图4是根据本发明实施例的一种可选的可穿戴设备上的降噪方法示意图；
23.图5是根据本发明实施例的一种可选的可穿戴设备上的降噪装置图。
具体实施方式
24.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“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，以便这里描述的本发明的实施例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，包含了一序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.本技术实施例所提供的可穿戴设备上的降噪方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种可穿戴设备上的降噪方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
27.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的可穿戴设备上的降噪方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理
器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
28.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
29.在本实施例中还提供了一种可穿戴设备上的降噪方法，图2是根据本发明实施例的可穿戴设备上的降噪方法的流程图，如图2所示，该可穿戴设备上的降噪方法流程包括如下步骤：
30.步骤s202，获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域。
31.步骤s204，将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号。
32.步骤s206，将近端估计信号通过噪声估计算法，得到噪声能量。
33.步骤s208，在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备。
34.步骤s210，将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。
35.在本实施例中，上述可穿戴设备上的降噪方法可以用于基于处理得到的语音时域信号，得到佩戴者的语音识别结果。即基于降噪后的语音信号，识别佩戴中的语义。可以包括但不限于双麦克风阵列，大于两个麦克风的多个麦克阵列。
36.上述双麦克阵列之间的距离为d。可以获取不同方向的语音信息。即每个麦克风对应一个通道语音数据。大于两个麦克的多个麦克阵列可以等距排列，也可以不等距随意排列，可以从更多方向获取佩戴者的语音信息。
37.通过麦克风阵列获取的佩戴者的语音信息，通常会携带很多噪音，通过本实施例采用的降噪方式，可以实现高效率的降噪。
38.在本实施例中，上述可穿戴设备可以包括但不限于智能手表、智能手环、智能眼镜、vr头戴、智能头盔以及智能球鞋等。
39.在本实施例中，在噪声能量值大于等于第一阈值的情况下，判断为强噪环境，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备。
40.其中，上述可穿戴设备上的降噪方法的执行主体可以包括但不限于由智能设备、服务器、终端设备等。
41.通过本技术提供的实施例，获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号；将近端估计信号通过噪声估计算法，得到噪声能量；在噪声能量值大于等于第一阈值的
情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备；将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。即在本发明中，基双麦克风阵列，在强噪环境下，采用神经网络降噪搭配后处理的方案，弥补了传统信号处理算法的不足；在生活环境下，综合判定方位信息和瞬态能量是否满足自适应滤波的更新条件，之后再通过结合神经网络降噪算法得到佩戴者的干净语音信号，很大程度上解决了复杂的生活场景下混合噪声带来的困扰，进而解决了现有技术中，可穿戴设备的降噪精度低的技术问题。
42.可选的，所述方法还可以包括：在所述噪声能量值小于第一阈值的情况下，将所述近端估计信号通过方位估计得到每一帧的角度信息；估计所述第一通道数据对应的第一语音能量，和所述第二通道数据对应的第二语音能量；将所述第一语音能量与所述第二通语音能量送入所述自适应滤波器，在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新所述自适应滤波器；将所述自适应滤波器滤波后的语音信号通过所述神经网络降噪，得到所述佩戴者的干净语音信号；将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
43.在本实施例中，在所述噪声能量值小于第一阈值的情况下，判定为佩戴者处于生活环境中。进而通过对应的方式进行降噪。
44.可选的，所述在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新自适应滤波器，可以包括：在所述角度信息大于预设角度信息，或所述第一语音能量小于所述第二语音能量，或所述第一语音能量与所述第二语音能量差值小于预设语音能量值的情况下，更新所述自适应滤波器。
45.可选的，所述方法还可以包括：在所述角度信息或所述第一语音能量与所述第二语音能量未满足预设条件的情况下，不更新所述自适应滤波器。
46.作为一种可选的实施例，本技术还提供了一种可穿戴设备上的降噪方法。如图3所示，基于可穿戴设备上的降噪系统示意图。
47.如图3所示，可穿戴设备上的降噪系统，该系统包括前端信号处理模块，语音识别模块，以及语义识别(人耳得到该语义)。将麦克风采集到的语音经过前端信号处理算法进行处理，拿到目标说话人的语音信号后将其送入语音识别模块或者人耳以提高语音质量。
48.其中，前端信号处理部分假设目标声源a方位在可穿戴设备的某个固定方位，其方位角为φ(如60度方向)。本发明先对麦克风接收到的语音信号进行回声消除得到近端估计信号，之后采用噪声跟踪的方式，可以判别使用场景，而后会自动切换处理模式。有两种处理方式：1、对麦克风接收到的语音信号进行神经网络降噪，然后利用后处理的方式得到干净的语音信号；2、先对语音信号进行方位估计和瞬态能量检测，以此来控制自适应滤波更新逻辑，然后再通过结合神经网络降噪算法模块得到目标说话人的语音信号。
49.在该可穿戴设备上的降噪系统中的前端信号处理模块是可以包括但不限于上述可穿戴设备上的降噪方法。
50.如图4所示，可穿戴设备上的降噪的方法示意图。
51.步骤1，设定噪声估计的阈值为瞬态能量估计的阈值为σ1；
52.步骤2，将麦克风接收到的混合语音信号x1(t)和x2(t)进行短时傅里叶变换，得到第一通道数据的时频域形式x1(t,k)和第二通道数据的时频域形式x2(t,k)，t表示帧数，k表
示频率；
53.步骤3，将麦克风信号通过自适应滤波算法得到近端估计信号；
54.步骤4，将得到的近端信号通过噪声估计算法得到噪声能量en；若则判定为强噪环境，进行第一种处理方式，反之则判定为生活环境，对近段信号进行第二种处理方式；
55.其中，第一种处理方式：将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者干净的时频域语音信号。
56.第二种处理方式：将近端估计信号通过方位估计得到每一帧的角度信息估计第一通道和第二通道的语音能量分别为和
57.将通道1和通道2送入自适应滤波算法，若或者e1《e2或者e
1-e2《σ1，则更新自适应滤波器的参数，反之则不更新滤波器参数；
58.将上一步滤波后的语音信号通过神经网络降噪算法得到干净语音信号的时频域形式；
59.步骤5，将语音信号时频域形式进行短时傅里叶逆变换，得到佩戴者最终的语音时域信号。
60.在本实施例中，在强噪环境下，采用神经网络降噪搭配后处理的方案，弥补了传统信号处理算法的不足；在生活环境下，综合判定方位信息和瞬态能量是否满足自适应滤波的更新条件，之后再通过结合神经网络降噪算法得到佩戴者的干净语音信号，很大程度上解决了复杂的生活场景下混合噪声带来的困扰。
61.使用了噪声跟踪算法让设备可以在不同场景下自动切换成不同降噪算法，解决了设备受限于单一场景的问题。
62.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
63.在本实施例中还提供了一种可穿戴设备上的降噪装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
64.图5是根据本发明实施例的可穿戴设备上的降噪装置的结构框图，如图5所示，该可穿戴设备上的降噪装置包括：
65.获取单元51，用于获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域。
66.第一过滤单元53，用于将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号。
67.第一估计单元55，用于将近端估计信号通过噪声估计算法，得到噪声能量。
68.第一降噪单元57，用于在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备。
69.第一变换单元59，用于将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。
70.通过本技术提供的实施例，获取单元51获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；第一过滤单元53将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号；第一估计单元55将近端估计信号通过噪声估计算法，得到噪声能量；第一降噪单元57在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备；第一变换单元59将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。即在本发明中，基双麦克风阵列，在强噪环境下，采用神经网络降噪搭配后处理的方案，弥补了传统信号处理算法的不足；在生活环境下，综合判定方位信息和瞬态能量是否满足自适应滤波的更新条件，之后再通过结合神经网络降噪算法得到佩戴者的干净语音信号，很大程度上解决了复杂的生活场景下混合噪声带来的困扰，进而解决了现有技术中，可穿戴设备的降噪精度低的技术问题。
71.可选的，所述装置还可以包括：第二估计单元，用于在所述噪声能量值小于第一阈值的情况下，将所述近端估计信号通过方位估计得到每一帧的角度信息；第三估计单元，用于估计所述第一通道数据对应的第一语音能量，和所述第二通道数据对应的第二语音能量；更新单元，用于将所述第一语音能量与所述第二通语音能量送入自适应滤波器，在所述角度信息或所述第一语音能量与所述第二语音能量满足预设条件的情况下，更新所述自适应滤波器；第二降噪单元，用于将所述自适应滤波器滤波后的语音信号通过所述神经网络降噪，得到所述佩戴者的干净语音信号；第二变换单元，用于将所述干净时频域语音信号进行短时傅里叶逆变换，得到所述佩戴者语音时域信号。
72.可选的，所述更新单元可以包括：更新模块，用于在所述角度信息大于预设角度信息，或所述第一语音能量小于所述第二语音能量，或所述第一语音能量与所述第二语音能量差值小于预设语音能量值的情况下，更新所述自适应滤波器。
73.可选的，所述装置还可以包括：不更新单元，用于在所述角度信息或所述第一语音能量与所述第二语音能量未满足预设条件的情况下，不更新所述自适应滤波器。
74.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
75.本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
76.可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
77.s1，获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶
变换，得到第一通道数据的时频域以及第二通道数据的时频域；
78.s2，将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号；
79.s3，将近端估计信号通过噪声估计算法，得到噪声能量；
80.s4，在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备；
81.s5，将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。
82.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
83.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
84.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
85.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
86.s1，获取双麦克风阵列接收到的混合语音信号，并混合语音信号进行短时傅里叶变换，得到第一通道数据的时频域以及第二通道数据的时频域；
87.s2，将第一通道数据的时频域以及第二通道数据的时频域通过自适应滤波器，得到近端估计信号；
88.s3，将近端估计信号通过噪声估计算法，得到噪声能量；
89.s4，在噪声能量值大于等于第一阈值的情况下，将近端估计信号通过神经网络降噪以及后处理算法，得到佩戴者的干净时频域语音信号，其中，佩戴者佩戴可穿戴设备；
90.s5，将干净时频域语音信号进行短时傅里叶逆变换，得到佩戴者语音时域信号。
91.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
92.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
93.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。