车道线检测方法、系统、设备及介质与流程

1.本技术涉及自动驾驶技术领域，具体涉及一种车道线检测方法、系统、设备及介质。


背景技术：

2.车道线检测是自动驾驶中必不可少的功能、其可以应用于车道级定位，进而应用于ldw(lane departure warning，车道偏离预警)、lka(lane keeping assistance，车道保持辅助)等功能模块。
3.在相关技术中，先获取道路图像作为输入，利用cnn(convolutional neural networks，卷积神经网络)处理输入的道路图像，得到车道线的二值语义分割结果、以及对道路图像中各个像素点的向量表示；之后，基于以上两方面的信息来源，运用聚类算法进行聚类，得到车道线的分割结果；最后，对每个车道线进行车道线拟合。
4.然而，上述车道线检测方法，由于光照、路况变化等情况，一方面，使得鲁棒性检测较差，对应用场景的依赖性较强；另一方面，后续处理中需要运行聚类算法，其中，使用聚类算法往往收敛时间长，不利于车道线的实时检测。
5.申请内容
6.鉴于以上所述现有技术的缺点，本技术提供一种车道线检测方法、系统、设备及介质，以解决现有车道线检测方法因使用场景差异带来的鲁棒性较差的问题。
7.在第一方面，本技术提供的一种车道线检测方法，包括：
8.获取待测图像，所述待测图像包含车道线的路面图像；
9.将所述待测图像输入预先训练的分割模型，得到车道线的分割结果，其中，所述分割结果包括所述车道线的分块图；
10.对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；
11.对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；
12.根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。
13.于本技术的一实施例中，得到每一所述分块图中的连通区域之后，还包括：对所述待测图像的车道线进行定位，得到包含车道线的颜色区域；对所述颜色区域进行颜色特征提取，基于颜色对立空间确定颜色直方图，对所述颜色直方图进行识别，得到所述车道线的颜色。
14.于本技术的一实施例中，对所述待测图像的车道线进行定位，得到包含车道线的颜色区域，还包括：
15.根据所述分块图中的连通区域确定代表所述车道线的第一轮廓区域；
16.对所述第一轮廓区域进行降噪预处理，确定第二轮廓区域；
17.对所述第二轮廓区域进行精确搜索，确定包含车道线的颜色区域。
18.于本技术的一实施例中，所述预先训练的分割模型包括：
19.获取待训练图像和所述待训练图像分割成车道线的分块图，每个所述分块图对应有标注信息；构建深度神经网络，根据所述待训练图像以及所述待训练图像分割成车道线的分块图对深度神经网络进行训练，直至满足收敛条件确定分割模型。
20.于本技术的一实施例中，对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数，还包括：
21.计算每个所述分块图的连通区域中面积与宽度；
22.对每个所述分块图的连通区域中面积小于第一预设阈值和/或宽度小于第二预设阈值的连通区域进行过滤处理；对过滤后每个所述分块图中连通区域内属于车道线的像素点分别进行直线拟合，确定车道线拟合系数；并根据直线上各像素点的坐标确定为分块图所对应车道线的坐标。
23.于本技术的一实施例中，还包括：
24.根据所述连通区域内车道线的线形类型确定标签，所述标签包括单实线、双实线、单虚线与非车道线；
25.根据所述车道线的坐标确定车道线总数、每条车道线的起点坐标和终点坐标；将所述车道线总数、每条车道线的起点坐标、终点坐标和每条车道线确定为所述车道线的属性信息，进行存储。
26.于本技术的一实施例中，还包括：若检测到车辆超过所述车道线的边界线时，发出报警信息进行提醒，通知驾驶员调整车辆方向直至所述车辆位于所述车道线内时，结束报警信息进行提醒。
27.在第二方面，本技术提供的一种车道线检测系统，包括：
28.获取模块，用于获取待测图像，所述待测图像包含车道线的路面图像；
29.分割模块，用于将所述待测图像输入预先训练的分割模型，得到车道线的分割结果，其中，所述分割结果包括所述车道线的分块图；
30.区域确定模块，用于对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；
31.属性确定模块，用于对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；
32.检测模块，用于根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。
33.在第三方面，本技术提供的一种电子设备，包括：
34.一个或多个处理器；
35.存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述的车道线检测方法。
36.在第四方面，本技术提供的一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述的车道线检测方法。
37.本技术的有益效果：通过将所述待测图像输入预先训练的分割模型，得到车道线的分块图；对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连
通区域内车道线的线形类型确定标签；根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果，一方面，通过上述方式，使用深度学习分割图像，提高了检测的鲁棒性，适用于更多场景，也提高了检测的准确率；通过确定车道线拟合系数与车道线标签等相关属性信息，更利于车道线后续处理的性能与效果的提升。
38.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
39.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术者来讲，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：
40.图1是本技术的一示例性实施例示出车道线检测方法流程图；
41.图2是本技术的一示例性实施例示出的车道线检测方法另一流程图；
42.图3是本技术的一示例性实施例示出车道线检测系统结构框图；
43.图4示出了适于用来实现本技术实施例的电子设备结构示意图。
具体实施方式
44.以下将参照附图和优选实施例来说明本技术的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本技术，而不是为了限制本技术的保护范围。
45.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本技术的基本构想，遂图式中仅显示与本技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
46.在下文描述中，探讨了大量细节，以提供对本技术实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本技术的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本技术的实施例难以理解。
47.请参阅图1，本技术的一示例性实施例示出车道线检测方法流程图，详述如下：
48.步骤s110，获取待测图像，所述待测图像包含车道线的路面图像；
49.其中，可以通过车辆的摄像头获取待测图像，也可以通过设置道路旁的高清摄像头采集待测图像，例如，由视频采集设备源源不断采集监控视频，因此，监控视频一般也包含多个视频帧，通过选取质量较高或反映特征更多的视频帧为待测图像，在此不再赘述。
50.具体地，车辆包括但不限于新能源汽车(纯电汽车、插电式混合动力汽车、油电混合动力汽车、增程式合动力汽车、燃料电池汽车，例如，乙醇、氢气)、内燃汽车等。
51.步骤s120，将所述待测图像输入预先训练的分割模型，得到车道线的分割结果，其
中，所述分割结果包括所述车道线的分块图；
52.具体地，分割模型是基于深度学习的神经网络结构进行训练，专门用于分割待测图像的车道线的分块图。
53.步骤s130，对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；
54.具体地，通过连通区域处理进行标记，确定分块图中的连通区域。
55.步骤s140，对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；
56.具体地，根据所述连通区域内车道线的线形类型确定标签，所述标签包括单实线、双实线、单虚线与非车道线。
57.步骤s150，根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。
58.具体地，根据所述车道线的坐标确定车道线总数、每条车道线的起点坐标和终点坐标；将所述车道线总数、每条车道线的起点坐标、终点坐标和每条车道线确定为所述车道线的属性信息，进行存储。
59.在本实施例中，通过将所述待测图像输入预先训练的分割模型，得到车道线的分块图；对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果，一方面，通过上述方式，使用深度学习分割图像，提高了检测的鲁棒性，适用于更多场景，也提高了检测的准确率；通过确定车道线拟合系数与车道线标签等相关属性信息，更利于车道线后续处理的性能与效果的提升。
60.在另一些实施例中，得到每一所述分块图中的连通区域之后，还包括：对所述待测图像的车道线进行定位，得到包含车道线的颜色区域；对所述颜色区域进行颜色特征提取，基于颜色对立空间确定颜色直方图，对所述颜色直方图进行识别，得到所述车道线的颜色。
61.例如，通过支持向量机对所述颜色直方图进行识别，得到所述车道线的颜色。
62.具体地，对所述待测图像的车道线进行定位，得到包含车道线的颜色区域，还包括：
63.根据所述分块图中的连通区域确定代表所述车道线的第一轮廓区域；
64.对所述第一轮廓区域进行降噪预处理，确定第二轮廓区域；
65.根据所述第二轮廓区域的纹理特征进行精确搜索，确定包含车道线的颜色区域。
66.例如，通过区域定位获取车道线的第一轮廓区域，再提取能代表车道线的第二轮廓区，通过构造lab空间归一化颜色直方图，利用非线性svm进行快速准确的进行颜色分类，提高了系统的实时性与结果的稳定性。
67.在另一些实施例中，所述预先训练的分割模型包括：
68.获取待训练图像和所述待训练图像分割成车道线的分块图，每个所述分块图对应有标注信息；构建深度神经网络，根据所述待训练图像以及所述待训练图像分割成车道线的分块图对深度神经网络进行训练，直至满足收敛条件确定车道线分割模型。
69.例如，按照各个像素行和各个像素列的方式确定所述像素点在所述待训练图像中
的像素位置；根据所述车道线的分块图的标注信息以及所述车道线在所述待训练图像中的像素位置，确定所述像素点的横向特征向量和纵向特征向量。
70.此外，在确定了待训练图像中的车道线像素点的位置后，待训练图像中的非车道线像素点的位置也随之确定，因为非车道线像素点并非车道线检测所关注的重点，但需要与车道线像素点明显区分开，因为可以将待训练图像中的非车道线像素点统一编码，例如将非车道线像素点的横向特征向量和纵向特征向量均赋值为0。
71.还有，根据所述车道线像素点的标注信息，确定所述车道线像素点在所述当前像素行的多个当前像素列的位置以及下一像素行的多个下一像素列的位置；根据所述车道线像素点在所述当前像素行的多个当前像素列的位置，确定所述车道线像素点在所述当前像素行的各个当前像素列的横向特征向量；根据所述车道线像素点在所述当前像素行的多个当前像素列的位置以及所述下一像素行的多个下一像素列的位置，确定所述车道线像素点在所述当前像素行的各个当前像素列的纵向特征向量；将所述车道线像素点在所述当前像素行的各个当前像素列的横向特征向量和所述当前像素行的各个当前像素列的纵向特征向量作为所述像素点的特征编码信息。
72.最后，利用所述待训练图像和所述像素点的特征编码信息以及所述车道线的标注信息训练车道线分割模型，得到训练后的车道线分割模型。
73.在本实施例中，基于车道线的标注信息，利用预设特征编码策略对车道线进行特征编码，以此作为监督信号训练车道线检测模型，提高了车道线检测模型检测的准确性和实时性。
74.在另一些实施例中，对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数，还包括：
75.计算每个所述分块图的连通区域中面积与宽度；
76.对每个所述分块图的连通区域中面积小于第一预设阈值和/或宽度小于第二预设阈值的连通区域进行过滤处理；对过滤后每个所述分块图中连通区域内属于车道线的像素点分别进行直线拟合，确定车道线拟合系数；并根据直线上各像素点的坐标确定为分块图所对应车道线的坐标。
77.通过上述方式，对连通区域的面积与宽度分别进行判断，能够过滤疑似车道线的联通区域，不仅有助于检测车道线，还有助提高车道线安全。
78.在另一些实施例中，还包括：若检测到车辆超过所述车道线的边界线时，发出报警信息进行提醒，通知驾驶员调整车辆方向直至所述车辆位于所述车道线内时，结束报警信息进行提醒。
79.通过上述方式，在智能辅助驾驶过程中，通过实时检测车辆是否位于车道线内，例如，车辆是否压线、过边界等违规操作，进而，有助于驾驶员安全驾驶，提高了车辆智能驾驶。
80.详见图2，本技术的一示例性实施例示出的车道线检测方法另一流程图，详述如下：
81.利用深度学习的分割模型，我们可以得到对于原图的分割结果。分割的结果主要分为4类标签：单实线、双实线、单虚线、其他非车道线部分。由于分割的结果是一系列连通的区域，对于属于同一标签的连通区域，我们在图像坐标中自上而下进行扫描：对于每一
行，从左到右进行遍历，直到该像素点标签不属于当前区域；然后遍历下一行，直到当前行中不存在属于当前区域的像素点。这样对于每个区域，我们可以得到一系列点pi＝{yi,li,ri},i∈[1,n]用于表示扫描得到的结果，其中yi表示当前行的行坐标，li表示当前行的最左侧点的列坐标，ri表示当前行的最右侧点的列坐标，n为点数。这样我们可以分别计算得到当前车道线的如下属性信息：
[0082]
图像坐标系下的起始点位置：pt＝min(yi)为行坐标最小值,pb＝max(yi)为行坐标最大值；
[0083]
车道线拟合系数：待拟合的车道线线点按中点计算得到，即根据(yi,(li ri)/2)，i∈[1,n]这一系列每行的中点进行拟合；
[0084]
线型：根据分割的结果直接得到；
[0085]
颜色：考虑到分割的结果图和原图尺寸上可能有一点差异，可以根据尺度变换系数将分割图上当前区域点的坐标变换到原图上，基于原图上的像素点的信息进行颜色计算。
[0086]
在实际的应用场景中，路面情况及光线变化等因素不可避免地对于车道线的检测带来很多问题。基于传统视觉的方法对于这种复杂性很难较好地应对，具体来说只能通过调整一些阈值的设置已适配当前场景的情况，所以遇到新的情况，该方法只能通过人为重新尝试和更改新的阈值以得到预期的效果。而基于深度学习分割的方法只需要将新的数据样本加入到训练数据集中重新训练即可，与前者相比它可以更好地减少算法设计者的工作量。虽然基于深度学习的检测方法可以直接得到车道线线点的坐标用于拟合等后续操作，但是该方法很难计算得到车道线的线形、颜色等属性。在后续的处理中，利用车道线的线形、颜色等信息对于车道线的跟踪、融合等工作具有辅助作用。因此利用分割的方法检测车道线并获取相关的属性信息对于车道线后处理性能和效果的提升也有重要作用。
[0087]
请参阅图3，为本技术的一示例性实施例示出车道线检测系统结构框图，包括：
[0088]
获取模块310，用于获取待测图像，所述待测图像包含车道线的路面图像；
[0089]
分割模块320，用于将所述待测图像输入预先训练的分割模型，得到车道线的分割结果，其中，所述分割结果包括所述车道线的分块图；
[0090]
区域确定模块330，用于对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；
[0091]
属性确定模块340，用于对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；
[0092]
检测模块350，用于根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果。
[0093]
通过上述方式，在本实施例中，通过将所述待测图像输入预先训练的分割模型，得到车道线的分块图；对所述车道线的分块图进行连通区域处理，得到每一所述分块图中的连通区域；对所述连通区域内的车道线的像素点进行直线拟合，得到车道线拟合系数；并基于所述连通区域内车道线的线形类型确定标签；根据所述车道线拟合系数与所述车道线标签所对应的线形确定车道线检测结果，一方面，通过上述方式，使用深度学习分割图像，提高了检测的鲁棒性，适用于更多场景，也提高了检测的准确率；通过确定车道线拟合系数与车道线标签等相关属性信息，更利于车道线后续处理的性能与效果的提升。
[0094]
需要说明的是，上述实施例所提供的车道线检测系统与上述实施例所提供的车道线检测方法属于同一构思，其中，各个模块和单元执行操作的具体方式已经在系统实施例中进行了详细描述，此处不再赘述。上述实施例所提供的车道线检测系统在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。
[0095]
图4示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0096]
如图4所示，计算机系统400包括中央处理单元(central processing unit，cpu)401，其可以根据存储在只读存储器(read-only memory，rom)402中的程序或者从储存部分408加载到随机访问存储器(random access memory，ram)403中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 403中，还存储有系统操作所需的各种程序和数据。cpu 401、rom 402以及ram 403通过总线404彼此相连。输入/输出(input/output，i/o)接口405也连接至总线404。
[0097]
以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。
[0098]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(cpu)401执行时，执行本技术的系统中限定的各种功能。
[0099]
需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算
机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0100]
本公开实施例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，该程序被处理器执行时实现本实施例中的任一项方法。
[0101]
本公开实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0102]
本实施例公开的电子设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子设备执行如上方法的各个步骤。
[0103]
在本实施例中，存储器可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0104]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、图形处理器(graphics processing unit，简称gpu)，网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称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。
[0105]
本领域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，可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0106]
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，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，单元的划分，可以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系统，或一些子样本可以忽略，或不执行。另外，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，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单元中。
[0107]
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定
的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。