道路图像识别方法、装置、设备、计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及道路图像识别方法、装置、设备、计算机可读介质。


背景技术：

2.随着5g通信技术和人工智能技术的发展，极大了推动了车辆驾驶辅助系统的发展。现有驾驶辅助系统往往依赖于计算机视觉技术的发展。
3.然而，上述辅助驾驶系统经常会存在如下技术问题：第一，针对道路标志检测，首先通过安装于车辆的图像采集设备采集道路图像，之后对道路图像进行图像分割，从而实现道路标志的检测，进而能够实现车辆在道路的位置定位并适应性的调整车辆的行驶参数。但是，这种道路标志检测方法容易受到环境因素的影响，例如遇到灯光暗、雨雪天气等环境影响时，容易出现检测不准确的问题。
4.第二，在新能源车辆的电量不足时，新能源车辆经常需要面对临时寻找充电桩的问题，而驾驶者对于附近的各个充电点位的排队情况或充电桩数量等情况并不了解，因此需要用户根据经验去决定去哪个充电点位充电，经常会导致一些充电点位车辆排队时间久，而一些充电点位充电桩空闲的问题，造成充电桩使用不平衡的问题。另外，由于驶向充电点位的过程电量在不断消耗，当到达一个充电点位发现等待时间过长，此时车辆剩余电量可能无法支撑寻找其他的充电点位，进一步加剧了排队等待的问题。
5.该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了道路图像识别方法、装置、设备、计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种道路图像识别方法，该方法包括：通过安装于车辆的多个图像采集设备采集不同视角的多个道路图像；将多个道路图像分别输入道路检测模型，得到每个道路图像对应的道路检测结果，道路检测结果包括道路标志边界框和置信度；根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像；将融合道路图像输入特征提取网络，特征提取网络包括多个特征提取层，多个特征提取层用于输出多个不同尺寸的特征图，以及将多个不同尺寸的特征图中尺寸最大的特征图作为第一特征图，将尺寸最小的特征图作为第二特征图，将尺寸小于第一特征图且大于第二特征图的特征图作为第三特征图；将第一特征图和第二特征图分别进行通道压缩，得到第一压缩特征图和第二压缩特征图，第一压缩特征图和第二压缩特征图的通道数一致；
对第二压缩特征图进行上采样，得到第二上采样特征图，第二上采样特征图的大小与第一压缩特征图的大小一致，以及对第二上采样特征图和第一压缩特征图进行特征融合，得到融合特征图；将融合特征图输入语义分割网络，得到分割特征图； 将分割特征图和第三特征图进行拼接后输入解码网络，得到道路标志分割图像和道路标志分割图像中所显示的道路标志的类别信息。
9.第二方面，本公开的一些实施例提供了一种道路图像识别装置，包括：采集单元，被配置成通过安装于车辆的多个图像采集设备采集不同视角的多个道路图像；检测单元，被配置成将多个道路图像分别输入道路检测模型，得到每个道路图像对应的道路检测结果，道路检测结果包括道路标志边界框和置信度；融合单元，被配置成根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像；提取单元，被配置成将融合道路图像输入特征提取网络，特征提取网络包括多个特征提取层，多个特征提取层用于输出多个不同尺寸的特征图，以及将多个不同尺寸的特征图中尺寸最大的特征图作为第一特征图，将尺寸最小的特征图作为第二特征图，将尺寸小于第一特征图且大于第二特征图的特征图作为第三特征图；压缩单元，被配置成将第一特征图和第二特征图分别进行通道压缩，得到第一压缩特征图和第二压缩特征图，第一压缩特征图和第二压缩特征图的通道数一致；上采样单元，被配置成对第二压缩特征图进行上采样，得到第二上采样特征图，第二上采样特征图的大小与第一压缩特征图的大小一致，以及对第二上采样特征图和第一压缩特征图进行特征融合，得到融合特征图；分割单元，被配置成将融合特征图输入语义分割网络，得到分割特征图；解码单元，被配置成将分割特征图和第三特征图进行拼接后输入解码网络，得到道路标志分割图像和道路标志分割图像中所显示的道路标志的类别信息。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
12.本公开的上述各个实施例具有如下有益效果：实现了更加准确的道路标志检测。具体来说，现有的道路标志检测方法之所以检测不准确的原因在于：现有的图像分割模型无法应对灯光暗、雨雪天气等极端场景，基于此，本公开的一些实施例首先综合考虑不同视角的多个道路图像。实践中，在灯光暗、雨雪天气等极端场景下，综合不同视角可以有效增强图像的质量。在此过程中，通过参考置信度，以及根据置信度来进行图像融合，置信度越高的道路图像的权重越大，从而有效增强融合道路图像的图像质量。另外，现有的道路标志检测方法之所以检测不准确的原因还在于：现有的道路标志检测方法仅仅利用最后一层的特征提取层输出的特征图，导致特征图中的信息损失严重，从而导致检测不准确。基于此，本公开的一些实施例充分利用尺寸最大的第一特征图，第一特征图的信息损失少，可以最大程度的保留更多的特征，之后将第一特征图和第二特征图进行融合，得到融合特征图输入语义分割网络，从而可以提高检测准确率。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及
方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的道路图像识别方法的一些实施例的流程图；图2是根据本公开的道路图像识别装置的一些实施例的结构示意图；图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
15.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
16.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
17.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
18.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
19.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
20.下面将参考附图并结合实施例来详细说明本公开。
21.参考图1，示出了根据本公开的道路图像识别方法的一些实施例的流程100。该道路图像识别方法，包括以下步骤：步骤101，通过安装于车辆的多个图像采集设备采集不同视角的多个道路图像。
22.图像采集设备可以安装在车辆的各个方位，例如，可以包括2个前视摄像头、3个后视摄像头、6个环视摄像头。
23.步骤102，将多个道路图像分别输入道路标志检测模型，得到每个道路图像对应的道路标志检测结果，道路标志检测结果包括道路标志边界框和置信度。
24.在一些实施例中，道路标志检测模型可以是yolo网络，yolo系列是基于深度学习的回归方法，yolo直接在输出层回归边界框的位置和边界框内包含物体的置信度。
25.步骤103，根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像。
26.在一些实施例中，针对每个道路图像，可以根据该道路图像的置信度为该道路图像设置权重，置信度越高的权重越大。之后，根据各个道路图像的权重对各个道路图像按照像素相加，得到融合道路图像。
27.例如，根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像可以包括：响应于多个道路图像中的第一预设数量的道路图像对应的置信度均小于预设置信度阈值；获取车辆的当前位置信息对应的历史道路图像；以及根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像，包括：根据每个道路图像对应的置信度对多个道路图像和历史道路图像进行图像融合，得到融合道路图像，其中，
历史道路图像对应的置信度是对历史道路图像的多项图像质量指标得分进行加权得到的。图像质量指标得分可以是图像亮度得分、图像分辨率得分等。其中，通过引入历史道路图像可以有效排除当前的环境因素的影响，且历史道路图像的置信度与其图像质量指标得分相关，从而可以提高高质量图像的权重，进一步提高融合道路图像的图像质量。实践中，历史道路图像的置信度除了与其图像质量指标得分相关之外，还需要考虑历史道路图像的与当前位置信息对应的场景的匹配度。实践中，历史道路图像与对应的位置信息关联存储。从而可以根据历史道路图像对应的位置信息（经纬度或者坐标）与当前位置信息，确定两个位置之间的距离。历史道路图像的置信度与距离成反比。历史道路图像对应的置信度可以通过以下公式确定：其中，表示历史道路图像的多项图像质量指标得分的加权和，和为预设系数，为上述距离。通过上述公式可以确定合适的历史道路图像对应的置信度，从而在提高融合道路图像的图像质量的同时，保证融合道路图像的图像与当前位置的匹配程度，避免由于距离差距太远导致场景匹配度低而造成检测不准确。
28.步骤104，将融合道路图像输入特征提取网络，特征提取网络包括多个特征提取层，多个特征提取层用于输出多个不同尺寸的特征图，以及将多个不同尺寸的特征图中尺寸最大的特征图作为第一特征图，将尺寸最小的特征图作为第二特征图，将尺寸小于第一特征图且大于第二特征图的特征图作为第三特征图。
29.在一些实施例中，特征提取网络可以包括多个特征提取层，多个特征提取层可以是卷积核大小不同的卷积层，从而可以得到多个不同尺寸的特征图。多个卷积层可以串联，即一个卷积层的输出作为另一个卷积层的输入。
30.步骤105，将第一特征图和第二特征图分别进行通道压缩，得到第一压缩特征图和第二压缩特征图，第一压缩特征图和第二压缩特征图的通道数一致。例如，可以通过1x1卷积来进行通道压缩。
31.步骤106，对第二压缩特征图进行上采样，得到第二上采样特征图，第二上采样特征图的大小与第一压缩特征图的大小一致，以及对第二上采样特征图和第一压缩特征图进行特征融合，得到融合特征图。
32.步骤107，将融合特征图输入语义分割网络，得到分割特征图。
33.其中，语义分割网络可以采用fcn（fully convolution networks，全卷积网络）、u-net 等网络，其中，fcn可以学习到深层的语义特征，最后映射回原图进行像素级预测。实践中，可以预先利用样本集对语义分割网络进行预训练。
34.可选的，语义分割网络包括多个扩张卷积层，多个扩张卷积层对应有不同的扩张速率；以及将融合特征图输入语义分割网络，得到分割特征图，包括：将融合特征图输入多个扩张卷积层中的第一扩张卷积层，得到第一扩张特征图；将第一扩张特征图和融合特征图进行通道拼接后输入多个扩张卷积层中的第二扩张卷积层，得到第二扩张特征图；将第一扩张特征图和第二扩张特征图进行拼接，得到分割特征图。在此过程中，由于扩张或导致细节的丢失，表现在道路图像识别结果中是道路标志分割图像中所显示的道路标志的不完整，因此，通过对不同的扩张速率的扩张卷积层的结果进行拼接，从而获得更密集的感受野
和像素提取，进而提高检测准确率。
35.步骤108，将分割特征图和第三特征图进行拼接后输入解码网络，得到道路标志分割图像和道路标志分割图像中所显示的道路标志的类别信息。
36.其中，解码网络可以包括多个上采样层和特征堆叠层。其中，特征堆叠层用于对输入的特征图进行通道调整，得到调整后特征图。之后，将调整后特征图输入多个上采样层进行尺寸还原，最终得到和输入图片长宽一致的道路标志分割图像。
37.本公开的一些实施例提供的方法，实现了更加准确的道路标志检测。具体来说，现有的道路标志检测方法之所以检测不准确的原因在于：现有的图像分割模型无法应对灯光暗、雨雪天气等极端场景，基于此，本公开的一些实施例首先综合考虑不同视角的多个道路图像。实践中，在灯光暗、雨雪天气等极端场景下，综合不同视角可以有效增强图像的质量。在此过程中，通过参考置信度，以及根据置信度来进行图像融合，置信度越高的道路图像的权重越大，从而有效增强融合道路图像的图像质量。另外，现有的道路标志检测方法之所以检测不准确的原因还在于：现有的道路标志检测方法仅仅利用最后一层的特征提取层输出的特征图，导致特征图中的信息损失严重，从而导致检测不准确。基于此，本公开的一些实施例充分利用尺寸最大的第一特征图，第一特征图的信息损失少，可以最大程度的保留更多的特征，之后将第一特征图和第二特征图进行融合，得到融合特征图输入语义分割网络，从而可以提高检测准确率。
38.在一些实施例的一些可选的实现方式中，为了进一步提高检测的准确率，充分考虑道路标志的特性，即，一般为规则的图形，以及不同的线型和颜色通常表达特定的含义，基于此，可以预先对各个道路标志进行建模，例如，双实线可以通过两个直线函数来建模。本公开的一些实施例还包括以下步骤：步骤一、根据类别信息，从预先构建的道路标志模型库中确定与道路标志分割图像相匹配的道路标志模型，道路标志模型库中的道路标志模型用于描述道路标志的形状和线段类型。其中，步骤二、利用道路标志模型，对道路标志分割图像进行修正，得到修正道路标志分割图像。
39.例如，道路标志模型包括两个直线函数，可以用两个直线函数来拟合分割图像中的前景色，将直线外的前景像素删除，将直线内的非前景像素进行前景填充，从而得到候选修正道路标志分割图像。另外，线段类型可以是虚线或实线，可以对应的线型对候选修正道路标志分割图像进行二次修正，得到修正道路标志分割图像，便于在此基础上实现准确的辅助驾驶。
40.在一些实施例的一些可选的实现方式中，在车辆驾驶中，为了解决背景技术部分描述的技术问题三“在新能源车辆的电量不足时，新能源车辆经常需要面对临时寻找充电桩的问题，而驾驶者对于附近的各个充电点位的排队情况或充电桩数量等情况并不了解，因此需要用户根据经验去决定去哪个充电点位充电，经常会导致一些充电点位车辆排队时间久，而一些充电点位充电桩空闲的问题，造成充电桩使用不平衡的问题。另外，由于驶向充电点位的过程电量在不断消耗，当到达一个充电点位发现等待时间过长，此时车辆剩余电量可能无法支撑寻找其他的充电点位，进一步加剧了排队等待的问题”。本公开的一些实施例还包括以下步骤：
步骤一，在车辆行驶过程中监测剩余电量，响应于剩余电量低于第一电量阈值，通过电子地图接口读取当前位置的预设范围内的多个充电点位的充电点位信息，充电点位信息包括位置信息、预估排队时间；步骤二、根据每个充电点位的位置信息中每个充电点位相对于当前规划路线的偏离距离与当前位置之间的距离；步骤三、通过云端获取多个充电点位中每个充电点位的预估排队时间；步骤四、根据上述偏离距离、与当前位置之间的距离和预估排队时间对多个充电点位的位置信息进行排序，得到充电点位位置信息序列；其中，可以首先通过以下公式筛选满足条件的充电点位，得到候选充电点位信息集；在此基础上，通过以下公式确定每个充电点位的评分：根据各个充电点位的评分由高到底进行排序，得到充电点位位置信息序列，其中，为单位距离耗电量， 为剩余电量，、均为预设系数。
41.步骤五、将上述充电点位位置信息序列按序显示在车辆的车载系统屏幕中，并提示用户选取目标充电点位位置信息；步骤六、接收用户选取的目标充电点位位置信息，并重新进行路径规划。
42.由此，可以避免用户充电桩使用不均衡和用户根据经验选取充电点位的问题，使得充电桩使用更均衡的同时，减少用户排队时间。
43.进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种道路图像识别装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
44.如图2所示，一些实施例的道路图像识别装置200包括：采集单元201被配置成通过安装于车辆的多个图像采集设备采集不同视角的多个道路图像；检测单元202被配置成将所述多个道路图像分别输入道路检测模型，得到每个道路图像对应的道路检测结果，所述道路检测结果包括道路标志边界框和置信度；融合单元203被配置成根据每个道路图像对应的置信度对所述多个道路图像进行图像融合，得到融合道路图像；提取单元204被配置成将所述融合道路图像输入特征提取网络，所述特征提取网络包括多个特征提取层，所述多个特征提取层用于输出多个不同尺寸的特征图，以及将所述多个不同尺寸的特征图中尺寸最大的特征图作为第一特征图，将尺寸最小的特征图作为第二特征图，将尺寸小于所述第一特征图且大于所述第二特征图的特征图作为第三特征图；压缩单元205被配置成将所述第一特征图和所述第二特征图分别进行通道压缩，得到第一压缩特征图和第二压缩特征图，所述第一压缩特征图和所述第二压缩特征图的通道数一致；上采样单元206被配置成对所述第二压缩特征图进行上采样，得到第二上采样特征图，所述第二上采样特征图的大小与所述第一压缩特征图的大小一致，以及对所述第二上采样特征图和所述第一压缩特征图
进行特征融合，得到融合特征图；分割单元207被配置成将所述融合特征图输入语义分割网络，得到分割特征图；解码单元208被配置成将所述分割特征图和所述第三特征图进行拼接后输入解码网络，得到道路标志分割图像和所述道路标志分割图像中所显示的道路标志的类别信息。
45.可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
46.下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda（个人数字助理）、pad（平板电脑）、pmp（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
47.如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（rom）302中的程序或者从存储装置308加载到随机访问存储器（ram）303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom 302以及ram 303通过总线304彼此相连。输入/输出（i/o）接口305也连接至总线304。
48.通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（lcd）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
49.特别地，根据本公开的一些实施例，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，本公开的一些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程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
50.需要说明的是，本公开的一些实施例中记载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——但不限于——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（eprom或闪存）、光纤、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用
或者与其结合使用。而在本公开的一些实施例中，计算机可读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程序代码。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，该计算机可读信号介质可以发送、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程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。
51.在一些实施方式中，客户端、服务器可以利用诸如http（hyper text transfer protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“lan”），广域网（“wan”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
52.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过安装于车辆的多个图像采集设备采集不同视角的多个道路图像；将多个道路图像分别输入道路检测模型，得到每个道路图像对应的道路检测结果，道路检测结果包括道路标志边界框和置信度；根据每个道路图像对应的置信度对多个道路图像进行图像融合，得到融合道路图像；将融合道路图像输入特征提取网络，特征提取网络包括多个特征提取层，多个特征提取层用于输出多个不同尺寸的特征图，以及将多个不同尺寸的特征图中尺寸最大的特征图作为第一特征图，将尺寸最小的特征图作为第二特征图，将尺寸小于第一特征图且大于第二特征图的特征图作为第三特征图；将第一特征图和第二特征图分别进行通道压缩，得到第一压缩特征图和第二压缩特征图，第一压缩特征图和第二压缩特征图的通道数一致；对第二压缩特征图进行上采样，得到第二上采样特征图，第二上采样特征图的大小与第一压缩特征图的大小一致，以及对第二上采样特征图和第一压缩特征图进行特征融合，得到融合特征图；将融合特征图输入语义分割网络，得到分割特征图； 将分割特征图和第三特征图进行拼接后输入解码网络，得到道路标志分割图像和道路标志分割图像中所显示的道路标志的类别信息。
53.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（lan）或广域网（wan）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
54.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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。也应当注意，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，两个接连地表示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，这依所涉及的功能而定。也要注意的是，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操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。
55.描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
56.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、片上系统（soc）、复杂可编程逻辑设备（cpld）等等。
57.以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。